Covariance Scattering Transforms
协方差散射变换通过在协方差谱中局部化的滤波器生成稳定的层次表示,无需训练即可在低样本情况下实现高效的预测性能。
2025-12-03 cs.LG stat.ML
Blind Direction-of-Arrival Estimation in Acoustic Vector-Sensor Arrays via Tensor Decomposition and Kullback-Leibler Divergence Covariance Fitting
提出了一种基于矢量阵的窄带信号到达角盲估计方法。基于AVS测量的信号的特殊结构,我们证明了从阵列接收到的所有信号的协方差矩阵具有自然的低秩4向张量表示。因此,我们的估计不是直接从原始数据中估计DOA,而是从观测的二阶统计量(SOS)张量的唯一参数规范多矢分解(CPD)中产生的。通过利用基本统计和最近重新出现的张量理论的结果,我们得到一个一致的盲CPD为基础的DOA估计没有事先假设的阵列配置。我们表明,这个估计是一个等价的近似联合对角化问题的解决方案,并提出了一个特设的迭代解决方案。此外,我们推导出高斯信号的Cramér-Rao下界,并使用它来推导迭代Fisher评分算法,用于计算该特定信号模型中的最大似然估计(MLE)。然后,我们表明,高斯模型的极大似然估计实际上也可以用于获得非高斯信号的改进DOA估计(在温和的条件下),这在Kullback-Leibler散度协方差拟合准则下是最佳的,利用封装在SOS中的附加信息。我们的分析结果证实了模拟实验在各种情况下,这也表明了相当大的提高精度w.r.t.一个竞争的国家的最先进的盲估计AVS阵列,减少所产生的根均方误差高达一个数量级以上。
2020-05-19 eess.SP stat.AP
Spiked Covariance Estimation from Modulo-Reduced Measurements
考虑秩-1加标模型:$\bf{X}=\sqrtνξ\bf{u}+ \bf{Z}$,其中$ν$是加标强度,$\bf{u}\in\mathbb{S}^{k-1}$是未知方向,$ξ\sim \mathcal{N}(0,1),\bf{Z}\sim \mathcal{N}(\bf{0},\bf{I})$。受模数转换的最新进展的启发,我们研究了从$n$ i.i.d.中恢复$\bf{u}\in \mathbb{S}^{k-1}$的问题。模约化测量$\bf{Y}=[\bf{X}]\mod Δ$,侧重于高维区域($k\gg 1$)。我们开发和分析的算法,大多数方向$\bf{u}$和$ν=\mathrm{poly}(k)$,估计$\bf{u}$高精度使用$n=\mathrm{poly}(k)$测量,只要$Δ\gtrsim \sqrt{\log k}$。常数,我们的算法准确地估计$\bf{u}$在最小的可能$Δ$,允许(在信息理论意义上)恢复$\bf{X}$从$\bf{Y}$。在我们的分析中的一个关键步骤涉及估计的概率,长度为$\approx\sqrtν$的线段在随机方向$\bf{u}$通过附近的一个点在晶格$Δ\mathbb{Z}^k$。数值实验表明,即使在非渐近设置,该算法表现良好。
2022-05-19 cs.IT math.IT math.ST
Robust Gaussian Covariance Estimation in Nearly-Matrix Multiplication Time
Microsoft Research AI(微软研究院人工智能部门);University of Washington(华盛顿大学)
稳健的协方差估计是以下在高维统计中被充分研究的问题:给定来自$d$维高斯$\mathcal{N}(\boldsymbol{0}, Σ)$的$N$样本,但是其中样本的$\varepsilon$分数被任意损坏,输出$\widehatΣ$最小化$\mathcal{N}(\boldsymbol{0}, Σ)$和$\mathcal{N}(\boldsymbol{0}, \widehatΣ)$之间的总变化距离。这对应于学习Frobenius范数的自然仿射不变变体中的$Σ$,称为\emph{Mahalanobis norm}。Cheng等人先前的工作证明了一种算法,该算法在给定$N = Ω(d^2 / \varepsilon^2)$样本的情况下实现了$O(\varepsilon \log 1 / \varepsilon)$的接近最优的误差,而且,他们的算法在时间$\widetilde{O}(T(N, d) \log κ/ \mathrm{poly} (\varepsilon))$中运行,其中$T(N, d)$是将$d \times N$矩阵乘以其转置所花费的时间,$κ$是$Σ$的条件数。当$\varepsilon$相对较小时,它们在运行时对$1/\varepsilon$的多项式依赖性非常大。在本文中,我们展示了一种新的算法,实现了相同的统计保证,但运行时间$\widetilde{O} (T(N,…
