Distributed Estimation and Inference with Statistical Guarantees
具有统计保证的分布式估计与推断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。
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：摘要研究一般似然模型的分布式计算与统计推断，未给出所列经济计量细分领域的明确依据。
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…
具有统计保证的分布式估计与推断
- 研究问题
- 将样本划分为多个子样本并聚合估计或检验统计量时，分块数量最多能增长多快，才能使分而治之造成的信息损失可忽略？
- 方法与思路
- 作者在统一似然框架内聚合各子样本统计量，分别分析低维与高维情形，并推导随样本量增长时分块数量的理论上界。
- 材料陈述的贡献
- 摘要称，在相应分块限制下，聚合估计可达到使用全样本的理想参照所具有的推断效率和估计速率，并提供数值支持。
- 阅读关注点
- 应核对分块数量上界与维度、模型条件的关系，具体聚合规则和误差积累方式，以及与全样本参照等效的准确含义。
- 阅读边界
- 所据为 arXiv 预印本，同行评审与期刊接收未核实；摘要未给出具体上界、通信成本或实验数值，不能断言任意分块都无效率损失。
原文摘要
This paper studies hypothesis testing and parameter estimation in the context of the divide and conquer algorithm. In a unified likelihood based framework, we propose new test statistics and point estimators obtained by aggregating various statistics from $k$ subsamples of size $n/k$, where $n$ is the sample size. In both low dimensional and high dimensional settings, we address the important question of how to choose $k$ as $n$ grows large, providing a theoretical upper bound on $k$ such that the information loss due to the divide and conquer algorithm is negligible. In other words, the resulting estimators have the same inferential efficiencies and estimation rates as a practically infeasible oracle with access to the full sample. Thorough numerical results are provided to back up the theory.