Spectra of high-dimensional Spearman correlation matrices under scale-mixture dependence¶

作者: Jean-Philippe Bouchaud, Pierre Bousseyroux, Tomas Espana, Matteo Smerlak
主题: 高维统计 / 随机矩阵
相关性: 8/10
链接: https://arxiv.org/abs/2607.25486

一、领域脉络与小综述¶

这个方向是什么¶

这个子方向研究的是高维秩相关矩阵的渐近谱理论。核心问题是：当数据维度 \(N\) 与样本量 \(T\) 同阶增长（\(N/T \to q \in (0,\infty)\)）时，基于秩的相关系数矩阵（如 Spearman's \(\rho\)、Kendall's \(\tau\)）的经验谱分布（ESD）收敛到什么极限？这个极限如何依赖于数据的底层依赖结构？该方向将经典随机矩阵理论（RMT）从样本协方差矩阵（基于矩）推广到秩相关矩阵（基于序），为高维非参数/半参数推断（如独立性检验、降维、图模型估计）提供理论基础。

发展脉络（history）¶

奠基工作：经典 Marchenko-Pastur (MP) 定律与秩相关矩阵的首次谱分析。
Marchenko & Pastur (1967)：建立了 i.i.d. 坐标下样本协方差矩阵的 LSD——MP 定律，是整个领域的基石。
Bai & Zhou (2008)：首次研究了 Spearman 秩相关矩阵的 LSD，在 i.i.d. 特征（即坐标独立同分布）的设定下，证明其收敛到经典 MP 定律。这是将 RMT 从 Pearson 推广到 Spearman 的第一步。
主要进展：从独立特征到依赖特征，从全局谱到局部谱。
Bao, Lin, Pan & Zhou (2015)：在 i.i.d. 特征下，建立了 Spearman 矩阵线性谱统计量的中心极限定理（CLT），并提出了一个基于此的分布无关的独立性检验。本文引用语境：“Beyond global spectral limits, [3] proved Tracy–Widom fluctuations for the largest eigenvalues of Spearman matrices, and central limit theorems for linear spectral statistics were obtained in [4, 7].” 这里 [3] 是 Bao (2019) 的预印本，[4] 是 Bao et al. (2015)，[7] 是 Chen & Wang (2024)。
Wu & Wang (2022)：将 LSD 结果推广到依赖特征（即坐标间存在相关性）的情形，证明此时 LSD 是广义 MP 定律，其形式依赖于观测经标准化变换后的协方差矩阵。本文引用语境：“While [27] provides a general approach to LSDs of Spearman matrices under dependent features, here we compute explicitly the effective rank variance generated by a common latent scale...”
Dörnemann, Fleermann & Heiny (2025)：研究了结（ties） 和重尾数据对秩相关矩阵谱的影响，发现经典 Kendall's \(\tau\) 需要非平凡调整才能在结存在时得到 pivotal 极限分布。本文引用语境：“More recently, [10] studied the effect of ties on the spectra of rank-based dependence matrices.”
当前 frontier 与本文的位置：聚焦于可解释的依赖机制——尺度混合。
Biroli, Bouchaud & Potters (2007)：在 Student 系综（尺度混合模型的特例）下，研究了 Pearson 协方差和相关系数矩阵的谱，发现重尾尺度变量导致无界右边缘的极限特征值密度。本文引用语境：“The same scale-mixture model was studied in [5] to determine the spectra of Pearson covariance and correlation matrices for Student ensembles.”
本文 (Bouchaud et al., 2026)：在 Wu & Wang (2022) 的“一般依赖特征”框架下，具体化为一种可解释的依赖机制——尺度混合模型（\(x_t = \sigma_t \xi_t\)，\(\sigma_t\) 为所有坐标共享的标量混合变量）。本文的核心贡献是：显式计算了由共同潜在尺度产生的“有效秩方差”的分布，并分析了由此产生的广义 MP 定律，通过可解例子和数值近似进行了验证。本文声称，即使经过秩变换，尺度混合变量的高阶依赖仍然在谱层面留下可观测的“指纹”。

