Algorithmic subsampling under multiway clustering
多向聚类依赖下的算法子抽样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：多向聚类与通用估计理论不足以确定微观或宏观面板归属，摘要未明确相应数据结构。
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…
多向聚类依赖下的算法子抽样
- 研究问题
- 在多向聚类依赖数据中，算法子抽样能否同时减少数据处理规模，并在原始渐近分布可能退化甚至非高斯退化时改善推断？
- 方法与思路
- 作者研究多向聚类下的算法子样本均值，建立一致弱大数定律与中心极限定理，再推导相应 GMM 和 M 估计量的渐近性质。
- 材料陈述的贡献
- 摘要称子抽样可提高对潜在渐近退化的稳健性，模拟支持推断准确性的改善，并以扫描仪数据展示方法应用。
- 阅读关注点
- 应核对子抽样概率与聚类维度增长的关系、退化情形的定义、方差估计方式，以及 GMM 和 M 估计结论所需的额外条件。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未给出抽样率和完整正则条件，不能据此断言子抽样总能改善推断。
原文摘要
This paper proposes a novel method of algorithmic subsampling (data sketching) for multiway cluster dependent data. We establish a new uniform weak law of large numbers and a new central limit theorem for the multiway algorithmic subsample means. Consequently, we discover an additional advantage of the algorithmic subsampling that it allows for robustness against potential degeneracy, and even non-Gaussian degeneracy, of the asymptotic distribution under multiway clustering. Simulation studies support this novel result, and demonstrate that inference with the algorithmic subsampling entails more accuracy than that without the algorithmic subsampling. Applying these basic asymptotic theories, we derive the consistency and the asymptotic normality for the multiway algorithmic subsampling generalized method of moments estimator and for the multiway algorithmic subsampling M-estimator. We illustrate an application to scanner data.