2
创建综合数据集的一些标准做法是什么？
作为上下文：当处理非常大的数据集时，有时会问我们是否可以创建一个综合数据集，以“了解”预测变量与响应变量之间的关系，或预测变量之间的关系。 多年来，我似乎遇到了一次性的综合数据集（看起来像是临时创建的），或者遇到了结构化的数据集，这些数据集特别适合研究人员提出的建模方法。 我相信我正在寻找创建综合数据集的标准方法。尽管引导重采样是创建综合数据集的一种常用方法，但它不满足我们 先验知道结构的条件。此外，与其他交换引导程序样本本质上需要交换数据，而不是数据生成方法。 如果我们可以将参数分布拟合到数据中，或者找到足够接近的参数化模型，那么这就是我们可以生成综合数据集的一个示例。 还有什么其他方法？我对高维数据，稀疏数据和时间序列数据特别感兴趣。对于高维数据，我将寻找可以生成感兴趣的结构（例如协方差结构，线性模型，树等）的方法。对于时间序列数据，来自FFT，AR模型或各种其他过滤或预测模型的分布似乎是一个开始。对于稀疏数据，再现稀疏模式似乎很有用。 我相信这些只是表面上的内容-这些是启发式的，不是正式的做法。是否有参考或资源来生成从业人员应了解的综合数据？ 注意1：我意识到这个问题是针对文献的，该文献如何像一个特定的时间序列模型那样生成数据。这里的区别在于实践，特别是为了指示已知结构（我的问题），而不是与现有数据集的相似性/保真度。在我的情况下，不必像已知结构一样具有相似性，尽管相似性比不相似性更受重视。模型显示有希望的奇特的综合数据集比现实的模拟更受青睐。 注2：维基百科关于综合数据的条目指出，鲁宾和费恩伯格等名人已经解决了这个问题，尽管我没有找到最佳实践的参考。知道诸如《应用统计年鉴》（或《 AOS》）或这些或其他期刊的评论工作将使哪些事情通过会很有趣。用简单而异想天开的术语，人们可能会问，“（可以接受）煮熟”和“煮得太熟”之间的界限在哪里存在？ 注3：尽管它不会影响问题，但使用场景是对各种大型，高维数据集进行建模，其中研究议程是学习（通过人和机器；-)数据的结构。与单变量，双变量和其他低维方案不同，该结构不容易推断。随着我们对结构的深入了解，能够生成具有相似属性的数据集是很重要的，以便了解建模方法如何与数据交互（例如，检查参数稳定性）。但是，有关低维合成数据的较旧指南可能是一个起点，可以扩展或适用于高维数据集。