[论文解读] A Survey of M -Functionals of Multivariate Location and Scatter

Markus Pauly, Thomas Schweizer|arXiv (Cornell University)|Jan 1, 2014

Advanced Statistical Methods and Models参考文献 19被引用 2

一句话总结

本文对多变量位置与散度的M-估计进行了全面综述，重点研究多变量t分布的最大似然估计。文章提供了M-泛函存在性、弱连续性及可微性的新证明，提出了一种针对矩阵值随机变量的一般框架，并揭示了Tyler的M-泛函与成比例协方差矩阵估计之间的联系，从而导出一类新型高阶对称化散度估计器。

ABSTRACT

This survey provides a self-contained account of M -estimation of multivariate location and scatter, with special emphasis on maximum likelihood estimation for multivariate t-distributions. In particular, we present new proofs for ex istence of the underlying M -functionals, and discuss their weak continuity and differ entiability. Moreover, we present M -estimation of scatter in a rather general framework with matrix-valued random variables. By doing so we reveal a connection between Tyler’s (1987) M -functional of scatter and the estimation of proportional c ovariance matrices. Moreover, this general framework allows us to treat a new class of scatter estimators, based on symmetrizations of arbitrary order.

研究动机与目标

• 为多变量位置与散度中的M-估计提供一个自包含且严谨的论述，尤其针对多变量t分布。
• 通过新颖的证明方法，建立M-泛函的存在性、弱连续性及可微性。
• 基于矩阵值随机变量，发展M-估计散度的一般框架。
• 揭示Tyler的M-泛函与成比例协方差矩阵估计之间的联系。
• 提出并分析一类基于任意阶对称化的新散度估计器。

提出的方法

• 通过不动点论证和多变量t分布设定下的连续性性质，推导多变量位置与散度M-泛函的存在性。
• 利用泛函分析技术与正则性条件，建立M-泛函的弱连续性与可微性。
• 在一般矩阵变量子框架下表述M-估计散度，将散度视为矩阵值随机变量上的泛函。
• 揭示Tyler的M-泛函自然地成为所提出一般框架中的特例。
• 通过对数据矩阵施加任意阶对称化操作，构造新的散度估计器。
• 在一般框架内分析新估计器的结构与渐近性质。

实验结果

研究问题

• RQ1 在何种条件下，多变量位置与散度的M-泛函存在？其存在性如何被严格证明？
• RQ2 在正则性条件下，M-泛函在弱连续性与可微性方面表现如何？
• RQ3 Tyler的M-泛函与成比例协方差矩阵估计之间存在何种关系？
• RQ4 能否发展一个针对矩阵值M-估计散度的一般框架，以统一现有与新型估计器？
• RQ5 基于高阶对称化的散度估计器具有何种性质，其潜在优势为何？

主要发现

• 在较弱的正则性条件下，建立了多变量位置与散度M-泛函的存在性新证明。
• 证明了M-泛函具有弱连续性与可微性，确保了估计的稳定性与渐近正态性。
• 发展了一般框架用于M-估计散度，将散度视为矩阵值随机变量上的泛函。
• 识别出Tyler的M-泛函是该一般框架中的特例，从而将其与成比例协方差矩阵估计联系起来。
• 提出了一类基于任意阶对称化的新型散度估计器，并将其正式嵌入一般框架中。
• 该框架实现了对经典与新型散度估计器的统一处理，具有提升稳健性与效率的潜力。