Robust Covariance Matrix Estimation for High-Dimensional Compositional Data with Application to Sales Data Analysis
高维成分数据的稳健协方差估计及销售数据应用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：摘要属于高维成分数据的通用协方差估计，销售应用未提供足够依据归入给定的微观、宏观或金融细分。
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…
高维成分数据的稳健协方差估计及销售数据应用
- 研究问题
- 研究在高维成分数据不满足高斯或次高斯分布要求时，如何稳健估计稀疏协方差结构并选择调节参数。
- 方法与思路
- 作者结合 Huber 型 M 估计与成分调整阈值化程序估计协方差，并提出交叉验证方法，通过模拟和销售数据展示应用。
- 材料陈述的贡献
- 摘要称，在有界四阶矩条件下得到收敛率与信号恢复性质，并为高维情形下的交叉验证程序提供理论保证。
- 阅读关注点
- 应核对成分约束如何调整、目标协方差如何定义、稀疏性与矩条件，以及交叉验证保证对应的误差准则。
- 阅读边界
- 仅据所给 OpenAlex 版本摘要，不能判断四阶矩之外的完整条件或销售数据中的优势；后续刊本变化未核验。
原文摘要
Compositional data arises in a wide variety of research areas when some form of standardization and composition is necessary. Estimating covariance matrices is of fundamental importance for high-dimensional compositional data analysis. However, existing methods require the restrictive Gaussian or sub-Gaussian assumption, which may not hold in practice. We propose a robust composition adjusted thresholding covariance procedure based on Huber-type M-estimation to estimate the sparse covariance structure of high-dimensional compositional data. We introduce a cross-validation procedure to choose the tuning parameters of the proposed method. Theoretically, by assuming a bounded fourth moment condition, we obtain the rates of convergence and signal recovery property for the proposed method and provide the theoretical guarantees for the cross-validation procedure under the high-dimensional setting. Numerically, we demonstrate the effectiveness of the proposed method in simulation studies and also a real application to sales data analysis.