{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5416084"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5416084","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Robust high-dimensional regression inference via covariance shrinkage and synthesis","abstract":"Εισαγωγή: Σε πολλές εφαρμογές, η πρόσβαση σε δεδομένα σε ατομικό επίπεδο είναι περιορισμένη και η στατιστική ανάλυση βασίζεται αποκλειστικά σε συγκεντρωτικά στατιστικά, όπως πίνακες συνδιακύμανσης και οριακές πιθανότητες έκβασης. Ενώ η γραμμική παλινδρόμηση μπορεί να ανακτηθεί άμεσα από τέτοια συνοπτικά μέτρα υπό τυπικές υποθέσεις, η λογιστική παλινδρόμηση παρουσιάζει πρόσθετες δυσκολίες λόγω της μη γραμμικής της μορφής. Αυτό έχει οδηγήσει στην ανάπτυξη εναλλακτικών προσεγγίσεων βασισμένων σε ροπές, όπως οι εκτιμητές σύνθεσης και οι προσεγγίσεις LASSO. Μέθοδοι: Αναπτύσσεται ένα ενοποιημένο υπολογιστικό πλαίσιο για τη γραμμική και τη λογιστική παλινδρόμηση με χρήση συνοπτικών δεδομένων συνδιακύμανσης. Για τη γραμμική παλινδρόμηση, οι συντελεστές εκτιμώνται μέσω αντιστροφής του πίνακα συνδιακύμανσης, με επεκτάσεις που περιλαμβάνουν τη συρρίκνωση Ledoit–Wolf για τη σταθεροποίηση του πίνακα και κανονικοποίηση τύπου LASSO για την επιβολή αραιότητας. Για τη λογιστική παλινδρόμηση, υλοποιούνται τέσσερις μέθοδοι: (i) εκτιμητής σύνθεσης βάσει αντιστροφής συνδιακύμανσης, (ii) εκτιμητής σύνθεσης με συρρίκνωση για μεγαλύτερη σταθερότητα, (iii) κανονικοποίηση LASSO των συντελεστών σύνθεσης. Οι μέθοδοι απαιτούν μόνο τον πίνακα συνδιακύμανσης μεταβλητών και έκβασης, το μέγεθος δείγματος και, για τη λογιστική παλινδρόμηση, την οριακή πιθανότητα της έκβασης. Η απόδοση αξιολογήθηκε σε πολλαπλά εμπειρικά σύνολα δεδομένων, συγκρίνοντας τα αποτελέσματα με εκτιμήσεις από κλασικά μοντέλα παλινδρόμησης με πλήρη δεδομένα. Αποτελέσματα: Στη γραμμική παλινδρόμηση, οι εκτιμητές σύνθεσης αναπαράγουν την κλασική λύση ελαχίστων τετραγώνων, ενώ η συρρίκνωση βελτιώνει τη σταθερότητα σε περιπτώσεις πολυσυγγραμμικότητας και η LASSO εισάγει αραιότητα στους συντελεστές. Στη λογιστική παλινδρόμηση, οι εκτιμητές σύνθεσης παρήγαγαν συντελεστές με παρόμοια κατεύθυνση και συγκρίσιμο μέγεθος με τις εκτιμήσεις μέγιστης πιθανοφάνειας, με ορισμένη υποεκτίμηση σε κάποιες περιπτώσεις. Η μέθοδος συρρίκνωσης έδωσε σχεδόν ταυτόσημα αποτελέσματα, υποδηλώνοντας περιορισμένη ευαισθησία σε αστάθεια του πίνακα συνδιακύμανσης. Η κανονικοποίηση LASSO μείωσε το μέγεθος των συντελεστών, διατηρώντας τις βασικές συσχετίσεις. Η αντίστροφη προσέγγιση Taylor παρήγαγε ανακλιμακωμένους συντελεστές με αυξημένη διακύμανση, γεγονός που αντανακλά την εξάρτησή της από την οριακή πιθανότητα της έκβασης. Συνολικά, οι στατιστικά σημαντικές μεταβλητές διατηρήθηκαν σε μεγάλο βαθμό, αν και παρατηρήθηκαν διαφοροποιήσεις στις εκτιμήσεις αβεβαιότητας. Συμπεράσματα: Οι μέθοδοι σύνθεσης βάσει συνδιακύμανσης αποτελούν ένα συνεκτικό και ευέλικτο πλαίσιο για την εκτίμηση μοντέλων γραμμικής και λογιστικής παλινδρόμησης με χρήση μόνο συνοπτικών δεδομένων. Στη