.png){kind=icon}
返回
Feature Misspecification in Sequential Learning Problems
.png){kind=icon}
PRE
AI
DOI：10.1287/mnsc.2022.00328.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
我们考虑一类序贯学习问题，其中决策者必须通过序贯抽样来学习一个有限备选方案（或系统）集的未知统计特性，最终选择一组优质备选方案。该问题的一个显著特征是系统性能由一组特征决定。决策者假设这些特征具有线性依赖关系，但该模型可能无法精确代表真实的系统底层结构。我们证明，若未妥善处理这种模型误设，可能导致次优性能，原因在于一种被识别为样本选择内生性的现象。我们提出一种前瞻性抽样准则——一种新方法，该方法随着样本量的增大可消除误设的负面影响。该准则适用于一类极为广泛的常用抽样策略，具有强力的渐近性能保证，并在数值实验中展现出有效的有限样本性能。
Keyword:
sequential learning
ordinal optimization
model misspecification
maximum likelihood estimation