📊 statistics

Combining Evidence Across Filtrations

Diese Arbeit stellt eine Methode vor, die es ermöglicht, E-Prozesse aus unterschiedlichen Filtrationen durch den Einsatz von sogenannten „Adjustern" zu kombinieren, um so in der sequentiellen Inferenz die Gültigkeit von Tests über verschiedene Informationsstrukturen hinweg zu erhalten.

Ursprüngliche Autoren: Yo Joong Choe, Aaditya Ramdas

Veröffentlicht 2026-03-17

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Yo Joong Choe, Aaditya Ramdas

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Das große Problem: Der "Datenschutz"-Konflikt

Stellen Sie sich vor, Sie sind ein Detektiv, der versucht herauszufinden, ob eine Serie von Ereignissen (z. B. Börsenkurse oder Wetterdaten) wirklich zufällig ist oder ob dahinter ein verborgener Plan steckt.

In der modernen Statistik gibt es ein mächtiges Werkzeug namens "E-Prozess". Man kann sich das wie einen Zähler vorstellen, der mit jedem neuen Datenpunkt hochzählt.

Wenn die Daten zufällig sind (die "Nullhypothese"), bleibt der Zähler im Durchschnitt niedrig (unter 1).
Wenn die Daten nicht zufällig sind, schießt der Zähler in die Höhe.

Das Tolle an E-Prozessen ist, dass Sie den Zähler jederzeit stoppen können, um ein Ergebnis zu prüfen, ohne dass die Statistik "kaputt" geht. Das nennt man "anytime-valid" (jederzeit gültig).

Aber hier kommt das Problem:
Manchmal bauen verschiedene Detektive ihre Zähler auf unterschiedlichen Informationsgrundlagen.

Detektiv A schaut sich alles an: Die Rohdaten, die Uhrzeit, die Temperatur – er hat den feinen Filter (die volle Information).
Detektiv B schaut sich nur Zusammenfassungen an: Er sieht nur, ob der Zähler "hoch" oder "niedrig" war, ignoriert aber die Details. Er hat einen grobmaschigen Filter.

Der Detektiv B ist clever, aber sein Zähler ist nur dann sicher, wenn er nur auf Basis seiner groben Zusammenfassung stoppt. Wenn Sie ihn aber zwingen, auf Basis der feinen Details von Detektiv A zu stoppen (z. B. "Stoppe, wenn wir genau 5 rote Zahlen hintereinander sehen"), dann wird sein Zähler unzuverlässig. Er zeigt vielleicht "Gefahr!" an, obwohl alles zufällig war.

Die Herausforderung: Wie können wir die Beweise von Detektiv A und Detektiv B kombinieren, um einen super-starken Zähler zu bauen, der trotzdem sicher ist, auch wenn wir auf Basis der feinen Details stoppen?

Die Lösung: Der "Anpasser" (Adjuster)

Die Autoren sagen: "Man kann die Zähler nicht einfach addieren, wie man zwei Geldbeutel zusammenzählt. Das funktioniert nur, wenn beide auf derselben Informationsbasis arbeiten."

Um das zu lösen, brauchen wir einen Anpasser (im Englischen "Adjuster").

Die Metapher: Der Sicherheitsgurt im Auto
Stellen Sie sich den Zähler von Detektiv B (dem groben Filter) als einen Sportwagen vor, der sehr schnell ist, aber keine Sicherheitsgurte hat. Wenn Sie ihn auf einer rauen Straße (dem feinen Filter) fahren lassen, kann er umkippen.

Der Anpasser ist wie ein Sicherheitsgurt und ein Airbag.

Wir nehmen den schnellen, aber riskanten Zähler von Detektiv B.
Wir ziehen ihn durch den Sicherheitsgurt (den Anpasser).
Dadurch wird der Zähler etwas langsamer und "schwerer" (wir verlieren etwas an Geschwindigkeit/Evidenz), aber er wird unfallfest. Er hält nun auch auf der rauen Straße (dem feinen Filter) stand.

Der Trick:
Der Anpasser funktioniert, indem er den höchsten Wert betrachtet, den der Zähler je erreicht hat, und diesen Wert leicht "abstrafft".

