Nonparametric eigenvalue-regularized precision or covariance matrix estimator
特征值非参数正则化的精度矩阵与协方差矩阵估计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：摘要虽提及因子结构，但研究通用矩阵估计，未给出宏观或金融因子模型的直接背景。
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
特征值非参数正则化的精度矩阵与协方差矩阵估计
- 研究问题
- 在维度可能超过样本量的情况下，如何估计正定的协方差及精度矩阵，并在指定损失下实现渐近最优的特征值收缩？
- 方法与思路
- 作者提出通过样本分割对样本协方差特征值进行非参数正则化的NERCOME方法，并分别研究矩阵估计及其逆矩阵。
- 材料陈述的贡献
- 摘要称方法满足正定性并在指定损失下具有渐近最优性；合适分割下效率损失趋零，相关结果也适用于因子结构数据。
- 阅读关注点
- 应核对样本分割位置、维度增长和谱条件，区分Frobenius范数与Stein损失下的最优性，以及理想比较估计量的定义。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明；最优性条件和分割规则未提供，不能据此认定有限样本表现或金融应用优势。
原文摘要
We introduce nonparametric regularization of the eigenvalues of a sample covariance matrix through splitting of the data (NERCOME), and prove that NERCOME enjoys asymptotic optimal nonlinear shrinkage of eigenvalues with respect to the Frobenius norm. One advantage of NERCOME is its computational speed when the dimension is not too large. We prove that NERCOME is positive definite almost surely, as long as the true covariance matrix is so, even when the dimension is larger than the sample size. With respect to the Stein’s loss function, the inverse of our estimator is asymptotically the optimal precision matrix estimator. Asymptotic efficiency loss is defined through comparison with an ideal estimator, which assumed the knowledge of the true covariance matrix. We show that the asymptotic efficiency loss of NERCOME is almost surely 0 with a suitable split location of the data. We also show that all the aforementioned optimality holds for data with a factor structure. Our method avoids the need to first estimate any unknowns from a factor model, and directly gives the covariance or precision matrix estimator, which can be useful when factor analysis is not the ultimate goal. We compare the performance of our estimators with other methods through extensive simulations and real data analysis.