子线索聚类¶

这些被引文献大致落在以下 2-3 条子线索上：

经典 RMT 框架下的秩相关矩阵谱理论：主要关注在 i.i.d. 或弱依赖特征下，Spearman/Kendall 矩阵的 LSD、CLT 和极值行为。代表工作：Bai & Zhou (2008), Bao et al. (2015), Chen & Wang (2024), Bao (2019)。这条线索是本文的“母体”，本文在其基础上引入了特定的依赖结构。
秩相关矩阵在鲁棒/半参数高维统计中的应用：利用秩统计量对重尾和异常值的鲁棒性，进行协方差/精度矩阵估计、PCA 等。代表工作：Liu et al. (2012, Nonparanormal skeptic), Han & Liu (2014, Scale-invariant sparse PCA), Han & Liu (2016, Latent generalized correlation matrix)。这些工作为秩相关矩阵提供了应用动机，但通常关注的是估计的一致性（在谱范数下），而非谱分布的极限行为。本文的动机部分引用了它们对重尾数据的鲁棒性。
尺度混合模型下的谱理论：研究由共同潜在尺度变量引入的依赖如何影响协方差/相关矩阵的谱。代表工作：Biroli et al. (2007, Student 系综的 Pearson 谱)。本文是这条线索在秩相关矩阵上的直接延伸。

这个方向在追问的核心问题¶

LSD 的刻画：给定一个具体的、可解释的依赖结构（如因子模型、尺度混合、图模型），Spearman 矩阵的 LSD 是什么？它如何被该依赖结构的参数（如因子载荷、尺度变量的分布）所决定？
与 Pearson 矩阵谱的对比：秩变换在谱层面“抹去”了什么，又“保留”了什么？例如，在尺度混合模型下，Pearson 矩阵的谱会因重尾而出现无界右边缘（Biroli et al., 2007），而 Spearman 矩阵的谱是否也有类似现象？本文的答案是：Spearman 谱保留了尺度混合的“指纹”（有效秩方差的分布），但因其有界性，谱支撑是紧的。
统计推断的应用：如何利用这些谱结果构造新的检验统计量（如独立性检验、协方差结构检验）？Bao et al. (2015) 和 Chen & Wang (2024) 已经做了这方面的工作，但他们的检验基于 i.i.d. 特征。本文的结果能否用于检验“是否存在共同潜在尺度”这一特定依赖结构？
有限样本行为与近似：当 \(N, T\) 有限时，理论 LSD 与实际谱的差距有多大？如何用可解模型（如 beta-copula）来近似复杂模型（如 Student t）的谱？本文的第三节正是回答这个问题。

⚠️ 作者的 framing¶

作者的缺口 frame：作者将缺口 frame 为“虽然 Wu & Wang (2022) 给出了依赖特征下 Spearman 矩阵 LSD 的一般框架，但该框架是抽象的，依赖于一个‘标准化变换后的协方差矩阵’。我们则聚焦于一个具体、可解释且重要的依赖机制——尺度混合模型，并显式地计算出该机制下的 LSD，从而揭示其物理/统计含义。” 这使得本文成为 Wu & Wang (2022) 的一个“显然的下一步”：从一般理论到具体实例。
被淡化/回避的竞争路线：作者淡化了因子模型（如多因子模型）这一更一般的依赖结构。虽然他们在第 4 节提出了一个“潜变量扩展模型”，并声称其涵盖了一因子高斯尺度混合模型，但该扩展本质上仍然是单因子结构（所有坐标共享一个共同的潜变量 \(L_t\)）。真正的多因子模型（\(x_t = B f_t + \epsilon_t\)，其中 \(f_t\) 是多维的）被回避了。作者在 Remark 4.2 中承认，他们的潜变量模型会产生一个有限秩的“大孤立特征值”分量，而多因子模型可能会产生更复杂的谱结构。
什么明显该被引/该存在、却没出现在 intro 里？：作者没有引用任何关于高维 Kendall's \(\tau\) 矩阵谱的工作（除了 Dörnemann et al. (2025) 的近期工作）。Kendall's \(\tau\) 是另一个重要的秩相关度量，其样本矩阵是一个 U-统计量矩阵。对于一位对 U-统计量感兴趣的研究者（如用户），这是一个值得注意的空白。此外，作者也没有引用关于随机矩阵谱的 CLT 在检验特定依赖结构（如共同因子）中的应用的文献，尽管他们的结果天然适用于此。

