[论文解读] On the variability of the sample covariance matrix under complex elliptical distributions

Elias Raninen, Esa Ollila+1 more|arXiv (Cornell University)|Aug 18, 2021

Advanced Statistical Methods and Models参考文献 30被引用 6

一句话总结

本文推导了在复椭球对称（CES）分布下样本协方差矩阵（SCM）的方差-协方差矩阵及理论均方误差（MSE），推广了先前针对实值结果的结论。它建立了任意仿射等变矩阵统计量在CES分布下的方差-协方差的一般形式，从而在非高斯假设下精确刻画了SCM的变异性，关键结果以峰度和球状性参数表示。

ABSTRACT

We derive the form of the variance-covariance matrix for any affine equivariant matrix-valued statistics when sampling from complex elliptical distributions. We then use this result to derive the variance-covariance matrix of the sample covariance matrix (SCM) as well as its theoretical mean squared error (MSE) when finite fourth-order moments exist. Finally, illustrative examples of the formulas are presented.

研究动机与目标

• 扩展复值信号处理中样本协方差矩阵（SCM）变异性在非高斯假设下的理论理解。
• 推导任意仿射等变矩阵统计量在复椭球对称（CES）分布下的方差-协方差矩阵的一般形式。
• 在四阶矩存在的前提下，计算SCM的精确方差-协方差矩阵与理论均方误差（MSE）。
• 为非高斯、重尾的CES分布下的协方差矩阵改进收缩估计提供理论框架。

提出的方法

• 利用径向分布理论，推导了任意仿射等变矩阵统计量在CES分布下的方差-协方差矩阵的一般表达式。
• 证明SCM在CES分布下的方差-协方差具有形式 τ₁(Σ*⊗Σ) + τ₂vec(Σ)vec(Σ)H，其中 τ₁ 与 τ₂ 依赖于分布的峰度。
• 利用随机表示 x = µ + rΣ¹ᐟ²u（其中 r > 0，u 为复单位球面上的均匀分布）以利用仿射等变性。
• 通过推导 τ₁ = 1/(n−1 + κ) 与 τ₂ = κ/n（其中 κ 为椭球峰度）将理论应用于SCM。
• 计算SCM的理论MSE为 τ₁tr(Σ)² + τ₂tr(Σ²)，明确将其与峰度和球状性关联。
• 通过示例验证结果，包括收缩估计，表明在非高斯性条件下相比SCM具有更高的效率。

实验结果

研究问题

• RQ1 与高斯分布相比，复椭球对称（CES）分布下样本协方差矩阵（SCM）的方差-协方差结构如何变化？
• RQ2 在CES分布下，任意仿射等变矩阵统计量的方差-协方差矩阵的一般形式是什么？
• RQ3 CES分布的峰度与球状性参数如何影响SCM的均方误差（MSE）？
• RQ4 在CES分布下，SCM的理论MSE能否以闭式表达？其与样本大小和分布形状的关系如何？
• RQ5 在CES分布下，SCM的最优收缩目标是什么？与标准无偏估计器相比有何差异？

主要发现

• 在CES分布下，SCM的方差-协方差矩阵为 var(S) = τ₁(Σ*⊗Σ) + τ₂vec(Σ)vec(Σ)H，其中 τ₁ = 1/(n−1 + κ)，τ₂ = κ/n。
• SCM的理论均方误差（MSE）为 MSE(S) = τ₁tr(Σ)² + τ₂tr(Σ²)，明确依赖于峰度（κ）与球状性。
• 在复正态分布情形（κ = 0）下，τ₁ = 1/(n−1)，τ₂ = 0，此时SCM退化为标准无偏估计器。
• SCM的最优收缩目标为 S₀ = β₀S，其中 β₀ = (n−1)/(n−1 + κ)，当峰度为正时，其效率高于标准SCM。
• 当峰度较大且样本量较小时，相较于标准SCM的效率增益显著，尤其在重尾分布中表现突出。
• 本研究将先前的实值理论推广至复值情形，为雷达、阵列处理与信号检测中的鲁棒协方差估计提供了理论基础。