γραμμική περίπτωση, αναπαράγονται τα κλασικά αποτελέσματα, ενώ στη λογιστική παρέχονται πρακτικές προσεγγίσεις όταν δεν είναι διαθέσιμα δεδομένα σε ατομικό επίπεδο. Οι τεχνικές συρρίκνωσης βελτιώνουν τη σταθερότητα χωρίς ουσιαστική μεταβολή των εκτιμήσεων, ενώ η LASSO προσφέρει μηχανισμό κανονικοποίησης και επιλογής μεταβλητών. Συνολικά, οι μέθοδοι αυτές αποτελούν αποδοτικές εναλλακτικές για ανάλυση παλινδρόμησης σε περιβάλλοντα περιορισμένων δεδομένων, απαιτώντας ωστόσο προσεκτική αξιολόγηση πιθανών μεροληψιών και σφαλμάτων προσέγγισης.","abstract_html":"Εισαγωγή: Σε πολλές εφαρμογές, η πρόσβαση σε δεδομένα σε ατομικό επίπεδο είναι περιορισμένη και η στατιστική ανάλυση βασίζεται αποκλειστικά σε συγκεντρωτικά στατιστικά, όπως πίνακες συνδιακύμανσης και οριακές πιθανότητες έκβασης. Ενώ η γραμμική παλινδρόμηση μπορεί να ανακτηθεί άμεσα από τέτοια συνοπτικά μέτρα υπό τυπικές υποθέσεις, η λογιστική παλινδρόμηση παρουσιάζει πρόσθετες δυσκολίες λόγω της μη γραμμικής της μορφής. Αυτό έχει οδηγήσει στην ανάπτυξη εναλλακτικών προσεγγίσεων βασισμένων σε ροπές, όπως οι εκτιμητές σύνθεσης και οι προσεγγίσεις LASSO. Μέθοδοι: Αναπτύσσεται ένα ενοποιημένο υπολογιστικό πλαίσιο για τη γραμμική και τη λογιστική παλινδρόμηση με χρήση συνοπτικών δεδομένων συνδιακύμανσης. Για τη γραμμική παλινδρόμηση, οι συντελεστές εκτιμώνται μέσω αντιστροφής του πίνακα συνδιακύμανσης, με επεκτάσεις που περιλαμβάνουν τη συρρίκνωση Ledoit–Wolf για τη σταθεροποίηση του πίνακα και κανονικοποίηση τύπου LASSO για την επιβολή αραιότητας. Για τη λογιστική παλινδρόμηση, υλοποιούνται τέσσερις μέθοδοι: (i) εκτιμητής σύνθεσης βάσει αντιστροφής συνδιακύμανσης, (ii) εκτιμητής σύνθεσης με συρρίκνωση για μεγαλύτερη σταθερότητα, (iii) κανονικοποίηση LASSO των συντελεστών σύνθεσης. Οι μέθοδοι απαιτούν μόνο τον πίνακα συνδιακύμανσης μεταβλητών και έκβασης, το μέγεθος δείγματος και, για τη λογιστική παλινδρόμηση, την οριακή πιθανότητα της έκβασης. Η απόδοση αξιολογήθηκε σε πολλαπλά εμπειρικά σύνολα δεδομένων, συγκρίνοντας τα αποτελέσματα με εκτιμήσεις από κλασικά μοντέλα παλινδρόμησης με πλήρη δεδομένα. Αποτελέσματα: Στη γραμμική παλινδρόμηση, οι εκτιμητές σύνθεσης αναπαράγουν την κλασική λύση ελαχίστων τετραγώνων, ενώ η συρρίκνωση βελτιώνει τη σταθερότητα σε περιπτώσεις πολυσυγγραμμικότητας και η LASSO εισάγει αραιότητα στους συντελεστές. Στη λογιστική παλινδρόμηση, οι εκτιμητές σύνθεσης παρήγαγαν συντελεστές με παρόμοια κατεύθυνση και συγκρίσιμο μέγεθος με τις εκτιμήσεις μέγιστης πιθανοφάνειας, με ορισμένη υποεκτίμηση σε κάποιες περιπτώσεις. Η μέθοδος συρρίκνωσης έδωσε σχεδόν ταυτόσημα αποτελέσματα, υποδηλώνοντας περιορισμένη ευαισθησία σε αστάθεια του πίνακα συνδιακύμανσης. Η κανονικοποίηση LASSO μείωσε το μέγεθος των συντελεστών, διατηρώντας τις βασικές συσχετίσεις. Η αντίστροφη προσέγγιση Taylor παρήγαγε ανακλιμακωμένους συντελεστές με αυξημένη διακύμανση, γεγονός που αντανακλά την εξάρτησή της από την οριακή πιθανότητα της έκβασης. Συνολικά, οι στατιστικά σημαντικές μεταβλητές διατηρήθηκαν σε μεγάλο