[论文解读] Eigenvalue variance bounds for covariance matrices

Sandrine Dallaporta|arXiv (Cornell University)|Sep 24, 2013

Random Matrices and Applications参考文献 22被引用 15

一句话总结

本文建立了非高斯随机协方差矩阵（Wishart 矩阵）在谱的体部和边缘处单个特征值的有限范围方差界。利用四阶矩定理和局域化结果，证明了经验谱分布与 Marchenko-Pastur 法律之间的期望平方 Wasserstein 距离被有界于 $ C rac{"log n}{n^2} $，其中 $ C $ 仅依赖于矩条件，为特征值波动提供了非渐近集中性。

ABSTRACT

This work is concerned with finite range bounds on the variance of individual eigenvalues of random covariance matrices, both in the bulk and at the edge of the spectrum. In a preceding paper, the author established analogous results for Wigner matrices and stated the results for covariance matrices. They are proved in the present paper. Relying on the LUE example, which needs to be investigated first, the main bounds are extended to complex covariance matrices by means of the Tao, Vu and Wang Four Moment Theorem and recent localization results by Pillai and Yin. The case of real covariance matrices is obtained from interlacing formulas.

研究动机与目标

• 建立随机协方差矩阵在谱体部和边缘处单个特征值的有限范围方差界。
• 将先前对 Wigner 矩阵的结果扩展至协方差矩阵情形，完成此前陈述但未推导的证明。
• 提供在压缩感知、无线通信和数量金融等应用中有用的定量非渐近界。
• 利用四阶矩定理和局域化结果，将高斯（LUE/LOE）情形下的界推广至具有有限矩的一般 i.i.d. 入口。
• 量化特征值围绕其经典位置 $ \gamma_j^{m,n} $ 的波动，展示其在渐近 Marchenko-Pastur 法律之外的集中性。

提出的方法

• 使用 Tao、Vu 和 Wang 的四阶矩定理推导特征值波动界，将高斯（LUE/LOE）情形的结果推广至一般 i.i.d. 入口。
• 应用 Pillai 和 Yin 的最新局域化结果，控制经验特征值与其经典位置 $ \gamma_j^{m,n} $ 之间的距离。
• 使用 Wasserstein 距离 $ W_2 $ 衡量经验谱分布 $ L_{m,n} $ 与 Marchenko-Pastur 法律 $ \mu_{m,n} $ 之间的差异，并有界其二阶矩。
• 将特征值索引集分解为体部、边缘和中间区域，对各部分应用不同的界。
• 使用 Cauchy-Schwarz 不等式和尾部估计控制 $ \mathbb{E}[(\lambda_j - \gamma_j^{m,n})^2] $，对极端特征值使用定理 11 的指数尾部界。
• 结合间距界 $ \gamma_j^{m,n} - \gamma_{j-1}^{m,n} \leq c / (n^{2/3} \min(j, n+1-j)^{1/3}) $，控制平方偏差之和。

实验结果

研究问题

• RQ1 非高斯随机协方差矩阵的单个特征值的有限范围方差界是什么？
• RQ2 在一般矩条件下，特征值波动在谱体部和边缘处的行为如何？
• RQ3 特征值统计的普遍性在协方差矩阵情形下能多大程度延伸至有限样本大小？
• RQ4 四阶矩定理能否有效用于将高斯情形下的界转移至具有有界四阶矩的一般 i.i.d. 入口？
• RQ5 经验谱分布以 Wasserstein 距离衡量向 Marchenko-Pastur 法律的收敛速率如何？

主要发现

• 经验谱分布 $ L_{m,n} $ 与 Marchenko-Pastur 法律 $ \mu_{m,n} $ 之间的期望平方 Wasserstein 距离有界于 $ \mathbb{E}[W_2^2(L_{m,n}, \mu_{m,n})] \leq C \frac{\log n}{n^2} $，其中 $ C > 0 $ 仅依赖于二阶和四阶矩界 $ A_1 $ 和 $ A_2 $。
• 对于体部特征值，$ \lambda_j $ 围绕其经典位置 $ \gamma_j^{m,n} $ 的方差有界于 $ \mathbb{E}[(\lambda_j - \gamma_j^{m,n})^2] \leq C \frac{\log n}{n^2} $，且对所有 $ j \in [\eta n, (1-\eta)n] $ 一致成立。
• 对于边缘特征值，有界 $ \mathbb{E}[(\lambda_j - \gamma_j^{m,n})^2] \leq C \frac{\log n}{n^{4/3}} $，由于边缘行为导致衰减速率更慢。
• 经典位置之间的间距满足 $ \gamma_j^{m,n} - \gamma_{j-1}^{m,n} \leq \frac{c}{n^{2/3} \min(j, n+1-j)^{1/3}} $，从而控制平方偏差之和。
• 对于靠近边缘的极端特征值，尾部概率 $ \mathbb{P}(|\lambda_j - \gamma_j^{m,n}| \geq \frac{1}{\sqrt{n}}) \leq C e^{-(\log n)^{c \log \log n}} $ 的衰减快于任意多项式，确保强集中性。
• 通过将索引和分解为体部、中间和边缘区域，并对各区域应用不同界，最终得到 $ \mathbb{E}[W_2^2(L_{m,n}, \mu_{m,n})] \leq C \frac{\log n}{n^2} $ 的界。