Test for high-dimensional correlation matrices
高维相关矩阵检验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：摘要仅给出通用高维相关矩阵检验，未明确涉及金融因子、风险或宏观结构。
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…
高维相关矩阵检验
- 研究问题
- 当样本量与数据维度同时趋于无穷时，如何统一处理单样本、双样本和多样本相关结构检验，并覆盖稠密与稀疏备择？
- 方法与思路
- 作者构造面向不同备择的检验统计量，研究其渐近零分布、功效及无偏性，并处理样本相关矩阵中的依赖问题。
- 材料陈述的贡献
- 摘要称，论文建立高维相关结构检验的一般框架，并通过模拟和真实数据分析展示所提统计量的适用性。
- 阅读关注点
- 应核对维度与样本量的增长关系、矩条件及依赖条件，比较各统计量在稠密和稀疏备择下的适用范围。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；具体增长条件、数据应用和数值结果未说明，不能据此推定金融风险应用。
原文摘要
Testing correlation structures has attracted extensive attention in the literature due to both its importance in real applications and several major theoretical challenges. The aim of this paper is to develop a general framework of testing correlation structures for the one-, two-, and multiple sample testing problems under a high-dimensional setting when both the sample size and data dimension go to infinity. Our test statistics are designed to deal with both the dense and sparse alternatives. We systematically investigate the asymptotic null distribution, power function, and unbiasedness of each test statistic. Theoretically, we make great efforts to deal with the non-independency of all random matrices of the sample correlation matrices. We use simulation studies and real data analysis to illustrate the versatility and practicability of our test statistics.