张力¶

未见明显对立引用。所有被引工作都在各自的设定下成立，且本文的结果与 Wu & Wang (2022) 的一般框架一致，只是将其具体化。

二、最核心、最简单的例子 / 数学问题¶

第一步：把符号、模型、可观测数据交代清楚¶

符号：
\(N\)：维度（变量个数），随 \(T\) 增长，\(N = N(T)\)。
\(T\)：样本量（时间点个数）。
\(q = \lim_{T\to\infty} N/T \in (0, \infty)\)：高维比例。
\(x_t = (x_{t,1}, \ldots, x_{t,N})^\top \in \mathbb{R}^N\)：第 \(t\) 个观测向量（可观测数据）。
\(\sigma_t > 0\)：第 \(t\) 个观测的潜在标量混合变量（不可观测），i.i.d. 服从分布 \(\sigma\)。
\(\xi_t = (\xi_{t,1}, \ldots, \xi_{t,N})^\top \in \mathbb{R}^N\)：第 \(t\) 个观测的潜在方向向量（不可观测），其坐标 \(\xi_{t,n}\) 是 i.i.d. 的，均值为 0，对称分布。
\(F\)：\(x_{t,n}\) 的边际分布函数（连续）。
\(Q_{n,t} = \sum_{s=1}^T \mathbf{1}\{x_{s,n} \le x_{t,n}\}\)：第 \(n\) 个变量在第 \(t\) 个时间点的秩（可观测数据经排序得到）。
\(R_N \in \mathbb{R}^{N \times N}\)：样本 Spearman 秩相关矩阵（可观测数据计算得到），其 \((k,l)\) 元素是变量 \(k\) 和 \(l\) 的 Spearman 秩相关系数。
\(g(x) = \sqrt{3}(2F(x)-1)\)：标准化人口秩变换函数。
\(s(\sigma) = \mathbb{E}[g(\sigma \xi)^2 | \sigma]\)：有效秩方差，是 \(\sigma\) 的函数，衡量给定 \(\sigma\) 时秩变换后的条件方差。
\(\mu_s\)：\(s(\sigma)\) 的概率分布。
\(m(z)\)：极限谱分布 \(F_{q,\mu_s}\) 的 Stieltjes 变换。
模型：尺度混合模型
\[x_t = \sigma_t \xi_t, \quad t = 1, \ldots, T\]
其中 \(\sigma_t\) 和 \(\xi_t\) 独立。\(\xi_t\) 的坐标 i.i.d. 且对称。该模型通过一个共同的、标量的、随机的尺度因子 \(\sigma_t\) 在坐标间引入依赖。给定 \(\sigma_t\)，坐标是条件独立的；无条件地，坐标间存在高阶依赖（如尾部依赖），但 Pearson 和 Spearman 相关系数为 0。
可观测数据：研究者能观测到的是 \(x_t\)（\(N\) 维向量，\(T\) 个样本）。由此可计算秩 \(Q_{n,t}\) 和 Spearman 矩阵 \(R_N\)。
潜在/不可观测量：\(\sigma_t\) 和 \(\xi_t\) 都是不可观测的。\(F\) 和 \(g\) 也是未知的，但可以通过经验分布函数 \(\hat{F}_n\) 来估计。
想要但观测不到的量：研究者想了解的是 \(R_N\) 的谱行为，这取决于不可观测的 \(\sigma_t\) 的分布（通过 \(\mu_s\)）。

