Robust discrimination designs over Hellinger neighbourhoods
Hellinger 邻域上的稳健模型判别设计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：摘要研究一般回归模型的稳健实验判别设计，未直接涉及结构经济模型或其他所列细分方向。
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
Hellinger 邻域上的稳健模型判别设计
- 研究问题
- 当两个可能非线性的回归模型都仅近似正确时，如何设计实验，使最不利模型偏离下仍保持较强的判别能力？
- 方法与思路
- 作者为回归响应设置模型邻域，寻找使 Kullback–Leibler 散度最小的成员，再用序贯自适应设计最大化这一最小散度。
- 材料陈述的贡献
- 摘要称，文章提出应对模型近似设定的稳健 maximin 判别设计，研究序贯自适应优化，并建立渐近最优性。
- 阅读关注点
- 应核对 Hellinger 邻域的定义和半径、最不利成员的存在性，以及序贯设计算法和渐近最优性的比较基准。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；摘要未说明邻域限制、算法细节或最优性条件，不能推断有限样本判别效果或任意误设稳健性。
原文摘要
To aid in the discrimination between two, possibly nonlinear, regression models, we study the construction of experimental designs. Considering that each of these two models might be only approximately specified, robust “maximin” designs are proposed. The rough idea is as follows. We impose neighbourhood structures on each regression response, to describe the uncertainty in the specifications of the true underlying models. We determine the least favourable—in terms of Kullback–Leibler divergence—members of these neighbourhoods. Optimal designs are those maximizing this minimum divergence. Sequential, adaptive approaches to this maximization are studied. Asymptotic optimality is established.