On sparsity scales and covariance matrix transformations
稀疏尺度与协方差矩阵变换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：摘要研究通用协方差及精度矩阵估计，没有将矩阵明确用于金融风险、因子模型或经济网络，故分类证据不足。
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
稀疏尺度与协方差矩阵变换
- 研究问题
- 当矩阵维数超过样本量时，如何在给定或估计的变换尺度上利用稀疏性，估计协方差矩阵与精度矩阵？
- 方法与思路
- 作者建立不同稀疏尺度下的矩阵估计理论，重点研究矩阵对数与逆矩阵尺度，并将估计结果转回实际关注的尺度。
- 材料陈述的贡献
- 摘要称，稀疏精度矩阵估计可不依赖约束优化；模拟显示，大型无结构矩阵的对数尺度稀疏近似可能具有优势。
- 阅读关注点
- 应核对尺度选择的依据、变换与逆变换的稳定性，以及不使用约束优化的具体构造、误差保证和计算代价。
- 阅读边界
- 仅据 Crossref 摘要；稀疏类别、理论条件与优势大小未说明，不能将对数尺度的模拟优势推广至所有协方差结构。
原文摘要
Summary We develop a theory of covariance and concentration matrix estimation on any given or estimated sparsity scale when the matrix dimension is larger than the sample size. Nonstandard sparsity scales are justified when such matrices are nuisance parameters, distinct from interest parameters, which should always have a direct subject-matter interpretation. The matrix logarithmic and inverse scales are studied as special cases, with the corollary that a constrained optimization-based approach is unnecessary for estimating a sparse concentration matrix. It is shown through simulations that for large unstructured covariance matrices, there can be appreciable advantages to estimating a sparse approximation to the log-transformed covariance matrix and converting the conclusions back to the scale of interest.