Maximin effects in inhomogeneous large-scale data
异质大规模数据中的最大最小效应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：摘要讨论一般异质回归，系数变化也可无时间结构，未明确研究宏观结构变化。
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
异质大规模数据中的最大最小效应
- 研究问题
- 当回归系数随时间、数据来源或其他维度变化时，如何估计一个简单线性模型，使其在不同数据环境中保持可靠预测？
- 方法与思路
- 作者提出最大最小效应及其估计量，在组结构已知或未知的混合模型中分析预测精度，并讨论大规模数据下的计算。
- 材料陈述的贡献
- 摘要称该方法提供跨环境预测的目标与理论分析，且在某些条件下计算速度可比标准惩罚回归快多个数量级，并给出实证例子。
- 阅读关注点
- 核对最大最小目标如何定义、组结构未知时如何估计，以及预测保证和计算加速各自依赖哪些模型与数据条件。
- 阅读边界
- 仅据稿件版本未注明的 OpenAlex 摘要；跨环境保证的范围及加速条件未明确，最大最小效应不能直接解释为因果效应。
原文摘要
Large-scale data are often characterized by some degree of inhomogeneity as data are either recorded in different time regimes or taken from multiple sources. We look at regression models and the effect of randomly changing coefficients, where the change is either smoothly in time or some other dimension or even without any such structure. Fitting varying-coefficient models or mixture models can be appropriate solutions but are computationally very demanding and often return more information than necessary. If we just ask for a model estimator that shows good predictive properties for all regimes of the data, then we are aiming for a simple linear model that is reliable for all possible subsets of the data. We propose the concept of “maximin effects” and a suitable estimator and look at its prediction accuracy from a theoretical point of view in a mixture model with known or unknown group structure. Under certain circumstances the estimator can be computed orders of magnitudes faster than standard penalized regression estimators, making computations on large-scale data feasible. Empirical examples complement the novel methodology and theory.