第二步：讲最小内核——二进制自旋模型¶

为了理解本文的核心思想，我们考虑一个最简特例：二进制自旋模型（Proposition 3.1）。

设定：令方向变量 \(\xi\) 为 Rademacher 变量，即 \(\xi = \pm 1\) 等概率。令 \(\sigma\) 为任意一个几乎必然为正的连续随机变量，与 \(\xi\) 独立。那么观测数据为 \(x_t = \sigma_t \xi_t\)，其中 \(\xi_t\) 的每个坐标独立地取 \(\pm 1\)。
在这个特例下，核心命题退化成什么？
边际分布：\(F(a) = P(\sigma \xi \le a) = \frac{1}{2} + \frac{1}{2} P(\sigma \le a)\)（对 \(a>0\)）。
秩变换函数：\(g(a) = \sqrt{3} F_\sigma(a)\)，\(g(-a) = -\sqrt{3} F_\sigma(a)\)，其中 \(F_\sigma\) 是 \(\sigma\) 的分布函数。
有效秩方差：\(s(\sigma) = \mathbb{E}[g(\sigma \xi)^2 | \sigma] = 3 F_\sigma(\sigma)^2\)。
关键简化：由于 \(F_\sigma(\sigma)\) 服从均匀分布 \(U(0,1)\)，因此 \(s(\sigma)/3 \sim \text{Beta}(1/2, 1)\)。这意味着 \(s(\sigma)\) 的分布与 \(\sigma\) 的具体分布无关！ 这是一个很强的“普适性”结论。
证明怎么走？
Oracle 得分矩阵：首先，假设我们知道 \(F\) 和 \(g\)，构造“神谕得分”矩阵 \(V_{n,t} = g(x_{t,n})\)。其样本协方差矩阵 \(C_N^{\text{or}} = \frac{1}{T} V V^\top\) 的谱是我们想知道的。
条件独立与广义 MP 定律：给定 \(\sigma_t\)，\(V_{n,t}\) 是条件独立的，且 \(\mathbb{E}[V_{n,t} | \sigma_t] = 0\)，\(\text{Var}[V_{n,t} | \sigma_t] = s(\sigma_t)\)。因此，\(C_N^{\text{or}}\) 可以写成 \(\frac{1}{T} W^\top D_T W\) 的形式，其中 \(W\) 是条件独立、零均值、单位方差的矩阵，\(D_T = \text{diag}(s(\sigma_1), \ldots, s(\sigma_T))\)。这正是 Lemma 6.1（广义 MP 定理）的标准形式。其 LSD 由方程 (3) 决定，其中 \(\mu_s\) 是 \(s(\sigma)\) 的分布。
从神谕到经验：我们不知道 \(F\)，只能用经验分布函数 \(\hat{F}_n\) 来估计 \(g\)，得到经验得分矩阵 \(\hat{V}\)。通过 Dvoretzky–Kiefer–Wolfowitz (DKW) 不等式，可以证明 \(\hat{V}\) 与 \(V\) 的差异在谱意义下可忽略（Proposition 5.2）。
从经验得分到精确秩：精确的 Spearman 矩阵 \(R_N\) 与基于 \(\hat{V}\) 的矩阵 \(\hat{C}_N\) 之间只差一个可忽略的秩-1 扰动（Proposition 5.3）。
结论：因此，\(R_N\) 的 LSD 与 \(C_N^{\text{or}}\) 的 LSD 相同，由方程 (3) 给出。在二进制自旋模型下，\(\mu_s\) 是 \(\text{Beta}(1/2,1)\) 的缩放，代入 (3) 即可得到显式的 \(R\)-变换（Proposition 3.1）。
为什么成立？ 核心原因是：秩变换将数据“均匀化”了，但条件方差 \(s(\sigma_t)\) 这个依赖于潜在尺度 \(\sigma_t\) 的量，在谱层面被保留了下来。它扮演了类似于广义 MP 定律中“人口协方差矩阵特征值”的角色。在二进制自旋模型中，这个条件方差恰好有一个与 \(\sigma\) 分布无关的 Beta 分布，使得结果特别干净。

目标达成：读者现在应该理解了，本文的核心数学工作就是证明在尺度混合模型下，Spearman 矩阵的 LSD 是一个由有效秩方差 \(s(\sigma)\) 的分布 \(\mu_s\) 决定的广义 MP 定律。二进制自旋模型提供了一个显式可解的例子，展示了这个机制如何运作。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：在高维比例极限 \(N/T \to q\) 下，当数据来自一个尺度混合模型（\(x_t = \sigma_t \xi_t\)，坐标间存在由共同潜在尺度 \(\sigma_t\) 引入的高阶依赖但 Pearson/Spearman 相关系数为零）时，样本 Spearman 秩相关矩阵 \(R_N\) 的经验谱分布（ESD）的渐近行为。
核心工具/方法：随机矩阵理论（广义 Marchenko-Pastur 定律）、秩变换、Dvoretzky–Kiefer–Wolfowitz (DKW) 不等式、条件独立论证、潜变量模型框架。
主要结论：\(R_N\) 的 ESD 几乎必然收敛到一个由有效秩方差 \(s(\sigma) = \mathbb{E}[g(\sigma\xi)^2 | \sigma]\) 的分布 \(\mu_s\) 决定的广义 MP 定律。该定律的 Stieltjes 变换满足方程 (3)，其 \(R\)-变换由 (4) 给出。这意味着秩变换不能抹去尺度混合的谱特征，该特征通过 \(s(\sigma)\) 的分布被保留下来。