2020-06-23 cs.DS cs.LG math.ST
Physics-Informed Singular-Value Learning for Cross-Covariances Forecasting in Financial Markets
Université Paris-Saclay, CentraleSupélec, Mathématiques et Informatique pour la Complexité et les Systèmes(巴黎-萨克雷大学,CentraleSupélec,复杂性与系统数学与计算机科学);Università degli Studi di Palermo, Dipartimento di Fisica e Chimica "Emilio Segrè"(巴勒莫大学,Emilio Segrè物理与化学系)
本文提出了一种结合随机矩阵理论和机器学习的神经网络架构,用于改进金融市场交叉协方差预测的鲁棒性。
2026-08-04 cs.LG q-fin.ST stat.ML
Core Shrinkage Covariance Estimation for Matrix-variate Data
随机矩阵的可分离协方差模型提供了矩阵行与列之间的协方差的简约描述,并允许以非常小的样本量进行基于似然的推断。然而,在许多应用中,精确可分性的假设不太可能得到满足,并且使用可分离模型的数据分析可能会忽略或歪曲数据中的重要依赖模式。在这篇文章中,我们提出了一个折衷的可分离和非结构化的协方差估计。我们展示了如何设置的协方差阵可以唯一参数化的一组可分离的协方差阵和一个互补的“核心”协方差阵,其中的核心可分离的协方差阵的单位矩阵。该参数化定义了协方差阵的克罗内克核分解。通过经验Bayes方法对样本协方差阵的核进行收缩,得到了一个能适应总体协方差阵可分性的估计量.
2022-07-25 stat.ME
Reduced-Rank Covariance Estimation in Vector Autoregressive Modeling
本文研究了高维向量自回归模型中白噪声协方差阵的降秩建模问题。首先,我们提出了降秩协方差估计的设置下,独立的观察。本文推导了向量观测值基于隐变量模型的降秩估计,并给出了其最大似然估计的解析形式。仿真结果表明,降秩协方差估计优于两个竞争的协方差估计的大规模的协方差阵从独立的观察。然后,我们描述了如何将所提出的降秩估计融入到高维VAR模型的拟合中,在这里我们考虑了两种需要不同模型拟合程序的情况。在VAR建模的背景下,我们的降秩协方差估计不仅提供了VAR过程的依赖结构的可解释的描述,但也导致改进模型拟合和预测不受限制的协方差估计。两个实际数据的例子来说明这些拟合程序。
2014-12-05 stat.AP stat.CO stat.ME
When Marginals Match but Structure Fails: Covariance Fidelity in Generative Models
North Dakota State University(北达科他州立大学)
本文提出了一种基于协方差层面的依赖保真度评估标准,以弥补传统边缘分布匹配评估方法的不足,通过实验证明该标准能更准确地区分结构保留与结构丢失的生成模型。
2026-05-18 cs.AI cs.LG stat.ME
Bayesian nonstationary and nonparametric covariance estimation for large spatial data
在空间统计学中,经常假设感兴趣的空间场是平稳的,其协方差具有简单的参数形式,但这些假设在许多应用中并不合适。给出了高斯空间场的重复观测,我们提出了空间依赖性的非平稳和非参数贝叶斯推断。代替估计协方差阵的二次(在空间位置的数量上)条目,想法是推断精度矩阵的稀疏Cholesky因子中的非零条目的近线性数量。我们先前的假设的动机是最近的结果的指数衰减的条目,这个Cholesky因子的母亲型协方差下一个特定的排序方案。我们的方法是高度可扩展和并行化。我们进行数值比较,并将我们的方法应用于气候模型输出,使昂贵的物理模型的统计模拟。
2020-12-10 stat.AP stat.CO stat.ME
Covariance Estimation for Matrix-valued Data
矩阵值数据的协方差估计在应用中受到越来越多的关注。不同于以往的工作,严重依赖于矩阵正态分布假设和固定的矩阵大小的要求,我们提出了一类分布无关的正则化的协方差估计方法,用于高维矩阵数据在一个可分离的条件和一个带宽的协方差结构.在这些条件下,原始协方差矩阵被分解成两个可带小协方差阵的克罗内克积,表示行和列方向上的变异性。我们制定了一个统一的框架,估计带协方差,并介绍了一个有效的算法的基础上秩一无约束克罗内克积近似。建立了估计量的收敛速度,导出的Minimax下界表明我们提出的估计量在一定的矩阵大小的发散制度下是速率最优的。我们进一步引入了一类稳健协方差估计,为处理重尾数据提供了理论保证。我们展示了优越的有限样本性能,我们的方法使用模拟和实际应用,从网格化的温度异常数据集和标准普尔500指数的股票数据分析。
