The VPRT: A Sequential Testing Procedure Dominating the SPRT
VPRT：相较 SPRT 的可变样本量序贯检验程序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：摘要研究两个简单假设下的通用序贯决策与抽样成本优化，未限定所列计量应用方向。
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
VPRT：相较 SPRT 的可变样本量序贯检验程序
- 研究问题
- 检验两个简单假设时，怎样安排序贯抽样与停止决策以最大化期望净收益，并与最小化期望样本量的传统程序比较？
- 方法与思路
- 作者研究可变样本量序贯概率比检验，在较一般的决策条件下优化期望净收益，并分析总抽样成本、检验规模与功效。
- 材料陈述的贡献
- 摘要称，VPRT 最大化期望净收益且最小化对数据和先验取期望的总抽样成本，并在特定条件下退化为逐次单观测的 SPRT。
- 阅读关注点
- 应核对收益、错误决策损失、先验和抽样成本的定义，以及优化所覆盖的程序集合和退化为 SPRT 的具体条件。
- 阅读边界
- 仅据所给 Crossref 摘要，无法给出决策参数或实施规则；所述优势依赖收益与成本标准，不能解释为所有规模和功效指标均占优。
原文摘要
Under more general assumptions than those usually made in the sequential analysis literature, a variable-sample-size-sequential probability ratio test (VPRT) of two simple hypotheses is found that maximizes the expected net gain over all sequential decision procedures. In contrast, Wald and Wolfowitz [25] developed the sequential probability ratio test (SPRT) to minimize expected sample size, but their assumptions on the parameters of the decision problem were restrictive. In this article we show that the expected net-gain-maximizing VPRT also minimizes the expected (with respect to both data and prior) total sampling cost and that, under slightly more general conditions than those imposed by Wald and Wolfowitz, it reduces to the one-observation-at-a-time sequential probability ratio test (SPRT). The ways in which the size and power of the VPRT depend upon the parameters of the decision problem are also examined.