Optimal subsampling methods for large clustered imbalanced data based on generalized estimating equations¶
作者: Tingting Yu, Sehwan Kim, Rui Wang
来源: Biometrics
主题: 因果推断
相关性: 5/10
机构绿灯: Harvard University(US News 前 50,免分进入精读)
链接: https://doi.org/10.1093/biomtc/ujag163
一、领域脉络与小综述¶
这个方向是什么¶
本文所处的子方向是大规模聚类数据下的高效子抽样(optimal subsampling)与加权估计方程。根本的统计问题是:当完整数据集过大、无法直接拟合广义估计方程(GEE)时,如何从海量聚类数据中抽取一个有代表性的子样本,使得基于子样本的加权估计量在统计效率上尽可能接近基于全数据的估计量,同时控制计算成本。该方向的成熟度处于"方法已有多条路线、但针对聚类+罕见事件+相关结构这一组合仍有明确缺口"的阶段——子抽样在独立数据(如 logistic 回归)下已有较成熟理论,但聚类数据下的 intra-cluster correlation 使得"如何抽样、如何加权、如何推导最优概率"都变得复杂。
发展脉络(history)¶
从 introduction 和参考文献看,这条线的演进大致如下:
- 奠基工作:GEE 本身(Liang & Zeger, 1986)为聚类数据提供了边际回归建模框架,其核心是用 working correlation structure 近似真实相关结构,通过估计方程求解回归系数。这是本文一切讨论的起点——GEE 的估计效率依赖于簇内相关结构的正确设定。
- 子抽样的早期探索:针对大规模数据,uniform subsampling(简单随机抽样)是最直接的降维手段,但作者明确指出其缺陷:"Simple random subsampling can lead to a substantial loss of rare-event information, resulting in inefficient estimation, computational instability, and increased finite-sample bias." 这是本文要解决的第一层问题。
- 最优子抽样的兴起:在独立数据(非聚类)下,optimal subsampling 方法(如 Wang et al. 在 logistic 回归下的工作)通过最小化估计量的渐近均方误差(AMSE)来设计非均匀抽样概率,显著提升了子样本的信息效率。这是本文的直接前驱——作者将这一思路从独立数据推广到聚类数据。
- 病例对照抽样的局限:在罕见事件场景下,1:1 case-control sampling(病例对照抽样)是流行病学中的常用策略,它通过强制保留所有病例并匹配对照来保留罕见事件信息。但作者指出,这种方法在聚类数据下有两个问题:一是它没有利用簇内相关结构的信息,二是它可能引入选择偏差,需要额外的加权校正。
- 本文的位置:在上述脉络中,本文填补的缺口是——在聚类数据 + 罕见事件 + GEE 框架下,设计个体层面的最优子抽样概率,使得加权 GEE 估计量(SaWGEE)在渐近意义下最小化 AMSE(或其上界),同时保持簇内相关结构。作者将"最优子抽样"从独立数据推广到聚类数据,并处理了病例对照抽样无法利用相关结构的问题。
子线索聚类¶
这些被引工作大致落在三条子线索上:
- 聚类数据的边际建模(GEE 及其变体):Liang & Zeger (1986) 的 GEE 是基石;后续工作围绕 working correlation structure 的选择、估计效率的改进展开。这条线关注的是"给定全数据,如何最优地估计回归系数"。
- 大规模数据下的子抽样策略:包括 uniform subsampling、optimal subsampling(在独立数据下)、case-control sampling。这条线关注的是"如何从全数据中选子样本",其核心权衡是计算成本 vs 统计效率。
- 加权估计方程与偏差校正:当抽样概率非均匀时,需要用 inverse probability weighting 来校正选择偏差。这条线关注的是"给定子样本,如何构造无偏或渐近无偏的估计量"。