2022-04-18 stat.ME stat.ML
Large Covariance Estimation for Compositional Data via Composition-Adjusted Thresholding
高维组成数据在诸如宏基因组数据分析等许多应用中自然出现。观测数据是一个高维的单纯形,传统的统计方法往往无法产生合理的结果,由于单位和约束。本文研究了高维成分数据的协方差估计问题,并在基协方差阵稀疏的假设下,提出了一种成分调整阈值(COAT)方法。我们的方法是基于一个分解有关的组成协方差的基础协方差,这是近似可识别的维数趋于无穷大。由此产生的过程可以被视为阈值的样本中心的对数比协方差矩阵,因此是可扩展的大协方差阵。我们严格的协方差参数的可识别性的特点,得到的频谱范数下的收敛速度,并提供理论保证支持恢复。模拟研究表明,COAT估计优于一些天真的阈值估计,忽略了独特的组成数据的功能。我们将所提出的方法应用于微生物组数据集的分析,以了解人类肠道中细菌类群之间的依赖结构。
2016-01-18 stat.ME
Combinatorics of Distance Covariance: Inclusion-Minimal Maximizers of Quasi-Concave Set Functions for Diverse Variable Selection
本文证明了负样本距离协方差函数是统计不独立的随机变量样本的拟凹集函数。我们使用这些属性,提出贪婪算法组合优化一些多样性(低统计依赖性)促进距离协方差函数。我们的贪婪算法获得所有的包含最小最大化这个多样性促进目标。包含最小最大化器是全局最优最大化器的多个解集,这些解集不是解集中任何其他最大化集的真子集。我们提出的结果后,应用这种方法来获得不同的功能(协变量/变量/预测)的回归(或分类)问题的特征选择设置。我们还将我们的多样特征选择算法与[7]的基于距离协方差的相关特征选择算法相结合,以产生协变量的子集,这些子集都是相关的,但在这些子集的多样性水平不增加的情况下有序。
2017-02-17 stat.ME stat.OT
Estimating The Proportion of Signal Variables Under Arbitrary Covariance Dependence
估计隐藏在大量噪声变量中的信号的比例是许多科学研究的兴趣所在。在本文中,我们考虑现实的,但在理论上具有挑战性的设置与变量之间的任意协方差依赖。我们定义了平均绝对相关(MAC)来衡量整体的依赖水平,并调查了家庭的估计,他们的表现在整个范围内的MAC。我们明确的MAC依赖性和信号稀疏性的估计家庭的性能的联合效果,并发现没有一个家庭中的估计是最强大的不同MAC依赖水平。通知的理论见解,我们提出了一个新的估计,以更好地适应任意协方差依赖。所提出的方法相比有利的几个现有的方法在广泛的有限样本设置强到弱的协方差依赖和真正的依赖结构的遗传关联研究。
2021-04-09 math.ST stat.ME stat.TH
Spectral analysis of spatial-sign covariance matrices for heavy-tailed data with dependence
针对具有一般协方差结构的α-正则变化重尾相依总体数据,本文研究空间符号协方差矩阵的谱特性,建立其极限谱分布及线性谱统计量的中心极限定理,并给出几乎最弱的条件(α≥2时Marčenko-Pastur方程成立,α>4时中心极限定理有效)。
2025-02-16 math.ST stat.TH
Detecting independence of random vectors: generalized distance covariance and Gaussian covariance
距离协方差是度量两个随机向量之间相关性的一个量。我们表明,最初的概念介绍和发展的Székely,Rizzo和Bakirov可以嵌入到一个更一般的框架的基础上对称Lévy措施和相应的实值连续负定函数。Lévy测度取代了距离协方差原始定义中使用的权函数。距离协方差的所有基本属性都保留在这个新的框架。从实际的角度来看,这允许对基础随机变量的限制性较小的矩条件,并且可以使用除了欧几里得距离之外的其他距离函数,例如Minkowski距离。最重要的是,它作为距离多变量的基本构建块,距离多变量是测量和估计多个随机向量的相关性的量,这在后续论文[距离多变量:随机向量的新相关性测量(提交)]中介绍。arXiv的修订版本:1711.07775v1]。
2018-10-23 math.PR math.ST stat.TH
Revisiting Gruss's inequality: covariance bounds,QDE but not QD copulas, and central moments
