Asymptotically optimal and admissible decision rules in compound compact Gaussian shift experiments
复合紧参数高斯位移实验中渐近最优且可容许的决策规则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：摘要研究抽象高斯实验中的统计决策理论，未给出与所列经济计量细分方向直接对应的模型或应用。
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
复合紧参数高斯位移实验中渐近最优且可容许的决策规则
- 研究问题
- 在分量参数集为紧集的 Hilbert 参数化高斯位移实验中，哪些复合贝叶斯决策规则具有可容许性和渐近最优性？
- 方法与思路
- 作者研究复合参数上的独立同分布先验及全支撑超先验混合，在平方误差和特定有界、等度一致连续风险函数下分析规则性质。
- 材料陈述的贡献
- 摘要称平方误差下复合贝叶斯估计量可容许，特定全支撑超先验规则渐近最优，并给出更一般风险下的扩展及稳健性结果。
- 阅读关注点
- 应核对复合实验与紧参数集的定义、超先验全支撑条件，以及两类风险下可容许性和渐近最优性各自适用的规则范围。
- 阅读边界
- 仅据稿件版本未注明的 OpenAlex 摘要；风险条件和实验结构未展开，不能将结论推广到非紧参数集或任意贝叶斯规则。
原文摘要
Asymptotically optimal and admissible compound decision rules are obtained in a Hilbert-parameterized Gaussian shift experiment. The component parameter set is restricted to compact. For the squared error loss, every compound Bayes estimator is admissible and every compound estimator Bayes versus full support hyperprior mixture of iid priors on the compound parameter is asymptotically optimal. For the latter class of rules induced by full support hyperpriors, asymptotic optimality and admissibility extend to equi- (in decisions) uniformly continuous and bounded risk functions. Normality of certain mixtures of the standard Gaussian process and qualitative robustness of the component Bayes estimator (results of independent interest used in the paper) are derived.