摘要翻译：
贝叶斯准则和频率准则本质上是不同的，但通常后验分布和抽样分布是渐近等价的（例如，高斯分布）。对于相应的极限实验，我们刻画了（可能是非线性的）不等式的某个贝叶斯假设检验的频率大小。如果零假设是（可能是无限维的）参数位于某个半空间，那么贝叶斯检验的大小是$\alpha$；如果空假设是一个半空间的子集，那么大小在$\alpha$以上（有时严格）；在其他情况下，大小可能高于、低于或等于$\alpha$。两个例子说明了我们的结果：检验随机占优性和检验translog代价函数的曲率。
---
英文标题：
《Frequentist size of Bayesian inequality tests》
---
作者：
David M. Kaplan (University of Missouri), Longhao Zhuo (Bank of
  America)
---
最新提交年份：
2018
---
分类信息：

一级分类：Mathematics        数学
二级分类：Statistics Theory        统计理论
分类描述：Applied, computational and theoretical statistics: e.g. statistical inference, regression, time series, multivariate analysis, data analysis, Markov chain Monte Carlo, design of experiments, case studies
应用统计、计算统计和理论统计：例如统计推断、回归、时间序列、多元分析、数据分析、马尔可夫链蒙特卡罗、实验设计、案例研究
--
一级分类：Economics        经济学
二级分类：Econometrics        计量经济学
分类描述：Econometric Theory, Micro-Econometrics, Macro-Econometrics, Empirical Content of Economic Relations discovered via New Methods, Methodological Aspects of the Application of Statistical Inference to Economic Data.
计量经济学理论，微观计量经济学，宏观计量经济学，通过新方法发现的经济关系的实证内容，统计推论应用于经济数据的方法论方面。
--
一级分类：Statistics        统计学
二级分类：Methodology        方法论
分类描述：Design, Surveys, Model Selection, Multiple Testing, Multivariate Methods, Signal and Image Processing, Time Series, Smoothing, Spatial Statistics, Survival Analysis, Nonparametric and Semiparametric Methods
设计，调查，模型选择，多重检验，多元方法，信号和图像处理，时间序列，平滑，空间统计，生存分析，非参数和半参数方法
--
一级分类：Statistics        统计学
二级分类：Statistics Theory        统计理论
分类描述：stat.TH is an alias for math.ST. Asymptotics, Bayesian Inference, Decision Theory, Estimation, Foundations, Inference, Testing.
Stat.Th是Math.St的别名。渐近，贝叶斯推论，决策理论，估计，基础，推论，检验。
--

---
英文摘要：
  Bayesian and frequentist criteria are fundamentally different, but often posterior and sampling distributions are asymptotically equivalent (e.g., Gaussian). For the corresponding limit experiment, we characterize the frequentist size of a certain Bayesian hypothesis test of (possibly nonlinear) inequalities. If the null hypothesis is that the (possibly infinite-dimensional) parameter lies in a certain half-space, then the Bayesian test's size is $\alpha$; if the null hypothesis is a subset of a half-space, then size is above $\alpha$ (sometimes strictly); and in other cases, size may be above, below, or equal to $\alpha$. Two examples illustrate our results: testing stochastic dominance and testing curvature of a translog cost function.
---
PDF链接：
https://arxiv.org/pdf/1607.00393