High dimensional matrix estimation through elliptical factor models
通过椭圆因子模型进行高维矩阵估计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。
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：摘要研究通用椭圆因子模型，未说明宏观或金融场景，因子一词本身不足以支持领域归类。
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…
通过椭圆因子模型进行高维矩阵估计
- 研究问题
- 在具有厚尾和异质依赖的椭圆因子模型中，如何借助 Tyler 型稳健估计与低秩结构，估计高维散布、协方差及精度矩阵？
- 方法与思路
- 作者以空间符号协方差矩阵作为初始估计改造 POET，再提出面向 Tyler M 估计的 POET-TME，并研究一致性速度及模拟表现。
- 材料陈述的贡献
- 摘要称，所提矩阵估计量在椭圆因子模型下具有一致性速度，模拟和真实数据展示 POET-TME 的表现，尤其强调厚尾场景的优势。
- 阅读关注点
- 应核对散布与协方差的尺度区别、矩存在条件、因子结构和阈值要求，并检查一致性范数及精度矩阵估计对可逆性的依赖。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收未获核实。摘要未列一致性速度、完整条件和应用领域，不能将所述优势推广到所有厚尾数据。
原文摘要
Elliptical factor models play a central role in modern high-dimensional data analysis, particularly due to their ability to capture heavy-tailed and heterogeneous dependence structures. Within this framework, Tyler's M-estimator (Tyler, 1987a) enjoys several optimality properties and robustness advantages. In this paper, we develop high-dimensional scatter matrix, covariance matrix and precision matrix estimators grounded in Tyler's M-estimation. We first adapt the Principal Orthogonal complEment Thresholding (POET) framework (Fan et al., 2013) by incorporating the spatial-sign covariance matrix as an effective initial estimator. Building on this idea, we further propose a direct extension of POET tailored for Tyler's M-estimation, referred to as the POET-TME method. We establish the consistency rates for the resulting estimators under elliptical factor models. Comprehensive simulation studies and a real data application illustrate the superior performance of POET-TME, especially in the presence of heavy-tailed distributions, demonstrating the practical value of our methodological contributions.