📊 statistics

Betting on Bets: Anytime-Valid Tests for Stochastic Dominance

تقدم هذه الورقة عائلة جديدة من الاختبارات المتسلسلة، الصالحة في أي وقت، للهيمنة العشوائية التي تستخدم عمليات "e-processes" غير معلمية لمراقبة الاختلافات التوزيعية في الوقت الفعلي، مما يوفر صلاحية مستمرة وقوة عالية حيث تفشل الطرق التقليدية.

المؤلفون الأصليون: Sebastian Arnold, Yo Joong Choe, Marco Scarsini, Ilia Tsetlin

نُشر 2026-04-24

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Sebastian Arnold, Yo Joong Choe, Marco Scarsini, Ilia Tsetlin

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك محقق تحاول حل لغز: هل أحد المستقبلين غير المؤكدين (لنسمه "الخيار Y") هو في الواقع أفضل من خيار آخر ("الخيار X")؟

ربما يكون الخيار X هو وظيفتك الحالية، والخيار Y هو عرض عمل جديد. ربما يكون X هو استثمارك الحالي، وY هي عملة رقمية مشفرة جديدة. أنت لا تعرف المستقبل، ولكن لديك بيانات تتدفق كل يوم. تريد أن تعرف: هل يمكنني التوقف عن مراقبة البيانات والتحول إلى Y الآن، أم يجب أن أستمر في الانتظار؟

تقدم هذه الورقة البحثية طريقة ذكية للغاية للإجابة على هذا السؤال. تسمى "المراهنة على الرهانات" (Betting on Bets).

إليك قصة كيفية عملها، مقسمة إلى مفاهيم بسيطة.

1. المشكلة: فخ "المتوسط"

عادةً، عندما يقارن الناس بين شيئين، فإنهم ينظرون فقط إلى المتوسط.

مثال: "الوظيفة (أ) تدفع 50 ألف دولار في المتوسط. الوظيفة (ب) تدفع 52 ألف دولار في المتوسط. إذن الوظيفة (ب) أفضل!"

لكن المتوسطات قد تكذب!

الوظيفة (أ): تدفع 50 ألف دولار كل يوم. (آمنة، ومملة).
الوظيفة (ب): تدفع 0 دولار في نصف الأوقات، و104 آلاف دولار في النصف الآخر. (عالية المخاطر، لكن متوسطها أعلى).

إذا كنت تتجنب المخاطر (أي تكره خسارة المال)، فقد تكون الوظيفة (ب) في الواقع أسوأ بالنسبة لك، رغم أن متوسطها أعلى. الرياضيات التقليدية غالباً ما تغفل عن هذه الاختلافات في "الشكل". فهي تنظر فقط إلى مركز المنحنى، وليس الصورة الكاملة.

الهيمنة العشوائية (Stochastic Dominance - SD) هي المصطلح الفخم لمقارنة الشكل الكامل للاحتمالات. وهي تسأل: "هل الخيار Y أفضل من الخيار X بشكل مستمر في كل السيناريوهات الممكنة؟"

2. الطريقة القديمة مقابل الطريقة الجديدة

الطريقة القديمة (العينة الثابتة):
تخيل أنك قررت رمي عملة معدنية 1,000 مرة، ثم عدّ النتائج، وبعد ذلك تقرر ما إذا كانت عادلة أم لا.

الخلل: ماذا لو رأيت 900 صورة في أول 100 رمية؟ قد ترغب في التوقف مبكراً وتقول: "حسناً، إنها منحازة بالتأكيد!" ولكن الرياضيات القديمة تقول: "لا، يجب أن ترمي العملة 1,000 مرة كاملة، وإلا ستكون نتيجتك غير صالحة". هذا أمر خطير في الحياة الواقعية (مثل التجارب الطبية أو اختبارات A/B) لأنك قد تفوت طفرة نوعية أو تستمر في تشغيل منتج سيء لفترة طويلة جداً.

الطريقة الجديدة (الصالحة في أي وقت):
تقدم هذه الورقة طريقة تتيح لك فحص البيانات في كل ثانية. يمكنك التوقف في أي وقت تريد، وستظل نتيجتك سليمة رياضياً. إنها تشبه امتلاك تلسكوب فائق القوة يسمح لك بالتقريب والابتعاد دون كسر قوانين الفيزياء.

3. الفكرة الجوهرية: "لعبة مراهنة المتشكك"

يستخدم المؤلفون استعارة عبقرية: لعبة المراهنة.

