A new approach to Cholesky-based covariance regularization in high dimensions
高维协方差矩阵 Cholesky 正则化的新方法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：摘要研究通用高维协方差正则化，未涉及金融波动率、因子模型或其他所列细分。
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
高维协方差矩阵 Cholesky 正则化的新方法
- 研究问题
- 如何利用协方差矩阵自身 Cholesky 因子的回归解释，在高维问题中构造正定的正则化估计量及带状协方差估计量？
- 方法与思路
- 作者提出协方差 Cholesky 因子的回归解释，据此正则化，并分析协方差及其逆矩阵的因子带化与约束最大似然的联系。
- 材料陈述的贡献
- 摘要称该正则化始终产生正定估计量，带状估计的计算成本与所比较的常用方法相同，并通过模拟和声呐数据比较表现。
- 阅读关注点
- 应核对新回归解释的构造、变量顺序与带宽的作用、正定保证的条件，以及与带状约束最大似然之间的具体对应。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明。正定性和相同计算成本不等于统计误差更小；摘要未提供比较数值或刊本变化。
原文摘要
In this paper we propose a new regression interpretation of the Cholesky factor of the covariance matrix, as opposed to the well-known regression interpretation of the Cholesky factor of the inverse covariance, which leads to a new class of regularized covariance estimators suitable for high-dimensional problems. Regularizing the Cholesky factor of the covariance via this regression interpretation always results in a positive definite estimator. In particular, one can obtain a positive definite banded estimator of the covariance matrix at the same computational cost as the popular banded estimator of Bickel & Levina (2008b), which is not guaranteed to be positive definite. We also establish theoretical connections between banding Cholesky factors of the covariance matrix and its inverse and constrained maximum likelihood estimation under the banding constraint, and compare the numerical performance of several methods in simulations and on a sonar data example.