グラフィカルSLOPEの漸近理論：精度推定とパターン収束

要旨: 本論文では、精密度行列推定のためのグラフィカルSLOPEを研究し、同じ、または類似した強度をもつ辺の疎性とクラスタ（群）を回復する能力に重点を置く。固定次元の状況において、根付き-n でスケーリングした推定誤差が、SLOPEペナルティの方向微分を通じて定義される、ある厳密に凸な最適化問題の一意な最小化解へ収束することを示す。また、誘導されるSLOPEパターンの収束も確立し、それによって推定器が選択するクラスタリング構造の漸近的な特徴づけを得る。GLASSOとの比較から、精密度行列が構造化された辺のパターンを示す場合、SLOPEの群化（グルーピング）特性が推定精度を大幅に改善し得ることがわかる。非ガウス性からの逸脱の影響を評価するため、次に楕円分布のもとでのガウス損失による精密度行列推定を解析する。この設定では、限界分布を導出し、ガウス基準と比べて重い裾（ヘビーテイル）が引き起こす変動性の増大を定量化する。さらに、多変量t損失に基づくTSLOPEも研究し、その限界分布を導く。得られた結果は、重い裾を生成機構とする場合にTSLOPEがGSLOPEに対して明確な利点を持つことを示している。シミュレーションの証拠は、これらの質的結論が高次元設定でも維持されることを示唆し、経験的な適用では、特にTSLOPEを含むSLOPEベースの推定器が、経済的に意味のあるクラスタ化された依存構造を明らかにし得ることが示される。