Optimal rates of convergence of empirical Bayes tests for the continuous one-parameter exponential family
连续单参数指数族经验贝叶斯检验的最优收敛率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：摘要研究经验贝叶斯决策与检验的一般理论，缺少所列经济计量细分方向的直接文本依据。
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
连续单参数指数族经验贝叶斯检验的最优收敛率
- 研究问题
- 研究连续单参数指数族中线性损失、两行动经验贝叶斯问题的统计难度，以及核密度估计所构造规则的最优性。
- 方法与思路
- 作者针对无条件遗憾建立渐近极小极大类型下界，并分析基于核密度估计的经验贝叶斯检验能否达到相应最优性质。
- 材料陈述的贡献
- 摘要称，论文给出无条件遗憾的渐近下界，并证明核密度型经验贝叶斯规则具有某种最优渐近极小极大性质。
- 阅读关注点
- 应核对遗憾的定义、先验分布类、上下界对应的速率，以及核函数和带宽要求是否足以保证所述最优性。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；具体速率、先验类和最优性的精确定义未提供，无法判断适用边界或刊本变化。
原文摘要
The empirical Bayes linear loss two-action problem in the continuous one-parameter exponential family is studied. Previous results on this problem construct empirical Bayes tests via kernel density estimates. They also obtain upper bounds for the unconditional regret at some prior distribution. In this paper, we discuss the general question of how difficult the above empirical Bayes problem is, and why empirical Bayes rules based on kernel density estimates are useful. Asymptotic minimax-type lower bounds are obtained for the unconditional regret, and empirical Bayes rules based on kernel density estimates are shown to possess a certain optimal asymptotic minimax property.