Résumé technique : Processus e régularisés : Inférence valide à tout instant avec gains d'efficacité fondés sur la connaissance

1. Énoncé du problème

Les méthodes statistiques classiques reposent généralement sur l'hypothèse que les tailles d'échantillon sont prédéterminées. Cependant, dans de nombreuses applications pratiques, la collecte de données est dynamique, avec des règles d'arrêt déterminées par les données elles-mêmes (par exemple, la surveillance séquentielle). L'application de méthodes à taille d'échantillon fixe dans de tels contextes « à tout instant » compromet les garanties théoriques, contribuant à des problèmes de fiabilité et à la crise de la réplication.

Bien que les processus e soient apparus comme une solution, offrant une inférence « valide à tout instant » (fiabilité quelle que soit la règle d'arrêt) via l'inégalité de Ville, ils rencontrent une limitation : leur taux de croissance est borné. Lorsqu'un processus e ne peut pas être fait croître plus rapidement par des ajustements algorithmiques, l'efficacité (la vitesse à laquelle les hypothèses fausses sont rejetées) atteint un plateau.

De plus, les méthodes standards valides à tout instant sont souvent « prêtes à l'emploi », ignorant la connaissance partielle préalable d'un enquêteur concernant la quantité d'intérêt, $\Theta$. Les approches bayésiennes traditionnelles nécessitent des distributions a priori précises, ce qui peut être impossible à justifier avec des informations incomplètes. À l'inverse, ignorer une telle connaissance conduit à une inefficacité. L'article aborde le défi d'intégrer une connaissance a priori qualitative et incomplète dans l'inférence valide à tout instant pour réaliser des gains d'efficacité sans sacrifier la fiabilité.

2. Méthodologie

Le cadre proposé intègre la probabilité imprécise (spécifiquement la théorie des possibilités) avec les processus e via un mécanisme de régularisation.

2.1. Régularisation probabiliste imprécise

La connaissance a priori de l'enquêteur est encodée non pas comme une distribution de probabilité précise, mais comme une probabilité imprécise, représentée par un ensemble crédal $\mathcal{Q}$ (une collection de mesures de probabilité compatibles). Un cas particulier de ceci est la théorie des possibilités, où l'incertitude est quantifiée par une fonction de contour $q(\theta) \in [0, 1]$.

• Régularisateur ($\rho$) : Une fonction $\rho: \mathcal{T} \to [0, \infty)$ est définie pour représenter le poids de la preuve contre une hypothèse $\Theta = \theta$ basé sur la connaissance a priori. Pour être valide, $\rho$ doit satisfaire une condition de bornitude par rapport à l'a priori : sa valeur espérée supérieure sous l'ensemble crédal doit être $\leq 1$ ($\overline{\mathbb{E}}_{\mathcal{Q}}[\rho] \leq 1$).
• Construction : Pour les a priori de possibilité avec contour $q$, un régularisateur est construit en calibrant l'inverse du contour : $\rho(\theta) = \{ \gamma \circ q(\theta) \}^{-1}$, où $\gamma$ est une fonction « calibreuse » assurant que la borne d'espérance est respectée. Cela permet à $\rho(\theta)$ d'être grand (boostant le processus e) pour les valeurs de $\theta$ jugées peu plausibles par l'a priori.

2.2. Le processus e régularisé

L'innovation centrale est la définition d'un processus e régularisé ($e_{\text{reg}}$) en multipliant un processus e standard piloté par les données ($e_\theta$) par le régularisateur :
$$e_{\text{reg}}(z_n, \theta) = \rho(\theta) \times e_\theta(z_n)$$
Cette multiplication booste le processus e pour les hypothèses incompatibles avec la connaissance a priori, permettant théoriquement un rejet plus rapide des hypothèses fausses (gain d'efficacité).

2.3. Validité à tout instant généralisée

Un défi technique critique est que la manipulation d'un processus e détruit généralement sa validité à tout instant. L'article résout ceci en redéfinissant le critère de validité pour qu'il soit dépendant de la connaissance.

• Au lieu d'exiger une validité contre toutes les distributions génératrices de données possibles, le cadre exige une validité contre toute distribution conjointe de (Données, $\Theta$) qui est compatible à la fois avec le modèle statistique et l'ensemble crédal $\mathcal{Q}$ de l'enquêteur.
• Ceci est formalisé via une distribution conjointe supérieure induite $\overline{\mathbb{P}}$, construite en prenant le supremum sur tous les a priori dans $\mathcal{Q}$ et leurs tirages en arrière correspondants vers l'espace des paramètres.

3. Contributions clés et résultats théoriques

3.1. Inégalité de Ville généralisée

L'article établit une Inégalité de Ville généralisée pour le processus e régularisé.

