ALGORITHMIC SUBSAMPLING UNDER MULTIWAY CLUSTERING
多维聚类依赖下的算法子抽样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：摘要核心是通用多维聚类与算法子抽样理论，未明确面板结构，差异化产品应用也未说明具体结构模型。
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…
多维聚类依赖下的算法子抽样
- 研究问题
- 多维聚类数据的极限分布可能发生退化甚至非高斯退化时，算法子抽样如何改善推断有效性，又需付出哪些统计代价？
- 方法与思路
- 作者为多维聚类下的算法子样本均值建立一致弱大数律和中心极限定理，并将理论扩展到 GMM 与 M 估计。
- 材料陈述的贡献
- 摘要称子抽样可增强对潜在退化的稳健性，但会损失效率和功效；模拟支持推断准确性改善，并提供扫描数据应用。
- 阅读关注点
- 应核对子抽样概率与聚类维度增长关系、退化的具体定义、额外抽样随机性的处理，以及稳健性与效率之间的权衡。
- 阅读边界
- 仅据所给 Crossref 版本摘要，不能断言任意多维聚类结构下子抽样都更好；具体抽样规则、改进幅度及版本变化未说明。
原文摘要
This paper proposes a novel method of algorithmic subsampling (data sketching) for multiway cluster-dependent data. We establish a new uniform weak law of large numbers and a new central limit theorem for multiway algorithmic subsample means. We show that algorithmic subsampling allows for robustness against potential degeneracy, and even non-Gaussian degeneracy, of the asymptotic distribution under multiway clustering at the cost of efficiency and power loss due to algorithmic subsampling. Simulation studies support this novel result, and demonstrate that inference with algorithmic subsampling entails more accuracy than that without algorithmic subsampling. We derive the consistency and the asymptotic normality for multiway algorithmic subsampling generalized method of moments estimator and for multiway algorithmic subsampling M-estimator. We illustrate with an application to scanner data for the analysis of differentiated products markets.