关键设定与假设¶

模型假设：
(i) \(\sigma_t\) i.i.d. 且几乎必然为正。
(ii) \(\xi_{t,n}\) i.i.d.，对称于 0。
(iii) \(\{\sigma_t\}\) 与 \(\{\xi_{t,n}\}\) 独立。
(iv) \(x_{t,n} = \sigma_t \xi_{t,n}\) 的分布函数 \(F\) 连续（保证无结）。
额外假设：\(N/T \to q \in (0, \infty)\)，且 \(s(\sigma) > 0\) 几乎必然。
统计含义：
假设 (i)-(iii) 定义了尺度混合模型。对称性假设 (ii) 保证了坐标间 Pearson 和 Spearman 相关系数为零，从而将依赖纯粹限制在高阶矩上。
假设 (iv) 是秩统计量分析的标准假设，避免结的复杂处理。
\(s(\sigma) > 0\) 排除了退化情形（如 \(\sigma\) 为常数且 \(\xi\) 退化），确保谱分布非平凡。
相比已有文献的放宽/强化：
相比 Bai & Zhou (2008)：放宽了 i.i.d. 特征的假设，引入了依赖。
相比 Wu & Wang (2022)：没有追求最一般的依赖结构，而是强化了模型，使其具体化为尺度混合，从而能够显式计算 LSD 并揭示其与 \(\mu_s\) 的关系。Wu & Wang 的 LSD 依赖于一个抽象的“标准化变换后的协方差矩阵”，而本文将其具体化为 \(\mu_s\)。

主要结果¶

定理 2.3（核心定理）：在尺度混合模型下，\(R_N\) 的 ESD 几乎必然收敛到 \(F_{q,\mu_s}\)，其 Stieltjes 变换 \(m(z)\) 是方程 (3) 的唯一解。这是本文的基石。
推论 2.6：给出了 \(F_{q,\mu_s}\) 的支撑性质（紧支撑）、原点处的原子质量（\((1-1/q)_+\)）、前两阶矩和自由累积量。特别地，第二矩比经典 MP 定律大 \(q \text{Var}(s(\sigma))\)，这量化了尺度混合对谱方差的影响。
定理 4.1（潜变量扩展）：将结果推广到更一般的潜变量模型 \(x_{t,n} = H(L_t, \epsilon_{t,n})\)，其中 \(L_t\) 是共同潜变量。此时 LSD 由条件方差 \(\psi(L) = \text{Var}[g(H(L,\epsilon)) | L]\) 的分布 \(\mu_\psi\) 决定。尺度混合模型是 \(\phi(L)=0\) 的特例。该定理还揭示了当 \(\phi(L) \neq 0\) 时，会出现一个有限秩的大孤立特征值分量（Remark 4.2）。
命题 3.1（二进制自旋模型）：一个显式可解的例子，其中 \(s(\sigma)/3 \sim \text{Beta}(1/2, 1)\)，LSD 的 \(R\)-变换有闭式解。
命题 3.3（Beta-copula 近似）：假设 \(s(\sigma)/3 \sim \text{Beta}(\alpha, 2\alpha)\)，则 LSD 的 \(R\)-变换可用超几何函数表示。这为近似 Student t 数据的谱提供了一个单参数族。

