Sparsistency and rates of convergence in large covariance matrix estimation
大型协方差矩阵估计的稀疏一致性与收敛速度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：摘要研究通用高维矩阵估计，未明确建立因子模型、网络模型或金融应用。
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
大型协方差矩阵估计的稀疏一致性与收敛速度
- 研究问题
- 高维协方差、精度矩阵及 Cholesky 分解中的稀疏结构如何统一估计，不同惩罚对零元素识别和收敛速度有何影响？
- 方法与思路
- 作者在一般惩罚似然框架下研究三类稀疏结构，推导 Frobenius 范数收敛性质，并比较不同惩罚所需的调节参数条件。
- 材料陈述的贡献
- 摘要称，获得稀疏一致性与收敛率结果；在所研究保证下，L1 惩罚需较强稀疏限制，SCAD 与硬阈值惩罚无需同一限制。
- 阅读关注点
- 应核对维数、非零元素数和调节参数的联合条件，各惩罚的适用假设，以及零元素识别保证与收敛率结论的区别。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；部分速率公式的上下标不清，需查原 PDF，不能重构公式、泛化惩罚优势或推断刊本变化。
原文摘要
This paper studies the sparsistency and rates of convergence for estimating sparse covariance and precision matrices based on penalized likelihood with nonconvex penalty functions. Here, sparsistency refers to the property that all parameters that are zero are actually estimated as zero with probability tending to one. Depending on the case of applications, sparsity priori may occur on the covariance matrix, its inverse or its Cholesky decomposition. We study these three sparsity exploration problems under a unified framework with a general penalty function. We show that the rates of convergence for these problems under the Frobenius norm are of order (s(n) log p(n)/n)(1/2), where s(n) is the number of nonzero elements, p(n) is the size of the covariance matrix and n is the sample size. This explicitly spells out the contribution of high-dimensionality is merely of a logarithmic factor. The conditions on the rate with which the tuning parameter λ(n) goes to 0 have been made explicit and compared under different penalties. As a result, for the L(1)-penalty, to guarantee the sparsistency and optimal rate of convergence, the number of nonzero elements should be small: sn'=O(pn) at most, among O(pn2) parameters, for estimating sparse covariance or correlation matrix, sparse precision or inverse correlation matrix or sparse Cholesky factor, where sn' is the number of the nonzero elements on the off-diagonal entries. On the other hand, using the SCAD or hard-thresholding penalty functions, there is no such a restriction.