βαθμό, αν και παρατηρήθηκαν διαφοροποιήσεις στις εκτιμήσεις αβεβαιότητας. Συμπεράσματα: Οι μέθοδοι σύνθεσης βάσει συνδιακύμανσης αποτελούν ένα συνεκτικό και ευέλικτο πλαίσιο για την εκτίμηση μοντέλων γραμμικής και λογιστικής παλινδρόμησης με χρήση μόνο συνοπτικών δεδομένων. Στη γραμμική περίπτωση, αναπαράγονται τα κλασικά αποτελέσματα, ενώ στη λογιστική παρέχονται πρακτικές προσεγγίσεις όταν δεν είναι διαθέσιμα δεδομένα σε ατομικό επίπεδο. Οι τεχνικές συρρίκνωσης βελτιώνουν τη σταθερότητα χωρίς ουσιαστική μεταβολή των εκτιμήσεων, ενώ η LASSO προσφέρει μηχανισμό κανονικοποίησης και επιλογής μεταβλητών. Συνολικά, οι μέθοδοι αυτές αποτελούν αποδοτικές εναλλακτικές για ανάλυση παλινδρόμησης σε περιβάλλοντα περιορισμένων δεδομένων, απαιτώντας ωστόσο προσεκτική αξιολόγηση πιθανών μεροληψιών και σφαλμάτων προσέγγισης.","abstract_has_math":false,"creators":["Νικολίτσα Ευγενία","Nikolitsa Evgenia"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2026,"date_issued":"2026","date_published":"2026","updated_at":"2026-11-19T05:19:59Z","subjects":["Επιστήμες Υγείας","Health Sciences"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5416084"],"render_values":[{"text":"uoadl:5416084","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5416084","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5416084","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A5416084","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Νικολίτσα Ευγενία","Nikolitsa Evgenia"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2026"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Επιστήμες Υγείας","Health Sciences"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5416084","https://pergamos.lib.uoa.gr/uoa/dl/object/5416084"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Εισαγωγή: Σε πολλές εφαρμογές, η πρόσβαση σε δεδομένα σε ατομικό επίπεδο είναι περιορισμένη και η στατιστική ανάλυση βασίζεται αποκλειστικά σε συγκεντρωτικά στατιστικά, όπως πίνακες συνδιακύμανσης και οριακές πιθανότητες έκβασης. Ενώ η γραμμική παλινδρόμηση μπορεί να ανακτηθεί άμεσα από τέτοια συνοπτικά μέτρα υπό τυπικές υποθέσεις, η λογιστική παλινδρόμηση παρουσιάζει πρόσθετες δυσκολίες λόγω της μη γραμμικής της μορφής. Αυτό έχει οδηγήσει στην ανάπτυξη εναλλακτικών προσεγγίσεων βασισμένων σε ροπές, όπως οι εκτιμητές σύνθεσης και οι προσεγγίσεις LASSO. Μέθοδοι: Αναπτύσσεται ένα ενοποιημένο υπολογιστικό πλαίσιο για τη γραμμική και τη λογιστική παλινδρόμηση με χρήση συνοπτικών δεδομένων συνδιακύμανσης. Για τη γραμμική παλινδρόμηση, οι συντελεστές εκτιμώνται μέσω αντιστροφής του πίνακα συνδιακύμανσης, με επεκτάσεις που περιλαμβάνουν τη συρρίκνωση Ledoit–Wolf για τη σταθεροποίηση του πίνακα και κανονικοποίηση τύπου LASSO για την επιβολή αραιότητας. Για τη λογιστική παλινδρόμηση, υλοποιούνται τέσσερις μέθοδοι: (i) εκτιμητής σύνθεσης βάσει αντιστροφής συνδιακύμανσης, (ii) εκτιμητής σύνθεσης με συρρίκνωση για μεγαλύτερη σταθερότητα, (iii) κανονικοποίηση LASSO των συντελεστών σύνθεσης. Οι μέθοδοι