This paper focuses on the separable covariance matrix when the dimension $p$ and the sample size $n$ grow to infinity but the ratio $p/n$ tends to zero. The separable sample covariance matrix can be written as $n^{-1}A^{1/2}XBX^\top A^{1/2}$, where $A$ and $B$ correspond to the cross-row and cross-column correlations, respectively. We normalize the separable sample covariance matrix and prove the central limit theorem for corresponding linear spectral statistics, with explicit formulas for the mean and covariance function. We apply the results to testing the correlations of a large number of variables with two common examples, related to spatial-temporal model and matrix-variate model, which are beyond the scenarios considered in existing studies. The asymptotic sizes and powers are studied under mild conditions. The computations of the asymptotic mean and variance are involved under the null hypothesis where $A$ is the identity matrix, with simplified expressions which facilitate to practical usefulness. Extensive numerical studies show that the proposed testing statistic performs sufficiently reliably under both the null and alternative hypothesis, while a conventional competitor fails to control empirical sizes.


翻译:本文侧重于当维度为美元和样本规模为美元到无限值时的可分离共变矩阵, 当维度为美元和样本大小为美元,但比例为美元/美元时, 则标度为零时, 可分离的样本共变矩阵可以写成美元($ ⁇ -1}A ⁇ 1/2}XUX* ⁇ top A ⁇ 1/2}美元), 美元和美元B$分别对应跨行和交叉列的相互关系。 我们将分离的样本互换矩阵标准化, 并证明对应的线性光谱统计的核心限值, 并配有平均和共变异功能的明确公式。 我们应用结果测试大量变量的相关性, 有两个共同的例子, 与空间时空模型和矩阵变异模型有关, 超出现有研究中考虑的假设。 对无源大小和权力的研究在温和的条件下进行。 在无效假设下, 对无源平均值和差异进行计算, 其中, $A$是身份矩阵, 以及简化的表达方式, 以便于实际使用。 广泛的数字研究显示, 在可靠的假设下, 进行无源和可靠地分析时, 测试, 将进行无源的统计测试。

0
下载
关闭预览

相关内容

在概率论和统计学中,协方差矩阵(也称为自协方差矩阵,色散矩阵,方差矩阵或方差-协方差矩阵)是平方矩阵,给出了给定随机向量的每对元素之间的协方差。 在矩阵对角线中存在方差,即每个元素与其自身的协方差。
专知会员服务
41+阅读 · 2021年4月2日
专知会员服务
50+阅读 · 2020年12月14日
Fariz Darari简明《博弈论Game Theory》介绍,35页ppt
专知会员服务
109+阅读 · 2020年5月15日
已删除
将门创投
4+阅读 · 2019年11月8日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
The Completion of Covariance Kernels
Arxiv
0+阅读 · 2021年7月15日
Arxiv
0+阅读 · 2021年7月15日
Arxiv
0+阅读 · 2021年7月14日
Arxiv
3+阅读 · 2018年2月24日
VIP会员
相关VIP内容
专知会员服务
41+阅读 · 2021年4月2日
专知会员服务
50+阅读 · 2020年12月14日
Fariz Darari简明《博弈论Game Theory》介绍,35页ppt
专知会员服务
109+阅读 · 2020年5月15日
相关资讯
已删除
将门创投
4+阅读 · 2019年11月8日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Top
微信扫码咨询专知VIP会员