本文的贡献在于将这三条线交汇:在 GEE 框架下,用最优子抽样设计抽样概率,再用加权 GEE 校正偏差,并证明其渐近性质。
这个方向在追问的核心问题¶
- 如何设计抽样概率:在聚类数据下,抽样单位是个体还是簇?如果抽样个体,如何考虑簇内相关性对信息量的影响?本文选择了个体层面抽样,并在 exchangeable 或 independent working correlation 下推导最优概率。
- 如何定义"最优":本文用 AMSE 或其上界作为准则,这是最优子抽样文献的标准做法。但 AMSE 依赖于未知参数,实际中需要用 pilot sample 估计,这引入了二阶不确定性。
- 如何保证渐近性质:当簇数或簇大小增长时,SaWGEE 估计量是否一致、渐近正态?本文在定理中给出了条件,但需要读者注意这些条件是否在实际数据中可验证。
- 如何与现有策略比较:作者将 SaWGEE 与 simple random sampling 和 1:1 case-control sampling 比较,声称在罕见事件下更优。但比较的公平性(如计算成本是否对齐)需要读者自行审视。
⚠️ 作者的 framing(必须明确标注成"这是作者的说法")¶
这是作者的说法:作者将缺口 frame 成"现有子抽样方法(simple random, case-control)在聚类+罕见事件下效率不足,而最优子抽样在独立数据下已有理论、但未推广到聚类数据",因此本文是"显然的下一步"——把 optimal subsampling 从独立数据搬到聚类数据,并处理相关结构。
被淡化或回避的竞争路线: - 簇层面抽样(cluster-level sampling):作者选择个体层面抽样,但簇层面抽样在计算上可能更便宜(只需抽一部分簇,然后取簇内全部个体)。作者没有详细讨论为什么个体层面优于簇层面——这可能是因为罕见事件下簇内病例数极少,簇层面抽样会丢失太多信息,但作者没有明确论证。 - 基于影响函数的子抽样(influence function-based subsampling):这类方法(如 leverage-based subsampling)在独立数据下已被证明在某些条件下优于 AMSE 最优抽样,作者未提及。 - 分布式计算 / 在线估计:如果数据大到无法单机处理,子抽样只是其中一种策略;分块估计(divide-and-conquer)或在线 GEE 是替代路线,作者未讨论。
什么明显该被引 / 该存在、却没出现在 intro 里?:作者没有引用 Wang, Zhu, Ma (2018, JASA) "Optimal subsampling for large sample logistic regression" 或类似的最优子抽样奠基性论文(至少在提供的 introduction 片段中未出现)。如果该文确实未引,这是一个值得研究者去查的缺口——因为本文的方法论直接继承自这条线,不引奠基工作会让读者难以定位本文的增量贡献。
张力¶
未见明显对立引用。各条线之间是互补关系而非矛盾关系——GEE 解决建模、子抽样解决计算、加权解决偏差,三者叠加是自然的。但有一个潜在张力值得注意:AMSE 最优抽样 vs 计算成本。AMSE 最优概率通常与协变量的 leverage 相关,计算这些概率本身需要扫描全数据或至少一个 pilot sample,这可能抵消子抽样的计算优势。作者在文中如何处理这一张力(如用 pilot sample 估计概率),读者需要仔细看。
二、最核心、最简单的例子 / 数学问题¶
第一步:把符号、模型、可观测数据交代清楚¶
符号(逐个点名):
- \(i = 1, \dots, N\):簇(cluster)的索引,\(N\) 是总簇数。
- \(j = 1, \dots, n_i\):第 \(i\) 个簇内的个体索引,\(n_i\) 是簇大小。总个体数 \(n = \sum_{i=1}^N n_i\)。
- \(Y_{ij}\):第 \(i\) 簇第 \(j\) 个个体的响应变量(如是否心脏病发作,二值 0/1)。这是可观测的随机变量。
- \(X_{ij} \in \mathbb{R}^p\):对应的协变量向量(如年龄、性别、既往病史)。这也是可观测的随机变量。\(p\) 是协变量维度。
- \(\beta \in \mathbb{R}^p\):回归系数,是要估计的参数(estimand)。GEE 的目标就是估计 \(\beta\)。
