[论文解读] On the smallest eigenvalues of covariance matrices of multivariate spatial processes

François Bachoc, Reinhard Furrer|arXiv (Cornell University)|Feb 9, 2016

Spatial and Panel Data Analysis参考文献 13被引用 13

一句话总结

本文在协方差函数的弱正则性条件及观测点间距离的统一下界下，建立了多元空间过程协方差矩阵最小特征值渐近远离零的结论。该结果确保了协方差矩阵的渐近正定性，这对多元空间统计中最大似然估计量的一致性和渐近正态性至关重要。

ABSTRACT

There has been a growing interest in providing models for multivariate spatial processes. A majority of these models specify a parametric matrix covariance function. Based on observations, the parameters are estimated by maximum likelihood or variants thereof. While the asymptotic properties of maximum likelihood estimators for univariate spatial processes have been analyzed in detail, maximum likelihood estimators for multivariate spatial processes have not received their deserved attention yet. In this article we consider the classical increasing-domain asymptotic setting restricting the minimum distance between the locations. Then, one of the main components to be studied from a theoretical point of view is the asymptotic positive definiteness of the underlying covariance matrix. Based on very weak assumptions on the matrix covariance function we show that the smallest eigenvalue of the covariance matrix is asymptotically bounded away from zero. Several practical implications are discussed as well.

研究动机与目标

• 建立理论条件，以确保在样本量增加时，多元空间过程中协方差矩阵的最小特征值保持远离零。
• 将单变量增长域渐近结果推广至多元设置，其中此类条件尚未充分确立。
• 为多元空间模型中最大似然估计量的渐近性质提供严格的理论基础。
• 通过证明最小特征值的统一下界，确保似然推断框架的可逆性和适定性。
• 利用谱理论和矩阵值协方差函数的傅里叶分析，将现有单变量结果推广至多元过程。

提出的方法

• 使用矩阵协方差函数的谱表示和傅里叶分析，研究协方差矩阵的特征结构。
• 应用复矩阵理论和正定矩阵的性质，推导最小特征值的界。
• 对协方差函数施加弱衰减条件（假设1），要求 $|c_{k ho}({\mathbf{x}})| \leq A / (1 + |{\mathbf{x}}|^{d+\tau})$，其中 $ au > 0$。
• 证明：若观测点之间的最小距离远离零，且谱密度严格为正，则最小特征值保持远离零。
• 通过在紧致参数空间上证明一致下界，将结果推广至参数族协方差函数。
• 利用Schur积的性质，将结果扩展至截断协方差矩阵，确保实际应用中的鲁棒性。

实验结果

研究问题

• RQ1 在何种条件下，多元空间过程协方差矩阵的最小特征值在增长域渐近框架下远离零？
• RQ2 在协方差函数的弱正则性条件下，能否保证协方差矩阵的渐近正定性？
• RQ3 在紧致参数族的协方差模型中，最小特征值是否一致远离零？
• RQ4 矩阵协方差函数的谱特性如何影响样本协方差矩阵的特征值行为？
• RQ5 通过确保最小特征值保持远离零，能否加强多元空间模型中最大似然估计的理论基础？

主要发现

• 在假设1（协方差函数的多项式衰减）和观测点间距离的统一下界下，当所有 $n_k \to \infty$ 时，协方差矩阵的最小特征值保持远离零。
• 该结果适用于共位置和非共位置的观测设计，将先前的单变量结果推广至多元情形。
• 最小特征值的下界在紧致参数空间上是一致的，确保了参数推断的鲁棒性。
• 证明依赖于矩阵值函数的谱理论和傅里叶分析，利用复矩阵工具建立特征值界。
• 该结果意味着协方差矩阵保持渐近正定，这是最大似然估计量一致性和渐近正态性的必要条件。
• 该框架适用于截断协方差矩阵，因为Schur积的最小特征值下界由原矩阵的最小对角元与最小特征值的乘积决定。