Flexible covariance estimation in graphical Gaussian models
高斯图模型中的灵活协方差估计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：摘要中的图用于高斯条件依赖与协方差结构，未明确涉及经济网络、金融因子或其他指定方向。
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…
高斯图模型中的灵活协方差估计
- 研究问题
- 对满足可分解图马尔可夫结构的高斯模型，如何灵活收缩协方差矩阵不同部分，并获得无需 MCMC 的贝叶斯估计？
- 方法与思路
- 作者采用 WPG 分布族，推导熵损失和平方误差损失下的闭式贝叶斯估计，并用数值例子考察频率学风险与图结构作用。
- 材料陈述的贡献
- 摘要称，该分布族具有更多形状参数，支持差异化收缩，且闭式估计避免使用 MCMC；数值研究考察高维协方差估计表现。
- 阅读关注点
- 应核对可分解图限制、WPG 参数的允许范围及收缩含义，以及两类损失对应的估计公式和数值风险比较设置。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要解读。摘要未说明图是否已知或如何选取，也未提供风险数值；闭式估计优势不能直接推广到不可分解图模型。
原文摘要
In this paper, we propose a class of Bayes estimators for the covariance matrix of graphical Gaussian models Markov with respect to a decomposable graph G. Working with the WPG family defined by Letac and Massam [Ann. Statist. 35 (2007) 1278–1323] we derive closed-form expressions for Bayes estimators under the entropy and squared-error losses. The WPG family includes the classical inverse of the hyper inverse Wishart but has many more shape parameters, thus allowing for flexibility in differentially shrinking various parts of the covariance matrix. Moreover, using this family avoids recourse to MCMC, often infeasible in high-dimensional problems. We illustrate the performance of our estimators through a collection of numerical examples where we explore frequentist risk properties and the efficacy of graphs in the estimation of high-dimensional covariance structures.