απαιτούν μόνο τον πίνακα συνδιακύμανσης μεταβλητών και έκβασης, το μέγεθος δείγματος και, για τη λογιστική παλινδρόμηση, την οριακή πιθανότητα της έκβασης. Η απόδοση αξιολογήθηκε σε πολλαπλά εμπειρικά σύνολα δεδομένων, συγκρίνοντας τα αποτελέσματα με εκτιμήσεις από κλασικά μοντέλα παλινδρόμησης με πλήρη δεδομένα. Αποτελέσματα: Στη γραμμική παλινδρόμηση, οι εκτιμητές σύνθεσης αναπαράγουν την κλασική λύση ελαχίστων τετραγώνων, ενώ η συρρίκνωση βελτιώνει τη σταθερότητα σε περιπτώσεις πολυσυγγραμμικότητας και η LASSO εισάγει αραιότητα στους συντελεστές. Στη λογιστική παλινδρόμηση, οι εκτιμητές σύνθεσης παρήγαγαν συντελεστές με παρόμοια κατεύθυνση και συγκρίσιμο μέγεθος με τις εκτιμήσεις μέγιστης πιθανοφάνειας, με ορισμένη υποεκτίμηση σε κάποιες περιπτώσεις. Η μέθοδος συρρίκνωσης έδωσε σχεδόν ταυτόσημα αποτελέσματα, υποδηλώνοντας περιορισμένη ευαισθησία σε αστάθεια του πίνακα συνδιακύμανσης. Η κανονικοποίηση LASSO μείωσε το μέγεθος των συντελεστών, διατηρώντας τις βασικές συσχετίσεις. Η αντίστροφη προσέγγιση Taylor παρήγαγε ανακλιμακωμένους συντελεστές με αυξημένη διακύμανση, γεγονός που αντανακλά την εξάρτησή της από την οριακή πιθανότητα της έκβασης. Συνολικά, οι στατιστικά σημαντικές μεταβλητές διατηρήθηκαν σε μεγάλο βαθμό, αν και παρατηρήθηκαν διαφοροποιήσεις στις εκτιμήσεις αβεβαιότητας. Συμπεράσματα: Οι μέθοδοι σύνθεσης βάσει συνδιακύμανσης αποτελούν ένα συνεκτικό και ευέλικτο πλαίσιο για την εκτίμηση μοντέλων γραμμικής και λογιστικής παλινδρόμησης με χρήση μόνο συνοπτικών δεδομένων. Στη γραμμική περίπτωση, αναπαράγονται τα κλασικά αποτελέσματα, ενώ στη λογιστική παρέχονται πρακτικές προσεγγίσεις όταν δεν είναι διαθέσιμα δεδομένα σε ατομικό επίπεδο. Οι τεχνικές συρρίκνωσης βελτιώνουν τη σταθερότητα χωρίς ουσιαστική μεταβολή των εκτιμήσεων, ενώ η LASSO προσφέρει μηχανισμό κανονικοποίησης και επιλογής μεταβλητών. Συνολικά, οι μέθοδοι αυτές αποτελούν αποδοτικές εναλλακτικές για ανάλυση παλινδρόμησης σε περιβάλλοντα περιορισμένων δεδομένων, απαιτώντας ωστόσο προσεκτική αξιολόγηση πιθανών μεροληψιών και σφαλμάτων προσέγγισης.","Introduction: In many applied settings, access to individual-level data is restricted, and statistical inference must rely on aggregate summaries such as covariance matrices and marginal outcome information. While linear regression can be directly recovered from such summaries under standard assumptions, logistic regression poses additional challenges due to its nonlinear likelihood. This has motivated the development of alternative moment-based approaches, including synthesis estimators and LASSO approximations. Methods: We develop a unified computational framework for both linear and logistic regression using summary-level covariance data. For the linear model, regression coefficients are obtained via covariance inversion, with extensions including Ledoit–Wolf shrinkage of the covariance matrix and LASSO-type regularization applied to synthesized coefficients. For the logistic model, four estimation strategies are implemented: (i) a synthesis estimator based on covariance inversion, (ii) a shrinkage synthesis estimator to stabilize the covariance matrix, (iii) a LASSO-regularized synthesis estimator to induce sparsity. All methods require only the covariance matrix of predictors and outcome, sample size, and, for logistic regression, the marginal probability of the binary outcome. Performance was evaluated across multiple empirical datasets by comparing estimated coefficients, standard errors, and statistical significance with those obtained from standard regression models fitted using individual-level data. Results: For linear regression, synthesis estimators reproduced the standard ordinary least squares solution, with shrinkage improving numerical stability in the presence of multicollinearity and LASSO inducing coefficient sparsity. For logistic regression, synthesis-based estimators produced coefficients broadly consistent in direction and magnitude with maximum likelihood estimates, though some attenuation was observed. Shrinkage synthesis yielded results nearly identical to the unregularized approach, indicating limited sensitivity to covariance instability. LASSO regularization reduced coefficient magnitudes while preserving key predictors. Across models and datasets, statistically significant predictors were generally preserved, although differences in uncertainty estimates were observed. Conclusion: Covariance-based synthesis provides a coherent framework for estimating both linear and logistic regression models using only summary data. In the linear case, the approach recovers classical results, while in the logistic case it offers practical approximations when individual-level data are unavailable. Shrinkage methods enhance stability without materially altering estimates, and LASSO provides a mechanism for regularization and variable selection. Overall, these methods represent flexible and computationally efficient alternatives for regression analysis in data-constrained environments, though their application requires careful consideration of potential bias and approximation error."]},{"key":"dc:title","label":"Title","values":["Robust high-dimensional regression inference via covariance shrinkage and synthesis"]}]}],"canonical_facts":{"dc:creator":["Νικολίτσα Ευγενία","Nikolitsa Evgenia"],"dc:date":["2026"],"dc:description":["Εισαγωγή: Σε πολλές εφαρμογές, η πρόσβαση σε δεδομένα σε ατομικό επίπεδο είναι περιορισμένη και η στατιστική ανάλυση βασίζεται αποκλειστικά σε συγκεντρωτικά στατιστικά, όπως πίνακες συνδιακύμανσης και οριακές πιθανότητες έκβασης. Ενώ η γραμμική παλινδρόμηση μπορεί να ανακτηθεί άμεσα από τέτοια συνοπτικά μέτρα υπό τυπικές υποθέσεις, η λογιστική παλινδρόμηση παρουσιάζει πρόσθετες δυσκολίες λόγω της μη γραμμικής της μορφής. Αυτό έχει οδηγήσει στην ανάπτυξη εναλλακτικών προσεγγίσεων βασισμένων σε ροπές, όπως οι εκτιμητές σύνθεσης και οι προσεγγίσεις LASSO. Μέθοδοι: Αναπτύσσεται ένα ενοποιημένο υπολογιστικό πλαίσιο για τη γραμμική και τη