变量一多、样本却不够时，判断它们是否真的一起变化，就像只凭几张合影推测一大群人的关系：传统近似容易失准。Guoyu Zhang、Dandan Jiang 与 Fang Yao 关注的正是这类高维协方差问题。协方差矩阵汇总各变量的波动和两两联动；它的谱——全部特征值——则反映数据在不同主方向上的方差大小。
据 JASA 出版方摘要页，团队生成一个辅助 Gaussian 矩阵，并让它的协方差谱与目标谱匹配，再用这个“结构相像的替身”构造统计量的参考分布。理论依据是随机矩阵普适性：不少高维谱统计量主要受少数总体结构支配，对具体数据分布没那么敏感。框架覆盖协方差已知和未知两种情况，可用于协方差检验、spike detection（识别谱中突出的强信号），以及多个线性目标的同时推断——即控制整组结论的错误率。
它值得关注，在于试图用同一套参照机制连接多类任务，而非逐题设计分布。论文给出理论保证，JASA 将其列为 2026 年 8 月上线的 accepted author version；但现有摘要未披露具体实验数字和适用边界，实际优势仍需结合全文判断。