Constrained Maximum Likelihood Estimation for Model Calibration Using Summary-Level Information From External Big Data Sources
利用外部大数据汇总信息校准模型的约束最大似然估计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：摘要讨论通用回归校准、数据整合与复杂抽样，未说明因果目标、面板结构或所列宏观金融问题，故不细分。
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…
利用外部大数据汇总信息校准模型的约束最大似然估计
- 研究问题
- 如何在内部研究拥有详细个体数据、外部大样本仅提供简化模型汇总参数时，结合两类信息建立回归模型？
- 方法与思路
- 作者构造连接内部与外部模型的约束，开展半参数最大似然推断，并允许用内部或外部参考样本估计协变量分布。
- 材料陈述的贡献
- 摘要称建立渐近理论和方差估计，扩展到病例对照等分层抽样，并通过模拟与应用比较广义回归校准方法。
- 阅读关注点
- 应核对内外部总体的可比性、连接约束的来源、汇总信息不确定性的处理，以及复杂抽样下的似然和方差构造。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；总体差异、外部参数误差与模型错设的处理细节未说明，不能认定校准必然改善推断或推断刊本变化。
原文摘要
Information from various public and private data sources of extremely large sample sizes are now increasingly available for research purposes. Statistical methods are needed for utilizing information from such big data sources while analyzing data from individual studies that may collect more detailed information required for addressing specific hypotheses of interest. In this article, we consider the problem of building regression models based on individual-level data from an "internal" study while utilizing summary-level information, such as information on parameters for reduced models, from an "external" big data source. We identify a set of very general constraints that link internal and external models. These constraints are used to develop a framework for semiparametric maximum likelihood inference that allows the distribution of covariates to be estimated using either the internal sample or an external reference sample. We develop extensions for handling complex stratified sampling designs, such as case-control sampling, for the internal study. Asymptotic theory and variance estimators are developed for each case. We use simulation studies and a real data application to assess the performance of the proposed methods in contrast to the generalized regression (GR) calibration methodology that is popular in the sample survey literature.