Scalable Econometrics on Big Data -- The Logistic Regression on Spark
大数据上的可扩展计量分析：Spark中的Logistic回归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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要聚焦通用Logistic回归的分布式计算和推断输出，未明确提供经济离散选择或其他细分领域的背景。
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
大数据上的可扩展计量分析：Spark中的Logistic回归
- 研究问题
- 面对超大规模数据，Spark现有Logistic回归拟合功能是否足以支持计量分析，如何补充统计推断所需的结果汇总？
- 方法与思路
- 作者考察Spark中Logistic回归拟合函数的稳健性，并开发PySpark程序包，为回归结果生成开展统计推断所需的统计摘要。
- 材料陈述的贡献
- 摘要所述贡献是检查现有Spark拟合功能并提供推断结果汇总工具，将大规模Logistic回归计算与统计分析流程衔接。
- 阅读关注点
- 应核对稳健性的具体含义、统计摘要包含哪些量，以及方差估计依据、分布式计算实现和适用的数据条件。
- 阅读边界
- 这是arXiv预印本，不能据此声称已同行评审或期刊接收。摘要未说明推断公式、计算基准或软件验证，不能判断可扩展性增益。
原文摘要
Extra-large datasets are becoming increasingly accessible, and computing tools designed to handle huge amount of data efficiently are democratizing rapidly. However, conventional statistical and econometric tools are still lacking fluency when dealing with such large datasets. This paper dives into econometrics on big datasets, specifically focusing on the logistic regression on Spark. We review the robustness of the functions available in Spark to fit logistic regression and introduce a package that we developed in PySpark which returns the statistical summary of the logistic regression, necessary for statistical inference.