自1935年格哈德·格鲁斯(Gerhard Gruss)的开创性工作以来,格鲁斯不等式以及更普遍的格鲁斯型协方差界吸引了研究人员,并在经济学、保险、可靠性等领域找到了许多应用,更普遍的是,在不确定性下的决策。协方差的Gruss型界主要是在最一般的相关结构下建立的,这意味着对两个潜在的随机变量之间的相关结构没有限制。最近在该领域的工作揭示了一个潜在的改进Gruss型界限,包括原来的Gruss界限,假设依赖结构,如象限依赖(QD)。在本文中,我们证明了相对较少探索的概念“象限依赖的期望”(QDE)是非常适合的背景下,边界协方差,特别是那些出现在上述领域的应用。我们将详细探索这一研究途径,建立一般的Gruss型边界,并用新构造的二元分布的例子来说明它们,这些分布不是QD,但仍然是QDE。这些例子依赖于特别设计的连接函数。我们补充的例子与一般copula和他们的凸组合的结果。在推导Gruss型界的过程中,我们还建立了新的中心矩界,并证明了其最优性。
2010-10-27 math.PR math.ST stat.TH
Asymptotic normality of wavelet covariances and of multivariate wavelet Whittle estimators
具有长程相关特性的多变量过程在许多应用领域中都会遇到。这种框架的两个基本特征是长期相关参数和各组成部分时间序列之间的相关性。我们考虑多变量长程相关线性过程,不一定是高斯过程。我们表明,在这种设置的小波系数之间的协方差是渐近高斯。我们还研究了基于小波的Whittle过程的长期相关参数和长期协方差估计的渐近分布。我们证明了估计量的渐近正态性,并给出了渐近协方差的显式表达式。这一结果的实证说明提出了一个真实的数据集上的大鼠大脑的连接。
2022-04-06 math.ST stat.TH
Generalizing Distance Covariance to Measure and Test Multivariate Mutual Dependence
我们提出了三种多个随机向量之间相互依赖的度量。所有测度为零当且仅当随机向量相互独立。第一个度量将距离协方差从成对依赖推广到相互依赖,而另外两个度量是距离协方差的平方和。所有的措施共享类似的性质和渐近分布的距离协方差,并捕捉非线性和非单调的相互依赖的随机向量。受完全和不完全V-统计量的启发,我们定义了经验测度和简化的经验测度,作为检验相互独立性时复杂性和功效之间的权衡。仿真结果和实际数据的例子证明了测试的实施。
2018-02-25 math.ST stat.AP stat.CO
When Is a Graph a Covariance? Bayesian Residual Propagation under Covariance Uncertainty
Brigham Young University(杨百翰大学)
本研究提出贝叶斯残差协方差模型,在协方差不确定性下推导最优线性更新恒等式,并在八个图基准上验证,多数情况下优于残差传播,但密集异质图上表现较差。
2026-10-06 math.ST stat.ML stat.TH
Symmetric Rank Covariances: a Generalised Framework for Nonparametric Measures of Dependence
测试两个随机向量是否独立的需求已经催生了大量相互竞争的相关性度量。我们感兴趣的非参数的措施,是不变的严格增加的转换,如肯德尔的tau,Hoeffding的D,和最近发现的Bergsma-Dassios符号协方差。这些度量中的每一个都表现出从它们的定义中不容易看出的对称性。使这些对称明确,我们定义了一类新的多元非参数的依赖措施,我们称之为对称秩协方差。这个新的类概括了所有上述措施,自然导致多元扩展的Bergsma-Dassios符号协方差。对称秩协方差可以估计无偏使用U-统计,我们证明结果的计算效率和大样本行为。我们开发的算法,他们的计算包括,据我们所知,第一个有效的算法,著名的Hoeffding的D统计的多元设置。
2017-08-18 math.ST stat.CO stat.ME
A Riemannian covariance for manifold-valued data
针对非欧空间中经典线性相关性度量难以推广的问题,提出黎曼流形上双随机变量的广义局部协方差与相关系数量度,给出其强一致估计量,通过仿真与真实应用验证了有效性。
2024-10-08 math.ST stat.TH
Distance-based and RKHS-based Dependence Metrics in High Dimension
