Renewable Estimation and Incremental Inference in Generalized Linear Models with Streaming Data Sets
流式数据广义线性模型的可更新估计与增量推断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：摘要聚焦通用广义线性模型的流式计算与推断，未指定离散选择、时间序列预测或其他所列应用方向。
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
流式数据广义线性模型的可更新估计与增量推断
- 研究问题
- 面对持续到达的数据，如何在广义线性模型中利用当前批次与历史汇总统计更新估计，并同步完成统计推断？
- 方法与思路
- 作者提出可更新估计和增量推断框架，以当前数据及历史摘要更新最大似然估计，采用双层 rho 架构，并讨论 Spark 实现。
- 材料陈述的贡献
- 摘要称，作者建立估计量的一致性和渐近正态性，以 Wald 检验开展增量推断，并通过模拟与真实数据分析展示方法。
- 阅读关注点
- 应核对历史摘要包含哪些信息、更新近似与全数据估计的关系、数据批次及渐近条件，以及推断统计量如何连续更新。
- 阅读边界
- 仅据所给 Crossref 摘要；未说明流式数据的稳定性条件、计算误差或具体比较结果，不能推断对任意分布变化均有效。
原文摘要
Summary The paper presents an incremental updating algorithm to analyse streaming data sets using generalized linear models. The method proposed is formulated within a new framework of renewable estimation and incremental inference, in which the maximum likelihood estimator is renewed with current data and summary statistics of historical data. Our framework can be implemented within a popular distributed computing environment, known as Apache Spark, to scale up computation. Consisting of two data-processing layers, the rho architecture enables us to accommodate inference-related statistics and to facilitate sequential updating of the statistics used in both estimation and inference. We establish estimation consistency and asymptotic normality of the proposed renewable estimator, in which the Wald test is utilized for an incremental inference. Our methods are examined and illustrated by various numerical examples from both simulation experiments and a real world data analysis.