Target-Oriented Statistical Compression: Sufficiency, Reverse Martingales, and Sequential Monitoring

Resumen Técnico: Compresión Estadística Orientada al Objetivo

Planteamiento del Problema
Los procedimientos estadísticos frecuentemente descartan características de los datos irrelevantes para un objetivo inferencial específico, comprimiendo trayectorias de datos complejas en resúmenes como estadísticos suficientes, estimaciones de máxima verosimilitud (MLE) o estados ocultos en modelos secuenciales. Surge un desafío crítico en la monitorización binaria secuencial: datos finitos pueden sugerir "degeneración de frontera" (por ejemplo, una probabilidad exactamente cero o uno) debido a fenómenos transitorios como series de fallos totales, separación logística o trayectorias de compresión inestables. El artículo argumenta que la cercanía a la frontera en muestras finitas es meramente un síntoma diagnóstico, whereas la degeneración exacta de la frontera es una propiedad límite del proceso objetivo condicional. Los métodos secuenciales existentes, como la Prueba de Razón de Verosimilitud Secuencial (SPRT) y los gráficos de Suma Acumulada (CUSUM), abordan la prueba de hipótesis o los cambios en la media, pero no verifican explícitamente si un objetivo condicional ha convergido establemente a una frontera mientras controla la incertidumbre y la coherencia de la trayectoria.

Metodología
El artículo desarrolla un marco unificado de compresión estadística orientada al objetivo. El objeto central es el proceso objetivo condicional $M_n = E(Z \mid G_n)$, donde $Z$ es el objetivo inferencial y $G_n = \sigma(T_n)$ es el campo $\sigma$ que representa la información retenida por un mapa de compresión $T_n$.

1. Estructura de Martingala Inversa: Al organizar los campos de información retenida $(G_n)$ como una filtración decreciente (utilizando campos $\sigma$ de cola $G_n = \sigma(T_k : k \ge n)$), el proceso $(M_n)$ forma una martingala inversa. Según el Teorema 2.3, $M_n$ converge casi seguramente y en $L^1$ hacia un objetivo límite $M_\infty = E(Z \mid G_\infty)$.

2. Suficiencia Aproximada y Defectos: Cuando los resúmenes no son exactamente suficientes (por ejemplo, estimadores penalizados, representaciones aprendidas), el proceso se convierte en una cuasi-martingala inversa. La desviación de la coherencia exacta se cuantifica mediante el defecto de cuasi-martingala inversa:
   $$\delta_n = E(M_n \mid G_{n+1}) - M_{n+1}$$
   El cambio observable paso a paso $r_n = |M_n - M_{n-1}|$ sirve como un proxy empírico para este defecto teórico.

3. Regla de Parada de Tres Condiciones ($\tau_{RM}$): Para declarar una frontera práctica (por ejemplo, $M_\infty \approx 0$ o $1$), el artículo propone una regla de parada que requiere tres condiciones simultáneas:

   • Cercanía a la Frontera ($B_n \le \varepsilon$): La proyección actual del objetivo está cerca de la frontera.
   • Localización de la Incertidumbre ($W_n \le w$): La anchura de una secuencia de confianza uniforme en el tiempo o un intervalo de credibilidad posterior para $M_\infty$ es suficientemente estrecha.
   • Estabilidad de la Trayectoria ($r_n \le \eta$): El defecto de estabilidad empírico es pequeño, asegurando que el estado cercano a la frontera no sea un artefacto transitorio.

   $$\tau_{RM} = \inf \{ n \ge n_{\min} : B_n \le \varepsilon, \ W_n \le w, \ r_n \le \eta \}$$

Contribuciones Clave

• Marco Unificado de Compresión: El artículo formaliza los resúmenes estadísticos (estadísticos suficientes, MLE, estados ocultos) como mapas de compresión que inducen una filtración decreciente, con el proceso objetivo condicional como el objeto natural para el análisis de martingalas inversas.
• Distinción Teórica: Distingue rigurosamente entre la cercanía a la frontera en muestras finitas (un diagnóstico de muestra finita) y la degeneración exacta de la frontera (una propiedad del límite $M_\infty$).
• Reducción Estructural: La Proposición 2.10 demuestra que cuando el resumen retenido es exactamente suficiente (por ejemplo, en familias Normal, Bernoulli o Poisson con priores conjugados), el defecto de coherencia $\delta_n$ es idénticamente cero. En consecuencia, la condición de estabilidad $r_n \le \eta$ se satisface automáticamente, y la regla $\tau_{RM}$ se reduce exactamente a la regla de dos condiciones $\tau_{2cond}$ (cercanía + incertidumbre), sin imponer ningún retraso adicional.
• Cuantificación del Defecto: Para resúmenes aproximados (por ejemplo, regresión logística con separación, estados ocultos de redes neuronales), el artículo introduce el defecto $\delta_n$ y su proxy $r_n$ como medidas cuantitativas de pérdida de información o desajuste de representación, proporcionando un mecanismo para retrasar las declaraciones cuando la compresión es inestable.

Resultados
Estudios de calibración numérica en configuraciones Bernoulli, Gaussiana, Poisson y logística, así como en escenarios realistas de monitorización de salud pública (datos de ILI del CDC de Taiwán y datos de plomo en sangre de NHANES), demuestran:

• Reducción de Declaraciones Falsas: En configuraciones de suficiencia exacta (Bernoulli, Poisson), la regla basada solo en la frontera ($\tau_{bdy}$) se detiene frecuentemente de manera prematura debido a prefijos transitorios de fallos totales, generando altas tasas de declaraciones falsas (por ejemplo, 22.6% en un escenario Bernoulli específico). La regla completa $\tau_{RM}$ (que se comporta como $\tau_{2cond}$ aquí) reduce esta tasa a casi cero al esperar la localización de la incertidumbre.
• Protección contra Compresión Aproximada: En configuraciones de regresión logística con separación, la condición de estabilidad $r_n \le \eta$ proporciona protección adicional sobre la regla de dos condiciones, retrasando las paradas cuando las trayectorias predictivas son inestables a pesar de una aparente cercanía a la frontera.
• Diagnósticos de Cuasi-Martingala: En estudios de perturbación (especificación incorrecta, suavizado exponencial), el defecto $r_n$ identifica correctamente defectos no sumables (trayectorias no decrecientes), evitando paradas prematuras en casos donde fallan las suposiciones de convergencia teórica.

Significado y Afirmaciones
El artículo afirma proporcionar un principio organizador unificado para la compresión estadística, vinculando la suficiencia clásica, la estimación basada en verosimilitud y la monitorización secuencial moderna. Su significado principal radica en reencuadrar las declaraciones de frontera: un valor cercano a cero o uno no es una afirmación inferencial fiable a menos que esté respaldado por un objetivo condicional estable, una incertidumbre localizada y un comportamiento coherente a lo largo de la trayectoria de compresión.

Los autores enfatizan que el marco propuesto no reemplaza herramientas clásicas como SPRT o CUSUM, sino que aborda una pregunta complementaria: si el objetivo condicional está establemente cerca de una frontera. El artículo señala modestamente que, aunque la base teórica se establece aquí, los procedimientos aplicados detallados, los límites de error de muestra finita y la evidencia numérica extensa para problemas específicos de detección de fronteras se desarrollan en un artículo complementario (Chang, 2026). El trabajo actual se centra en la base matemática, la construcción de filtraciones decrecientes, la definición de defectos de cuasi-martingala inversa y la reducción estructural de la regla de parada bajo suficiencia exacta.