Ohne Anpasser: Der Zähler könnte kurzzeitig explodieren und dann wieder fallen. Das täuscht uns.
Mit Anpasser: Wir behalten den höchsten Wert bei, aber wir "besteuern" ihn ein wenig, damit er auch dann sicher bleibt, wenn wir ihn zu einem zufälligen Zeitpunkt stoppen.

Der Prozess: "Anpassen und dann Kombinieren"

Die Autoren schlagen einen einfachen zweistufigen Plan vor, den sie "Adjust-then-Combine" nennen:

Anpassen (Adjust): Nehmen Sie den Zähler des Detektivs mit dem groben Filter und ziehen Sie ihn durch den Sicherheitsgurt (den Anpasser). Jetzt ist er sicher für jede Art von Stopp-Entscheidung.
Kombinieren (Combine): Jetzt, da beide Zähler (der des Detektivs A und der angepasste von B) sicher sind, können Sie sie einfach durchschnittlich (mitteln).

Das Ergebnis ist ein Super-Detektiv, der die Stärken beidet nutzt:

Er erkennt Muster, die nur Detektiv A sieht.
Er erkennt plötzliche Änderungen, die nur Detektiv B sieht.
Und er ist immer sicher, egal wann Sie den Test stoppen.

Warum ist das wichtig? (Die Anwendung)

Die Autoren testen das an echten Finanzdaten (z. B. der S&P 500).

Ein Zähler könnte gut sein, um zu erkennen, ob die Volatilität (Schwankungen) sich langsam ändert (Markov-Prozess).
Ein anderer Zähler ist besser, um plötzliche Brüche zu erkennen (Changepoints).

Wenn man sie einfach mischt, ohne den Sicherheitsgurt (Anpasser), könnte man fälschlicherweise denken, es gäbe ein Muster, wo keines ist (ein "falscher Alarm"). Mit dem neuen "Anpass-und-Kombinier"-Verfahren können sie beide Muster gleichzeitig sicher erkennen.

Das Fazit in einem Satz

Wenn Sie Beweise aus verschiedenen Informationsquellen mischen wollen, müssen Sie den "schwächeren" Beweis zuerst durch einen Sicherheitsgurt (Anpasser) führen, der ihn robuster macht, bevor Sie ihn mit dem "stärkeren" Beweis vereinen. Nur so bleibt Ihre Statistik auch dann wahr, wenn Sie die Daten auf jede erdenkliche Weise analysieren.

Die große Erkenntnis: Man verliert zwar ein wenig an "Geschwindigkeit" (statistische Power), wenn man den Sicherheitsgurt anlegt, aber man gewinnt die absolute Sicherheit, dass man nicht in die Irre geführt wird. Und das ist in der Wissenschaft und bei Geldentscheidungen unbezahlbar.

1. Problemstellung

Das Paper adressiert ein fundamentales Problem in der sequentiellen, „anytime-valid" Inferenz (SAVI): Wie kombiniert man E-Prozesse (e-processes), die für dieselbe Nullhypothese konstruiert wurden, aber in unterschiedlichen Filtrationen (Informationsstrukturen) definiert sind?

Hintergrund: E-Prozesse sind Verallgemeinerungen von E-Werten und Test-Supermartingalen. Sie quantifizieren Evidenz gegen eine Nullhypothese zu jedem beliebigen Stoppzeitpunkt, ohne dass die Validität durch willkürliches „Daten-Peeking" verloren geht.
Das Dilemma: Während E-Prozesse innerhalb derselben Filtration einfach durch Mittelwertbildung kombiniert werden können, ist dies bei unterschiedlichen Filtrationen nicht möglich. Ein E-Prozess, der in einer körnigeren (coarser) Filtration $\mathcal{G}$ (weniger Information) gültig ist, ist nicht automatisch in einer feineren (finer) Filtration $\mathcal{F}$ (mehr Information, z. B. die Rohdaten-Filtration) gültig.
Konsequenz: Wenn ein Experimentierer einen Stoppzeitpunkt basierend auf Informationen aus $\mathcal{F}$ $F$ wählt, die in $\mathcal{G}$ $G$ nicht verfügbar sind, kann ein in $\mathcal{G}$ $G$ konstruierter E-Prozess seine Gültigkeit verlieren (der Erwartungswert kann unter der Nullhypothese größer als 1 werden). Dies tritt häufig auf bei:
- Tests auf Zufälligkeit (Randomness testing) mit konformen Test-Martingalen.
- Tests auf Unabhängigkeit.
- Der Evaluation von Vorhersagen (Forecasting) mit h-Schritt-Vorhersagen.

