A covariate-dependent Cholesky decomposition for high-dimensional covariance regression
协变量依赖的高维协方差回归的 Cholesky 分解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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要聚焦协方差矩阵的高维估计方法与算法，未涉及所给因果推断、面板、时间序列、资产定价等细分领域的直接文本依据，故不选择。
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
协变量依赖的高维协方差回归的 Cholesky 分解
- 研究问题
- 摘要称，如何在将协变量效应纳入协方差矩阵、实现个体化估计时，保证所得估计量的正定性，并在高维响应与高维协变量下进行估计。
- 方法与思路
- 作者提出变系数序贯回归框架，将修正 Cholesky 分解推广为把正定协方差矩阵建模为个体层协变量的函数；对协变量效应与受其调制的 Cholesky 因子元素施加联合稀疏结构，并用分块坐标下降算法估计参数，同时考察估计参数的 ℓ2 收敛速率。
- 材料陈述的贡献
- 摘要称提出了一种可保证正定性的协变量依赖 Cholesky 分解框架，能同时处理高维响应与高维协变量，并给出参数估计算法与 ℓ2 收敛速率，通过数值实验和脑癌患者基因共表达网络应用展示方法效果。
- 阅读关注点
- 应核对正定性的具体保证机制、联合稀疏结构的形式与识别条件、ℓ2 收敛速率所需的假设与维度条件、分块坐标下降的收敛性质，以及数值实验与基因共表达应用的设定和评价方式。
- 阅读边界
- 仅凭摘要无法判断定理假设、估计量性质、模拟设计与实证结论的可靠性；该文为 arXiv 预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
Estimation of covariance matrices is a fundamental problem in multivariate statistics. Recently, growing efforts have focused on incorporating covariate effects into these matrices, facilitating subject-specific estimation. Despite these advances, guaranteeing the positive definiteness of the resulting estimators remains a challenging problem. In this paper, we present a new varying-coefficient sequential regression framework that extends the modified Cholesky decomposition to model the positive definite covariance matrix as a function of subject-level covariates. To handle high-dimensional responses and covariates, we impose a joint sparsity structure that simultaneously promotes sparsity in both the covariate effects and the entries in the Cholesky factors that are modulated by these covariates. We approach parameter estimation with a blockwise coordinate descent algorithm, and investigate the $\ell_2$ convergence rate of the estimated parameters. The efficacy of the proposed method is demonstrated through numerical experiments and an application to a gene co-expression network study with brain cancer patients.