.png){kind=icon}
返回
Distributed Sequential Shrinkage Estimation
.png){kind=icon}
PRE
AI
DOI：10.1007/s11424-025-4280-7.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在计量经济分析中，研究人员经常遇到大规模数据集，这会显著降低模型效率。本文中，作者提出了一种用于分布式环境下的序贯收缩估计方法。在该框架中，一个数据集被分割成若干块，每块被视为一个节点。序贯收缩估计方法在每个数据块上进行实施，直至满足停止准则。这些序贯过程随后通过加权平均进行整合，以生成整个数据集的近似回归结果估计。所提出的方法能够显著减少所需的样本数量，并在满足预设精度要求的前提下进行参数估计和变量选择。此外，本文分析了所提方法中参数估计的统计性质，以应用于线性回归模型。最后，基于模拟和真实数据集的数值研究表明，所提出的方法表现良好。
Keyword:
Distributed computation
econometric models
sequential sampling
shrinkage estimation
variable selection
期刊
IF:
2.8
论文数:
212
被引数:
2.1K
机构
引用论文
.png){kind=icon}
分享收藏
分享收藏Sequential estimate for generalized linear models with uncertain number of effective variables广义线性模型中有效变量数量不确定时的序贯估计
PREAI
分享收藏Centralized vs. distributed feature selection methods based on data complexity measures基于数据复杂性度量的集中式与分布式特征选择方法
PREAI
分享收藏
查看更多内容