内存约束下偏估计的全局偏差校正 DC 方法

本文针对内存约束下的偏估计建立了一种全局偏差校正分而治之（GBC-DC）规则。为引入新估计，采用每批数据所得局部估计量的闭式表示，旨在构建局部估计量与感兴趣真实参数之间的雏形线性回归。随后在该框架内使用最小二乘法综合得到参数的全局估计量。因此，相较于经典 DC 方法的主要优势在于，新 GBC-DC 方法可吸收隐藏于统计结构及各批数据变量中的信息。进而，即使局部估计量具有不可忽略的偏差，所得全局估计量仍严格无偏。此外，全局估计量具有一致性，甚至可在不限制批数的情况下达到 root-$n$ 一致性。新方法的另一吸引人之处在于计算简单高效，无需任何迭代算法与局部偏差校正。具体地，所提 GBC-DC 方法适用于多种偏估计，如收缩型估计与非参数回归估计。详细的模拟研究表明，所提 GBC-DC 方法显著校正了偏差，其表现与全数据估计相当且远优于对比方法。