Betting on Bets: Anytime-Valid Tests for Stochastic Dominance

Resumen Técnico: Pruebas de Dominancia Estocástica Válidas en Cualquier Momento

1. Planteamiento del Problema

El objetivo central del trabajo es desarrollar métodos para monitorear en tiempo real si un "prospecto incierto" (variable aleatoria $Y$) tiene alguna ventaja ("upside") sobre otro ($X$). Esto se formaliza como un problema de prueba de hipótesis secuencial para la Dominancia Estocástica (SD).

• Hipótesis Nula ($\mathcal{H}_0$): $Y$ está dominada estocásticamente por $X$ ($Y \preceq X$). Esto implica que la función de distribución acumulada (CDF) de $Y$ está por encima o es igual a la de $X$ en todos los puntos (para SD de primer orden), o que los momentos integrados satisfacen ciertas desigualdades para órdenes superiores.
• Hipótesis Alternativa ($\mathcal{H}_1$): $Y$ no está dominada por $X$ ($Y \not\preceq X$), lo que indica que existe al menos un tomador de decisiones con una función de utilidad adecuada que preferiría $Y$ sobre $X$.
• Desafíos Clave:
  • No Paramétrico: La SD es una relación compleja que no puede ser capturada simplemente por la comparación de medias (dominancia de primer momento). Requiere comparar distribuciones completas.
  • Valididad en Cualquier Momento (Anytime-Valid): Los métodos tradicionales suelen ser de muestra fija o asintóticos. En aplicaciones modernas (como pruebas A/B continuas o monitoreo de tratamientos), los datos llegan secuencialmente y el investigador puede detener la prueba en cualquier momento. Se requiere controlar el error Tipo I bajo detención opcional (optional stopping).
  • Dependencia: Los métodos deben ser robustos ante la dependencia entre las variables $X$ y $Y$ (incluso si son anti-monótonas).

2. Metodología: Procesos $e$ y Pruebas por Apuestas

Los autores utilizan el marco de inferencia secuencial válida en cualquier momento (SAVI) basado en procesos $e$ (e-processes) y variables $e$ (e-variables).

• Concepto de Variable $e$: Una variable aleatoria no negativa $E$ tal que $\mathbb{E}[E] \leq 1$ bajo la hipótesis nula. Si $E$ crece significativamente, proporciona evidencia contra la nula.
• Proceso $e$: Una secuencia adaptada de variables aleatorias $(E_t)$ tal que $E_\tau$ es una variable $e$ para cualquier tiempo de parada $\tau$. Esto garantiza la validez bajo detención opcional mediante la Desigualdad de Ville.
• Interpretación de "Apostar a Apuestas" (Betting on Bets):
  • Se construyen variables $e$ básicas para umbrales fijos $z$ comparando si $X \leq z$ vs $Y \leq z$.
  • Se interpreta como un juego de apuestas donde un escéptico apuesta capital contra la hipótesis nula. Si la nula es falsa, el capital del escéptico crece exponencialmente.
  • Mezcla de Estrategias: Dado que la hipótesis nula es una intersección de infinitas hipótesis (una para cada umbral $z$), el método utiliza una mezcla predictiva de estrategias de apuestas a través de todos los umbrales posibles.

3. Contribuciones Clave

A. Pruebas para Dominancia Estocástica de Primer Orden (FSD)

• Construcción de Procesos $e$: Derivan procesos $e$ no paramétricos que son válidos sin asumir independencia entre observaciones ni formas paramétricas de las distribuciones.
• Estrategias de Apuesta Óptimas (GRO): Identifican estrategias de apuestas "óptimas en tasa de crecimiento" (Growth-Rate Optimal - GRO) para cada umbral.
• Mezcla Adaptativa: Proponen un método para combinar evidencia sobre diferentes umbrales utilizando pesos adaptativos (basados en aprendizaje en línea, como pesos exponenciales). Esto permite concentrar el capital de apuesta en las regiones donde la violación de la dominancia es más fuerte.
• Garantía de Potencia: Demuestran que bajo cualquier alternativa, el proceso $e$ crece exponencialmente, garantizando una potencia asintótica de uno (rechazo seguro de la nula si es falsa).

