📊 statistics

Betting on Bets: Anytime-Valid Tests for Stochastic Dominance

Cet article propose une nouvelle famille de tests séquentiels et valides à tout moment pour la dominance stochastique, utilisant des processus-e non paramétriques puissants qui permettent une surveillance en temps réel des avantages d'un prospect par rapport à un autre, tout en garantissant une validité statistique que les méthodes existantes ne peuvent offrir.

Auteurs originaux : Sebastian Arnold, Yo Joong Choe, Marco Scarsini, Ilia Tsetlin

Publié 2026-04-24

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Sebastian Arnold, Yo Joong Choe, Marco Scarsini, Ilia Tsetlin

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

Imaginez que vous êtes un investisseur, un manager de projet ou même un entraîneur de sport. Vous avez deux options devant vous : l'option A (la solution actuelle, éprouvée) et l'option B (une nouvelle idée, un nouveau médicament, un nouveau joueur).

Votre question est simple : « Est-ce que B a un avantage réel sur A ? »

Le problème, c'est que les résultats sont incertains. Parfois, A gagne, parfois B gagne. La statistique classique vous dit : « Attendez d'avoir collecté 1 000 données, puis nous ferons un calcul pour voir qui gagne. » Mais dans la vraie vie, vous ne pouvez pas attendre. Vous devez décider en temps réel : « Faut-il arrêter le projet B maintenant ou continuer ? »

C'est là que ce papier intervient. Il propose une nouvelle méthode pour parier sur les paris afin de détecter la supériorité d'une option sur l'autre, à tout moment, sans jamais se tromper sur la sécurité de la décision.

Voici l'explication en langage simple, avec quelques analogies :

1. Le problème : La "Domination Stochastique" (SD)

En termes compliqués, le papier parle de "domination stochastique". Imaginez deux coureurs, A et B.

Si A est toujours plus rapide que B, c'est facile.
Mais souvent, A est plus rapide sur 80% des courses, et B gagne sur les courses de pluie.
La "domination stochastique" signifie que, peu importe comment on regarde les résultats (la moyenne, la variance, les pires scénarios), B est systématiquement meilleur ou égal à A.

Les méthodes anciennes sont comme un juge qui ne rend son verdict qu'à la fin de la saison. Ce papier crée un juge qui peut s'arrêter à n'importe quel moment de la saison et dire : « J'ai assez de preuves, B bat A ! » ou « Non, on continue d'observer. »

2. La solution : Le jeu de l'argent (Les "E-processes")

L'idée centrale est de transformer le test statistique en un jeu de paris.

Le Sceptique (Vous) : Vous commencez avec 1 euro.
Le Prophète (L'hypothèse nulle) : Il vous dit : « B n'est pas mieux que A. C'est juste de la chance. »
Le Pari : À chaque nouvelle donnée (chaque course, chaque patient traité), vous pariez une partie de votre argent.
- Si B bat A, vous gagnez de l'argent (votre capital augmente).
- Si A bat B, vous perdez un peu.
- Si c'est égal, vous ne changez pas.

La magie du papier :
Les auteurs ont inventé une stratégie de pari très intelligente (basée sur des mathématiques avancées appelées "e-processes"). Cette stratégie garantit deux choses incroyables :

Sécurité absolue (Anytime-valid) : Si le Prophète a raison (B n'est pas mieux), vous ne gagnerez jamais d'argent à long terme, même si vous arrêtez le jeu n'importe quand. Votre capital restera bas. C'est comme si vous jouiez contre une maison de casino truquée : vous ne pouvez pas gagner si la maison est honnête.
Puissance explosive : Si B est vraiment meilleur, votre capital va exploser (croître exponentiellement). Plus vous avez de données, plus votre capital devient énorme, vous donnant une preuve mathématique irréfutable que B est supérieur.

3. L'analogie du "Parapluie" vs "La Boussole"

Les anciennes méthodes sont comme un parapluie : elles ne fonctionnent bien que si vous savez exactement combien de temps il va pleuvoir (taille de l'échantillon fixe). Si vous sortez le parapluie trop tôt ou trop tard, vous vous mouillez (erreur statistique).
La méthode de ce papier est comme une boussole intelligente. Peu importe quand vous regardez, elle vous indique la direction. Si B est meilleur, la boussole s'oriente de plus en plus fort vers le Nord. Vous pouvez arrêter de marcher dès que la boussole pointe clairement vers le Nord, sans avoir besoin de savoir combien de pas il vous reste à faire.

