Nearly-Optimal Sequential Tests for Finitely Many Parameter Values
有限参数取值下的近似最优序贯检验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：研究对象是通用序贯检验与决策理论，摘要未指向所列经济或金融应用领域。
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
有限参数取值下的近似最优序贯检验
- 研究问题
- 当潜在分布只有有限种可能时，如何在满足错误概率约束的同时，尽量减少序贯检验所需的期望样本量？
- 方法与思路
- 作者组合单侧序贯概率比检验，并提出显式序贯决策程序，分别从错误约束和观测成本趋零的角度分析。
- 材料陈述的贡献
- 摘要称期望样本量或其加权平均可达到渐近近似最优，显式程序与贝叶斯决策一致的概率随观测成本趋零而趋一。
- 阅读关注点
- 核对近似最优所对应的渐近过程、误差约束、样本量差距定义，以及二项检验小样本效率的比较基准。
- 阅读边界
- 所给材料为 OpenAlex 索引摘要，稿件版本未注明；约97%的效率仅来自部分小样本情形，不能推广至所有序贯检验。
原文摘要
Combinations of one-sided sequential probability ratio tests (SPRT's) are shown to be "nearly optimal" for problems involving a finite number of possible underlying distributions. Subject to error probability constraints, expected sample sizes (or weighted averages of them) are minimized to within $o(1)$ asymptotically. For sequential decision problems, simple explicit procedures are proposed which "do exactly what a Bayes solution would do" with probability approaching one as the cost per observation, $c$, goes to zero. Exact computations for a binomial testing problem show that efficiencies of about 97${\tt\%}$ are obtained in some "small-sample" cases.