指数族的 E 值：一般情况

我们分析复合指数族原假设下常见的 e 变量和 e 流程类型：基于反信息投影 (RIPr) 的最优 e 变量、条件 (COND) e 变量，以及通用推理 (UI) 和序列化 RIPr e 流程。我们对简单和基于贝叶斯混合的备择方案给出 RIPr 先验，分别精确地（针对高斯原假设与备择方案）或以近似方式（一般指数族）给出。我们提供 RIPr e 变量等于 COND e 变量（同样是精确地还是近似地）的条件。基于这些以及我们所建立的其他关联，我们确定四种 e 统计量的 e-power 作为样本量的函数，精确地针对高斯情况，一般情况下达到 $o(1)$。对于 $d$ 维原假设与备择方案，UI 的 e-power 相较于 COND e 变量小一个 $(d/2) \log n + O(1)$ 的项，而 COND e 变量则是明显的获胜者。