4. Pourquoi c'est révolutionnaire ?

Pas de suppositions bizarres : Les méthodes classiques ont besoin de supposer que les données suivent une courbe parfaite (comme une cloche). Cette méthode fonctionne même si les données sont bizarres, tordues ou imprévisibles.
Adaptabilité : Le système apprend en cours de route. Si B bat A seulement sur certains types de terrains (par exemple, seulement quand il pleut), le système va détecter ce motif et parier plus fort sur ces moments-là, accélérant la découverte.
Sécurité contre la triche : Même si vous regardez les résultats toutes les 5 minutes et décidez d'arrêter quand ça vous arrange, la méthode reste valide. Vous ne pouvez pas "tricher" en regardant trop souvent.

5. En résumé

Ce papier nous donne un outil pour surveiller en temps réel si une nouvelle idée est vraiment meilleure que l'ancienne.

Imaginez que vous testez un nouveau médicament. Au lieu d'attendre 5 ans pour avoir une réponse, vous pouvez lancer le test, et dès que les preuves s'accumulent (votre "capital de pari" devient énorme), vous savez immédiatement que le médicament fonctionne. Et si ça ne marche pas, vous savez que vous ne devez pas arrêter le test trop tôt par erreur.

C'est une façon de transformer l'incertitude en une monnaie de confiance, permettant de prendre des décisions cruciales plus vite, plus sûrement et sans se tromper.

1. Problématique et Contexte

L'article aborde le problème fondamental de la dominance stochastique (SD), un concept classique en économie et en théorie de la décision permettant de comparer deux distributions de probabilité (prospect incertains) sans se limiter à leur moyenne.

Le défi : Comment surveiller en temps réel si un prospect $Y$ présente un avantage (un "upside") par rapport à un autre $X$ ?
Limites des méthodes existantes : La plupart des tests de SD actuels sont des tests à échantillon fixe avec une validité asymptotique. Ils ne permettent pas d'arrêter l'expérience de manière adaptative (arrêt optionnel) sans compromettre le contrôle de l'erreur de type I. De plus, ils reposent souvent sur des hypothèses de régularité fortes (continuité des CDF, indépendance) ou des méthodes de rééchantillonnage (bootstrap) non valides en temps réel.
Objectif : Développer une famille de tests séquentiels valides à tout moment (Anytime-Valid) pour la dominance stochastique d'ordre 1 et d'ordres supérieurs, basés sur la théorie des e-processus.

2. Méthodologie : Le cadre des e-processus et du "Parier sur des paris"

Les auteurs utilisent le cadre de l'inférence séquentielle valide à tout moment (SAVI), reposant sur les e-variables et les e-processus.

A. Concepts Clés

E-variable : Une variable aléatoire non négative $E$ telle que $\mathbb{E}_\mathbb{P}[E] \le 1$ sous l'hypothèse nulle $\mathcal{H}_0$ .
E-processus : Une suite de variables adaptatives $(E_t)$ telle que $E_\tau$ est une e-variable pour tout temps d'arrêt $\tau$ . Cela garantit le contrôle de l'erreur de type I via l'inégalité de Ville, peu importe le moment où l'on arrête le test.
Interprétation par le jeu (Betting) : L'approche est interprétée comme un jeu de pari. Un "sceptique" parie contre l'hypothèse nulle (que $Y$ est dominé par $X$ ). Si l'hypothèse nulle est vraie, le capital du sceptique ne peut pas croître en espérance. Si $Y$ domine réellement, le capital croît exponentiellement.

B. Construction pour la Dominance Stochastique d'Ordre 1 (FSD)

Pour tester $\mathcal{H}_0 : Y \preceq_1 X$ (la fonction de répartition de $Y$ est partout supérieure ou égale à celle de $X$ ) :

E-variables de base : Pour un seuil fixe $z$ , les auteurs construisent une e-variable basée sur la différence des indicateurs :
$S(\lambda, z) = 1 + \lambda [\mathbb{1}(X \le z) - \mathbb{1}(Y \le z)]$
où $\lambda \in [0, 1]$ est la fraction du capital mise en jeu.
Stratégie de pari optimale (GRO) : Pour chaque seuil $z$ , ils dérivent le paramètre de pari $\lambda^*(z)$ qui maximise le taux de croissance logarithmique (Growth-Rate Optimal - GRO) sous l'hypothèse alternative.
Mélange de seuils (Mixture) : Puisque la dominance doit être vérifiée pour tous les seuils $z$ $z$ , l'hypothèse nulle est une intersection. Les auteurs utilisent une mélange prédictible (pondération) sur l'ensemble des seuils $\mathcal{Z}$ $Z$ .
- Ils proposent des poids adaptatifs (basés sur l'apprentissage en ligne, type Exponential Weights) qui allouent plus de capital aux seuils où la violation de la dominance est la plus forte.
- Le processus global est le produit des e-variables pondérées à chaque étape.