تخيل وجود متشكك ومتنبئ.

المتنبئ يدعي: "الخيار X جيد بقدر (أو أفضل من) الخيار Y". (هذا هو "الفرضية الصفرية").
المتشكك لا يصدقه. المتشكك يريد إثبات خطأ المتنبئ.

كيف يراهن المتشكك:

يبدأ المتشكك بـ 1 دولار.
في كل مرة تصل فيها بيانات جديدة (على سبيل p.مثلاً نقرة مستخدم جديدة على موقع إلكتروني)، يضع المتشكك رهاناً ضد ادعاء المتنبئ.
الرهان: "أراهن أن Y أفضل من X في هذه اللحظة".
- إذا كان المتشكك على حق (أداء Y أفضل)، فإن مال المتشكك يتضاعف.
- إذا كان المتشكك على خطأ (X في الواقع أفضل أو مساوٍ لـ Y)، فإن المتشكك يخسر بعض المال.
- إذا كان تعادلاً، لا يحدث شيء.

القاعدة السحرية (متباينة فيل - Ville's Inequality):
إذا كان المتنبئ صادقاً بالفعل (أي أن X أفضل حقاً)، فإن المتشكك لا يمكنه ربح المال على المدى الطويل. ستظل ثروة المتشكك منخفضة أو تتناقص.

ومع ذلك، إذا كان المتنبئ يكذب (أي أن Y أفضل حقاً)، فإن ثروة المتشكك ستنفجر بشكل أسي.

القرار:
يراقب المتشكك إجمالي ثروته الجارية.

إذا ظلت الثروة منخفضة؟ فربما يكون المتنبئ على حق. استمر في المراقبة.
إذا ارتفعت الثروة فجأة لتصل مثلاً إلى 1,000 دولار (وهو ما يعادل 1 / 0.001، أو فرصة 0.1% للحدوث بمحض الصدفة)؟ توقف! لقد فاز المتشكك. الأدلة دامغة. الخيار Y أفضل بالتأكيد.

4. لماذا هذه الورقة مميزة؟

لم يكتفِ المؤلفون ببناء لعبة مراهنة بسيطة على عملة معدنية، بل بنوا آلة مراهنة فائقة القدرة تتعامل مع سيناريوهات معقدة:

إنها "لا معلمية" (Nonparametric): لا يهتم شكل البيانات إذا كانت تشبه منحنى الجرس، أو خطاً مستقيماً، أو قمة غريبة. إنها تعمل مع أي شكل من أشكال البيانات.
إنها تتعامل مع "الرتب العليا":
- الرتبة الأولى: "Y أفضل من X". (بسيطة).
- الرتبة الثانية: "Y أفضل من X، حتى لو كان Y أكثر مخاطرة، طالما أن فرص الصعود ضخمة". (رؤية الشخص المتحفظ تجاه المخاطر).
- الرتبة الثالثة: "Y أفضل، حتى لو كانت لديه مخاطر 'ذيول' غريبة".
  توضح الورقة كيفية المراهنة على هذه الاختلافات الدقيقة والمعقدة دون الحاجة لتخمين الصيغ الرياضية مسبقاً.
إنها تتكيف: المتشكك ذكي. إذا لاحظ أن Y يتفوق على X في "القيم المنخفضة" فقط ولكن ليس في "القيم العالية"، فإن استراتيجية المراهنة تغير أموالها تلقائياً للتركيز على "القيم المنخفضة" حيث تكون الأدلة أقوى. إنه يشبه لاعب البوكر الذي يلاحظ نمطاً ما ويعدل استراتيجيته في منتصف اللعبة.

5. مثال من الواقع: اختبار A/B

تخيل شركة تقنية تختبر تصميمين لموقع إلكتروني (A و B).

الطريقة القديمة: "سنقوم بتشغيل الاختبار لمدة أسبوعين، ونجمع 10,000 نقرة، ثم نقرر".
- المخاطرة: إذا كان التصميم B سيئاً للغاية والناس يكرهونه، فقد أضعت أسبوعين وآلاف الدولارات.
- المخاطرة: إذا كان التصميم B رائعاً حقاً، فقد أضعت أسبوعين في الانتظار قبل التحول إليه.
الطريقة الجديدة (هذه الورقة): "نبدأ بمراقبة النقرات.
- اليوم الأول: B يبدو أفضل قليلاً.
- اليوم الثالث: B يسحق A. "ثروة المتشكك" ترتفع.
- اليوم الخامس: وصلت الثروة إلى الحد المطلوب. توقف. انتقل إلى التصميم B فوراً.
- النتيجة: وفرت المال والوقت، ولم تنتقل بالخطأ إلى تصميم سيء لأن الرياضيات تضمن لك عدم ارتكاب خطأ لمجرد أنك توقفت مبكراً".

