Efficient estimation of covariance selection models
协方差选择模型的高效估计AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要中的图表示高斯条件依赖结构，未研究经济网络互动或干扰，故不归入网络与干扰。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
协方差选择模型的高效估计
- 研究问题
- 当高斯数据的逆协方差矩阵可能稀疏且维数相对样本量较高时，如何估计协方差并纳入图结构的不确定性？
- 方法与思路
- 作者采用允许逆协方差非对角元素为零的先验，以 Metropolis–Hastings 采样实施模型平均，适用于可分解和不可分解图。
- 材料陈述的贡献
- 摘要称，在逆协方差稀疏的模拟情形中，该方法得到统计上高效的协方差估计，并以三个维数相对较高的例子展示应用。
- 阅读关注点
- 应核对零元素先验与图结构的关系、模型平均方式、采样混合及计算成本，以及模拟中稀疏程度和效率比较的定义。
- 阅读边界
- 依据稿件版本未注明的 OpenAlex 索引摘要解读，不能推断刊本变化；模拟中的效率陈述不能替代未提供的普遍效率定理。
原文摘要
A Bayesian method is proposed for estimating an inverse covariance matrix from Gaussian data. The method is based on a prior that allows the off‐diagonal elements of the inverse covariance matrix to be zero, and in many applications results in a parsimonious parameterisation of the covariance matrix. No assumption is made about the structure of the corresponding graphical model, so the method applies to both nondecomposable and decomposable graphs. All the parameters are estimated by model averaging using an efficient Metropolis–Hastings sampling scheme. A simulation study demonstrates that the method produces statistically efficient estimators of the covariance matrix, when the inverse covariance matrix is sparse. The methodology is illustrated by applying it to three examples that are high‐dimensional relative to the sample size.