λογιστική παλινδρόμηση με χρήση συνοπτικών δεδομένων συνδιακύμανσης. Για τη γραμμική παλινδρόμηση, οι συντελεστές εκτιμώνται μέσω αντιστροφής του πίνακα συνδιακύμανσης, με επεκτάσεις που περιλαμβάνουν τη συρρίκνωση Ledoit–Wolf για τη σταθεροποίηση του πίνακα και κανονικοποίηση τύπου LASSO για την επιβολή αραιότητας. Για τη λογιστική παλινδρόμηση, υλοποιούνται τέσσερις μέθοδοι: (i) εκτιμητής σύνθεσης βάσει αντιστροφής συνδιακύμανσης, (ii) εκτιμητής σύνθεσης με συρρίκνωση για μεγαλύτερη σταθερότητα, (iii) κανονικοποίηση LASSO των συντελεστών σύνθεσης. Οι μέθοδοι απαιτούν μόνο τον πίνακα συνδιακύμανσης μεταβλητών και έκβασης, το μέγεθος δείγματος και, για τη λογιστική παλινδρόμηση, την οριακή πιθανότητα της έκβασης. Η απόδοση αξιολογήθηκε σε πολλαπλά εμπειρικά σύνολα δεδομένων, συγκρίνοντας τα αποτελέσματα με εκτιμήσεις από κλασικά μοντέλα παλινδρόμησης με πλήρη δεδομένα. Αποτελέσματα: Στη γραμμική παλινδρόμηση, οι εκτιμητές σύνθεσης αναπαράγουν την κλασική λύση ελαχίστων τετραγώνων, ενώ η συρρίκνωση βελτιώνει τη σταθερότητα σε περιπτώσεις πολυσυγγραμμικότητας και η LASSO εισάγει αραιότητα στους συντελεστές. Στη λογιστική παλινδρόμηση, οι εκτιμητές σύνθεσης παρήγαγαν συντελεστές με παρόμοια κατεύθυνση και συγκρίσιμο μέγεθος με τις εκτιμήσεις μέγιστης πιθανοφάνειας, με ορισμένη υποεκτίμηση σε κάποιες περιπτώσεις. Η μέθοδος συρρίκνωσης έδωσε σχεδόν ταυτόσημα αποτελέσματα, υποδηλώνοντας περιορισμένη ευαισθησία σε αστάθεια του πίνακα συνδιακύμανσης. Η κανονικοποίηση LASSO μείωσε το μέγεθος των συντελεστών, διατηρώντας τις βασικές συσχετίσεις. Η αντίστροφη προσέγγιση Taylor παρήγαγε ανακλιμακωμένους συντελεστές με αυξημένη διακύμανση, γεγονός που αντανακλά την εξάρτησή της από την οριακή πιθανότητα της έκβασης. Συνολικά, οι στατιστικά σημαντικές μεταβλητές διατηρήθηκαν σε μεγάλο βαθμό, αν και παρατηρήθηκαν διαφοροποιήσεις στις εκτιμήσεις αβεβαιότητας. Συμπεράσματα: Οι μέθοδοι σύνθεσης βάσει συνδιακύμανσης αποτελούν ένα συνεκτικό και ευέλικτο πλαίσιο για την εκτίμηση μοντέλων γραμμικής και λογιστικής παλινδρόμησης με χρήση μόνο συνοπτικών δεδομένων. Στη γραμμική περίπτωση, αναπαράγονται τα κλασικά αποτελέσματα, ενώ στη λογιστική παρέχονται πρακτικές προσεγγίσεις όταν δεν είναι διαθέσιμα δεδομένα σε ατομικό επίπεδο. Οι τεχνικές συρρίκνωσης βελτιώνουν τη σταθερότητα χωρίς ουσιαστική μεταβολή των εκτιμήσεων, ενώ η LASSO προσφέρει μηχανισμό κανονικοποίησης και επιλογής μεταβλητών. Συνολικά, οι μέθοδοι αυτές αποτελούν αποδοτικές εναλλακτικές για ανάλυση παλινδρόμησης σε περιβάλλοντα περιορισμένων δεδομένων, απαιτώντας ωστόσο προσεκτική αξιολόγηση πιθανών μεροληψιών και σφαλμάτων προσέγγισης.","Introduction: In many applied settings, access to individual-level data is restricted, and statistical inference must rely on aggregate summaries such as covariance matrices and marginal outcome information. While linear regression can be directly recovered from such summaries under standard assumptions, logistic regression poses additional challenges due to its nonlinear