在本文中,我们研究了距离协方差,希尔伯特-施密特协方差(又名希尔伯特-施密特独立性标准[Gretton et al.(2008)])和相关的独立性测试在高维场景下。我们证明了两个随机向量之间的样本距离/Hilbert-Schmidt协方差可以近似为分量方向样本互协方差的平方和,直到一个渐近常数因子,这表明基于距离/Hilbert-Schmidt协方差的检验只能捕获高维线性相关。因此,当两个随机向量非线性相关但分量不相关时,Szekely和Rizzo(2013)开发的基于距离相关的独立性t检验具有平凡的限制能力。这种新的和令人惊讶的现象,这似乎是第一次发现,在我们的模拟研究中得到进一步证实。作为一种补救措施,我们提出了测试的基础上聚集的边际样本距离/希尔伯特-施密特协方差,并显示其优越的权力行为对他们的联合同行在模拟中。我们进一步将基于距离相关的t检验扩展到基于希尔伯特-施密特协方差和边缘距离/希尔伯特-施密特协方差的t检验。提出了一种新的统一的方法来分析零假设和备择假设下的学生化样本距离/Hilbert-Schmidt协方差以及学生化样本边缘距离协方差。我们的理论和模拟结果揭示了距离/希尔伯特-施密特协方差的限制时,联合使用的高维设置,并建议聚合的边缘距离/希尔伯特-施密特协方差作为一个有用的替代。
2019-02-08 math.ST stat.ME stat.TH
Covariance matrix estimation for stationary time series
我们得到了平稳过程的带状协方差阵估计的一个快收敛速度。推导了样本协方差阵谱半径的精确数量级。我们还考虑了一个阈值的协方差阵估计,可以更好地表征稀疏,如果真正的协方差阵是稀疏的。作为我们的主要工具,我们实现Toeplitz [Math.Ann.70(1911)351-376]的思想,并将协方差阵的特征值与协方差的谱密度或傅里叶变换联系起来。在因果表示和物理依赖测度的框架下,利用m-依赖近似,我们得到了平稳过程二次型的一个大偏差结果。
2012-05-30 math.ST stat.TH
Versatile Parametric Classes of Covariance Functions that Interlace Anisotropies and Hole Effects
本文提出可灵活整合各向异性与洞效应的新型参数化协方差函数构造,推广多类经典模型,并在含水层地球物理数据上取得更优空间预测。
2023-06-07 math.ST stat.TH
Gaussian dependence structure pairwise goodness-of-fit testing based on conditional covariance and the 20/60/20 rule
提出一种基于20/60/20规则和条件协方差的高斯依赖结构成对拟合优度检验框架,具有渐近枢轴分布,模拟和实证表明其优于流行基准。
2024-04-22 math.ST stat.ME stat.TH
Fourier analysis of serial dependence measures
经典的谱分析是基于自协方差的离散傅里叶变换。在本文中,我们研究了新的频域方法的渐近性质,其中谱密度的自协方差被替代的替代相关措施,可以估计的U-统计量。一个有趣的例子是Kendall的$τ$,其中极限方差表现出令人惊讶的行为。
2017-03-13 math.ST stat.TH
Measuring dependence between random vectors via optimal transport
为了量化可能不同维度的两个随机向量之间的依赖关系,我们建议依赖于2-Wasserstein距离的性质。首先,我们提出了两个系数,这是基于实际分布和独立分量的参考分布之间的Wasserstein距离。将系数归一化为0和1之间的值,其中1表示给定两个多变量边界的最大可能依赖量。然后,我们做一个准高斯假设,产生两个额外的系数植根于相同的想法作为前两个。这些不同的系数更适合于分布结果,并且在联合协方差或相关阵方面承认有吸引力的公式。此外,最大的相关性被证明发生在协方差矩阵具有最小的冯诺依曼熵给定的协方差阵的两个多元利润。这一结果也有助于我们重新审视RV系数,提出了一个尖锐的归一化。基于准高斯方法的两个系数可以通过经验协方差阵容易地估计。估计量是渐近正态的,它们的渐近方差是协方差阵的显函数,因此也可以一致地估计。结果扩展到高斯copula的情况下,在这种情况下,估计是基于秩的。通过理论的例子,蒙特卡罗模拟,并涉及脑电图数据的案例研究的结果进行说明。
2021-10-18 math.ST stat.TH
Measuring and testing dependence by correlation of distances
距离相关是一种新的度量随机向量之间相关性的方法。距离协方差和距离相关性类似于积矩协方差和相关性,但与相关性的经典定义不同,距离相关性仅在随机向量独立时为零。经验距离依赖性度量基于样本元素之间的某些欧几里得距离,而不是样本矩,但具有类似于经典协方差和相关性的紧凑表示。讨论了渐近性质及其在独立性检验中的应用。实施的测试和Monte Carlo结果也被提出。
2008-03-28 math.ST stat.TH
Optimal Test-Data Piling in HDLSS Classification with Covariance Heterogeneity
