📊 statistics

Mitigating the Winner's Curse While Controlling Multiplicity: e-Process Methods for Anytime-Valid Inference in Dose-Ranging Trials

यह शोध पत्र एक 'एनीटाइम-वैलिड ई-प्रोसेस' (anytime-valid e-process) पद्धति प्रस्तुत करता है जो डोज़-रेंजिंग ट्रायल्स में 'विनर्स कर्ज़' (winner's curse) को कम करती है और मल्टीप्लिसिटी को नियंत्रित करती है, जो सर्वोत्तम देखे गए प्रभाव में से एक पूर्वानुमेय 'सिलेक्शन चार्ज' (selection charge) को घटाकर किया जाता है, जिससे इष्टतम खुराक के लिए कठोर वैश्विक परीक्षण और कॉन्फिडेंस बाउंड्स सक्षम होते हैं।

मूल लेखक: Victor K. de la Pena, Fangyuan Lin, Demissie Alemayehu, Victor H. de la Pena

प्रकाशित 2026-07-09

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Victor K. de la Pena, Fangyuan Lin, Demissie Alemayehu, Victor H. de la Pena

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक दवा विकसित करने वाले डेवलपर हैं जो एक नई दवा की सबसे अच्छी खुराक (dose) खोजने की दौड़ में लगे हैं। आपके पास K अलग-अलग खुराकें (मान लीजिए 6) और एक प्लेसबो (एक कंट्रोल ग्रुप) है। आपको नहीं पता कि कौन सी खुराक सबसे अच्छी काम करेगी, इसलिए आप उन्हें देना शुरू करते हैं और जैसे-जैसे परिणाम आते हैं, दिन-प्रतिदिन उन पर नज़र रखते हैं।

आपके द्वारा दी गई रिसर्च पेपर दो प्रमुख समस्याओं का समाधान करती है जो इस तरह के "देखें-और-देखते-रहें" (watch-and-see) वाले प्रयोग में होती हैं:

"विजेता का अभिशाप" (The Winner's Curse - आशावाद का जाल): यदि आप डेटा को देखते रहते हैं, तो संयोगवश एक खुराक स्वाभाविक रूप से "विजेता" के रूप में उभर आएगी, भले ही वह वास्तव में सबसे अच्छी न हो। यह सिक्कों को उछालने जैसा है; अंततः, केवल भाग्य के कारण कोई एक सिक्का 10 बार लगातार 'हेड्स' दिखा देगा। यदि आप उस सिक्के को अपना "लकी कॉइन" चुन लेते हैं, तो आप अत्यधिक आशावादी हो रहे हैं।
"झलक देखने" की समस्या (The Peeking Problem - बहुलता का जाल): यदि आप हर दिन परिणामों की जाँच करते हैं, तो आपके पास गलती करने के कई अवसर होते हैं। यदि आप एक बार सिक्का उछालते हैं, तो गलत अलार्म (यह सोचना कि सिक्का पक्षपाती है जबकि वह नहीं है) मिलने की संभावना 5% है। लेकिन यदि आप 1,000 बार सिक्का उछालते हैं और हर बार जाँच करते हैं, तो कम से कम एक बार गलत अलार्म दिखने की संभावना लगभग 100% हो जाती है।

पेपर का समाधान: "टोल बूथ" प्रणाली

लेखक एक नया सांख्यिकीय नियम प्रस्तावित करते हैं जो आपके ड्रग ट्रायल के लिए एक स्मार्ट टोल बूथ की तरह काम करता है। यह प्रणाली आपको सांख्यिकी के नियमों को तोड़े बिना जब चाहें डेटा चेक करने की अनुमति देती है ("anytime-valid"), लेकिन यह आपसे आपकी आशावादिता की कीमत वसूलती है।

यह प्रणाली कैसे काम करती है, इसके लिए एक सरल उपमा (analogy) यहाँ दी गई है:

1. "रॉ स्कोर" बनाम "रियल स्कोर"

हर दिन, आप रॉ स्कोर (Raw Score) की गणना करते हैं: "प्लेसबो की तुलना में अभी इस समय कौन सी खुराक सबसे अच्छी दिख रही है?"

