本书主要讨论n≥p的高维大数据下，带有惩罚的广义线性模型估计问题的分布式计算，目标读者是具备一定的统计学专业知识、对海量数据和分布式计算感兴趣的学生。具体地，这些内容可分为两个部分：（1）广义线性模型中的分布式自适应lasso估计及其正则化路径求解算法。（2）广义线性模型中的分布式非凸惩罚估计及其并行求解算法。非凸惩罚估计方法一般具有优良的统计性质，其估计表现也往往优于凸惩罚方法。

第1章 广义线性模型及其参数估计
1.1 广义线性模型
1.2 广义线性模型下的极大似然估计和惩罚估计
第2章 大数据下的参数估计方法
2.1 分治法
2.2 子抽样法
2.3 并行分析法
第3章 大数据下广义线性模型的分布式自适应lasso估计及计算
3.1 广义线性模型下的自适应lasso估计
3.2 QAGLM-alasso估计及其计算
3.2.1 QAGLM-alasso估计
3.2.2 QAGIM-LARS算法
3.3 QAGLM-alasso的理论性质研究
3.4 模拟数据分析
3.5 实际数据分析
3.6 小结
3.7 附录
3.7.1 定理3.1的证明
3.7.2 定理3.2的证明
第4章 大数据下广义线性模型的分布式非凸惩罚估计及计算
4.1 广义线性模型下的非凸惩罚估计
4.2 QAGLM-NC估计及其并行计算
4.2.1 QAGLM-NC估计
4.2.2 QAGLM-ADMM算法
4.3 QAGLM-NC的理论性质及QAGLM-ADMM的收敛性分析
4.4 模拟数据分析
4.5 实际数据分析
4.6 小结
4.7 附录
4.7.1 SCAD和MCP惩罚下问题（4.15）的显式解
4.7.2 定理4.1的证明
4.7.3 定理4.2的证明
4.7.4 定理4.3的证明
参考文献