On Asymptotically Optimal Sequential Bayes Interval Estimation Procedures
渐近最优的序贯贝叶斯区间估计程序AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要讨论通用序贯贝叶斯区间估计与决策理论，没有所列领域细分的直接依据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
渐近最优的序贯贝叶斯区间估计程序
- 研究问题
- 当区间长度、未覆盖损失与抽样成本共同进入损失函数时，如何构造单参数区间估计的渐近最优停止规则？
- 方法与思路
- 作者在每次观测成本趋于零的框架下分析一类停止规则，并将最优性条件推广到终端风险按正则变动函数缩放的情形。
- 材料陈述的贡献
- 摘要称，该类停止规则具有渐近逐点最优性与渐近最优性，并扩展了建立这两类性质所需的一般条件。
- 阅读关注点
- 应核对两种最优性的定义与差别、损失权重和先验条件，以及终端风险缩放和停止时间的技术要求。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明；摘要未说明完整条件或有限成本表现，渐近最优性不能直接当作有限样本保证。
原文摘要
A theory of sequential Bayes interval estimation procedures for a single parameter is developed for the case where the loss for using an interval $I$ is a linear combination of the length of $I$, the indicator of noncoverage of $I$, and the number of observations taken. A class of stopping rules $\{t(c): c > 0\}$ is shown to be asymptotically pointwise optimal (A.P.O.) and asymptotically optimal (A.O.) for the confidence interval problem as the cost $c$ per observation tends to 0. The results require generalization of Bickel and Yahav's (1968) general conditions for the existence of A.P.O. and A.O. stopping rules to the case where the terminal risk $Y_n$ satisfies $f(n)Y_n \rightarrow V$ for $f(n)$ a regularly varying function on the integers.