likelihood. This has motivated the development of alternative moment-based approaches, including synthesis estimators and LASSO approximations. Methods: We develop a unified computational framework for both linear and logistic regression using summary-level covariance data. For the linear model, regression coefficients are obtained via covariance inversion, with extensions including Ledoit–Wolf shrinkage of the covariance matrix and LASSO-type regularization applied to synthesized coefficients. For the logistic model, four estimation strategies are implemented: (i) a synthesis estimator based on covariance inversion, (ii) a shrinkage synthesis estimator to stabilize the covariance matrix, (iii) a LASSO-regularized synthesis estimator to induce sparsity. All methods require only the covariance matrix of predictors and outcome, sample size, and, for logistic regression, the marginal probability of the binary outcome. Performance was evaluated across multiple empirical datasets by comparing estimated coefficients, standard errors, and statistical significance with those obtained from standard regression models fitted using individual-level data. Results: For linear regression, synthesis estimators reproduced the standard ordinary least squares solution, with shrinkage improving numerical stability in the presence of multicollinearity and LASSO inducing coefficient sparsity. For logistic regression, synthesis-based estimators produced coefficients broadly consistent in direction and magnitude with maximum likelihood estimates, though some attenuation was observed. Shrinkage synthesis yielded results nearly identical to the unregularized approach, indicating limited sensitivity to covariance instability. LASSO regularization reduced coefficient magnitudes while preserving key predictors. Across models and datasets, statistically significant predictors were generally preserved, although differences in uncertainty estimates were observed. Conclusion: Covariance-based synthesis provides a coherent framework for estimating both linear and logistic regression models using only summary data. In the linear case, the approach recovers classical results, while in the logistic case it offers practical approximations when individual-level data are unavailable. Shrinkage methods enhance stability without materially altering estimates, and LASSO provides a mechanism for regularization and variable selection. Overall, these methods represent flexible and computationally efficient alternatives for regression analysis in data-constrained environments, though their application requires careful consideration of potential bias and approximation error."],"dc:identifier":["uoadl:5416084","https://pergamos.lib.uoa.gr/uoa/dl/object/5416084"],"dc:language":["English"],"dc:subject":["Επιστήμες Υγείας","Health Sciences"],"dc:title":["Robust high-dimensional regression inference via covariance shrinkage and synthesis"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:19:59Z"}