ملخص

تقدم هذه الورقة شبكة أمان رياضية لاتخاذ القرارات في ظل عدم اليقين. فهي تسمح لنا بـ:

مقارنة التوزيعات الكاملة (وليس فقط المتوسطات).
مراقبة البيانات باستمرار دون خوف من "الغش" عبر التوقف المبكر.
تكييف استراتيجيتنا مع ما نتعلمه.
اتخاذ القرارات بـ ثقة مطلقة بأننا لسنا مجرد محظوظين.

إنها تحول عالم الإحصاء المخيف والمعقد إلى لعبة مراهنة بسيطة، حيث يحميك "البيت" (الرياضيات) دائماً من الإنذارات الكاذبة، لكنه يتركك تربح كثيراً عندما يكون الحق في صفك.

إليك ملخص تقني مفصل للورقة البحثية بعنوان "المراهنة على الرهانات: اختبارات صالحة في أي وقت للهيمنة العشوائية" (Betting on Bets: Anytime-Valid Tests for Stochastic Dominance).

1. بيان المشكلة

تتناول الورقة تحدي الاختبار المتسلسل للهيمنة العشوائية (Stochastic Dominance - SD) في الوقت الفعلي.

السياق: غالبًا ما يحتاج صناع القرار (DMs) إلى مقارنة آفاق غير يقينية، مثل $X$ و $Y$ (على سبيل المثال، علاج جديد مقابل خط أساس، أو خوارزمية جديدة مقابل قديمة)، لتحديد ما إذا كان أحدهما يمتلك "جانبًا إيجابيًا" (upside) مؤكدًا فوق الآخر.
الفجوة: اختبارات الهيمنة العشوائية التقليدية هي اختبارات ذات عينة ثابتة وتعتمد على الصلاحية التقاربية (asymptotic validity). لا يمكن مراقبتها بشكل مستمر بأمان؛ إذ يؤدي التوقف المبكر بناءً على القيمة الاحتمالية (p-value) إلى تضخيم خطأ النوع الأول (مشكلة "التوقف الاختياري").
الهدف: تطوير اختبارات صالحة في أي وقت (Anytime-Valid - SAVI) تسمح لصانع القرار بمراقبة البيانات فور وصولها والتوقف في أي وقت يتم اختياره بشكل تكيفي مع التحكم الصارم في خطأ النوع الأول.
التحدي المحدد: على عكس اختبار الفروق في المتوسطات، فإن الهيمنة العشوائية هي فرضية مركبة غير معلمية (nonparametric, composite hypothesis) تتضمن دوال توزيع كاملة. تركز الورقة على اختبار الفرضية الصفرية التي تفترض أن $Y$ تهيمن عليها $X$ ( $Y \preceq X$ ) مقابل الفرضية البديلة التي تفترض أن لـ $Y$ جانبًا إيجابيًا ( $Y \not\preceq X$ ).

2. المنهجية

يستخدم المؤلفون إطار عمل متغيرات-e (e-processes) و الاختبار عن طريق المراهنة (testing-by-betting).

أ. إطار العمل الأساسي: متغيرات-e والمتتاليات-e

متغيرات-e (E-variables): متغيرات عشوائية غير سالبة $E$ بحيث يكون $\mathbb{E}[E] \leq 1$ تحت الفرضية الصفرية.
المتتاليات-e (E-processes): متتالية من المتغيرات العشوائية غير السالبة المتكيفة $(E_t)$ حيث يشكل حاصل الضرب الجاري سوبر-مارنتينج (test supermartingale).
الصلاحية: من خلال متباينة فيل (Ville's Inequality)، إذا كانت $(E_t)$ عبارة عن متتالية-e للفرضية الصفرية $\mathcal{H}_0$ ، فإن $\mathbb{P}(\exists t: E_t \geq 1/\alpha) \leq \alpha$ . وهذا يضمن التحكم في خطأ النوع الأول تحت التوقف الاختياري.

