Asymptotic optimality of regular sequence designs
规则序列采样设计的渐近最优性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：摘要研究随机过程积分的采样设计，未明确涉及时间序列动态建模或其他所列领域，不能仅凭随机过程分类。
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
规则序列采样设计的渐近最优性
- 研究问题
- 随机过程只能在有限采样点上观测时，如何选择采样设计以线性估计其加权积分，并在均方误差意义下达到渐近最优？
- 方法与思路
- 作者在 Sacks–Ylvisaker 正则条件下研究积分的线性估计，并考察按某个特定密度的分位点配置采样位置的设计。
- 材料陈述的贡献
- 摘要称上述分位点采样能产生渐近最优估计量，推广已有低阶正则性结果，并确认一个关于采样设计的既有猜想。
- 阅读关注点
- 应核对特定采样密度如何由过程与权重确定、正则条件及均方误差最优性的范围；正则阶数记号需查原 PDF。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；正则阶数表达存在符号歧义，不能据此重构条件；具体密度和误差结果也未提供。
原文摘要
We study linear estimators for the weighted integral of a stochastic process. The process may only be observed on a finite sampling design. The error is defined in a mean square sense, and the process is assumed to satisfy Sacks-Ylvisaker regularity conditions of order $r \epsilon \mathbb{N}_0$. We show that sampling at the quantiles of a particular density already yields asymptotically optimal estimators. Hereby we extend the results of Sacks and Ylvisaker for regularity $r = 0$ or 1, and we confirm a conjecture by Eubank, Smith and Smith.