Bayesian Sequential Estimation for One-Parameter Exponential Families
单参数指数族的贝叶斯序贯估计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：摘要属于通用贝叶斯序贯决策理论，未提供对应所列微观、宏观或金融细分的应用证据。
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
单参数指数族的贝叶斯序贯估计
- 研究问题
- 在单参数指数族中，当估计损失与费舍尔信息相关且采样成本为线性时，如何选择贝叶斯估计量与停止采样的时点？
- 方法与思路
- 作者求取贝叶斯估计量和后验期望损失的可处理表达式，定义只向前考虑一步的短视停止规则，并分析其最优性及渐近性质。
- 材料陈述的贡献
- 摘要称，作者给出短视程序最优的充分条件，并证明该程序在文中考察的全部情形下渐近最优，同时提供便于处理的估计与损失表达式。
- 阅读关注点
- 应核对损失函数、先验与采样成本的具体形式，区分有限样本最优性和渐近最优性，并确认充分条件覆盖哪些指数族模型。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明。摘要未给出充分条件、先验范围或渐近框架，不能将结论推广至所有序贯问题或推断刊本变化。
原文摘要
The Bayesian sequential estimation problem for one-parameter exponential families is considered using loss related to the Fisher information and linear sampling cost. Tractible expressions for the Bayes estimator and the posterior expected loss are found, and the myopic, or one-step-ahead, stopping rule is defined. Sufficient conditions are given for optimality of the myopic procedure, and the myopic procedure is shown to be asymptotically optimal in all cases considered.