证明路线与技术技巧¶

整体路线（以定理 2.3 为例）： 1. Step 1: Oracle 得分矩阵的谱。假设已知边际分布 \(F\)，构造“神谕”得分矩阵 \(V_{n,t} = g(x_{t,n})\)。证明其样本协方差矩阵 \(C_N^{\text{or}} = \frac{1}{T} V V^\top\) 的 ESD 收敛到目标 \(F_{q,\mu_s}\)。 - 关键技巧：利用条件独立。给定 \(\sigma_t\)，\(V_{n,t}\) 条件独立，且条件方差为 \(s(\sigma_t)\)。将 \(C_N^{\text{or}}\) 重写为 \(\frac{1}{T} W^\top D_T W\)，其中 \(W\) 是条件独立、零均值、单位方差的矩阵，\(D_T = \text{diag}(s(\sigma_1), \ldots, s(\sigma_T))\)。然后直接应用广义 Marchenko-Pastur 定理（Lemma 6.1）。该定理要求验证 Lindeberg 条件，作者利用 \(|g| \le \sqrt{3}\) 和 \(s(\sigma) > 0\) 完成了验证。 2. Step 2: 从 Oracle 得分到经验得分。用经验分布函数 \(\hat{F}_n\) 代替 \(F\)，得到经验得分矩阵 \(\hat{V}\)。证明 \(C_N^{\text{or}}\) 和 \(\hat{C}_N = \frac{1}{T} \hat{V} \hat{V}^\top\) 的 ESD 在 Lévy 距离下几乎必然收敛到同一极限。 - 关键技巧：使用 Dvoretzky–Kiefer–Wolfowitz (DKW) 不等式 控制 \(\hat{F}_n\) 与 \(F\) 的均匀偏差，从而控制 \(\hat{V}\) 与 \(V\) 的逐元素最大偏差。然后应用 Lemma 6.2（一个关于两个数据矩阵的 ESD 之间 \(L_4\) 距离的上界），将逐元素偏差转化为谱距离。 3. Step 3: 从经验得分到精确 Spearman 矩阵。证明精确的 Spearman 矩阵 \(R_N\) 与 \(\hat{C}_N\) 的谱范数之差几乎必然趋于 0。 - 关键技巧：利用秩的定义，建立 \(R_N\) 与 \(\hat{C}_N\) 之间的显式代数关系（公式 11）：\(R_N - \hat{C}_N = \frac{1}{T^2-1} \hat{C}_N - \frac{3}{T^2-1} \mathbf{1}_N \mathbf{1}_N^\top\)。由于 \(\|\hat{C}_N\| \le 3N\) 且 \(\|\mathbf{1}_N \mathbf{1}_N^\top\| = N\)，可得 \(\|R_N - \hat{C}_N\| \le 6N/(T^2-1) \to 0\)。

关键跳跃点： - 从“一般依赖”到“具体尺度混合”的跳跃：Wu & Wang (2022) 的 LSD 依赖于一个抽象的“标准化变换后的协方差矩阵”。本文的关键跳跃在于，在尺度混合模型下，这个抽象矩阵被显式地识别为 \(\text{diag}(s(\sigma_1), \ldots, s(\sigma_T))\)。这使得 LSD 方程 (3) 中的积分核从抽象的谱测度变成了具体的 \(\mu_s\) 分布。 - 处理条件方差的随机性：在广义 MP 定理（Lemma 6.1）中，\(D_T\) 的对角元是随机的（依赖于 \(\sigma_t\)）。作者通过几乎必然条件论证（在 \(\sigma\)-代数 \(\mathcal{G}\) 上条件）来处理：对于几乎所有的 \(\sigma_t\) 序列，\(D_T\) 的 ESD 收敛到 \(\mu_s\)，且 Lindeberg 条件成立，因此条件 LSD 是确定的 \(F_{q,\mu_s}\)。由于这个极限与 \(\sigma_t\) 的实现无关，无条件收敛也成立。

技术技巧点名： - 广义 Marchenko-Pastur 定理 (Lemma 6.1)：整个证明的基石，用于处理具有随机对角缩放的高维随机矩阵。 - Dvoretzky–Kiefer–Wolfowitz (DKW) 不等式：用于将未知的边际分布 \(F\) 替换为经验分布 \(\hat{F}_n\)，并控制由此产生的误差。 - Lévy 距离与 \(L_4\) 上界 (Lemma 6.2)：一个将矩阵元素级误差转化为谱分布距离的巧妙工具。 - 秩-1 扰动分析：通过显式代数推导，证明精确 Spearman 矩阵与经验得分矩阵的差异是一个小范数的秩-1 扰动，从而不影响 LSD。