ب. الهيمنة العشوائية من الدرجة الأولى (FSD)

الفرضية الصفرية: $\mathcal{H}_0: F_X(z) \leq F_Y(z)$ لكل $z$ (أي أن $Y$ تهيمن عليها $X$ ).
لبنات البناء: يبني المؤلفون "متغيرات-e ذرية" لعتبة ثابتة $z$ :
$S(\lambda, z) = 1 + \lambda [ \mathbb{I}(X \leq z) - \mathbb{I}(Y \leq z) ]$
هذا يمثل رهانًا يربح فيه المتشكك إذا كان $X$ "أفضل" (قيمة CDF أقل) من $Y$ عند العتبة $z$ .
استراتيجية المزج: نظرًا لأن الفرضية الصفرية هي تقاطع عبر جميع قيم $z$ ، يستخدم المؤلفون مزيجًا من متغيرات-e عبر عتبات $z$ مع أوزان متوقعة $\psi_t$ .
المراهنة المثلى:
- نمو معدل النمو (GRO): بالنسبة لـ $z$ ثابتة، فإن كسر المراهنة الأمثل $\lambda^*(z)$ يعظم توقع اللوغاريتم المتوقع تحت الفرضية البديلة.
- المقدر بالتعويض (Plug-in Estimator): يستخدم المؤلفون التوزيعات التجريبية لتقدير $\lambda^*(z)$ بشكل متسلسل.
- الأوزان التكيفية: للتعامل مع المساحة اللانهائية/المستمرة للعتبات، يستخدمون التجميع الموزون أسياً (EWA). يتم تحديث الأوزان $\psi_t(z)$ تكيفيًا لوضع المزيد من "رأس مال المراهنة" في المناطق التي يكون فيها فرق الـ CDF أكبر (أي التي تنتهك الفرضية الصفرية).

ج. الهيمنة العشوائية من الرتب العليا ( $k$ -SD)

التعريف: تتضمن $k$ -SD تكاملات متكررة لدوال التوزيع التراكمي (CDFs)، وهو ما يقابل دوال المنفعة ذات خصائص الانحناء المحددة (مثل التقعر في حالة الدرجة الثانية/النفور من المخاطرة).
التحدي: متغيرات-e لبناءات الدرجة $k \geq 2$ تكون غير محدودة إذا كانت البيانات غير محدودة.
الحلول:
1. الدعم المحدود: إذا كانت البيانات لها حد أدنى $a$ ، يقوم المؤلفون بتطبيع مولدات المنفعة لإنشاء متغيرات-e محدودة.
2. ذيول شبه الأسية (Sub-exponential Tails): بالنسبة للبيانات غير المحدودة، يفترضون وجود ذيول شبه أسية ويبنون متغيرات-e باستخدام عمليات sub- $\psi$ (بناءً على دوال توليد العزوم اللوغاريتمية).
المحافظ العالمية (Universal Portfolios): بالنسبة لفئات المنفعة العامة التي يصعب فيها اشتقاق رهانات GRO صريحة، يستخدمون استراتيجيات المحافظ العالمية (UP) (Cover, 1991) لتحقيق الأمثلية اللوغاريتمية التقاربية.

د. المشكلة العكسية (تأكيد الهيمنة)

تتناول الورقة أيضًا باختصار المشكلة الأصعب وهي تأكيد أن $Y$ تهيمن على $X$ (رفض الفرضية الصفرية التي تقول إنهما غير قابلين للمقارنة).

الاستحالة: يثبت المؤلفون أنه لا يوجد متغير-e غير بديهي للفرضية الصفرية العامة لأن مجموعة الفرضيات غير محدبة.
الحل: يقترحون اختبار الهيمنة العشوائية المقيدة مع هامش انفصال $\epsilon$ (حيث تتحقق الهيمنة مع هامش $\epsilon$ فوق مجموعة فرعية محددة من الدعم). هذا يسمح باختبارات متسلسلة صالحة باستخدام نطاقات الثقة الموحدة زمنياً (tvCS).