समस्या: यह स्कोर बढ़ा-चढ़ाकर दिखाया गया है। इसमें वर्तमान लीडर होने का "भाग्य" भी शामिल है।

2. "सिलेक्शन चार्ज" (द टोल)

आशावाद को ठीक करने के लिए, सिस्टम एक सिलेक्शन चार्ज (Selection Charge) की गणना करता है।

उपमा: कल्पना कीजिए कि खुराकें एक दौड़ में धावक हैं। यदि दो धावक पहले स्थान के लिए बराबरी पर हैं, तो दौड़ रोमांचक होती है, और इसमें बहुत अधिक "विकल्प मूल्य" (option value) होता है (यदि दूसरा धावक आगे निकल जाए तो आप अपना दांव बदल सकते हैं)। यह अनिश्चितता पैसा खर्च कराती है।
नियम: सिस्टम आपसे एक शुल्क लेता है जो इस बात पर आधारित है कि वर्तमान में कितने खुराक लीड के लिए बराबरी (tie) पर हैं।
- यदि 4 खुराकें बराबरी पर हैं, तो चार्ज अधिक है (बहुत अधिक अनिश्चितता)।
- यदि एक खुराक स्पष्ट रूप से जीत रही है और बाकी से आगे निकल रही है, तो चार्ज शून्य हो जाता है।
क्यों? एक बार जब एक स्पष्ट विजेता उभर आता है, तो लीडर बदलने के "भाग्य" की कोई गुंजाइश नहीं रह जाती। पेपर यह सिद्ध करता है कि एक बार जब एक वास्तविक सर्वश्रेष्ठ खुराक भीड़ से अलग हो जाती है, तो अनिश्चितता के लिए चुकाया जाने वाला "टैक्स" समाप्त हो जाता है।

3. "मॉनिटरिंग मार्जिन" (सुरक्षा जाल)

क्योंकि आपको डेटा देखने की अनुमति है, इसलिए आपको गलत अलार्म से बचने के लिए दूसरे सुरक्षा जाल की आवश्यकता है।

उपमा: यह एक "स्पीड लिमिट" की तरह है जो लंबे समय तक गाड़ी चलाने पर सख्त होती जाती है। यह सुनिश्चित करता है कि भले ही आप 1,000 बार परिणाम देखें, आप केवल सही समय पर भाग्यशाली होने के कारण गलती से विजेता घोषित न कर दें।

अंतिम निर्णय का नियम

"GO" घोषित करने के लिए (जिसका अर्थ है कि दवा प्रभावी है और हमें अगले चरण में जाना चाहिए), सिस्टम को तीन-स्तरीय परीक्षण पास करना आवश्यक है:

रॉ बेस्ट इफेक्ट (Raw Best Effect) - सिलेक्शन चार्ज (Selection Charge) - मॉनिटरिंग मार्जिन (Monitoring Margin) > क्लिनिकल गोल (The Clinical Goal)

रॉ बेस्ट इफेक्ट: डेटा अभी क्या कहता है।
माइनस सिलेक्शन चार्ज: इस तथ्य के लिए भुगतान कि आपने सबसे "भाग्यशाली" दिखने वाली खुराक को चुना।
माइनस मॉनिटरिंग मार्जिन: डेटा को बार-बार देखने के लिए भुगतान।
परिणाम: यदि शेष संख्या अभी भी आपके चिकित्सा लक्ष्य को पूरा करने के लिए पर्याप्त उच्च है, तो आप ट्रायल रोक सकते हैं और कह सकते हैं, "हाँ, यह दवा काम करती है!"

यह पेपर वास्तव में क्या दावा करता है (और क्या नहीं करता)

यह क्या करता है (DOES):

यह आपको एक गणितीय गारंटी प्रदान करता है कि आप कभी भी गलत तरीके से यह दावा नहीं करेंगे कि दवा 5% से अधिक बार काम करती है (या जो भी त्रुटि दर आपने सेट की है), भले ही आप हर दिन डेटा चेक करें।
यह आपको एक "लोअर कॉन्फिडेंस फ्लोर" देता है। यह एक ऐसी संख्या है जो कहती है, "हमें 95% यकीन है कि वास्तविक सर्वश्रेष्ठ प्रभाव कम से कम इतना ऊंचा है।"
यह निरंतर डेटा (जैसे रक्तचाप के अंक) और बाइनरी डेटा (जैसे "ठीक हुआ" बनाम "ठीक नहीं हुआ") दोनों के लिए काम करता है।

