Quasi-Bayes empirical Bayes: a sequential approach to the Poisson compound decision problem
准贝叶斯经验贝叶斯：泊松复合决策问题的序贯方法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：摘要研究在线泊松决策的一般统计理论，流式更新本身不足以归入时间序列或经济预测。
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…
准贝叶斯经验贝叶斯：泊松复合决策问题的序贯方法
- 研究问题
- 当泊松观测持续到达而非一次性获得时，如何在线估计各泊松均值，并兼顾每次更新成本与长期决策风险？
- 方法与思路
- 作者基于 Newton 算法的准贝叶斯方法构造序贯经验贝叶斯估计，随数据到达更新，并与基准程序进行模拟比较。
- 材料陈述的贡献
- 摘要称，每条观测的更新成本为常数，并证明一致性及渐近最优性，其中最优性指超额贝叶斯风险或遗憾趋零。
- 阅读关注点
- 应核对混合分布与更新规则的条件、常数成本所对应的实现设定，以及遗憾收敛是否伴随明确速率或有限样本界。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断数据依赖、分布随时间变化或模型偏离时的保证；不推断其他版本变化。
原文摘要
SUMMARY The Poisson compound decision problem is a long-standing problem is statistics, for which empirical Bayes methods are commonly used to estimate Poisson means in static or batch settings. We consider this problem in a streaming, or online, framework. Building on a quasi-Bayesian approach based on Newton’s algorithm, we develop a sequential estimate that is easy to evaluate, computationally efficient and has constant per-observation cost as the data accrue. We establish frequentist guarantees for the proposed estimate, including consistency and asymptotic optimality, with optimality understood as vanishing excess Bayes risk, or regret. Empirical performance is assessed through simulation studies and comparisons with benchmark procedures.