📊 statistics

Combining Evidence Across Filtrations

Cet article propose une méthode « ajuster puis combiner » utilisant des « adjusters » pour fusionner des e-processus construits dans des filtrations différentes, permettant ainsi de tester des hypothèses nulles composites (comme la randomité) tout en quantifiant le coût logarithmique de la restauration de la validité dans la filtration originale.

Auteurs originaux : Yo Joong Choe, Aaditya Ramdas

Publié 2026-03-17

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Yo Joong Choe, Aaditya Ramdas

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

🎲 Le Grand Jeu de la Preuve : Comment combiner les indices quand les règles changent

Imaginez que vous êtes un détective privé (ou un investisseur prudent) qui observe une série d'événements jour après jour. Votre but est de savoir si ces événements sont aléatoires (comme des lancers de pièce équitables) ou s'ils cachent un modèle caché (comme un tricheur qui a pipé les dés).

Dans le monde moderne des statistiques, on utilise des outils appelés "e-processes" (processus de preuve). C'est un peu comme un compteur de richesse pour un parieur :

Si les événements sont vraiment aléatoires, votre richesse (la preuve contre l'hypothèse nulle) ne devrait pas exploser. Elle reste modeste.
Si les événements sont truqués, votre richesse grimpe en flèche, vous signalant : "Attention ! Il y a une anomalie !"

Le problème majeur, c'est que vous pouvez avoir deux détectives qui travaillent sur le même cas, mais qui ne voient pas la même chose.

1. Le Problème : Deux lunettes, deux réalités

Imaginons deux détectives :

Le Détective A (L'Universel) : Il regarde tout. Chaque détail, chaque chiffre brut. Il a une vision très précise (une "filtration fine").
Le Détective B (Le Conformiste) : Il regarde seulement des résumés ou des scores simplifiés. Il ne voit pas les chiffres bruts, juste des tendances globales (une "filtration coarse" ou épaissie).

Le piège :
Si vous combinez simplement leurs comptes-rendus en faisant une moyenne, vous avez un problème.

Le Détective A est très prudent : il ne se trompe jamais, même si vous décidez d'arrêter l'enquête à un moment précis basé sur ce que vous voyez maintenant.
Le Détective B est moins prudent : il est fiable seulement si vous arrêtez l'enquête selon ses propres règles (basées sur ses résumés). Si vous l'arrêtez en regardant les détails bruts (que lui ne voit pas), son compteur de richesse peut mentir et exploser faussement.

C'est comme si le Détective B disait : "Je suis sûr à 100% que le suspect est innocent" en regardant un résumé flou, mais que dès qu'on regarde la vidéo HD (les détails bruts), on se rend compte qu'il a raté un détail crucial et qu'il est en fait coupable. Moyenner leurs avis ne fonctionne pas directement.

2. La Solution : Le "Transformateur de Preuve" (L'Adjusteur)

Les auteurs de ce papier, Yo Joong Choe et Aaditya Ramdas, proposent une solution ingénieuse : l'ajustement.

Ils utilisent un outil mathématique appelé un "ajusteur".
Imaginez que le Détective B (celui qui regarde les résumés) vous donne un rapport. Avant de le mélanger avec celui du Détective A, vous passez ce rapport à travers un filtre de sécurité (l'ajusteur).

Comment ça marche ? L'ajusteur prend la valeur maximale que le détective a atteinte jusqu'à présent (son pic de confiance) et le "réduit" légèrement, comme si vous payiez une petite taxe pour garantir sa sécurité.
Le résultat : Une fois ce rapport "ajusté", il devient aussi solide et fiable que celui du Détective A, même si vous décidez d'arrêter l'enquête n'importe quand, en regardant n'importe quel détail.

C'est un peu comme si vous preniez un parachute un peu fragile (le détective B), vous y ajoutiez un système de sécurité redondant (l'ajusteur), et soudainement, il devenait aussi sûr qu'un parachute militaire, prêt à être utilisé dans n'importe quelles conditions.

3. La Méthode "Ajuster puis Combiner"

La recette magique du papier est simple :

Prenez la preuve du détective qui regarde les résumés (filtration coarse).
Appliquez l'ajusteur (le filtre de sécurité) pour la rendre valide dans le monde réel (filtration fine).
Mélangez (moyenne) cette preuve ajustée avec celle du détective qui voit tout.