C. Extension aux Ordres Supérieurs ( $k$ -SD) et Ordres Intégraux

Pour la dominance d'ordre $k$ (impliquant des intégrales itérées des CDF ou des utilités concaves/convexes) :

Hypothèse de borne : Si les données sont bornées inférieurement, ils normalisent les générateurs d'utilité pour obtenir des e-variables valides.
Portefeuilles Universels (Universal Portfolios) : Pour des classes d'utilités générales (sans forme fermée simple pour $\lambda^*$ ), ils utilisent des stratégies de portefeuille universel (inspirées de Cover, 1991) qui atteignent asymptotiquement le taux de croissance optimal sans nécessiter de connaître la distribution alternative.
Cas non bornés : Pour des données non bornées mais à queues sous-exponentielles, ils proposent une construction alternative basée sur les processus sub- $\psi$ .

3. Contributions Clés

Premiers tests valides à tout moment pour la SD : C'est la première famille de tests qui offre une garantie de validité stricte (contrôle de l'erreur de type I uniforme dans le temps) pour la dominance stochastique, y compris les ordres supérieurs.
Validité sans hypothèses paramétriques : Les méthodes sont non paramétriques. Elles ne nécessitent aucune hypothèse sur la forme des distributions, ni même l'indépendance entre $X$ et $Y$ (elles fonctionnent même en cas de dépendance maximale, comme l'antimonotonie).
Puissance asymptotique égale à 1 : Les e-processus construits croissent exponentiellement sous toute alternative, garantissant que le test rejettera l'hypothèse nulle avec une probabilité de 1 à long terme.
Adaptativité aux zones de non-dominance : L'utilisation de poids adaptatifs permet de concentrer l'effort de détection sur les régions où les CDF se séparent, rendant le test plus puissant que les méthodes basées sur des bandes de confiance fixes (comme les bandes KS uniformes dans le temps).
Analyse du problème inverse (Affirmer la dominance) : Les auteurs étudient le problème inverse (tester que $Y$ domine définitivement $X$ ). Ils démontrent une impossibilité théorique : il n'existe pas d'e-variable non triviale pour l'hypothèse nulle "non-dominance" sans restriction. Ils proposent donc des tests pour une dominance restreinte (sur un sous-ensemble de l'espace avec une séparation $\epsilon$ ).

4. Résultats Empiriques (Simulations)

Les auteurs comparent leurs méthodes (GRO et UP e-processus) avec des méthodes de référence :

Comparaison avec les bandes de confiance temporelles (KS-type) :
- Les tests basés sur les e-processus sont nettement plus puissants.
- Dans des scénarios avec un grand "ensemble de contact" (où les CDF sont très proches), les méthodes basées sur les e-processus rejettent l'hypothèse nulle en ~100-120 observations, tandis que les méthodes basées sur les bandes de confiance (HR22, MR23) nécessitent ~3000 observations.
Robustesse à la dépendance : Les simulations montrent que les tests maintiennent leur validité (erreur de Ville contrôlée à $\alpha=0.05$ ) même lorsque $X$ et $Y$ sont fortement corrélés négativement (cas le plus difficile).
Ordres supérieurs : Les tests pour la 2-SD et 3-SD fonctionnent efficacement, avec une puissance supérieure des versions adaptatives (poids exponentiels) par rapport aux versions non adaptatives, surtout lorsque les zones de violation sont petites.

5. Signification et Impact

Pour la prise de décision en temps réel : Cette méthode permet aux décideurs (DM) de surveiller continuellement des essais A/B, des traitements médicaux ou des stratégies d'investissement et de décider d'arrêter ou de continuer l'expérience à tout moment, sans risque d'invalider les résultats statistiques.
Rigueur théorique : L'article résout le problème de la convexité de l'hypothèse nulle en SD (contrairement à l'hypothèse de non-dominance qui n'est pas convexe) et fournit des constructions d'e-processus robustes.
Généralité : La méthodologie s'étend naturellement aux ordres intégraux stochastiques généraux (ordre convexe croissant, ordre de Laplace) et peut être adaptée à des données non stationnaires ou non appariées.

En résumé, cet article fournit un cadre théorique et pratique robuste pour tester la dominance stochastique de manière séquentielle, comblant le fossé entre la théorie de la décision économique et les méthodes modernes d'inférence statistique en temps réel.