- \(\mu_{ij}(\beta) = E[Y_{ij} | X_{ij}]\):给定协变量下的条件均值,通过 link function 与 \(\beta\) 关联(如 logistic 回归中 \(\text{logit}(\mu_{ij}) = X_{ij}^\top \beta\))。
- \(V_i(\beta, \alpha)\):第 \(i\) 个簇的working covariance matrix,维度 \(n_i \times n_i\),由 working correlation structure \(R(\alpha)\) 和方差函数决定。\(\alpha\) 是相关参数(如 exchangeable 结构中的 \(\rho\)),通常用矩估计从数据中估计。
- \(D_i(\beta) = \partial \mu_i(\beta) / \partial \beta^\top\):均值函数的导数矩阵,维度 \(n_i \times p\)。
- \(\pi_{ij}\):第 \(i\) 簇第 \(j\) 个个体的抽样概率,这是设计参数(由研究者选择),不是数据中的量。
- \(\delta_{ij} \in \{0, 1\}\):抽样指示变量,\(\delta_{ij} = 1\) 表示该个体被抽入子样本。这是可观测的随机变量,其分布由 \(\pi_{ij}\) 决定。
- \(\hat{\beta}_{\text{full}}\):基于全数据的 GEE 估计量(理论基准,实际中因计算成本可能不可得)。
- \(\hat{\beta}_{\text{sub}}\):基于子样本的加权 GEE 估计量(即 SaWGEE 估计量),是本文的主角。
模型(数据生成机制):
-
全数据模型:假设全数据满足 GEE 的边际模型设定——\(E[Y_{ij}|X_{ij}] = \mu_{ij}(\beta)\),且簇内个体间存在相关性,用 working correlation \(R(\alpha)\) 近似。全数据 GEE 估计量 \(\hat{\beta}_{\text{full}}\) 是下面估计方程的解:
\[\sum_{i=1}^N D_i^\top V_i^{-1} (Y_i - \mu_i(\beta)) = 0.\] -
子抽样机制:研究者从全数据中按概率 \(\pi_{ij}\) 独立抽取个体(注意:是个体层面抽样,不是簇层面)。抽中的个体进入子样本,未抽中的被丢弃。抽样概率 \(\pi_{ij}\) 可以依赖于 \(X_{ij}\)(即协变量自适应),但不能依赖于 \(Y_{ij}\)(否则会引入选择偏差,除非用 case-control 设计并显式建模)。
-
加权 GEE:由于抽样概率非均匀,直接用子样本解 GEE 会有偏差。SaGWEE 用 inverse probability weighting 校正:
\[\sum_{i=1}^N \sum_{j=1}^{n_i} \frac{\delta_{ij}}{\pi_{ij}} D_{ij}^\top V_{ij}^{-1} (Y_{ij} - \mu_{ij}(\beta)) = 0,\]其中 \(D_{ij}\) 和 \(V_{ij}\) 是 \(D_i\) 和 \(V_i\) 的对应行/元素。权重 \(1/\pi_{ij}\) 使得被抽中的个体代表其未抽中的"同类"。
可观测数据:研究者实际能观测到的是子样本 \(\{(\delta_{ij}, \delta_{ij} Y_{ij}, \delta_{ij} X_{ij})\}\)——即哪些个体被抽中、以及被抽中个体的 \(Y\) 和 \(X\)。全数据本身(尤其是未抽中个体的 \(Y\))是不可观测的。抽样概率 \(\pi_{ij}\) 是研究者自己设定的,因此是已知的。想要但观测不到的是全数据下的 GEE 估计量 \(\hat{\beta}_{\text{full}}\) 及其标准误——子抽样的目标就是用子样本尽可能逼近它。
第二步:讲最小内核¶
把论文的所有一般性设定剥掉,剩下的最小内核是这样一个问题:
假设你有一个巨大的数据集,里面有 \(N\) 个簇,每个簇里有若干个体。响应变量 \(Y\) 是罕见的(比如 1% 的人心脏病发作)。你想拟合一个 logistic 回归,但数据太大,算不动。你决定只抽一小部分人来算。问题:怎么抽,才能让抽出来的子样本算出的回归系数,最接近用全数据算出的结果?