本文研究了异质协方差结构下高维低样本量分类中的数据堆积现象,提出了最大化测试数据堆积分离度的第二最大数据堆积方向,并设计了基于数据划分的求解算法,揭示了尾部特征值不平衡是实现最优方向的主要障碍。
2025-08-10 math.ST stat.TH
Estimating covariance and precision matrices along subspaces
研究了利用有限样本协方差估计$D$ -变量亚高斯分布沿指定子空间或方向的协方差和精度矩阵的精度。我们的研究结果表明,估计精度几乎完全取决于所需的子空间或方向对应的分布的组件。这对于数据在低维空间中的行为是特别感兴趣的问题是相关的和重要的,例如降维或结构化回归问题。我们还证明了精度矩阵的估计几乎与协方差阵的条件数无关。所提出的应用包括方向敏感的特征空间扰动界,最小特征值的相对界,和单指标模型的估计。对于后者,一个新的估计,来自分析,提出了强有力的理论保证和优越的数值性能。
2020-12-06 math.ST stat.ML stat.TH
Admissibility of Adaptive Monotone Step-Down Multiple Testing Procedures Under Arbitrary Covariance Dependence
Texas A&M University(德克萨斯农工大学);Indian Statistical Institute(印度统计研究所)
针对任意协方差依赖下多元正态均值的同步检验问题,建立了一类基于残差的自适应单调逐步下降多重检验程序的可容许性定理,证明其关于向量值损失函数是可容许的。
2026-05-28 math.ST stat.TH
Estimating False Discovery Proportion Under Arbitrary Covariance Dependence
多重假设检验是高维推理中的一个基本问题,在许多科学领域有着广泛的应用。在全基因组关联研究中,同时进行数万次测试,以确定是否有任何SNP与某些性状相关,并且这些测试是相关的。当检验统计量相关时,在任意依赖下的错误发现控制变得非常具有挑战性。在本文中,我们提出了一种新的方法的基础上,主因子近似,成功地减去了共同的依赖性和显着削弱的相关性结构,以处理一个任意的依赖结构。本文推导了在大规模多重检验中,当采用公共门限时,错误发现率的近似表达式,并给出了实现错误发现率的相合估计。这一结果在FDR和FDP的控制中有重要的应用。我们对实现的FDP的估计与Efron(2007)的方法相比毫不逊色,如模拟示例所示。我们的方法进一步说明了一些实际数据的应用。我们还提出了一个依赖调整的过程,这是更强大的比固定阈值的过程。
2011-11-15 math.ST stat.ME stat.TH
Goodness-of-Fit Testing for Time Series Models via Distance Covariance
在许多统计建模框架中,通常对估计残差进行拟合优度检验。在时间序列设置中,使用样本自相关函数评估残差的白度。对于许多时间序列模型,特别是那些用于金融时间序列的模型,关于残差的关键假设是它们实际上是独立的,而不仅仅是不相关的。在本文中,我们应用自距离协方差函数(ADCV)来评估估计残差的序列相关性。距离协方差可以区分两个随机向量的相依性和独立性。对于一般的一类时间序列模型,导出了基于ADCV的检验统计量的极限行为。该理论的一个关键方面是调整由于参数估计而产生的相关性。无论型号规格如何,该调整基本上具有相同的形式。我们在模拟的例子中说明了结果。
2019-03-02 math.ST stat.ME stat.TH
On eigenvalues of a high-dimensional Kendall's rank correlation matrix with dependence
本文研究了高维Kendall秩相关阵的极限谱分布。允许底层种群具有一般依赖结构。结果不再遵循广义的Marucenko-Pastur定律,这是全新的。这是关于相依秩相关阵的第一个结果。作为应用,我们研究了具有一般协方差阵的多元正态分布的Kendall秩相关阵。从这些结果中,我们进一步了解肯德尔的秩相关阵及其与样本协方差/相关阵的连接。
2022-08-31 math.ST stat.TH
Enhancing Signal Proportion Estimation Through Leveraging Arbitrary Covariance Structures
North Carolina State University(北卡罗来纳州立大学)
本文提出一种利用变量间任意协方差信息的新信号比例估计器,改进了不同稀疏性和依赖结构下的性能,通过理论分析和模拟验证其在估计精度和弱信号检测上的优势。
2026-05-14 math.ST stat.ME stat.ML
Codifference as a measure of dispersion and dependence for mixture models
