Subset Selection Toward Optimizing the Best Performance at a Second Stage
面向第二阶段最佳表现优化的子集选择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：摘要讨论正态模型下的贝叶斯子集选择与两阶段表现优化，招聘仅为示例，未提供足以对应所列领域细分的直接依据。
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…
面向第二阶段最佳表现优化的子集选择
- 研究问题
- 在先剔除较弱对象、再从保留子集中选出最佳对象的两阶段流程中，如何设计第一阶段选择规则，以优化第二阶段的最佳表现？
- 方法与思路
- 作者在正态模型下采用贝叶斯方法，使用不对称设定的适当与非适当正态先验，推导基于后验分位数的子集选择程序，并与另两种程序比较。
- 材料陈述的贡献
- 摘要称，论文将优化目标转向第二阶段的最佳表现，并提出新的后验分位数选择程序；三种程序的表现以美国中西部某大学的招聘数据作示例。
- 阅读关注点
- 阅读时应核对第二阶段表现的目标函数、先验非对称性的含义及非适当先验的处理，并检查比较指标和招聘示例支持的结论范围。
- 阅读边界
- 摘要未给出目标函数细节、先验选择依据或比较结果的具体幅度，无法仅凭招聘示例判断新程序的稳定性与跨场景适用性。
原文摘要
In the search for the best of n candidates, two-stage procedures of the following type are in common use. In a first stage, weak candidates are removed, and the subset of promising candidates is then further examined. At a second stage, the best of the candidates in the subset is selected. In this article, optimization is not aimed at the parameter with largest value but rather at the best performance of the selected candidates at Stage 2. Under a normal model, a new procedure based on posterior percentiles is derived using a Bayes approach, where nonsymmetric normal (proper and improper) priors are applied. Comparisons are made with two other procedures frequently used in selection decisions. The three procedures and their performances are illustrated with data from a recent recruitment process at a Midwestern university.