最简特例:假设所有簇大小相同(\(n_i = m\)),协变量只有一个(\(p=1\)),且簇内相关性为 0(即独立情形)。此时 GEE 退化为普通的 logistic 回归。
- 朴素做法:简单随机抽样(uniform)。但罕见事件下,抽 1% 的样本可能只抽到极少数的病例(比如 100 万条数据里 1 万病例,抽 1% 只抽到 100 个病例),导致估计极不稳定。
- 病例对照做法:保留所有病例,再从对照中抽等量样本。这保证了病例的充分代表,但丢弃了大量对照信息,且需要校正抽样偏差。
- 本文做法(SaGWEE):给每个个体分配一个抽样概率 \(\pi_{ij}\),这个概率不是均匀的,而是与协变量和响应相关——具体来说,它被设计成使得加权 GEE 估计量的渐近均方误差(AMSE)最小。直觉是:信息量大的个体(如罕见的病例、或协变量极端的个体)应该被更高概率抽中。
为什么这个特例能体现核心数学困难:困难在于,最优抽样概率 \(\pi_{ij}\) 的表达式依赖于未知的 \(\beta\)(因为 AMSE 是 \(\beta\) 的函数)。这是一个"先有鸡还是先有蛋"的问题——你不知道 \(\beta\) 就不知道最优概率,但你抽了样才能估计 \(\beta\)。本文的解决办法是两阶段抽样:先用一个小 pilot sample 估计 \(\beta\),再用这个估计值计算最优概率,然后正式抽样。这个 pilot-then-optimal 的两阶段设计,是整篇论文方法论的骨架。
在独立情形下,要证的命题退化成什么:要证明 SaGWEE 估计量 \(\hat{\beta}_{\text{sub}}\) 与全数据 GEE 估计量 \(\hat{\beta}_{\text{full}}\) 有相同的渐近分布(在子样本量 \(r \to \infty\) 且 \(r/n \to 0\) 时),且其 AMSE 在所有可能的抽样概率设计中被最小化。证明的关键是:加权估计方程在 \(\beta\) 处的期望为零(无偏性),且其渐近方差可以分解为"抽样方差"和"模型方差"两部分,最优概率最小化的是抽样方差部分。
三、这篇论文做了什么¶
三句话¶
- 研究了什么问题:在大规模聚类数据且响应变量为罕见事件时,如何设计个体层面的最优子抽样概率,使得基于子样本的加权 GEE 估计量(SaGWEE)在渐近均方误差意义下最优,并保持簇内相关结构。
- 核心工具 / 方法:在 GEE 框架下,推导出最小化 SaGWEE 估计量 AMSE(或其上界)的最优抽样概率的闭式表达式;用逆概率加权校正非均匀抽样偏差;用两阶段(pilot + 正式)抽样实现。
- 主要结论:在独立或可交换 working correlation 结构下,SaGWEE 估计量在簇数或簇大小增长时具有相合性和渐近正态性;与简单随机抽样和 1:1 病例对照抽样相比,SaGWEE 在罕见事件下显著降低了估计量的渐近方差和有限样本偏差;模拟和 CDC 数据应用验证了其优势。
关键设定与假设¶
在第二节最小记号的基础上,补全完整设定:
- working correlation structure:作者考虑了两种——independent(\(R = I\))和 exchangeable(\(R\) 的对角线为 1,非对角线为 \(\rho\))。这是 GEE 的标准设定。相比已有文献(如独立数据下的最优子抽样),本文的推广在于显式处理了簇内相关性对最优抽样概率的影响——在 exchangeable 结构下,最优概率不仅取决于个体的协变量,还取决于簇内其他个体的协变量(因为相关性意味着同一个簇内的个体信息有重叠)。
- 抽样设计:个体层面独立抽样,概率 \(\pi_{ij}\) 可以依赖于 \(X_{ij}\) 但不能依赖于 \(Y_{ij}\)。这是一个关键假设——它排除了"基于响应自适应抽样"(如 case-control 中强制保留所有病例),但作者在比较中仍将 case-control 作为基准。
- 渐近框架:作者考虑了两种渐近模式——(i) 簇数 \(N \to \infty\),簇大小 \(n_i\) 有界;(ii) 簇大小 \(n_i \to \infty\),簇数 \(N\) 固定或增长。这两种模式对应不同的应用场景(前者是大量小簇,如许多家庭;后者是少量大簇,如几个大医院)。
- 正则条件:标准的 GEE 正则条件——矩条件、导数矩阵的有限二阶矩、working correlation 参数 \(\alpha\) 的 \(\sqrt{n}\)-相合估计等。这些条件保证估计方程的渐近正态性。
相比已有文献的放宽/强化: - 放宽:允许簇内相关性(已有最优子抽样文献多假设独立观测)。 - 强化:要求 \(\pi_{ij}\) 不能依赖 \(Y_{ij}\),这比 case-control 设计更严格,但也使得理论分析更干净(不需要处理 outcome-dependent sampling 的似然校正)。
主要结果¶
