Scalable subsampling: computation, aggregation and inference
可扩展子抽样：计算、聚合与推断AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要讨论通用的大数据子抽样与聚合方法，未给出足以归入具体计量应用细分的研究对象。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
可扩展子抽样：计算、聚合与推断
- 研究问题
- 当完整重抽样甚至单个大型随机子样本都难以计算时，如何通过可处理的子样本完成分布估计、估计量聚合与统计推断？
- 方法与思路
- 作者使用适当选择的非随机子样本进行子抽样分布估计，并利用同一组子样本构造可扩展的子抽样聚合估计量。
- 材料陈述的贡献
- 摘要称，该聚合估计量经过调节可达到与原估计量相同或更好的收敛速率，从而可作为后续统计推断的基础。
- 阅读关注点
- 应核对子样本的选择规则、规模与数量如何调节，以及分布估计有效性和聚合收敛速率结论分别依赖哪些条件。
- 阅读边界
- 仅依据所给Crossref摘要；未说明速率改善的适用条件，原估计量符号的排版也不清楚，其准确含义需核对原文。
原文摘要
Abstract Subsampling has seen a resurgence in the big data era where the standard, full-resample size bootstrap can be infeasible to compute. Nevertheless, even choosing a single random subsample of size b can be computationally challenging with both b and the sample size n being very large. This paper shows how a set of appropriately chosen, nonrandom subsamples can be used to conduct effective, and computationally feasible, subsampling distribution estimation. Furthermore, the same set of subsamples can be used to yield a procedure for subsampling aggregation, also known as subagging, that is scalable with big data. Interestingly, the scalable subagging estimator can be tuned to have the same, or better, rate of convergence than that of θ^n. Statistical inference could then be based on the scalable subagging estimator instead of the original θ^n.