Le résultat ? Vous obtenez un seul compteur de richesse ultra-puissant qui combine les forces des deux :

Il détecte les tricheries complexes (grâce au Détective A).
Il détecte les changements soudains (grâce au Détective B).
Et surtout, il est sûr à 100% à n'importe quel moment, même si vous changez d'avis sur quand arrêter l'expérience.

4. Pourquoi c'est important ? (L'exemple de la Bourse)

Les auteurs testent cela sur des données financières réelles (comme le S&P 500).

Parfois, les jours de forte volatilité arrivent par groupes (comme une tempête qui dure plusieurs jours).
Parfois, il y a un changement brutal (comme une crise soudaine).

En utilisant leur méthode, ils peuvent détecter les deux types de problèmes en même temps. Sans cette méthode, ils auraient dû choisir entre un outil qui voit les tempêtes ou un outil qui voit les changements soudains, mais pas les deux ensemble sans risquer de se tromper.

En résumé

Ce papier nous dit : "Ne jetez pas les preuves parce qu'elles ont été collectées avec des lunettes différentes !"

Si vous avez un outil qui fonctionne bien mais dans un cadre restreint, vous pouvez le "booster" avec un ajusteur pour le rendre universel. Ensuite, vous pouvez le combiner avec d'autres outils pour créer une détection de fraudes ou d'anomalies plus forte, plus rapide et plus fiable que n'importe quel outil seul.

C'est une victoire pour la science des données : on peut maintenant assembler des pièces de puzzle qui semblaient incompatibles pour former une image complète et infaillible.

1. Problématique et Contexte

L'article aborde un défi fondamental dans le domaine de l'inférence séquentielle valide à tout moment (Sequential Anytime-Valid Inference - SAVI). Dans ce cadre, les preuves contre une hypothèse nulle composite sont quantifiées par des e-processus (généralisations séquentielles des e-values). Une propriété clé des e-processus est qu'ils peuvent être combinés (par exemple, par moyenne) de manière valide si et seulement s'ils sont construits dans la même filtration (le même flux d'information).

Cependant, de nombreux problèmes pratiques (tests de randomité, tests d'indépendance, évaluation de prévisions) nécessitent l'utilisation de plusieurs e-processus construits dans des filtrations différentes, souvent des sous-filtrations (filtrations plus grossières) de la filtration des données complète.

Le problème : Un e-processus valide dans une filtration grossière $G$ n'est pas nécessairement valide dans une filtration plus fine $F$ ( $G \subseteq F$ ). Si l'on combine simplement un e-processus de $F$ avec un e-processus de $G$ par moyenne, le résultat perd sa propriété de validité "à tout moment" (anytime-validity) dans $F$ .
Exemple motivant : Dans les séries temporelles financières, un test de randomité peut utiliser un e-processus basé sur l'inférence universelle (valide dans la filtration des données) et un test martingale conformel (valide uniquement dans une filtration basée sur les p-values conformelles, qui est plus grossière). La moyenne directe de ces deux processus n'est pas un e-processus valide dans la filtration des données.

2. Méthodologie : Le "Lifting" (Relevage)

Les auteurs proposent une méthode systématique pour combiner des e-processus de filtrations différentes, baptisée "adjust-then-combine" (ajuster puis combiner). Cette approche repose sur deux concepts clés :

A. La distinction entre P-processus et E-processus

P-processus : Les auteurs montrent d'abord que les p-processus (généralisations séquentielles des p-values) peuvent être "relevés" (lifted) gratuitement d'une sous-filtration $G$ vers une filtration plus fine $F$ sans aucune perte de validité. C'est une conséquence directe de l'équivalence entre la validité à temps aléatoire et la validité à temps d'arrêt.
E-processus : En revanche, les e-processus ne bénéficient pas de cette propriété "gratuite" car leur validité repose sur une borne d'espérance ( $E[e_\tau] \le 1$ ), qui ne se préserve pas automatiquement lors du passage à une filtration plus fine.

B. Les Ajusteurs (Adjusters)

Pour relever un e-processus d'une filtration grossière $G$ vers une filtration fine $F$ , les auteurs introduisent l'utilisation d'ajusteurs.

Définition : Un ajusteur est une fonction croissante $A : [1, \infty] \to [0, \infty]$ satisfaisant la condition intégrale $\int_1^\infty \frac{A(e)}{e^2} de \le 1$ .
Fonctionnement : Si $(e_t)$ est un e-processus dans $G$ , le processus ajusté défini par $e^{adj}_t = A(e^*_t)$ (où $e^*_t = \sup_{i \le t} e_i$ est le maximum courant) devient un e-processus valide dans la filtration plus fine $F$ .
Coût : L'utilisation d'un ajusteur implique un "coût logarithmique" en puissance statistique (l'évidence accumulée est réduite), mais garantit la validité à tout moment dans la filtration fine.