यह क्या नहीं करता (DOES NOT):

यह आपको यह नहीं बताता कि कौन सी विशिष्ट खुराक "वास्तविक" सर्वश्रेष्ठ है। यह केवल यह बताता है कि कम से कम एक खुराक पर्याप्त अच्छी है। यदि आपको यह जानने की आवश्यकता है कि आपको वास्तव में कौन सी खुराक बनानी है, तो आपको एक अलग टूल की आवश्यकता होगी।
यह सुरक्षा जांच का स्थान नहीं लेता है। यह केवल इस पर नज़र रखता है कि क्या दवा काम करती है (प्रभावकारिता), न कि यह कि क्या वह सुरक्षित है।
यह खुराक वक्र (dose curve) के किसी विशिष्ट आकार को नहीं मानता। यह यह नहीं मानता कि दवा एक सीधी रेखा में बेहतर होती जा रही है; यह बस सबसे अच्छा प्रदर्शन करने वाले की तलाश करता है।

सारांश

इस पद्धति को अपने ड्रग ट्रायल के लिए एक ईमानदार अकाउंटेंट के रूप में समझें। यह आपको जब चाहे तब हिसाब देखने की अनुमति देता है, लेकिन यह ज़ोर देता है कि आप रोमांच के लिए एक "टैक्स" (सिलेक्शन चार्ज) और बार-बार हिसाब जाँचने के लिए एक "फीस" (मॉनिटरिंग मार्जिन) चुकाएं। इन शुल्कों का भुगतान करने के बाद ही यह आपको बताता है कि क्या दवा वास्तव में एक विजेता है। यह आपको एक ऐसे "विजेता" का जश्न मनाने से रोकता है जो केवल भाग्य का एक खेल था।

तकनीकी सारांश: डोज़-रेंजिंग ट्रायल्स में 'विनर'स कर्स' (Winner's Curse) को कम करते हुए मल्टीप्लिसिटी (Multiplicity) को नियंत्रित करना

समस्या विवरण
फेज II डोज़-रेंजिंग ट्रायल्स में आमतौर पर $K$ सक्रिय डोज़ को एक समवर्ती कंट्रोल (concurrent control) के विरुद्ध रैंडमाइज किया जाता है और एक नैदानिक रूप से सार्थक प्रभाव वाले डोज़ की पहचान करने के लिए संचित डेटा का बार-बार विश्लेषण किया जाता है। यह मानक अभ्यास दो विशिष्ट सांख्यिकीय चुनौतियों को जन्म देता है:

विनर'स कर्स (Winner's Curse - चयन संबंधी अतिशयोक्ति): सबसे बड़े देखे गए प्रभाव ( $\hat{\delta}_{\max}$ ) वाले डोज़ का चयन करने से ऊपर की ओर झुकाव (upward bias) पैदा होता है। भले ही व्यक्तिगत अनुमानक (estimators) निष्पक्ष हों, लेकिन $K$ अनुमानकों में से अधिकतम का चयन अत्यधिक आशावादी (optimistically biased) होता है क्योंकि इसे बड़ा होने के कारण चुना गया था।
मल्टीप्लिसिटी (Multiplicity): समय के साथ (इंटरिम विश्लेषणों में) और कई डोज़ों में डेटा की बार-बार जांच करना टाइप I एरर रेट को बढ़ा देता है। मानक मल्टीप्लिसिटी सुधार (जैसे डनेट का टेस्ट) निश्चित 'लुक्स' (fixed looks) पर एरर को नियंत्रित करते हैं, लेकिन वे चयनित अधिकतम के पूर्वाग्रह (bias) को ध्यान में नहीं रखते हैं, जबकि पूर्वाग्रह सुधार (bias corrections) स्वाभाविक रूप से डेटा को बार-बार देखने (peeking) की अनुमति नहीं देते हैं।

यह शोध पत्र एक ऐसी प्रक्रिया की आवश्यकता को संबोधित करता है जो एनीटाइम-वैलिड इन्फरेंस (anytime-valid inference) प्रदान कर सके: एक ऐसी विधि जो किसी भी मनमाने स्टॉपिंग टाइम (stopping time) पर ग्लोबल टाइप I एरर रेट को नियंत्रित करती है, और साथ ही उस आशावाद (optimism) को भी ठीक करती है जो वर्तमान सर्वश्रेष्ठ डोज़ के चयन से उत्पन्न होता है।

