Improving optimal subsampling through stratification
通过分层改进最优子抽样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：摘要聚焦抽样设计与估计效率的方法论比较，未涉及所提供领域细分中的因果推断、面板、离散选择等具体应用方向，故不选择。
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…
通过分层改进最优子抽样
- 研究问题
- 摘要称，本文关注大数据下最优子抽样算法的计算效率与测量误差验证研究设计，比较个体化抽样规则与分层抽样两类设计在逻辑回归设定下的估计效率差异。
- 方法与思路
- 作者提出在逻辑回归框架下推导两类设计下估计量的渐近方差，并通过大量模拟以及范德堡综合护理诊所队列数据的应用进行数值比较。
- 材料陈述的贡献
- 摘要称结果显示分层抽样并非个体化抽样的近似，最优分层设计常因消除层间方差贡献而比最优个体化设计更有效，提示在个体化抽样规则类上优化会忽略高效抽样设计。
- 阅读关注点
- 阅读全文时应核对渐近方差推导所依赖的假设、两类设计的精确定义与可比条件、模拟设置与队列应用的具体细节，以及结论是否在逻辑回归之外成立。
- 阅读边界
- 本文为 arXiv 预印本，未经同行评审或期刊接收验证；摘要未说明具体假设、样本量、数值结果与适用范围，不能据此判断结论的普遍性。
原文摘要
Recent works have proposed optimal subsampling algorithms to improve computational efficiency in large datasets and to design validation studies in the presence of measurement error. Existing approaches generally fall into two categories: (i) designs that optimize individualized sampling rules, where unit-specific probabilities are assigned and applied independently, and (ii) designs based on stratified sampling with simple random sampling within strata. Focusing on the logistic regression setting, we derive the asymptotic variances of estimators under both approaches and compare them numerically through extensive simulations and an application to data from the Vanderbilt Comprehensive Care Clinic cohort. Our results reinforce that stratified sampling is not merely an approximation to individualized sampling, showing instead that optimal stratified designs are often more efficient than optimal individualized designs through their elimination of between-stratum contributions to variance. These findings suggest that optimizing over the class of individualized sampling rules overlooks highly efficient sampling designs and highlight the often underappreciated advantages of stratified sampling.