本文提出协差作为混合模型中分散性和依赖性的度量,探讨其在非高斯分布中的应用及渐近分布特性。
2025-12-15 math.ST stat.TH
Estimation of Large Covariance and Precision Matrices from Temporally Dependent Observations
本文考虑了高维次高斯或双尾观测数据的大协方差阵和精度阵的估计问题。时间依赖性被允许是长范围的,因此具有比当前文献中考虑的更长的记忆。我们表明,几种常用的独立观测方法可以适用于时间依赖的数据。特别地,给出了协方差矩阵和相关阵的广义门限估计,精度矩阵的约束$\ell_1$极小化和$\ell_1$惩罚似然估计的收敛速度.稀疏性和符号一致性的性质也被建立。提出了一种间隙-块交叉验证的方法来选择调谐参数,在仿真中取得了很好的效果。作为一个启发性的例子,我们使用具有长程时间依赖性的静息态fMRI时间序列数据来研究脑功能连接。
2017-07-18 math.ST stat.ML stat.TH
Simultaneous Inference for Covariance and Precision Matrices of Long-Range Dependent Time Series
Booth School of Business, The University of Chicago(芝加哥大学布斯商学院);Marshall School of Business, University of Southern California(南加州大学马歇尔商学院);Department of Statistics and Data Science, Mohamed bin Zayed University of Artificial Intelligence(穆罕默德·本·扎耶德人工智能大学统计与数据科学系);Department of Statistics, The University of Chicago(芝加哥大学统计学系)
本文提出一种Berry-Esseen型正态近似结果,用于长期依赖时间序列协方差和精度矩阵的有限样本界推断,采用鞅和m依赖近似及三元块构造方法,支持高维设置和自助法验证。
2026-04-17 math.ST stat.ME stat.TH
Inference for Spiked Eigenstructure under Generalized Covariance and Correlation Models
Nanjing Audit University(南京审计大学);National University of Singapore(新加坡国立大学)
本文研究了在一般突出模型下,基于样本协方差矩阵和样本相关矩阵的样本突出特征值的推断问题,推导了样本突出特征空间的功能渐近分布,并开发了单样本基准主方向推断和双样本比较突出强度的程序。
2026-03-25 math.ST stat.TH
Spectral clustering of network time series via the sample covariance matrix
University of California, Los Angeles(加州大学洛杉矶分校);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Imperial College London(帝国理工学院)
本文针对依赖结构由未观测随机块模型决定的多变量时间序列,提出基于样本协方差矩阵的谱聚类方法,实现了潜在社区的精确恢复,其理论扩展了矩阵扰动理论至依赖数据场景。
2026-08-05 math.ST stat.ME stat.TH
Kernel Angle Dependence Measures for Complex Objects
本文提出基于角度的核角度协方差依赖性度量,避免传统距离方法对矩条件的依赖,通过U统计量和伽马近似构建稳健的独立性检验,并在人脸识别等复杂对象数据上验证了有效性。
2023-04-18 math.ST stat.ME stat.TH
Dependence and dependence structures: estimation and visualization using the unifying concept of distance multivariance
距离多变量是一种多变量相关性度量,它可以检测任意数量的随机向量之间的相关性,每个随机向量可以具有不同的维度。在这里,我们讨论了几个新的方面,提出了一个简洁的概述,并使用它作为基础上的几个新的结果和概念:特别是,我们表明,距离多变量统一(和扩展)距离协方差和希尔伯特-施密特独立准则HSIC,此外还经典的线性相关措施:协方差,皮尔逊相关性和RV系数出现的限制情况。基于距离多变量定义了几个新的措施:一个多相关,它满足一个自然集的多元相关性测量公理和$m$ -多变量,这是一个依赖措施产生测试成对独立性和独立性的高阶。这些测试在计算上是可行的,并且在非常温和的力矩条件下,它们与所有备选方案一致。此外,提出了一个一般的可视化方案,高阶依赖关系,包括一致的估计(基于距离多变量)的依赖结构。提供了许多说明性的例子。在应用程序中使用距离多变量的所有函数都发布在R软件包“多变量”中。
