E-后验
The E-Posterior
AI总结：
本文提出基于e-变量的e-后验表示方法，在保留对任意损失函数预测能力的同时，提供不受先验适当性影响的频率学派有效风险界，使极小化极大决策更安全，并重新解释了Kiefer-Berger-Brown-Wolpert条件频率学派检验。
摘要：
我们基于e-变量构建了一种决策者不确定性的表示方法。与贝叶斯后验类似，这种e-后验允许针对可能事先未指定的任意损失函数进行预测。与贝叶斯后验不同的是，它提供的风险界具有频率学派有效性，且不受先验适当性的影响：如果e-集合（其作用类似于贝叶斯先验）选择不当，界会变得宽松而不是错误，从而使e-后验极小化极大决策规则比贝叶斯决策规则更安全。由此产生的准条件范式通过将先前一个有影响力的部分贝叶斯-频率学派统一方法——Kiefer-Berger-Brown-Wolpert条件频率学派检验——用e-后验重新解释来加以说明。
英文摘要：
We develop a representation of a decision maker's uncertainty based on e-variables. Like the Bayesian posterior, this *e-posterior* allows for making predictions against arbitrary loss functions that may not be specified ex ante. Unlike the Bayesian posterior, it provides risk bounds that have frequentist validity irrespective of prior adequacy: if the e-collection (which plays a role analogous to the Bayesian prior) is chosen badly, the bounds get loose rather than wrong, making *e-posterior minimax* decision rules safer than Bayesian ones. The resulting *quasi-conditional paradigm* is illustrated by re-interpreting a previous influential partial Bayes-frequentist unification, *Kiefer-Berger-Brown-Wolpert conditional frequentist tests*, in terms of e-posteriors.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
