Minimaxity for Randomized Designs: Some General Results
随机化设计的极小极大性：若干一般结果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：摘要研究一般统计实验设计与决策风险，未明确给出因果效应或因果识别问题。
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
随机化设计的极小极大性：若干一般结果
- 研究问题
- 当实验设计中的模型设定受到违反时，常用随机化程序是否仍具某种极小极大性质，又如何构造相应随机化策略？
- 方法与思路
- 作者先研究一般损失和估计量下的随机极小极大性，再在平方损失与线性估计限制下给出随机化策略的构造方法。
- 材料陈述的贡献
- 摘要称，许多标准随机化程序具有随机极小极大性；标准方式随机化的 A 最优设计配合最小二乘在多数情形下构成极小极大策略。
- 阅读关注点
- 应核对随机极小极大性的定义、允许的模型偏离集合，以及 A 最优设计结论中“多数情形”的确切条件和例外。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要，不能确定模型偏离与风险比较的完整范围，也不能将设计结论解释为因果识别保证。
原文摘要
In many design settings where model violations are present, a "stochastic" minimaxity for many standard randomization procedures is demonstrated. This result requires no special analytic properties of the loss function and estimators. Next, under the squared loss and with the restriction to the use of linear estimators, a recipe for finding a randomized strategy is given. As a special case, randomizing an $A$-optimal design in the standard manner and using the least squares estimates yields a minimax strategy in most cases. These results generalize some aspects of Wu (1981).