कार्यप्रणाली
लेखक ई-प्रोसेस (e-processes) और सिलेक्शन प्रीमियम आइडेंटिटी (selection premium identity) पर आधारित एक नया सांख्यिकीय ढांचा प्रस्तावित करते हैं। मुख्य नवाचार "विनर'स कर्स" को केवल एक घटाए जाने वाले पूर्वात (bias) के रूप में नहीं, बल्कि एक प्रेडिक्टेबल ड्रिफ्ट (predictable drift) के रूप में मानने में है जिसे मार्टिंगेल-आधारित टेस्टिंग फ्रेमवर्क में शामिल किया जाना चाहिए।

सिलेक्शन प्रीमियम आइडेंटिटी (The Selection Premium Identity):
विधि एक "सिलेक्शन प्रीमियम" फंक्शन, $sp_L(u)$ का उपयोग करती है, जो नए शोर (noise) को देखने के बाद लीडर (वर्तमान सर्वश्रेष्ठ डोज़) को बदलने के विकल्प को बनाए रखने के अपेक्षित एक-चरण लाभ (expected one-step gain) को मापता है।

मान लीजिए कि डोज़ $k$ के लिए संचित सेंटर्ड नॉइज़ (cumulative centered noise) $S_{t,k}$ है।
सिलेक्शन प्रीमियम को $sp_L(u) = E[\max_k(u_k + \eta_k)] - \max_k u_k$ के रूप में परिभाषित किया गया है, जहाँ $\eta$ अगले नॉइज़ इंक्रीमेंट का वितरण है।
यह प्रीमियम उस "विकल्प मूल्य" (option value) का प्रतिनिधित्व करता है जो यह देखने के लिए प्रतीक्षा करने का है कि क्या कोई अन्य डोज़ लीडर बन जाता है।

इक्वल-मार्जिन रेफरेंस (The Equal-Margin Reference):
इस प्रीमियम की गणना वास्तविक अंतर्निहित प्रभावों को जाने बिना करने के लिए, विधि एक "इक्वल-मार्जिन" रेफरेंस मॉडल का उपयोग करती है जहाँ सभी डोज़ का प्रभाव समान $\delta$ होता है। लेखक सिद्ध करते हैं कि इस इक्वल-मार्गिन कॉन्फ़िगरेशन के तहत सिलेक्शन प्रीमियम, किसी भी विषम (heterogeneous) डोज़-रिस्पॉन्स कॉन्फ़िगरेशन के तहत अपेक्षित आशावाद के लिए एक रूढ़िवादी लिफाफा (conservative envelope) के रूप में कार्य करता है। यह विधि को एक "सिलेक्शन फी" (selection fee) वसूलने की अनुमति देता है जो वास्तविक डोज़-रिस्पॉन्स आकार के बावजूद वैध है।
ई-प्रोसेस का निर्माण (Construction of the E-Process):
प्रक्रिया एक सुधारा गया रेसिडुअल प्रोसेस $R_t(\delta)$ बनाती है:
$R_t(\delta) = G_t(\delta) - A_t(\delta)$
जहाँ:

$G_t(\delta)$ संचित स्कोर (रॉ बेस्ट इफेक्ट माइनस कैंडिडेट मार्जिन $\delta$ ) है।
$A_t(\delta) = \sum_{s=1}^t a_s(\delta)$ संचित सिलेक्शन चार्ज (selection charge) है, जहाँ $a_s$ वर्तमान स्थिति (विशेष रूप से, टाइड लीडर्स की संख्या) के आधार पर गणना किया गया सिलेक्शन प्रीमियम है।
इस प्रेडिक्टेबल अपवर्ड ड्रिफ्ट ( $A_t$ ) को घटाकर, $R_t$ एक सुपरमार्टिंगेल (supermartingale) बन जाता है जिसका ड्रिफ्ट गैर-धनात्मक (non-positive) होता है।

