.png){kind=icon}
返回
Optimal subsampling algorithm for the marginal model with massive longitudinal data
.png){kind=icon}
PRE
AI
DOI：10.1007/s11222-026-10863-3.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
大数据在实践应用中无处不在，并且常常带来沉重的计算负担。为降低计算成本并确保参数估计的效率，本文提出了一种最优子采样方法，用于在处理大规模纵向数据时估计边际模型的参数。该方法不需要对响应变量的联合分布或相关性结构做出假设。文中推导了最优子采样概率，并证明了所提出估计量的一致性和渐近正态性。通过大量模拟研究评估了该方法在连续型、二元型和计数型数据上的表现，使用了四种不同的工作相关矩阵。模拟结果表明，所提出的方法显著优于均匀子采样方法。此外，本文还分析了抑郁症数据集，以说明所提出方法的应用实例。
Keyword:
Generalized estimating equations
Marginal models
Subsampling probability
Working correlation matrix