محمد حسین امین ابراهیم آبادی

در این مقاله یک روش تخمین جدید برای ماتریس دقت پراکنده ابعادی فوقانی ، معکوس ماتریس کوواریانس تهیه شده است. روشهای نظم دهی برای تخمین ماتریس با دقت پراکنده پیشنهاد شده است ، اما به دلیل همبستگی مبهم ممکن است با داده های بعدی فوق العاده عملکرد خوبی نداشته باشند. ما یک روش اعتبارسنجی متقاطع اصلاح شده (RCV) برای برآورد ماتریس دقیق پراکنده را بر اساس تجزیه و تحلیل Cholesky آن ، که به فرض گاوسی نیاز ندارد ، پیشنهاد می کنیم. روش پیشنهادی RCV را می توان به راحتی با نرم افزارهای موجود برای رگرسیون خطی ابعاد فوق العاده بالا اجرا کرد. ما قوام تخمین RCV پیشنهادی را ایجاد می کنیم و نشان می دهیم که میزان همگرایی برآورد RCV بدون فرض ساختار نوار دار ، همان است که در نظر گرفته می شود ساختار باند در Bickel و Levina (2008b). مطالعات مونت کارلو برای دسترسی به عملکرد نمونه محدود برآورد RCV انجام شد. مقایسه عددی ما نشان می دهد که برآورد RCV نسبت به موارد موجود در سناریوهای مختلف بهتر است. ما بیشتر تخمین RCV را برای تجزیه و تحلیل تجربی از تخصیص دارایی استفاده می کنیم.