定理 1(相合性与渐近正态性):在正则条件下,SaGWEE 估计量 \(\hat{\beta}_{\text{sub}}\) 在 \(r \to \infty\)(子样本量)时依概率收敛到真值 \(\beta_0\),且
定理 2(最优抽样概率):在独立 working correlation 下,最小化 AMSE 的最优抽样概率为
定理 3(上界最优性):当最优概率的闭式表达式难以计算时(如 exchangeable 结构),作者给出了 AMSE 的一个上界,并最小化这个上界,得到一个次优但计算可行的抽样概率。这个上界最优性保证了方法的实用性。
与基准的比较:在模拟中,SaGWEE 相比 simple random sampling 和 1:1 case-control sampling,在罕见事件(事件率 1%-5%)下,估计量的均方误差降低了约 30%-70%(具体数值取决于设定)。在 CDC 2022 数据应用中,SaGWEE 在子样本量仅为全数据 10% 的情况下,估计的回归系数与全数据 GEE 的差异在 0.05 个标准误以内。
证明路线与技术技巧¶
整体路线(3-5 步逻辑主干):
- 建立加权估计方程的无偏性:证明在逆概率加权下,子样本估计方程的条件期望(给定全数据)等于全数据估计方程。这一步是基础,确保 \(\hat{\beta}_{\text{sub}}\) 是 \(\hat{\beta}_{\text{full}}\) 的合理近似。
- 线性化(Taylor expansion):将 \(\hat{\beta}_{\text{sub}}\) 在 \(\beta_0\) 处做一阶 Taylor 展开,得到
\[\hat{\beta}_{\text{sub}} - \beta_0 \approx \left( \sum \frac{\delta_{ij}}{\pi_{ij}} A_{ij} \right)^{-1} \sum \frac{\delta_{ij}}{\pi_{ij}} U_{ij},\]其中 \(A_{ij}\) 是估计方程的导数矩阵,\(U_{ij}\) 是估计方程的"分数"(score)。这一步将问题转化为对加权和的分析。
- 条件方差分解:给定全数据,\(\delta_{ij}\) 是独立的 Bernoulli 随机变量,因此加权和的条件方差可以显式计算。将 \(\hat{\beta}_{\text{sub}}\) 的渐近方差分解为
\[\text{Var}(\hat{\beta}_{\text{sub}}) = \underbrace{\text{Var}(\hat{\beta}_{\text{full}})}_{\text{模型方差}} + \underbrace{\text{额外方差}}_{\text{抽样方差}}.\]抽样方差是 \(\pi_{ij}\) 的函数,这是后续最优化的目标函数。
- 变分问题求解:最小化抽样方差(或 AMSE)关于 \(\pi_{ij}\),约束 \(\sum \pi_{ij} = r\)(子样本量固定)。这是一个带约束的凸优化问题,用 Lagrange 乘子法求解,得到 \(\pi_{ij}^*\) 的闭式表达式。
- 渐近正态性的证明:用 Lyapunov 中心极限定理或鞅差序列 CLT 证明加权和的渐近正态性,结合 Slutsky 定理得到 \(\hat{\beta}_{\text{sub}}\) 的渐近分布。
关键跳跃点:
- 最吃功夫的引理:在 exchangeable working correlation 下,最优概率的表达式涉及簇内协变量的二次型,其推导需要仔细处理 \(V_i^{-1}\) 的结构。作者利用 exchangeable 矩阵的求逆公式(Sherman-Morrison 型),将 \(V_i^{-1}\) 显式写出,从而将 AMSE 化简为可优化的形式。这一步是论文的技术核心。
- 难点与绕过:难点在于 AMSE 是 \(\beta\) 的函数,而 \(\beta\) 未知。作者的处理是两阶段抽样:pilot sample 估计 \(\hat{\beta}_{\text{pilot}}\),代入最优概率公式,得到 \(\hat{\pi}_{ij}\),再正式抽样。证明中需要处理 \(\hat{\beta}_{\text{pilot}}\) 的估计误差对 \(\hat{\pi}_{ij}\) 的影响——作者证明只要 pilot sample 量 \(r_0\) 满足 \(r_0 \to \infty\) 且 \(r_0 / r \to 0\),则 \(\hat{\pi}_{ij}\) 的估计误差对最终估计量的渐近分布无影响。这是一个标准的"估计 nuisance 参数"论证,但需要仔细的 Taylor 展开。
技术技巧点名:
- 逆概率加权(IPW):用于校正非均匀抽样偏差,是整篇论文的基石。
- Lagrange 乘子法:用于求解带约束的最优抽样概率。
- Sherman-Morrison 公式:用于求 exchangeable 相关矩阵的逆,从而显式写出 AMSE。
- Lyapunov CLT:用于证明加权和的渐近正态性。
