The Nonparametric Kiefer-Weiss Problem

Resumen Técnico: El Problema de Kiefer–Weiss No Paramétrico

Formulación del Problema
Este artículo aborda una variante novedosa del problema de Kiefer–Weiss, denominada Problema de Kiefer–Weiss No Paramétrico (NPKWT). Mientras que el problema clásico de Kiefer–Weiss busca minimizar el máximo valor esperado del tamaño de la muestra sobre una familia paramétrica de distribuciones sujeto a restricciones de error, el NPKWT invierte el objetivo y el dominio de la restricción. El objetivo es minimizar una suma ponderada de las probabilidades de error Tipo I y Tipo II ($\alpha + z\beta$) sujeto a una restricción de que el tamaño de muestra esperado no exceda una constante $c$ para todas las distribuciones de probabilidad posibles en el espacio de secuencias dado. Formalmente, el problema se define como:
$$\inf_{\psi \in I^\infty_c} \inf_{\delta \in I^\infty} \alpha(\delta, \psi) + z \beta(\delta, \psi)$$
donde $I^\infty_c$ es el conjunto de políticas de parada tales que $E_P[T] \le c$ para todo $P \in \mathcal{M}(\mathcal{X}^\infty)$. Los autores asumen hipótesis binarias $H_0$ y $H_1$ respecto a la distribución i.i.d. de las observaciones, siendo $P_1$ absolutamente continua con respecto a $P_0$.

Metodología
La solución se deriva mediante una reducción a un problema de parada óptima, utilizando un enfoque de "aleatoriedad limitada" para construir la solución para el caso general.

1. Reducción a la Parada Óptima: Los autores demuestran primero que la política de decisión óptima $\delta^*$ es una prueba de razón de verosimilitud (LRT). Esto reduce el problema a encontrar una política de parada óptima $\psi$ que minimice la función de costo $E_0[g(z \Lambda_T)]$, donde $\Lambda_T$ es la razón de verosimilitud en el tiempo de parada y $g(z) = \min\{1, z\}$.
2. Aleatoriedad Limitada ($k$-aleatorización): Los autores introducen una secuencia de subproblemas donde el número de decisiones de parada aleatorizadas se limita a $k$. Definen una función de costo $\rho_k(z, c)$ que representa el costo mínimo con a lo sumo $k$ aleatorizaciones.
   • Para $k=0$ (determinista), la prueba óptima se reduce a una Prueba de Tamaño de Muestra Fijo (FSST) con un tamaño de muestra $\lfloor c \rfloor$.
   • Para $k \ge 1$, los autores derivan una ecuación recursiva de tipo Bellman (Lema 4.3) que relaciona $\rho_k$ con $\rho_{k-1}$. Esto implica maximizar una función $r_k(z, b)$ sobre un potencial "presupuesto" $b$ de muestras restantes.
3. Aleatoriedad Ilimitada ($k \to \infty$): La solución al problema original se obtiene tomando el límite $k \to \infty$. Los autores prueban que $\rho_k$ converge puntualmente a una función límite $\rho(z, c)$.
   • Resultado Estructural Clave: A diferencia del caso limitado, se demuestra que la función límite $\rho(z, \cdot)$ es convexa y lineal por tramos con puntos de ruptura en enteros. Esta propiedad simplifica significamente la regla de parada óptima.
   • Política Óptima: La regla de parada óptima se caracteriza mediante un estadístico bidimensional $(z_t, c_t)$, donde $z_t$ es la razón de verosimilitud y $c_t$ rastrea el tamaño de muestra esperado restante. La probabilidad de parada está determinada por una función $m^*(z)$, que mapea la razón de verosimilitud a un tamaño de muestra con valores enteros. La regla es:
     $$\psi^*_t = 1 - \frac{c_t}{\max\{c_t, m^*(z_t)\}}$$
     Si $c_t < m^*(z_t)$, la prueba se detiene con probabilidad $1 - c_t/m^*(z_t)$; de lo contrario, continúa con certeza.