C. Procédure "Ajuster puis Combiner"

La méthode proposée pour combiner un e-processus $e$ dans $F$ et un e-processus $e'$ dans $G$ est la suivante :

Prendre le maximum courant de l'e-processus dans la sous-filtration : $e'^*_t$ .
Appliquer un ajusteur admissible $A$ : $e'^{adj}_t = A(e'^*_t)$ .
Combiner (par moyenne arithmétique) avec l'autre e-processus : $\bar{e}_t = \gamma e_t + (1-\gamma) e'^{adj}_t$ .
Le résultat $\bar{e}_t$ est un e-processus valide dans la filtration fine $F$ .

3. Contributions Clés

Théorème de Relevage (E-lifting) : Preuve formelle que l'application d'un ajusteur à un e-processus dans une sous-filtration produit un e-processus valide dans toute filtration plus fine. Cela permet de combiner des preuves hétérogènes.
Caractérisation des Ajusteurs : Les auteurs établissent un théorème de caractérisation montrant que les ajusteurs sont non seulement suffisants, mais nécessaires pour relever des e-processus arbitraires. Si une fonction permet de transformer le maximum d'un e-processus arbitraire en un e-processus valide dans une filtration plus fine, cette fonction doit être un ajusteur.
Existence d'E-processus Puissants : Une implication théorique majeure est que si un e-processus puissant existe dans une filtration grossière, alors un e-processus puissant existe également dans la filtration des données originale (via le relevage). Cela répond à une question ouverte sur l'existence de tests puissants pour des hypothèses composites complexes (comme la randomité ou l'indépendance) où aucun test martingale puissant n'existe directement dans la filtration des données.
Applications Pratiques :
- Tests de Randomité : Combinaison de l'e-processus d'inférence universelle (puissant contre les alternatives de Markov) et des martingales de test conformel (puissantes contre les changements de régime).
- Tests d'Indépendance : Combinaison de méthodes basées sur le pari par paires et les rangs séquentiels.
- Évaluation de Prévisions : Comparaison de prévisionneurs à $h$ pas avec des retards d'information différents.

4. Résultats Expérimentaux

Les auteurs valident leur approche sur des données simulées et réelles :

Données Financières (S&P 500, Amazon, etc.) : En testant la randomité des jours à haute volatilité, la méthode combinée détecte à la fois les dépendances de type Markov (autour de la crise COVID-2020) et les changements de régime (chocs d'inflation en 2022), là où les méthodes individuelles échouent.
Puissance Statistique : Les simulations montrent que bien que l'ajustement entraîne une légère perte de puissance par rapport à une moyenne simple non valide (qui ne contrôle pas le risque d'erreur de type I à temps d'arrêt), la méthode "ajuster puis combiner" maintient une puissance compétitive tout en garantissant la validité théorique.
Comparaison avec d'autres méthodes : Dans le contexte de l'évaluation de prévisions à $h$ pas, la méthode proposée (basée sur les e-processus) est supérieure aux approches basées sur les p-values pour la production de preuves continues, bien que les p-values puissent offrir des tests séquentiels légèrement plus puissants dans certains cas spécifiques.

5. Signification et Implications

Théorique : Ce travail unifie la théorie des e-processus et des ajusteurs, formalisant le lien entre les jeux de probabilité (théorie des jeux) et l'inférence statistique. Il démontre que la perte d'information due au filtrage peut être compensée par un coût logarithmique contrôlé.
Pratique : La méthode offre une boîte à outils robuste pour les analystes de données qui doivent surveiller des modèles en temps réel (finance, climatologie, contrôle qualité) en utilisant plusieurs indicateurs de risque construits sur des niveaux d'information différents. Elle permet d'éviter le "data peeking" (regarder les données pour décider quand arrêter) tout en combinant la puissance de multiples stratégies de test.
Limites et Futur : L'article note que le coût logarithmique est inévitable pour une validité générale. Des travaux futurs pourraient explorer des ajusteurs randomisés ou des structures spécifiques au problème pour réduire ce coût.

En résumé, cet article résout le problème de la combinaison d'evidences séquentielles hétérogènes en introduisant une procédure rigoureuse ("ajuster puis combiner") qui préserve la validité statistique à tout moment, rendant ainsi possible l'agrégation de tests puissants construits sur des niveaux d'information variés.