Sample Size Determination for Robust Bayesian Analysis
稳健贝叶斯分析的样本量确定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：摘要聚焦贝叶斯稳健性与样本量设计，未明确涉及所列经济计量细分。
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
稳健贝叶斯分析的样本量确定
- 研究问题
- 当先验在某个分布类内变化时，如何选择样本量，使研究者关注的后验量变动范围较小，并满足上下界方面的要求？
- 方法与思路
- 作者将问题作为设计任务，利用后验量上下界及范围的预测分布，通过期望和尾部概率等摘要量建立样本量准则。
- 材料陈述的贡献
- 摘要称提出面向全局贝叶斯稳健性的新样本量准则，讨论与常规方法的关系，并研究共轭正态模型和临床试验应用。
- 阅读关注点
- 应核对先验类、后验目标量及设计保证的含义，尤其区分预测分布平均要求与实际样本实现后的稳健性要求。
- 阅读边界
- OpenAlex 摘要未注明稿件版本，未列出具体设计阈值、先验类或样本量结果，不能据此判断一般模型中的可计算性。
原文摘要
This article considers a robust Bayesian approach to the sample size determination problem. We focus on global Bayesian robustness that studies lower bound (Ln), upper bound (Un), and range (Rn) of posterior quantities of interest, obtained as the prior varies in a class of distributions. Specifically, we are interested in the selection of an appropriate sample size that gives guarantees to the researcher of observing a small value of the range and, depending on the problems, either a sufficiently large lower bound or a sufficiently small upper bound. Toward this end, we approach the problem as a design issue and provide new sample size determination criteria based on summaries of the predictive distributions of Ln, Un, and Rn, such as expectations and tail probabilities. Relationships and comparison to standard classical and (nonrobust) Bayesian methods are discussed. The proposed methods are studied for the normal model with conjugate priors and used for choosing the size of a clinical trial.