एनीटाइम-वैलिड डिसीजन रूल (Anytime-Valid Decision Rule):
विधि एक बीटा पैरामीटर $\lambda$ पर हाफ-नॉर्मल मिश्रण (half-normal mixture) का उपयोग करके सुधारा गया रेसिडुअल एक ई-प्रोसेस $E_t(\delta)$ में बदल दिया जाता है। एक "ग्लोबल गो" (यह घोषित करना कि सर्वश्रेष्ठ वास्तविक प्रभाव $\delta^*$ नैदानिक मार्जिन $\delta_0$ से अधिक है) घोषित करने का निर्णय नियम है:
$\hat{\delta}_{\max, t} \geq \delta_0 + \frac{A_t(\delta_0)}{n_t} + \frac{q_\alpha(V_t; \rho)}{n_t}$

$\hat{\delta}_{\max, t}$ : रॉ ऑब्जर्व्ड बेस्ट इफेक्ट।
$A_t(\delta_0)/n_t$ : सिलेक्शन चार्ज (विनर'स कर्स को ठीक करना)।
$q_\alpha(V_t; \rho)/n_t$ : मॉनिटरिंग मार्जिन (ई-प्रोसेस बाउंड्री से प्राप्त, बार-बार किए गए लुक्स को ठीक करना)।
$n_t$ : प्रति आर्म संचित सैंपल साइज।

पेपर गौसियन आउटकम्स (Gaussian outcomes) (न्यूमेरिकल इंटीग्रेशन या मोंटे कार्लो का उपयोग करके प्रीमियम के लिए) और बाइनरी आउटकम्स (Binary outcomes) (टाइड लीडर्स की संख्या $r_t$ पर आधारित क्लोज्ड-फॉर्म सॉल्यूशन का उपयोग करके) के लिए विशिष्ट कार्यान्वयन प्रदान करता है।

मुख्य योगदान

एकीकृत सुधार (Unified Correction): यह पेपर टाइप I एरर के नियंत्रण (ई-प्रोसेस बाउंड्री के माध्यम से) को सिलेक्शन बायस सुधार (सिलेक्शन चार्ज के माध्यम से) से अलग करता है, फिर भी उन्हें एक एकल निर्णय नियम में एकीकृत करता है।
स्टेट-डिपेंडेंट प्रीमियम (State-Dependent Premium): स्थिर सुधारों के विपरीत, सिलेक्शन चार्ज डायनेमिक है। यह तब उच्च होता है जब डोज़ आपस में बराबर (ties) होते हैं (लीडर के बारे में उच्च अनिश्चितता) और एक अद्वितीय लीडर उभरने पर शून्य की ओर घट जाता है, जो स्विच करने के "विकल्प मूल्य" के कम होने को दर्शाता है।
एनीटाइम-वैलिड कॉन्फिडेंस सीक्वेंस: सभी संभावित मार्जिन $\delta$ के लिए इस टेस्ट को उलटने (inverting) से, यह $\delta^*$ (वास्तविक सर्वश्रेष्ठ प्रभाव) के लिए एक एनीटाइम-वैलिड लोअर कॉन्फिडेंस सीक्वेंस बनाता है, यह सुनिश्चित करता है कि निचला स्तर (lower bound) जैसे-जैसे सैंपल साइज बढ़ता है, वास्तविक सर्वश्रेष्ठ प्रभाव की ओर अभिसरित (converge) होता है।
मजबूती (Robustness): यह विधि डोज़-रिस्पॉन्स मॉडल (जैसे Emax, लॉजिस्टिक) या ट्रेंड धारणाओं पर निर्भर नहीं करती है, जिससे यह उन एक्सप्लोरेटरी ट्रायल्स के लिए उपयुक्त है जहाँ डोज़-रिस्पॉन्स का आकार अज्ञात है।

