Hierarchical Latin Hypercube Sampling
层级拉丁超立方抽样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：摘要研究通用蒙特卡洛抽样设计与增量算法，没有所列经济计量细分方向的直接依据。
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…
关注这篇论文的作者
层级拉丁超立方抽样
- 研究问题
- 如何让拉丁超立方抽样支持灵活追加样本，避免必须事先选定全部样本或只能进行大幅扩充，同时保留相应抽样结构？
- 方法与思路
- 作者构造可递归划分为拉丁超立方子集的层级样本集合，并据此提出层级增量抽样方法，研究设计与估计量的抽样性质。
- 材料陈述的贡献
- 摘要称，新构造克服部分既有方案在样本扩充上的限制；作者推导层级设计和增量估计量的性质，并用数值研究展示灵活性。
- 阅读关注点
- 核对递归划分与允许增量的规则、增量后保留的抽样性质，以及估计量方差和计算成本如何随追加样本发生变化。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，不能推断刊本变化；摘要未给出抽样性质的具体结论，也未声称普遍降低方差。
原文摘要
Latin hypercube sampling (LHS) is a robust, scalable Monte Carlo method that is used in many areas of science and engineering. We present a new algorithm for generating hierarchic Latin hypercube sets (HLHS) that are recursively divisible into LHS subsets. Based on this new construction, we introduce a hierarchical incremental LHS (HILHS) method that allows the user to employ LHS in a flexibly incremental setting. This overcomes a drawback of many LHS schemes that require the entire sample set to be selected a priori, or only allow very large increments. We derive the sampling properties for HLHS designs and HILHS estimators. We also present numerical studies that showcase the flexible incrementation offered by HILHS.