Tests for High-Dimensional Covariance Matrices
高维协方差矩阵的检验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：摘要为通用高维协方差检验及基因表达应用，未涉及因子、波动率或资产风险，不能据协方差一词归入金融。
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…
高维协方差矩阵的检验
- 研究问题
- 当数据维度远大于样本量时，如何检验协方差矩阵的球形结构或是否为单位矩阵，而不指定数据的参数分布？
- 方法与思路
- 作者提出非参数协方差结构检验，面向大维度、小样本情形，并通过理论、经验研究及基因表达数据考察表现。
- 材料陈述的贡献
- 摘要称检验无需指定具体参数分布，可用于维度远超样本量的情形，并在广泛维度与样本规模下表现良好。
- 阅读关注点
- 应核对球形与单位矩阵原假设的区别、矩条件和维度增长要求，以及检验校准、功效与基因集合分析的设置。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；非参数并不意味着无需分布条件，具体假设和性能指标未提供。
原文摘要
We propose tests for sphericity and identity of high-dimensional covariance matrices. The tests are nonparametric without assuming a specific parametric distribution for the data. They can accommodate situations where the data dimension is much larger than the sample size, namely the “large p, small n” situations. We demonstrate by both theoretical and empirical studies that the tests have good properties for a wide range of dimensions and sample sizes. We applied the proposed test on a microarray dataset on Yorkshire Gilts and tested for the covariance structure for the expression levels for sets of genes.