Sequential confidence regions for maximum likelihood estimates
最大似然估计的序贯置信域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：摘要研究通用参数估计的序贯置信域，前瞻性或回顾性研究背景不足以确定所列细分方向。
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
最大似然估计的序贯置信域
- 研究问题
- 如何依据最大似然估计构造固定大小的序贯置信域，并使其接近最优固定样本量程序，同时限制未知参数带来的额外代价？
- 方法与思路
- 作者建立序贯固定大小置信域的一般框架，在较广泛的参数模型假设下分析渐近性质，并用于前瞻性与回顾性研究的估计问题。
- 材料陈述的贡献
- 摘要称，序贯程序在逼近最优固定样本量程序的意义下渐近最优，而且相关的“无知代价”有界，并给出研究设计中的应用。
- 阅读关注点
- 应核对置信域大小的定义、停止规则、覆盖率保证、最优固定样本量的比较基准，以及“无知代价”的衡量方式与界限。
- 阅读边界
- 仅据版本未注明的OpenAlex索引摘要；停止规则、假设和代价上界未说明，不能把渐近最优性理解为有限样本下普遍最优。
原文摘要
The goal of this paper is to develop a general framework for constructing sequential fixed size confidence regions based on maximum likelihood estimates. Asymptotic properties of the sequential procedure for setting up the confidence regions are analyzed under very broad assumptions on the underlying parametric model. It is shown that the proposed sequential procedure is asymptotically optimal in the sense that it approximates the optimal fixed-sample size procedure. It is further shown that the “cost of ignorance” associated with the sequential procedure is bounded. Applications are made to estimation problems arising in prospective and retrospective studies.