迈克尔·史密斯;罗伯特·科恩 纵向数据的简约协方差矩阵估计。 (英语) Zbl 1041.62044号 美国统计协会。 97,第460号,1141-1153(2002)。 摘要:本文提出了一种数据驱动的方法来识别纵向数据协方差矩阵中的简约性,并利用任何这种简约性来生成协方差矩阵的统计有效估计量。该方法通过其逆矩阵的Cholesky分解来参数化协方差矩阵。对于纵向数据,这是一种一步预测表示法,而Cholesky因子可能具有零或接近零的非对角线元素。分层贝叶斯模型用于识别Cholesky因子中的任何此类零,类似于贝叶斯变量选择中成功的方法。该模型使用马尔可夫链蒙特卡罗抽样方案进行估计,该方案计算效率高,可应用于高维协方差矩阵。仿真结果表明,该方法在统计效率方面优于备受推崇的竞争方法。该估计器应用于协方差矩阵的维数相对于样本大小较大的三个实际例子。前两个例子来自生物测量和电力需求建模,并且是纵向的。第三个例子来自金融,它突出了我们估算横截面协方差矩阵的方法的潜力。 引用于49文件 MSC公司: 62甲12 多元分析中的估计 62J10型 方差和协方差分析(ANOVA) 2015年1月62日 贝叶斯推断 65立方厘米 马尔可夫链的数值分析或方法 关键词:Cholesky分解;高维协方差矩阵;马尔科夫蒙特卡洛;模型平均值 PDF格式BibTeX公司 XML格式引用 \textit{M.Smith}和\textit{R.Kohn},J.Am.Stat.Assoc.97,No.460,1141--1153(2002;Zbl 1041.62044) 全文: 内政部