B. Generalización a Órdenes Superiores y Ordenes Integrales

• SD de Orden $k$ ($k$-SD): Extienden la metodología a dominancia de segundo orden (riesgo aversión), tercer orden (aversión a la asimetría negativa), etc.
• Supuestos de Cola: Para órdenes superiores, requieren ya sea un límite inferior finito en los datos o condiciones de cola sub-exponencial.
• Estrategias Universales: Para clases generales de utilidades (como orden convexo creciente o SD de orden infinito), utilizan estrategias de carteras universales (Universal Portfolios) que logran optimidad logarítmica asintótica sin necesidad de derivar explícitamente la apuesta óptima para cada caso.

C. El Problema Inverso: Validar la Dominancia (No-SD)

• Analizan el problema inverso: probar que $Y$ definitivamente domina a $X$ (rechazar la hipótesis de que $X$ no domina a $Y$).
• Resultado de Imposibilidad: Demuestran que no existen variables $e$ no triviales para la hipótesis nula de "no-dominancia" en su totalidad debido a la no convexidad del conjunto nulo.
• Solución: Proponen restringir la alternativa a dominancia con separación $\epsilon$ (las CDFs están separadas por una distancia mínima) o en un subconjunto restringido del soporte, permitiendo así construir pruebas válidas.

4. Resultados Empíricos (Simulaciones)

Los autores validan sus métodos mediante simulaciones extensas:

1. Robustez a la Dependencia: En escenarios con dependencia anti-monótona máxima (correlación -1), los procesos $e$ mantienen la validez (error de Ville controlado) y detectan la dominancia rápidamente, superando a métodos basados en bandas de confianza que asumen independencia.
2. Adaptabilidad: En datos con soporte continuo y no acotado, los métodos adaptativos (que ajustan los pesos de los umbrales) superan significativamente a los métodos no adaptativos, especialmente cuando la región de no-dominancia es pequeña o está lejos de los umbrales iniciales.
3. Comparación con Métodos Clásicos:
   • Comparados con pruebas clásicas de muestra fija (Barrett & Donald, Linton et al.), los métodos propuestos tienen una potencia comparable o superior, pero con la ventaja crucial de la validez secuencial.
   • Comparados con métodos basados en bandas de confianza uniformes en el tiempo (Howard & Ramdas), los procesos $e$ propuestos son mucho más potentes (requieren muestras mucho más pequeñas para rechazar la nula), especialmente cuando hay "contacto" (intersección) entre las funciones de distribución.
4. Órdenes Superiores: Los procesos $e$ para 2-SD y 3-SD también muestran alta potencia y control de error, incluso en casos difíciles con grandes conjuntos de contacto.

5. Significado e Impacto

• Rigor Estadístico en Tiempo Real: Proporciona la primera familia completa de pruebas secuenciales válidas para dominancia estocástica de cualquier orden, permitiendo a los tomadores de decisiones detener experimentos (como pruebas A/B o ensayos clínicos) tan pronto como haya evidencia suficiente, sin inflar el error Tipo I.
• Flexibilidad No Paramétrica: Elimina la necesidad de suposiciones distribucionales fuertes o de independencia entre pares de datos, lo cual es crucial en aplicaciones del mundo real donde los datos pueden estar correlacionados o tener distribuciones desconocidas.
• Eficiencia: La combinación de estrategias GRO y pesos adaptativos permite detectar diferencias sutiles en las distribuciones mucho más rápido que los métodos basados en bandas de confianza tradicionales.
• Marco Teórico: Establece un puente entre la teoría de la dominancia estocástica (economía/decisiones) y la teoría moderna de inferencia segura (martingalas, procesos $e$), ofreciendo herramientas para problemas de decisión bajo incertidumbre que van más allá de la simple comparación de medias.

En resumen, el artículo transforma la prueba de dominancia estocástica de un problema de muestra fija y asintótico en un procedimiento secuencial, robusto y altamente eficiente, utilizando la metáfora de "apostar contra la hipótesis nula" para cuantificar la evidencia en tiempo real.