[论文解读] Fluctuations for linear eigenvalue statistics of sample covariance random matrices

Giorgio Cipolloni, László Erdős|arXiv (Cornell University)|Jun 22, 2018

Random Matrices and Applications参考文献 17被引用 5

一句话总结

本文建立了样本协方差矩阵与其子矩阵的线性特征值统计量之差的波动性的中心极限定理，揭示了由于特征值之间存在强烈的关联性，该差值的波动性显著降低。与Wigner矩阵不同，该波动甚至可能完全消失，这揭示了Dumitru和Paquette所研究的近似高斯场的空间导数中的关键机制。

ABSTRACT

We prove a central limit theorem for the difference of linear eigenvalue statistics of a sample covariance matrix $\widetilde{W}$ and its minor $W$. We find that the fluctuation of this difference is much smaller than those of the individual linear statistics, as a consequence of the strong correlation between the eigenvalues of $\widetilde{W}$ and $W$. Our result identifies the fluctuation of the spatial derivative of the approximate Gaussian field in the recent paper by Dumitru and Paquette. Unlike in a similar result for Wigner matrices, for sample covariance matrices the fluctuation may entirely vanish.

研究动机与目标

• 分析样本协方差矩阵与其子矩阵的线性特征值统计量之间的波动性。
• 理解原始矩阵与子矩阵特征值之间强相关性对统计波动的影响。
• 明确差值波动的精确性质，特别是其是否可能完全消失。
• 将研究结果与Dumitru和Paquette近期工作中近似高斯场的空间导数联系起来。

提出的方法

• 推导样本协方差矩阵与其子矩阵的线性特征值统计量之差的中心极限定理。
• 利用原始矩阵与子矩阵特征值之间的强相关性，表明其个体波动在差值中相互抵消。
• 采用专用于样本协方差系综的随机矩阵理论技术，重点关注联合特征值分布。
• 分析矩阵规模增大时波动的渐近行为，识别其标度极限。
• 将结果与Wigner矩阵的类似发现进行比较，突出波动行为的关键差异。
• 识别差值波动可能完全消失的条件。

实验结果

研究问题

• RQ1 样本协方差矩阵与其子矩阵的线性特征值统计量的波动性之间有何关系？
• RQ2 这些统计量之差的渐近分布是什么？
• RQ3 为何差值的波动性方差显著小于单个统计量的波动性？
• RQ4 在何种条件下，差值的波动性可能完全消失？如果可以，其条件是什么？
• RQ5 该结果如何与Dumitru和Paquette工作中近似高斯场的空间导数相联系？

主要发现

• 由于特征值之间的强相关性，样本协方差矩阵与其子矩阵的线性特征值统计量之差的波动性远小于单个统计量的波动性。
• 差值的中心极限定理识别出一种新的标度范围，其波动性相比单个统计量被显著抑制。
• 与Wigner矩阵不同，该差值的波动性可能完全消失，表明样本协方差系综具有独特特征。
• 该结果为近期Dumitru和Paquette工作中近似高斯场的空间导数提供了精确刻画。
• 波动性消失的原因在于样本协方差矩阵中特征值相关性的特定结构，这种结构在Wigner型模型中并不存在。