ODS抽样下高维数据广义线性回归的自适应矩估计算法

作     者：朱京宇 丁洁丽 

作者机构：武汉大学数学与统计学院 广州外国语学校 

出 版 物：《数学学报(中文版)》 (Acta Mathematica Sinica(Chinese Series))

年 卷 期：2024年

核心收录：

学科分类：02[经济学] 0202[经济学-应用经济学] 020208[经济学-统计学] 07[理学] 0714[理学-统计学（可授理学、经济学学位）] 070103[理学-概率论与数理统计] 0701[理学-数学] 

主　　题：ODS抽样设计 高维数据 自适应矩估计算法 广义线性模型 

摘      要：基于因变量抽样设计(Outcome-Dependent Sampling Design,简称ODS抽样设计)是一种回溯性的有偏抽样方法.对于大规模数据的研究,ODS抽样机制能够节约研究成本和提高效率.本文探讨如何应用广义线性模型来拟合采用ODS抽样设计获取的高维数据.受梯度下降思想的启发,本文发展了两种改进的自适应矩估计算法来解决高维ODS数据的广义线性回归中估计的数值计算问题,并证明了所提出算法的收敛性.所提出的这些自适应矩估计算法避免了计算高维矩阵及其逆矩阵,表现优良.本文通过一系列的模拟研究展示了所提出算法的性能,并应用所提出的算法分析了一个实际数据.