A partially linear framework for massive heterogeneous data
海量异质数据的部分线性框架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：摘要讨论通用分组异质数据与分而治之估计，未说明面板结构、因果目标或结构经济模型。
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
海量异质数据的部分线性框架
- 研究问题
- 如何在海量异质子群数据中同时提取共同特征和各群差异，并使两类参数估计获得接近理想信息情形的表现？
- 方法与思路
- 作者在部分线性框架下构造共同参数的聚合估计与异质参数的代入估计，并要求子样本正则化按总样本量设定。
- 材料陈述的贡献
- 摘要称，在子群数量增长受限时获得非渐近极小极大界及理想渐近分布，并提出异质性检验及核岭回归推断结果。
- 阅读关注点
- 应核对子群数量的增长限制、共同与异质部分的可识别条件、按总样本量正则化的理由，以及理想分布比较的定义。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；关键增长限制与正则化条件未展开，不能将理想性质推广到任意分组或推断刊本变化。
原文摘要
We consider a partially linear framework for modelling massive heterogeneous data. The major goal is to extract common features across all sub-populations while exploring heterogeneity of each sub-population. In particular, we propose an aggregation type estimator for the commonality parameter that possesses the (non-asymptotic) minimax optimal bound and asymptotic distribution as if there were no heterogeneity. This oracular result holds when the number of sub-populations does not grow too fast. A plug-in estimator for the heterogeneity parameter is further constructed, and shown to possess the asymptotic distribution as if the commonality information were available. We also test the heterogeneity among a large number of sub-populations. All the above results require to regularize each sub-estimation as though it had the entire sample size. Our general theory applies to the divide-and-conquer approach that is often used to deal with massive homogeneous data. A technical by-product of this paper is the statistical inferences for the general kernel ridge regression. Thorough numerical results are also provided to back up our theory.