3. المساهمات الرئيسية

نماذج متتالية-e مبتكرة للهيمنة العشوائية: أول عائلة من الاختبارات المتسلسلة الصالحة في أي وقت للهيمنة العشوائية (سواء الدرجة الأولى أو الرتب العليا).
لا معلمية وقوية: لا تتطلب هذه الطرق أي افتراضات معلمية على التوزيعات، وهي قوية تجاه الاعتماد (dependence) بين $X$ و $Y$ (بما في ذلك حالات التضاد الرتيب).
الأمثلية:
- اشتقاق متغيرات-e لنمو معدل النمو (GRO) لـ FSD.
- إثبات القوة التقاربية الواحدة (asymptotic power one) (الاختبار يرفض الفرضية الصفرية باحتمال 1 إذا كانت الفرضية البديلة صحيحة) تحت شروط معينة.
التجميع التكيفي: تقديم مخططات أوزان تكيفية (أوزان أسية) تركز ديناميكيًا على العتبات الأكثر إخبارية، مما يحسن القوة بشكل كبير عندما تكون منطقة "عدم الهيمنة" صغيرة أو غير معروفة.
الحدود النظرية: التوصيف الرسمي لاستحالة اختبار فرضية عدم الهيمنة العامة والشروط المطلوبة لجعلها قابلة للتطبيق (الهيمنة المقيدة).

4. النتائج التجريبية

يتحقق المؤلفون من طرقهم من خلال عمليات محاكاة واسعة النطاق:

الصلاحية: تحت الفرضية الصفرية (حتى مع أقصى اعتماد تضادي الرتابية)، تظل خطأ فيل (Ville error) (خطأ النوع الأول) أقل بصرامة من مستوى المعنوية $\alpha$ (على سبيل المثال، 0.05) لجميع الخطوات الزمنية.
القوة:
- تنمو متتاليات-e الخاصة بـ GRO المقترحة أسياً تحت الفرضية البديلة، مما يؤدي إلى أوقات رفض أسرع بكثير من الطرق الأساسية.
- تتفوق النسخ التكيفية (باستخدام الأوزان الأسية) بشكل كبير على النماذج الأساسية غير التكيفية، خاصة عندما تكون منطقة الهيمنة صغيرة أو عندما يكون نطاق البحث الأولي غير متوافق.
المقارنة مع النماذج المرجعية:
- مقارنة بـ نطاقات الـ CDF الموحدة زمنياً (مثل Howard & Ramdas, 2022)، فإن اختبارات الهيمنة العشوائية المقترحة أكثر قوة بكثير (تتطلب أوامر مقدار أقل من العينات لرفض الفرضية).
- مقارنة بـ الاختبارات التقليدية ذات العينة الثابتة (مثل Barrett & Donald, 2003)، توفر الاختبارات المتسلسلة صلاحية في أي وقت مع الحفاظ على قوة تنافسية أو متفوقة.
الهيمنة العشوائية من رتب عليا: تنجح الطرق في اكتشاف الهيمنة من الدرجة الثانية والثالثة، حيث تظهر الاستراتيجيات التكيفية ميزة خاصة في سيناريوهات "مجموعة التلامس" (contact set) الصعبة.

5. الأهمية والأثر

اتخاذ القرار في الوقت الفعلي: يتيح هذا العمل مراقبة صارمة للآفاق غير اليقينية في مجالات مثل اختبارات A/B، التجارب السريرية، و التداول الخوارمازمي، حيث تكون انتظار حجم عينة ثابت أمرًا غير فعال أو محفوفًا بالمخاطر.
الأمان: يضمن ضمان "الصلاحية في أي وقت" لصناع القرار بإمكانية إيقاف التجارب مبكرًا إذا كان العلاج الجديد متفوقًا (أو أدنى) بوضوح دون تضخيم معدلات الإيجاب الكاذب.
الشمولية: من خلال التوسع إلى الهيمنة العشوائية من رتب عليا وأوامر التكامل، ينطبق إطار العمل على مجموعة واسعة من المشكلات الاقتصادية ونظرية القرار التي تتضمن النفور من المخاطرة وتعظيم المنفعة.
التقدم النظري: يجسد هذا العمل الفجوة بين الإحصاء غير المعلمي الكلاسيكي والاستدلال المتسلسل الحديث (e-processes)، موضحًا كيف يمكن لـ "المراهنة على الرهانات" حل مشكلات اختبار الفرضيات المركبة المعقدة.

باختصار، تقدم الورقة مجموعة أدوات رياضية صارمة، وخالية من التوزيع، وفعالة حاسوبيًا لاختبار الهيمنة العشوائية في البيئات المتسلسلة، مما يوفر تحسنًا كبيرًا مقارنة بالطرق التقلذية ذات العينة الثابتة والطرق المتسلسلة المتحفظة.