Das Paper stellt die Frage: Wie kann man E-Prozesse aus verschiedenen Filtrationen so kombinieren, dass das Ergebnis ein gültiger E-Prozess in der feinsten relevanten Filtration ist?

2. Methodik: „Adjust-then-Combine"

Die Autoren schlagen eine Methode vor, die auf der Verwendung von Adjustern (Anpassungsfunktionen) basiert, um E-Prozesse über Filtrationen zu „heben" (lifting).

Kernkonzepte:

P-Lifting (Kostenlos): P-Prozesse (sequentielle P-Werte) können ohne Kalibrierung von einer sub-Filtration $\mathcal{G}$ in eine feinere Filtration $\mathcal{F}$ gehoben werden. Dies liegt daran, dass die Gültigkeit von P-Prozessen auf Wahrscheinlichkeitsgrenzen basiert, die unabhängig von der spezifischen Filtration gelten, solange die Ereignisse adaptiert sind (Lemma 1, Theorem 1).
E-Lifting (Kostenpflichtig): E-Prozesse basieren auf Erwartungswertgrenzen ( $\mathbb{E}[E_\tau] \le 1$ ). Diese Eigenschaft geht beim Wechsel zu einer feineren Filtration verloren, da der Erwartungswert über Stoppzeiten in $\mathcal{F}$ nicht mehr durch 1 beschränkt sein muss.
Adjuster: Um die Gültigkeit wiederherzustellen, wird ein Adjuster $A: [1, \infty] \to [0, \infty]$ $A : [1, \infty] \to [0, \infty]$ verwendet. Ein Adjuster ist eine wachsende Funktion, die das laufende Maximum ( $e^*_t = \sup_{i \le t} e_i$ $e_{t}^{*} = sup_{i \leq t} e_{i}$ ) eines E-Prozesses transformiert.
- Die Bedingung für einen Adjuster ist: $\int_1^\infty \frac{A(e)}{e^2} de \le 1$ .
- Durch Anwendung von $A$ auf das laufende Maximum wird der Prozess wieder zu einem gültigen E-Prozess in der feineren Filtration (Theorem 2).

Der Algorithmus „Adjust-then-Combine":

Um zwei E-Prozesse $e$ (in $\mathcal{F}$ ) und $e'$ (in $\mathcal{G} \subseteq \mathcal{F}$ ) zu kombinieren:

Lifting: Wende einen Adjuster $A$ auf das laufende Maximum des in $\mathcal{G}$ definierten Prozesses an: $e'_{adj, t} = A((e'_t)^*)$ .
Kombination: Berechne den gewichteten Durchschnitt der beiden Prozesse im gemeinsamen Raum $\mathcal{F}$ :
$\bar{e}_t = \gamma e_t + (1-\gamma) A((e'_t)^*)$
Das Ergebnis $\bar{e}_t$ ist ein gültiger E-Prozess in $\mathcal{F}$ .

3. Hauptbeiträge und Theoretische Ergebnisse

Theorem 2 (E-Lifting): Zeigt, dass die Anwendung eines Adjusters auf das laufende Maximum eines E-Prozesses in einer sub-Filtration einen E-Prozess in jeder feineren Filtration erzeugt. Dies ermöglicht die sichere Kombination von Evidenz aus unterschiedlichen Informationsquellen.
Charakterisierungssatz (Theorem 3): Dies ist ein zentrales theoretisches Ergebnis. Die Autoren beweisen, dass Adjuster nicht nur hinreichend, sondern in einem formalen Sinne auch notwendig sind, um beliebige E-Prozesse über Filtrationen zu heben. Jede Funktion, die das laufende Maximum eines beliebigen E-Prozesses in einen E-Prozess in einer feineren Filtration verwandelt, muss ein Adjuster sein.
Existenz mächtiger E-Prozesse: Ein wichtiges Korollar ist, dass es für jedes Testproblem, bei dem ein mächtiger (konsistenter) E-Prozess in einer sub-Filtration existiert, auch einen mächtigen E-Prozess in der Daten-Filtration gibt (durch Heben mittels Adjuster). Dies unterscheidet E-Prozesse von Test-Martingalen, für die dies nicht immer gilt.
Kosten der Validität: Die Verwendung von Adjustern hat einen Preis: Sie opfern einen logarithmischen Betrag an Evidenz (Power), um die Gültigkeit in der feineren Filtration zu gewährleisten. Das Paper quantifiziert diesen Verlust und zeigt, dass er notwendig ist.

