Robust estimators for nondecomposable elliptical graphical models
不可分解椭圆图模型的稳健估计量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：摘要研究协方差约束下的一般图模型估计，未提供经济网络、干扰或金融应用的直接证据。
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
不可分解椭圆图模型的稳健估计量
- 研究问题
- 对于可分解及不可分解的椭圆图模型，如何稳健估计受图结构约束的协方差矩阵，并比较不同估计方式的渐近与小样本表现？
- 方法与思路
- 作者建立稳健代入型估计量的一般渐近结果，并引入图模型 M 估计量，与对应的代入型 M 估计量进行理论和模拟比较。
- 材料陈述的贡献
- 摘要称结果将已有理论扩展至不可分解图模型；两类方法在椭圆分布随机抽样下渐近等价，模拟中图模型 M 估计量表现更好。
- 阅读关注点
- 应核对图结构约束、椭圆分布及随机抽样条件、渐近等价的具体含义，以及小样本比较使用的损失指标与污染设定。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未报告模拟规模及优势幅度，图模型中的统计依赖也不能直接解释为经济网络效应。
原文摘要
Robust estimators of the restricted covariance matrices associated with elliptical graphical models are studied. General asymptotic results, which apply to both decomposable and nondecomposable graphical models, are presented for robust plug-in type estimators. These extend results previously established only for the decomposable case. Furthermore, a class of graphical M-estimators for the restricted covariance matrices is introduced and compared with the corresponding plug-in M-estimators. The two approaches are shown to be asymptotically equivalent under random sampling from an elliptical distribution. A simulation study demonstrates the superiority of the graphical M-estimators for small samples.