Importance Sampling in the Monte Carlo Study of Sequential Tests
序贯检验蒙特卡洛研究中的重要性抽样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：摘要研究序贯检验的通用模拟方法与越界概率，未涉及金融尾部风险或所列其他应用领域的直接问题。
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
序贯检验蒙特卡洛研究中的重要性抽样
- 研究问题
- 在指数族随机变量的累积和越界问题中，如何选择重要性抽样分布，以有效估计不利参数下越过上界的概率？
- 方法与思路
- 作者改变指数族抽样参数，并用停止时刻的似然比加权构造无偏估计，再依据累积量函数的匹配关系选择倾斜参数。
- 材料陈述的贡献
- 摘要称所选正向倾斜参数在上边界趋于无穷时具有特定意义的渐近最优性，并讨论其对序贯分析模拟的意义。
- 阅读关注点
- 应核对渐近最优的确切定义、倾斜参数存在条件、停止时刻加权的有效性，以及边界设定与有限边界下的方差表现。
- 阅读边界
- 依据稿件版本未注明的 OpenAlex 索引摘要；摘要未定义最优性准则，结论限于所述指数族与边界渐近，不能推及一般序贯检验。
原文摘要
Let $x_1, x_2,\cdots$ be independent random variables which under $P_\theta$ have probability density function of the form $P_\theta\{x_k \in dx\} = \exp(\theta x - \Psi(\theta)) dH(x)$, where $\Psi$ is normalized so that $\Psi(0) = \Psi'(0) = 0.$ Let $a \leqq 0 < b, s_n = \sum^n_1 x_k$, and $T = \inf \{n: s_n \not\in (a, b)\}.$ For $u < 0$, an unbiased Monte Carlo estimate of $P_u(s_T \geqq b)$ is the average of independent $P_\theta$-realizations of $I_{\{s_T \geqq b\}} \exp\{(u - \theta)s_T - T(\Psi(u) - \Psi(\theta))\}$. It is shown that the choice $\theta = w$, where $w > 0$ is defined by $\Psi(w) = \Psi(u)$, is an asymptotically (as $b \rightarrow \infty)$ optimal choice of $\theta$ in a sense to be defined. Implications of this result for Monte Carlo studies in sequential analysis are discussed.