A Note on Distributed Quantile Regression by Pilot Sampling and One-Step Updating
先导抽样与一步更新的分布式分位数回归札记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：摘要直接研究分位数回归的分布式估计与渐近效率，分位数方法是明确的分类依据，因此归入分位数与分布效应。
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…
先导抽样与一步更新的分布式分位数回归札记
- 研究问题
- 大数据分位数回归在分布式系统中如何兼顾通信成本与统计效率，尤其是在各计算节点的数据并非随机分配时？
- 方法与思路
- 作者提出一步估计，修正节点数据非随机分配时一次性估计的效率问题；题名涉及先导抽样，但摘要未说明抽样规则及更新公式。
- 材料陈述的贡献
- 摘要称新估计量的渐近协方差与全样本估计量相同，非随机分配下仍一致且通信成本可接受，并提供数值实验与实例。
- 阅读关注点
- 应核对先导样本如何代表全数据、一步更新的条件、通信量的计算，以及节点分配机制对一致性和渐近效率的限制。
- 阅读边界
- 摘要未列出样本规模、节点数量增长条件、通信量级或实例细节；其稳健性与效率主张的适用范围须依据全文条件判断。
原文摘要
Quantile regression is a method of fundamental importance. How to efficiently conduct quantile regression for a large dataset on a distributed system is of great importance. We show that the popularly used one-shot estimation is statistically inefficient if data are not randomly distributed across different workers. To fix the problem, a novel one-step estimation method is developed with the following nice properties. First, the algorithm is communication efficient. That is the communication cost demanded is practically acceptable. Second, the resulting estimator is statistically efficient. That is its asymptotic covariance is the same as that of the global estimator. Third, the estimator is robust against data distribution. That is its consistency is guaranteed even if data are not randomly distributed across different workers. Numerical experiments are provided to corroborate our findings. A real example is also presented for illustration.