Bayesian ranking and selection with applications to field studies, economic mobility, and forecasting
贝叶斯排序与筛选：田野研究、经济流动性及预测应用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：摘要主要研究通用排序与筛选，所列应用不足以确定给定的领域细分。
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
贝叶斯排序与筛选：田野研究、经济流动性及预测应用
- 研究问题
- 在候选对象的真实能力或表现只能通过带噪估计观察时，如何进行排序和筛选，同时控制排名区间覆盖与筛选错误率？
- 方法与思路
- 作者开发基于带噪估计的贝叶斯排序和筛选算法，使用经验数据驱动的模拟与频率学派方法比较，并提供多类应用和 Python 包。
- 材料陈述的贡献
- 摘要称算法在模拟中常得到更短的排名区间及更多入选对象，同时维持近似正确覆盖或正确错误率，并实现为软件包。
- 阅读关注点
- 应核对先验设定、覆盖率和错误率的具体定义，检查比较算法与模拟校准方式，以及候选对象间依赖如何被处理。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要未说明优势成立的条件，且政治预测等应用不足以归为宏观预测。
原文摘要
Decision-making often involves ranking and selection. For example, to assemble a team of political forecasters, we might begin by narrowing our choice set to the candidates we are confident rank among the top 10% in forecasting ability. Unfortunately, we do not know each candidate's true ability but observe a noisy estimate of it. This paper develops new Bayesian algorithms to rank and select candidates based on noisy estimates. Using simulations based on empirical data, we show that our algorithms often outperform frequentist ranking and selection algorithms. Our Bayesian ranking algorithms yield shorter rank confidence intervals while maintaining approximately correct coverage. Our Bayesian selection algorithms select more candidates while maintaining correct error rates. We apply our ranking and selection procedures to field experiments, economic mobility, forecasting, and similar problems. Finally, we implement our ranking and selection techniques in a user-friendly Python package documented here: https://dsbowen-conditional-inference.readthedocs.io/en/latest/.