Inference for High-Dimensional Sparse Spectral Precision Matrices
高维稀疏谱精度矩阵的统计推断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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要直接研究平稳多元时间序列的频域条件关系，符合时间序列方法方向。
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
高维稀疏谱精度矩阵的统计推断
- 研究问题
- 论文研究如何对平稳多元时间序列在特定频率上的条件关系进行推断，并处理复数估计、高维结构及平滑和截断偏差。
- 方法与思路
- 作者利用相邻离散傅里叶变换的完整似然结构，构造去偏复数 graphical lasso，并通过双线性形式的渐近理论推导联合分布。
- 材料陈述的贡献
- 摘要称给出实部与虚部的闭式渐近协方差、双线性形式中心极限定理及偏差控制；模拟报告覆盖率和功效方面的支持性结果。
- 阅读关注点
- 应核对平稳性、稀疏度、维度增长与带宽条件，复数似然的使用方式，以及多重检验中错误发现率控制的具体依据。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要未给出完整正则条件、比较基准和数值结果，应用对象为 fMRI。
原文摘要
Statistical inference for the spectral precision matrix at a given frequency allows us to assess frequency-specific conditional relationships among the components of a stationary multivariate time series. Compared with classical analogues, inference in the spectral domain is more challenging due to the absence of closed-form asymptotic variance expressions for complex-valued estimators, the limited asymptotic theory in high-dimensional settings, and the presence of truncation and smoothing biases in finite samples. We construct a debiased complex graphical lasso estimator at any fixed frequency by leveraging the full likelihood structure of neighboring discrete Fourier transforms. Using asymptotic distributions for bilinear forms of stationary multivariate time series, we establish the joint asymptotic normality of the real and imaginary parts of the debiased estimator. Our main theoretical contributions include deriving a closed-form asymptotic covariance matrix for the real and imaginary parts, establishing a central limit theorem for bilinear forms of the underlying time series, and controlling smoothing and truncation biases in covariance estimation to ensure valid inference. Simulation studies demonstrate reliable coverage and improved statistical power relative to the benchmark, while maintaining false discovery rates near the nominal level. An application to real fMRI data further reveals distinct patterns of functional connectivity across selected frequencies.