Bayesian Inference for a Covariance Matrix
协方差矩阵的贝叶斯推断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。
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：摘要研究通用多元正态协方差推断，未提供金融波动率或因子模型的直接依据。
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
协方差矩阵的贝叶斯推断
- 研究问题
- 对于多元正态分布的协方差矩阵，如何构造较逆 Wishart 共轭分析更灵活的先验，并开展层级、经验贝叶斯及有限样本推断？
- 方法与思路
- 作者提出灵活先验族，通过 Volterra 积分方程的迭代解近似矩阵对数的似然，发展精确与近似的多种贝叶斯推断方法。
- 材料陈述的贡献
- 摘要称扩展了协方差矩阵的平滑和推断方式，考察部分风险与渐近频率性质，并分析美国高中生数据及相关扩展。
- 阅读关注点
- 核对先验的参数化、矩阵对数似然近似的误差，以及精确与近似推断的区别、风险结论条件和实例中的建模设置。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未说明风险比较和近似精度，灵活性主张不能直接解释为普遍更优的统计表现。
原文摘要
A flexible class of prior distributions is proposed, for the covariance matrix of a multivariate normal distribution, yielding much more general hierarchical and empirical Bayes smoothing and inference, when compared with a conjugate analysis involving an inverted Wishart distribution. A likelihood approximation is obtained for the matrix logarithm of the covariance matrix, via Bellman's iterative solution to a Volterra integral equation. Exact and approximate Bayesian, empirical and hierarchical Bayesian estimation and finite sample inference techniques are developed. Some risk and asymptotic frequency properties are investigated. A subset of the Project Talent American High School data is analyzed. Applications and extensions to multivariate analysis, including a generalized linear model for covariance matrices, are indicated.