4. Ergebnisse und Experimente

Die Autoren validieren ihre Methode an drei Anwendungsfällen:

Tests auf Zufälligkeit (Financial Time Series):
- Szenario: Kombination eines Universal-Inference (UI) E-Prozesses (mächtig gegen Markov-Alternativen) und eines Conformal Test Martingale (CTM) (mächtig gegen Changepoint-Alternativen). Der CTM ist nur in einer sub-Filtration gültig.
- Ergebnis: Ohne Adjuster führt die einfache Mittelwertbildung zu einem Prozess, der unter der Nullhypothese oft Werte > 1 annimmt (Invalidität). Mit dem „Adjust-then-Combine"-Verfahren bleibt der kombinierte Prozess gültig.
- Empirische Daten: Anwendung auf S&P 500, Amazon, Nike und USD-CNY. Der kombinierte Prozess erkennt sowohl Markov-Abhängigkeiten (z. B. während der COVID-19-Krise) als auch Changepoints (z. B. während der Inflationsspitze 2022), die einzelne Verfahren verpassen würden.
Sequentielle Unabhängigkeitstests:
- Kombination von E-Prozessen, die auf „Pairwise Betting" und auf Rang-basierten Tests basieren, die beide in unterschiedlichen sub-Filtrationen definiert sind. Die Methode erlaubt die Kombination ohne Verlust der Anytime-Validität.
Evaluation von h-Schritt-Vorhersagen:
- Bei der Bewertung von Vorhersagen mit Verzögerung $h$ entstehen E-Prozesse in verschiedenen sub-Filtrationen (je nach Offset). Das Paper zeigt, wie diese zu einem einzigen E-Prozess kombiniert werden können, im Gegensatz zu früheren Ansätzen, die nur P-Prozesse oder verzögerte Tests lieferten.

5. Bedeutung und Implikationen

Praktische Relevanz: Die Methode löst ein praktisches Hindernis in der modernen sequentiellen Statistik. Forscher können nun verschiedene, spezialisierte Testverfahren (die oft in vereinfachten Filtrationen konstruiert werden, um mathematische Handhabbarkeit zu gewährleisten) sicher kombinieren, ohne die Kontrolle über den Fehlerschwellenwert (Type-I-Error) zu verlieren.
Theoretische Klarheit: Die Charakterisierung von Adjustern als notwendige und hinreichende „E-Lifter" schließt eine Lücke im Verständnis der Beziehung zwischen Test-Supermartingalen, E-Prozessen und Filtrationen.
Kosten-Nutzen-Abwägung: Das Paper macht transparent, dass die Flexibilität, in feineren Filtrationen zu stoppen, einen statistischen Kostenpunkt (logarithmischer Power-Verlust) hat. Dies hilft Experimentatoren, fundierte Entscheidungen über das Design ihrer Tests zu treffen.
Spieltheoretische Interpretation: Das Paper bietet zudem eine spieltheoretische Interpretation (Cooperative Skepticism), bei der zwei Skeptiker mit unterschiedlichen Informationsmengen ihre Vermögen kombinieren, um einen gemeinsamen Skeptiker zu bilden, der gegen einen Forecaster spielt.

Zusammenfassend stellt das Paper einen robusten, mathematisch fundierten Rahmen bereit, um die Kombination von Evidenz aus heterogenen Informationsquellen in der sequentiellen Inferenz zu ermöglichen, wobei die Anytime-Validität strikt gewahrt bleibt.