真实例子与应用¶

使用的数据/场景：模拟数据。没有使用真实世界的数据集。
二进制自旋模型（Fig. 1）：模拟 \(N=200\)，不同 \(q\) 值下的 Spearman 矩阵谱，与理论密度（Proposition 3.1）和经典 MP 密度对比。目的：验证理论结果，展示尺度混合导致的谱“展宽”效应。
Student t 数据（Fig. 2, 3, 4）：模拟多元 Student t 分布（\(\nu=1,\ldots,6\)）的数据，其尺度矩阵为单位阵。目的：
- 验证 beta-copula 近似（Proposition 3.3）的有效性。将模拟得到的 \(s(\sigma)/3\) 的经验分布拟合一个 \(\text{Beta}(\alpha, 2\alpha)\) 分布，然后用该拟合分布的理论 LSD 与模拟谱对比（Fig. 2）。结果显示拟合非常好。
- 展示拟合参数 \(\hat{\alpha}_{\text{MLE}}\) 随自由度 \(\nu\) 线性增长（Fig. 3），这与 \(\nu \to \infty\) 时 Student 趋近于高斯（\(s(\sigma) \to 1\) 常数）的预期一致。
- 与更灵活的单割近似（one-cut approximation, Proposition 3.5）对比（Fig. 4），展示 beta-copula 在 \(\nu\) 较小时拟合精度稍逊，但整体上已足够好。
这个例子想说明什么：Student t 分布是尺度混合模型的一个真实且重要的实例。通过模拟，作者展示了他们的理论结果（定理 2.3）能够很好地描述有限样本下的谱行为，并且 beta-copula 提供了一个简洁而精确的近似工具，使得理论 LSD 可以方便地用于实际数据分析（如拟合金融数据）。

🔎 结论是否比证明窄¶

定理 2.3 的证明是严格的，其结论（LSD 由 \(\mu_s\) 决定）在给定假设下是精确的。
命题 3.1（二进制自旋模型） 的结论是严格的，其证明在附录中给出。
命题 3.3（Beta-copula 近似） 的结论是严格的：如果 \(s(\sigma)/3 \sim \text{Beta}(\alpha, 2\alpha)\)，那么 LSD 的 \(R\)-变换就是那个超几何函数形式。但是，这个“如果”本身是一个近似。作者在 Remark 3.4 中明确将其列为开放问题：“确定是否存在一个更广泛的尺度混合模型族，使得归一化的有效秩方差精确地服从 Beta(\(\alpha, 2\alpha\)) 分布”。因此，对于 Student t 数据，beta-copula 是一个经验上有效的近似，而非严格证明的结论。作者在 Fig. 2 中展示了其良好的拟合效果，但并未声称这是精确的。
定理 4.1（潜变量扩展） 的证明是严格的，但其覆盖的模型范围（单潜变量）比作者在引言中暗示的“更广泛”要窄。它本质上仍然是单因子结构。

四、开放问题¶

精确的 Beta-copula 模型族：是否存在一个非平凡的尺度混合模型族（即 \(\xi\) 和 \(\sigma\) 的分布满足什么条件），使得 \(s(\sigma)/3\) 精确地服从 \(\text{Beta}(\alpha, 2\alpha)\) 分布？作者在 Remark 3.4 中明确提出了这个问题。扎根点：Proposition 3.3 的陈述和 Remark 3.4。
有限样本收敛速率：定理 2.3 给出了几乎必然收敛，但收敛速率是多少？能否建立 ESD 到 LSD 的 Berry-Esseen 型界？这需要更精细的随机矩阵论工具（如对 Stieltjes 变换的集中不等式）。扎根点：定理 2.3 的陈述本身没有给出速率。
谱分布对 \(\mu_s\) 的敏感性：推论 2.6 显示第二矩依赖于 \(\text{Var}(s(\sigma))\)。能否证明 LSD 完全由 \(\mu_s\) 的前几阶矩决定？或者说，是否存在两个不同的 \(\mu_s\) 产生相同的 LSD？这是一个关于“谱分布的可识别性”问题。扎根点：推论 2.6 和方程 (3)。
多因子模型的推广：本文的潜变量模型（定理 4.1）本质上是一个单因子模型。能否将结果推广到多因子模型（\(x_t = B f_t + \epsilon_t\)，其中 \(f_t \in \mathbb{R}^k\)，\(k>1\)）？此时，条件方差 \(\psi(L_t)\) 将不再是标量，而是一个矩阵，LSD 的刻画将更加复杂。扎根点：第 4 节的潜变量模型框架及其与单因子模型的联系。

Maintained by 陈星宇 · Homepage · Source on GitHub