Contribuciones Clave y Resultados

• Existencia y Caracterización: El artículo demuestra la existencia de una política de parada óptima y la caracteriza como la solución de una ecuación de Bellman no lineal (Ec. 17).
• Estadístico Bidimensional: La política óptima depende de un estado bidimensional: la razón de verosimilitud y el presupuesto de muestra restante. Esto contrasta con las pruebas de razón de verosimilitud secuenciales (SPRT) estándar, que típicamente dependen de una razón de verosimilitud unidimensional con umbrales fijos.
• Papel de la Aleatorización: La estrategia óptima utiliza explícitamente la aleatorización para "aumentar" el tamaño de muestra esperado para algunas ejecuciones mientras se detiene tempranamente para otras. Este mecanismo permite que la prueba satisfaga la restricción del tamaño de muestra esperado en el peor de los casos para todas las distribuciones, mientras minimiza las probabilidades de error.
• Robustez y Naturaleza No Truncada:
  • El NPKWT exhibe una propiedad de "igualación de costo": el tamaño de muestra esperado es constante ($c$) para todas las secuencias de observaciones, lo que hace que cada distribución sea "menos favorable".
  • A diferencia de muchas pruebas de Kiefer–Weiss paramétricas, el NPKWT es no truncado; el tiempo de parada tiene soporte en todos los enteros no negativos, aunque la esperanza permanece acotada.
• Aproximaciones: Los autores proponen dos aproximaciones prácticas para el mapeo óptimo $m^*(z)$ basadas en el caso de una sola aleatorización ($k=1$) y el análisis asintótico ($z \to 0, \infty$). Se demuestra que estas aproximaciones acotan el tamaño de muestra óptimo y son computacionalmente eficientes.
• Validación Numérica: Dos ejemplos numéricos (desplazamiento de Bernoulli y desplazamiento de media Normal) ilustran los resultados. Las simulaciones muestran que permitir incluso una sola aleatorización ($k=1$) reduce significativamente la probabilidad de error en comparación con las FSST deterministas ($k=0$), con ganancias marginales adicionales a medida que $k \to \infty$. Las distribuciones del tiempo de parada muestran colas pesadas a la derecha, consistentes con la naturaleza no truncada de la política.

Significancia y Reivindicaciones
El artículo afirma resolver un problema fundamental en el análisis secuencial al extender el marco de Kiefer–Weiss a un entorno no paramétrico. La significancia radica en:

1. Robustez: El NPKWT proporciona una prueba que es robusta contra el desajuste del modelo, ya que está optimizada para la distribución del peor de los casos en lugar de una familia paramétrica específica.
2. Perspectiva Teórica: Revela que las pruebas secuenciales no paramétricas óptimas requieren reglas de parada aleatorizadas y un espacio de estado bidimensional, desafiando la intuición de que las pruebas óptimas son siempre basadas en umbrales de la razón de verosimilitud.
3. Utilidad Práctica: Aunque la solución exacta implica resolver una ecuación integral, el artículo argumenta que el NPKWT es esencialmente una "SPRT aumentada" que es robusta a las desviaciones del mapeo óptimo $m^*$. Esto sugiere que las aproximaciones propuestas pueden usarse en la práctica con una sobrecarga computacional mínima, ofreciendo una alternativa viable a las pruebas de Kiefer–Weiss convencionales que a menudo requieren umbrales complejos dependientes del tiempo.

Los autores concluyen que, si bien el NPKWT es de interés teórico, su robustez y la disponibilidad de aproximaciones simples lo convierten en una opción atractiva para aplicaciones prácticas donde la incertidumbre del modelo es alta. Quedan preguntas abiertas respecto a los límites de la ganancia sobre las FSST y la monotonicidad del tamaño de muestra óptimo con respecto al número de aleatorizaciones permitidas.