Anytime-valid and asymptotically efficient inference driven by predictive recursion
预测递归驱动的随时有效且渐近高效推断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：摘要提出通用序贯检验与非参数混合模型方法，预测递归的名称不足以支持宏观或金融预测分类。
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
预测递归驱动的随时有效且渐近高效推断
- 研究问题
- 在复杂非参数模型比较中，如果数据收集的停止规则未知，如何仍控制检验错误率，并使支持备择模型的证据有效累积？
- 方法与思路
- 作者利用原本用于递归拟合非参数混合模型的预测递归算法构造 e 过程，以支持可在任意时点使用的统计推断。
- 材料陈述的贡献
- 摘要称该 e 过程提供随时有效推断，且其增长率相对于预测递归对应的混合模型具有一阶最优性，形成特定意义的渐近效率。
- 阅读关注点
- 应核对原假设与混合备择的定义、e 过程有效性所需条件，以及增长率最优性的参照对象和预测递归设置。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断适用的数据依赖与停止规则范围；渐近效率有明确参照，不能泛化为全面最优，刊本变化未提供。
原文摘要
Summary Distinguishing two models is a fundamental and practically important statistical problem. Error rate control is crucial to the testing logic, but in complex nonparametric settings can be difficult to achieve, especially when the stopping rule that determines the data collection process is not available. This paper proposes an $ e $-process construction based on the predictive recursion algorithm originally designed to recursively fit nonparametric mixture models. The resulting predictive recursion $ e $-process affords anytime-valid inference and is asymptotically efficient in the sense that its growth rate is first-order optimal relative to the predictive recursion’s mixture model.