Modelling structured correlation matrices
结构化相关矩阵建模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：摘要研究一般相关矩阵参数化，未指定面板、金融波动率或其他所列应用方向。
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
结构化相关矩阵建模
- 研究问题
- 如何在估计带结构约束的相关矩阵时保证正定性，并对满足这些约束的相关参数开展具有渐近理论支持的估计？
- 方法与思路
- 作者使用超球坐标或角度重新参数化相关矩阵的 Cholesky 因子，在给定结构后通过最大似然估计角度及对应相关系数。
- 材料陈述的贡献
- 摘要称，该参数化提供灵活有效的正定性处理方式，并建立角度最大似然估计量的一致性与渐近正态性，附有实例说明。
- 阅读关注点
- 应核对结构约束如何映射为角度约束、参数化的唯一性与边界问题，以及似然设定和渐近结果所需的正则条件。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；允许的结构类别、边界处理和似然假设未说明，不能据此推断任意约束均可实现。
原文摘要
Ensuring positive definiteness of an estimated structured correlation matrix is challenging. We show that reparameterizing Cholesky factors of correlation matrices using hyperspherical coordinates or angles provides a flexible and effective solution. Once a structured correlation matrix is identified, the corresponding angles and hence the constrained correlations may be estimated by maximum likelihood. Consistency and asymptotic normality of the maximum likelihood estimators of the angles are established. Examples demonstrate the flexibility of the method.