2019-08-06 math.PR math.ST stat.ME
Multivariate wavelet Whittle estimation in long-range dependence
具有长程相关性质的多变量过程在金融、生物物理和神经科学等领域有着广泛的应用。对于实际数据应用,时间序列之间的相关性至关重要。由于过程中自相关特性的差异引起的相移,相关性的经验估计可能会有很大的偏差。为了解决这个问题,我们引入了一个半参数估计的多元长程相依过程。模型中感兴趣的参数是长程相关参数的向量和长期协方差阵,在神经科学中也称为功能连接。该矩阵表征了时间序列之间的耦合。建议的多元小波基Whittle估计是一致的估计的长期依赖和协方差阵,并包括平稳和非平稳过程。一个模拟研究和一个真实的数据例子来说明有限样本的行为。
2015-10-30 math.ST stat.TH
Adaptive density estimation under dependence
假设$(X_t)_{t\in\Z}$是一个实值时间序列,它允许一个关于勒贝格测度的公共边际密度$f$。Donoho { \it等}(1996)提出了一种基于阈值小波的近似极小极大方法来估计独立同分布设置中紧集上的$f$。目前的工作的目的是将这些结果推广到一般的弱依赖环境。弱相关假设表示为协方差项的递减界,并针对不同的示例进行了详细说明。估计量$\widehat f_n$中的阈值水平依赖于序列$(X_t)_{t\in\Z}$通过常数的弱依赖性质。如果这些属性是未知的,我们建议交叉验证程序,以获得新的估计。这些程序说明通过模拟的动力系统和非因果无限移动平均线。我们还讨论了我们的估计相对于协方差界的减少的效率。
2008-10-15 math.ST stat.TH
Optimal rates of convergence for sparse covariance matrix estimation
本文考虑稀疏协方差阵的估计,在一定的矩阵算子范数和Bregman发散损失下,建立了最优的收敛速率。一个主要的重点是推导出一个率夏普极小极大下界。该问题表现出新的功能,显着不同于那些发生在传统的非参数函数估计问题。标准技术不能产生良好的结果,因此需要新的工具。我们首先开发了一个下界技术,特别适合于治疗“双向”的问题,如估计稀疏的协方差阵。这个结果可以看作是Le Cam方法和Assouad引理的一个推广。这种下界技术是独立的利益,并可用于其他矩阵估计问题。然后,我们建立了一个率夏普minimax下界估计稀疏协方差阵谱范数下,通过应用一般的下界技术。一个阈值估计,以达到最佳的收敛速率下的谱范数。然后将结果推广到一般矩阵$\ell_w$算子范数的$1\le w\le \infty$。此外,在一类Bregman发散损失下,我们给出了稀疏协方差阵估计的Minimax收敛速率的统一结果。
2013-02-13 math.ST stat.TH
Estimation of CO$_2$ flux from targeted satellite observations: a Bayesian approach
我们考虑在海洋-大气界面的二氧化碳通量的估计,在垂直大气柱的混合比的加权平均。特别是,我们研究的依赖性的后验协方差的加权函数中使用的观察,动机的事实,该功能是依赖于工具,因此需要能够比较不同的权重。估计问题被认为是使用变分数据同化方法,这是承认一个等价的无限维贝叶斯公式。在我们的调查中的主要工具是一个显式的公式的先验协方差和观测算子的后验协方差。使用这个公式,我们比较加权函数集中在地球表面附近的大气层的顶部附近,在由此产生的协方差算子。我们还考虑了观测目标的问题,并询问是否有可能通过适当选择加权函数来减少规定方向的协方差。我们发现,情况并非如此-存在这样的方向,在这些方向上,人们永远无法获得信息,无论权重的选择如何。
2014-10-16 math.ST stat.TH
Inference without smoothing for large panels with cross-sectional and temporal dependence
本文讨论了在大面板数据模型中,同时存在未知形式的横截面和时间相关的推断问题。我们有兴趣作出推论,不依赖于任何平滑参数的选择,因为是经常采用的“HAC”估计的协方差矩阵的情况下。为此,我们提出了一个集群估计的渐近协方差的估计和有效的自助方案,不需要选择的带宽或平滑参数,并容纳非参数性质的时间和横截面的依赖。我们的方法是基于这样的观察,即固定效应面板数据模型的谱表示是这样的,误差变得近似时间不相关。我们提出的自举方案可以被视为在频域中的野生自举。我们提出了一些蒙特卡罗模拟,以阐明我们的推理过程的小样本性能。
2020-06-25 econ.EM math.ST stat.TH