परिणाम और प्रदर्शन

टाइप I एरर नियंत्रण: सिमुलेशन अध्ययन पुष्टि करते हैं कि प्रस्तावित नियम निरंतर निगरानी और मनमाने स्टॉपिंग टाइम के तहत भी नाममात्र स्तर $\alpha$ (जैसे 0.05) पर टाइप I एरर रेट को सख्ती से नियंत्रित करता है। इसके विपरीत, अनियोजित इंटरिम लुक्स पर फिक्स्ड-लुक थ्रेशोल्ड (जैसे डनेट का टेस्ट) लागू करने से टाइप I एरर में भारी वृद्धि (सिमुलेशन में 24% तक) होती है।
पावर और दक्षता: विधि नैदानिक मार्जिन से अधिक प्रभाव का पता लगाने के लिए उचित पावर प्रदर्शित करती है। हालांकि "सिलेक्शन चार्ज" ट्रायल के शुरुआती चरणों में लागत डालता है (जब टाइज़ आम होते हैं), यह लागत एसिम्प्टोटिक रूप से शून्य हो जाती है जब एक अद्वितीय लीडर उभर आता है।
बाइनरी आउटकम्स: बाइनरी एंडपॉइंट्स के लिए, विधि कम्प्यूटेशनल रूप से कुशल है, जिसमें सिलेक्शन चार्ज की गणना के लिए केवल टाइड लीडर्स की गिनती की आवश्यकता होती है। सिमुलेशन दिखाते हैं कि प्रस्तावित प्रक्रिया "गो" निर्णय को सही ढंग से पहचानती है जब वास्तविक प्रभाव पर्याप्त रूप से बड़ा होता है, और इसका लोअर कॉन्फिडेंस फ्लोर वास्तविक सर्वश्रेष्ठ प्रभाव की ओर अभिसरित होता है।
तुलना: प्रस्तावित विधि की तुलना आर्मवाइज यूनियन ई-प्रोसेस और फिक्स्ड-लुक मैक्स-जेड (max-z) टेस्ट से की गई है। जबकि आर्मवाइज ई-प्रोसेस कुछ परिदृश्यों में थोड़ी अधिक पावर दे सकते हैं, प्रस्तावित विधि का एक स्पष्ट लाभ यह है कि यह व्यक्तिगत भुजाओं (arms) का स्वतंत्र रूप से परीक्षण करने के बजाय अधिकतम (maximum) के चयन प्रक्रिया को स्पष्ट रूप से मॉडल करती है।

महत्व और दावे
पेपर का दावा है कि यह डोज़-रेंजिंग ट्रायल्स में प्रोग्राम-लेवल प्रूफ-ऑफ-एक्टिविटी के लिए एक गणितीय रूप से स्पष्ट और ऑपरेशनल रूप से पारदर्शी समाधान प्रदान करता है।

दायरा (Scope): यह विधि यह परीक्षण करने के लिए डिज़ाइन की गई है कि क्या रेंज में कम से कम एक डोज़ नैदानिक मार्जिन से अधिक है और सर्वश्रेष्ठ वास्तविक प्रभाव के लिए एक निचला स्तर (lower bound) प्रदान करती है।
सीमाएं (Limitations): लेखक स्पष्ट रूप से कहते हैं कि यह विधि वास्तविक सर्वश्रेष्ठ डोज़ की पहचान (localization) नहीं करती है, न ही यह चयनित डोज़ के प्रभाव के लिए निष्पक्ष अनुमान प्रदान करती है। यह डोज़-रिस्पॉन्स मॉडलिंग, सुरक्षा मूल्यांकन या बेनिफिट-रिस्क मूल्यांकन का स्थान नहीं लेती है।
मूल्य (Value): प्राथमिक योगदान टाइप I एरर को बढ़ाए बिना लचीले, एडेप्टिव ट्रायल डिजाइनों में "विनर-बायस-अवेयर" निर्णय लेने की क्षमता है। सिलेक्शन चार्ज एक "लेजर" (ledger) के रूप में कार्य करता है जो आशावाद की लागत को मापता है, यह सुनिश्चित करता है कि "गो" निर्णय केवल तभी लिया जाए जब कच्चा साक्ष्य (raw evidence) चयन प्रक्रिया और बार-बार डेटा की निगरानी दोनों की लागत चुकाने के बाद भी मजबूत बना रहे।

निष्कर्षतः, यह दृष्टिकोण एक ऐसा ढांचा प्रदान करता है जो डायनेमिक रूप से "विजेता" को चुने जाने वाले सेटिंग्स में एनीटाइम-वैलिड इन्फरेंस के लिए एक कठोर समाधान है, जो सिलेक्शन बायस करेक्शन और सीक्वेंशियल हाइपोथेसिस टेस्टिंग के बीच के अंतर को पाटता है।