• Théorème 1 : Si $\rho$ est un régularisateur valide par rapport à $\mathcal{Q}$, alors pour tout temps d'arrêt $N$ :
  $$\overline{\mathbb{P}}\left( e_{\text{reg}}(Z_N, f(\Omega)) > \alpha^{-1} \right) \leq \alpha$$
  Cela garantit que le contrôle de l'erreur de type I est préservé, mais la probabilité d'erreur est mesurée par rapport à la connaissance a priori de l'enquêteur (via $\overline{\mathbb{P}}$) plutôt que par une borne uniforme de pire cas.

3.2. Modèles inférentiels e-possibilistes (IM)

Le cadre s'étend au-delà des tests d'hypothèses vers la quantification complète de l'incertitude.

• IM possibilistes : Le processus e régularisé est transformé en un contour de possibilité $\pi_{\text{reg}}(z_n, \theta) = 1 \wedge e_{\text{reg}}(z_n, \theta)^{-1}$.
• Théorèmes 2 & 3 : L'IM e-possibiliste résultant est fortement valide à tout instant. Il satisfait :
  $$\overline{\mathbb{P}}\left( \pi_{\text{reg}}(Z_N, f(\Omega)) \leq \alpha \right) \leq \alpha$$
  Cela implique que l'IM évite la « fausse confiance » (attribution systématique d'une haute confiance à des hypothèses fausses) même sous des règles d'arrêt dynamiques.

3.3. Propriétés décisionnelles

L'article démontre que l'IM e-possibiliste satisfait plusieurs propriétés souhaitables :

• Principe de vraisemblance : L'inférence dépend uniquement de la fonction de vraisemblance.
• Pas de perte sûre : Le schéma de prix dérivé de l'IM est cohérent, empêchant un scénario de « livre hollandais » où un agent est garanti de perdre de l'argent.
• Prise de décision : Le cadre soutient la prise de décision formelle en minimisant la perte espérée supérieure (une intégrale de Choquet), fournissant une règle robuste face à l'incertitude quantifiée par l'IM.

4. Résultats et illustrations

L'article valide la méthodologie par des preuves théoriques et des illustrations numériques :

• Gains d'efficacité : Dans un modèle de moyenne normale, l'intégration d'informations a priori partielles (par exemple, « 95 % sûr que la moyenne est positive ») via le régularisateur réduit considérablement le nombre d'échantillons requis pour rejeter une hypothèse fausse par rapport au processus e non régularisé. Le gain est le plus prononcé lorsque les données sont légèrement incompatibles avec l'a priori mais que l'a priori est fort.
• Application aux essais cliniques : Le cadre est appliqué aux données de l'essai clinique ECMO vs CMT de Ware (1989).
  • La connaissance a priori (taux de survie historiques) a été encodée comme une mesure de possibilité.
  • Le processus e régularisé a produit des ensembles de confiance plus étroits pour le taux de survie ECMO (où l'information a priori était forte) et des ensembles légèrement plus larges pour le taux CMT (où l'information a priori était faible/incompatible avec les données), démontrant une adaptation à la fois conservatrice et efficace.
  • La conclusion selon laquelle l'ECMO est supérieur a été atteinte avec une justification plus forte que le test exact de Fisher standard (qui manque de validité à tout instant) et était alignée avec les analyses bayésiennes généralisées.

5. Importance et affirmations

L'article prétend fournir un cadre rigoureux et non asymptotique pour exploiter la connaissance a priori partielle dans des contextes de données dynamiques.

• Combler le fossé : Il comble le fossé entre la fiabilité stricte des méthodes fréquentistes valides à tout instant et l'efficacité des méthodes bayésiennes, sans exiger l'hypothèse forte d'une distribution a priori précise.
• Fiabilité avec efficacité : Il prouve que les gains d'efficacité dérivés de la régularisation ne se font pas au détriment de la fiabilité, à condition que la définition de validité soit appropriément assouplie pour tenir compte de la connaissance a priori spécifique utilisée.
• Utilité pratique : En utilisant la théorie des possibilités et les probabilités imprécises, la méthode permet aux enquêteurs d'utiliser des connaissances qualitatives ou « basées sur la surprise » (par exemple, « Je serais très surpris si $\Theta = c$ ») sans les forcer à fabriquer une distribution de probabilité précise.
• Robustesse : L'inférence résultante est « sûre » face aux règles d'arrêt adverses ou dépendantes des données et évite les conclusions trompeuses systématiques associées à la « fausse confiance » dans la quantification probabiliste traditionnelle.

L'auteur note que, bien que la théorie soit établie, l'élicitation pratique des a priori (conversion de connaissances qualitatives en un contour de possibilité) reste un défi psychologique et méthodologique pour une exploration future. De plus, la théorie actuelle se concentre sur des paramètres de dimension fixe, l'adaptation aux dimensions élevées restant une question ouverte.