Efficient Monte Carlo Methods for Conditional Logistic Regression
条件 Logistic 回归的高效蒙特卡洛方法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：摘要研究一般二元回归的条件计算；网络是抽样工具，并非网络干扰，亦未明确涉及经济离散选择。
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…
条件 Logistic 回归的高效蒙特卡洛方法
- 研究问题
- 当数据规模使精确条件计算不可行，而稀疏或不平衡又削弱最大似然近似可靠性时，如何进行条件 Logistic 回归推断？
- 方法与思路
- 作者在给定干扰参数充分统计量的条件分布上开展蒙特卡洛计算，采用网络抽样满足线性整数约束并避免拒绝样本。
- 材料陈述的贡献
- 摘要提出完全消除拒绝步骤的网络抽样方法，作为精确计算与渐近推断之间的替代，并讨论相对其他近似方法的优势。
- 阅读关注点
- 应核对网络的构造、抽样概率与可能的权重修正、蒙特卡洛误差控制，以及与鞍点和马尔可夫链方法的比较依据。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要，不能推断刊本变化；消除拒绝不等于消除模拟误差，摘要未给出复杂度或精度保证。
原文摘要
Exact inference for the logistic regression model is based on generating the permutation distribution of the sufficient statistics for the regression parameters of interest conditional on the sufficient statistics for the remaining (nuisance) parameters. Despite the availability of fast numerical algorithms for the exact computations, there are numerous instances where a data set is too large to be analyzed by the exact methods, yet too sparse or unbalanced for the maximum likelihood approach to be reliable. What is needed is a Monte Carlo alternative to the exact conditional approach which can bridge the gap between the exact and asymptotic methods of inference. The problem is technically hard because conventional Monte Carlo methods lead to massive rejection of samples that do not satisfy the linear integer constraints of the conditional distribution. We propose a network sampling approach to the Monte Carlo problem that eliminates rejection entirely. Its advantages over alternative saddlepoint and Markov Chain Monte Carlo approaches are also discussed.