Estimation and inference by stochastic optimization
通过随机优化进行估计与推断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：摘要讨论通用优化与重抽样推断，未提供足够证据对应某个具体领域细分。
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…
关注这篇论文的作者
通过随机优化进行估计与推断
- 研究问题
- 复杂非线性估计的 bootstrap 推断计算昂贵时，能否让随机优化同时产生参数估计及用于衡量抽样不确定性的抽样值？
- 方法与思路
- 作者提出重抽样 Newton–Raphson 和重抽样拟 Newton 算法，每轮从重抽样数据批次计算梯度与 Hessian 或其近似。
- 材料陈述的贡献
- 摘要称，两种算法可在单次运行中提供一致估计、标准误和置信区间；目标光滑且严格凸时，可快速从优化转入重抽样。
- 阅读关注点
- 核对算法抽样值与估计量抽样分布的关系、步长和批次规模要求，以及严格凸性、初始化与推断有效性的条件。
- 阅读边界
- 仅据所给出版社摘要，不能判断非凸或不光滑问题的适用性，也无法量化加速幅度及相对其他推断方法的优势。
原文摘要
In non-linear estimations, it is common to assess sampling uncertainty by bootstrap inference. For complex models, this can be computationally intensive. This paper combines optimization with resampling: turning stochastic optimization into a fast resampling device. Two methods are introduced: a resampled Newton–Raphson (rnr) and a resampled quasi-Newton (rqn) algorithm. Both produce draws that can be used to compute consistent estimates, confidence intervals, and standard errors in a single run. The draws are generated by a gradient and Hessian (or an approximation) computed from batches of data that are resampled at each iteration. The proposed methods transition quickly from optimization to resampling when the objective is smooth and strictly convex. Simulated and empirical applications illustrate the properties of the methods on large scale and computationally intensive problems. Comparisons with frequentist and Bayesian methods highlight the features of the algorithms.