Minimaxity of Randomized Optimal Designs
随机化最优设计的极小极大性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：摘要涉及一般最优实验设计理论，未说明因果效应或其他指定领域的研究目标，不能仅因随机化而归入因果推断。
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
随机化最优设计的极小极大性
- 研究问题
- 对理想模型下的 L 最优设计进行随机化，是否能在更大、更贴近实际的模型中获得极小极大性质，并扩展已有结论？
- 方法与思路
- 作者研究将理想模型下的 L 最优设计随机化的策略，并在扩展模型中论证其极小极大性质；摘要未说明随机化的形式。
- 材料陈述的贡献
- 摘要称该随机化策略在更大的模型中具有极小极大性质，并推广了已有结果，但没有交代推广范围或具体风险表达式。
- 阅读关注点
- 应核对 L 最优准则、扩展模型的定义、随机化机制与损失函数，并检查极小极大比较覆盖哪些设计和模型偏离。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；模型类、损失和定理条件均未提供，不能把所述极小极大性解释为任意情形下的稳健最优。
原文摘要
A strategy of randomizing a design that is $L$-optimal for an ideal model is shown to possess a minimax property under a larger, more realistic model. This generalizes a result of Li.