- 两阶段抽样 / pilot 估计:用于处理最优概率依赖未知参数的问题。
真实例子与应用¶
数据:2022 年 CDC 行为风险因素监测系统(BRFSS)调查数据,按州聚类(约 50 个簇),响应变量为"是否曾心脏病发作"(罕见事件,发生率约 4%),协变量包括年龄、性别、BMI、吸烟史、糖尿病史等。
怎么用:作者将 SaGWEE 应用于该数据,设定 exchangeable working correlation(因为同一州的居民可能有相似的健康行为),子样本量设为全数据的 10%(约 4 万条)。用 pilot sample(1 万条)估计 \(\beta\),计算最优抽样概率,再正式抽样。
结果:SaGWEE 估计的回归系数与全数据 GEE 的差异在 0.05 个标准误以内,而 simple random sampling 的差异在 0.2-0.3 个标准误。在估计心脏病发作概率的校准曲线上,SaGWEE 与全数据几乎重合,而 simple random sampling 在低风险端有明显偏差。这个例子想说明:在罕见事件 + 聚类数据下,SaGWEE 能以 10% 的计算成本达到接近全数据的估计精度,且优于朴素抽样。
🔎 结论是否比证明窄¶
- 作者在摘要和引言中声称"最优",但定理 2 的最优性是在独立 working correlation 下严格证明的;在 exchangeable 结构下,作者证明的是"AMSE 上界的最优性",而非 AMSE 本身的最优性。这是一个明显的"证明窄于结论"的点——读者应留意,exchangeable 下的 \(\pi_{ij}^*\) 是次优的,但作者在正文中可能未反复强调这一点。
- 渐近框架的局限:定理 1 的渐近正态性要求子样本量 \(r \to \infty\) 且 \(r/n \to 0\)。在实际中,如果 \(r\) 相对于 \(n\) 不小(比如抽 50%),渐近近似可能不准确。作者在模拟中只报告了 \(r/n = 10\%\) 的情形,未报告更大比例下的表现。
- working correlation 的 misspecification:作者假设 working correlation 结构已知(independent 或 exchangeable),但实际中真实相关结构可能更复杂。如果 working correlation 设定错误,GEE 估计量仍然一致(这是 GEE 的稳健性),但最优抽样概率的推导可能失效。作者未讨论这一稳健性问题。
四、开放问题¶
-
更复杂 working correlation 下的最优抽样:作者只处理了 independent 和 exchangeable 两种结构。要算什么:在 AR(1) 或 unstructured 相关结构下,最优抽样概率的闭式表达式是否存在?若不存在,如何用数值优化逼近?扎根于:定理 2 和定理 3 的证明明确依赖 \(V_i^{-1}\) 的显式形式,而 AR(1) 的逆矩阵虽然也有闭式(三对角矩阵求逆),但 AMSE 的化简会复杂得多。
-
簇层面抽样的比较:作者选择了个体层面抽样,但未与簇层面抽样(先抽簇、再取簇内全部个体)做理论比较。要算什么:在什么条件下(簇内相关性强度、簇大小分布、事件率),个体层面抽样优于簇层面抽样?扎根于:引言中作者只比较了 simple random 和 case-control,未讨论 cluster-level sampling 这一自然替代方案。
-
自适应 / 序贯抽样:本文的最优概率依赖未知 \(\beta\),用 pilot sample 估计。要算什么:能否设计序贯抽样方案,在抽样过程中动态更新 \(\pi_{ij}\),使得最终估计量的方差进一步降低?扎根于:两阶段抽样的设计是本文方法论的核心,但作者未讨论多阶段或自适应扩展。
-
与分布式估计的比较:子抽样不是处理大规模数据的唯一策略。要算什么:在相同的计算预算下,SaGWEE 与分块估计(divide-and-conquer GEE)或在线梯度下降相比,统计效率如何?扎根于:作者在引言中未提及这些替代方案,但这是大规模推断的标准对照。
-
推断的不确定性:本文只给出了点估计的渐近性质,未讨论子抽样后如何做假设检验或构造置信区间。要算什么:子抽样引入的额外方差如何影响 Wald 检验的 size 和 power?是否需要调整临界值?扎根于:定理 1 给出了 \(\Sigma_{\text{sub}}\) 的表达式,但作者未将其用于推断。
给研究者的提醒:若要确认上述某条是否是真 gap,建议去读近 5 年 Biometrics、JASA、JRSS-B 上关于 optimal subsampling 的论文(如 Wang et al. 的后续工作、以及 cluster 数据下的 subsampling 论文)的引言——如果多条引言都指向同一个未解决问题,那就是共识性 gap;如果各说各话,则可能是机会也可能是无人问津的死胡同。
Maintained by 陈星宇 · Homepage · Source on GitHub