我们可以使用链接到您的Project Euclid帐户的电子邮件地址帮助您重置密码。
当$p$可能远大于可用样本大小$n$时,我们考虑$p\倍p$精度矩阵的贝叶斯估计。众所周知,在这种超高维情况下,一致性估计需要正则化,例如带状、锥形或阈值。我们考虑模型中的带状结构,并通过高斯图形模型导出带状精度矩阵的先验分布,其中只有当两个顶点在给定距离内时,才会出现边。为了合理地选择图的阶,我们获得了基于$L_{infty}$-算子范数下的图形模型的后验分布和Bayes估计在一类精度矩阵上的一致收敛速度,即使真精度矩阵可能没有带状结构。在证明过程中,我们还计算了最大似然估计量(MLE)在同一组条件下的收敛速度,这是独立的。基于图形模型的MLE和Bayes估计量是自动正定的,这是文献中其他估计量所不具备的一个理想性质。我们还进行了模拟研究,将基于图形模型的贝叶斯估计量和MLE的有限样本性能与使用精度矩阵的Cholesky分解获得的性能进行了比较。最后,我们讨论了使用边际似然函数选择图形模型阶数的实用方法。
Sayantan Banerjee。 Subhashis Ghosal公司。 “使用图形模型估计大精度矩阵的后验收敛速度。” 电子。J.统计。 8 (2) 2111-2137之间, 2014 https://doi.org/10.1214/14-EJS945