BayesSRW: Bayesian Sampling and Re-weighting approach for variance reduction
BayesSRW：用于降低方差的贝叶斯抽样与重加权方法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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要研究通用分层抽样、总体均值与方差降低，应用示例不足以支持归入所列经济金融领域细分。
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
BayesSRW：用于降低方差的贝叶斯抽样与重加权方法
- 研究问题
- 测量预算有限、总体包含均值和方差未知的多个群组时，如何分配抽样资源以降低总体均值估计的不确定性？
- 方法与思路
- 作者以柯西—施瓦茨不等式推导按群组规模与标准差分配样本的策略，再用贝叶斯两阶段程序估计方差并分配剩余预算。
- 材料陈述的贡献
- 摘要提出总体均值估计的方差最小化分配及 BayesSRW 两阶段扩展，并用模拟展示估计不确定性的降低。
- 阅读关注点
- 应核对已知方差下最优分配与估计方差后的实际表现、先验设定，以及初始样本和剩余预算的分配规则。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明先验、群组条件或有限预算下最优性范围。
原文摘要
In this paper, we address the challenge of sampling in scenarios where limited resources prevent exhaustive measurement across all subjects. We consider a setting where samples are drawn from multiple groups, each following a distribution with unknown mean and variance parameters. We introduce a novel sampling strategy, motivated simply by Cauchy-Schwarz inequality, which minimizes the variance of the population mean estimator by allocating samples proportionally to both the group size and the standard deviation. This approach improves the efficiency of sampling by focusing resources on groups with greater variability, thereby enhancing the precision of the overall estimate. Additionally, we extend our method to a two-stage sampling procedure in a Bayes approach, named BayesSRW, where a preliminary stage is used to estimate the variance, which then informs the optimal allocation of the remaining sampling budget. Through simulation examples, we demonstrate the effectiveness of our approach in reducing estimation uncertainty and providing more reliable insights in applications ranging from user experience surveys to high-dimensional peptide array studies.