Design-free estimation of variance matrices

این مقاله یک روش جدید برای برآورد ماتریس های واریانس ارائه می دهد. از تقسیم متعامد ماتریس واریانس نمونه، ما از این واقعیت استفاده می کنیم که ماتریس های متعامد هرگز ناخوشایند نیستند و بنابراین بر روی برآورد ارزش های ویژه تمرکز می کنند. ما برآوردگرهای خاص از یک مقدار از داده ها را تخمین می زنیم و سپس آنها را برای تبدیل داده ها به سری های تقریبا متعامد ارائه می دهیم که برآوردگر بهینه تهیه شده (با ساخت و ساز) را ارائه می دهند، حتی اگر مشاهدات کمتر از ابعاد وجود داشته باشد. ما همچنین نشان می دهیم که برآوردگر ما دارای هنجارهای خطای کمتر از سنتی است. برآوردگر ما بدون طراحی است: ما هیچ فرضیه ای در مورد توزیع نمونه تصادفی و یا بر روی هر ساختار پارامتری که ماتریس واریانس ممکن است داشته باشد، ارائه ندهیم. شبیه سازی نتایج نظری ما را تایید می کند و همچنین نشان می دهد که برآوردگر ساده ما در مقایسه با سایر روش های موجود بسیار خوب عمل می کند.