A Massive Data Framework for M-Estimators with Cubic-Rate
具有立方根收敛率的 M 估计量的大数据框架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：主体是通用 M 估计理论，虽列出最大得分估计应用，但未明确具体离散选择模型或其他细分设定。
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
具有立方根收敛率的 M 估计量的大数据框架
- 研究问题
- 面对大规模数据，如何聚合具有立方根收敛率的分组 M 估计量，使计算和推断更易处理，并改善其收敛性质？
- 方法与思路
- 作者采用分而治之策略，按子样本规模设定加权平均的权重，并在分组数增长受限的条件下建立聚合估计量的渐近分布理论。
- 材料陈述的贡献
- 摘要称，聚合估计量在相应条件下具有更快收敛率与渐近正态性；理论适用于位置、最大得分及价值搜索等估计量。
- 阅读关注点
- 应核对分组数的增长限制、分组机制、权重构造和推断所需方差估计，并检查理论与模拟如何比较聚合及合并样本估计。
- 阅读边界
- 仅据版本未注明的 Europe PMC／PubMed 索引摘要；增长条件、具体速率和经验结果未提供，不能认定普遍优于合并样本估计。
原文摘要
The divide and conquer method is a common strategy for handling massive data. In this article, we study the divide and conquer method for cubic-rate estimators under the massive data framework. We develop a general theory for establishing the asymptotic distribution of the aggregated M-estimators using a weighted average with weights depending on the subgroup sample sizes. Under certain condition on the growing rate of the number of subgroups, the resulting aggregated estimators are shown to have faster convergence rate and asymptotic normal distribution, which are more tractable in both computation and inference than the original M-estimators based on pooled data. Our theory applies to a wide class of M-estimators with cube root convergence rate, including the location estimator, maximum score estimator and value search estimator. Empirical performance via simulations and a real data application also validate our theoretical findings.