20231207-IMF-High-Dimensional_Covariance_Matrix_Estimation_Shrinkage_Toward_a_Diagonal_Target_32页_2mb

本文提出了一种新型收缩估计方法，用于高维协方差矩阵（p > n）估计，扩展了Chen et al. (2009)的Oracle Approximating Shrinkage（OAS）方法，但目标集中在样本协方差矩阵的对角元素上。现有方法如LEDIT-Wolf和OAS基于平均方差目标，在变量尺度差异大时表现不佳，因其可能扭曲方差估计。新方法，称OASD（Oracle Approximating Shrinkage with Diagonal Target），通过收缩到对角元素减少均方误差（MSE），尤其当真实协方差矩阵稀疏或变量尺度变化大时。理论框架基于正态分布假设，推导了收缩参数ρ的闭式解，并使用迭代算法逼近Oracle估计量，确保估计矩阵正定。模拟比较显示，OASD在多数条件下优于OAS、LW和SS方法，性能提升在变量尺度变化大和矩阵稀疏时更显著。结论指出，该方法作为补充工具适用于变量尺度差异大（如宏观经济预测）的应用，但依赖正态性假设，并留出针对对角和离对角元素不同收缩级别的扩展空间。该研究强调了高维统计中的稳健估计重要性。

（字数：458）