Combining Evidence Across Filtrations

1. Il Problema: Combinare E-processi in Filtrazioni Diverse

Il lavoro affronta una sfida fondamentale nell'inferenza sequenziale "anytime-valid" (valida in qualsiasi momento di arresto).

• Contesto: In molti problemi statistici (test di casualità, test di indipendenza, valutazione di previsioni), si costruiscono processi di prova (e-processes) per quantificare l'evidenza contro un'ipotesi nulla composita.
• La Sfida: Spesso, diversi e-processi efficaci vengono costruiti in filtrazioni diverse. Una filtrazione $G$ può essere una "coarsening" (una versione più grezza) della filtrazione dei dati $F$ ($G \subseteq F$).
  • Esempio: Un e-processo basato su "conformal test martingales" (CTM) è valido solo in una filtrazione $G$ generata dai p-value conformali, non nella filtrazione completa dei dati $F$.
• Il Conflitto: Sebbene gli e-value (valori di prova) costruiti nella stessa filtrazione possano essere combinati semplicemente facendone la media, questo non è valido per e-processi in filtrazioni diverse. Un e-processo valido in una filtrazione più grezza $G$ non è necessariamente valido in una filtrazione più fine $F$ a tempi di arresto arbitrari.
  • Evidenza empirica: Il paper dimostra che la media semplice di un e-processo valido in $F$ e uno valido solo in $G$ può violare la proprietà di validità (il valore atteso può superare 1) quando fermato a un tempo di arresto dipendente dai dati in $F$.

2. Metodologia: Lifting e Adjusters

Gli autori propongono un metodo sistematico per "sollevare" (lift) la validità di un e-processo da una filtrazione grezza a una più fine, permettendone poi la combinazione.

A. P-Lifting (Gratuito)

Prima di trattare gli e-processi, gli autori stabiliscono che i p-processi (la generalizzazione sequenziale dei p-value) possono essere sollevati "gratuitamente" tra filtrazioni.

• Teorema 1 (p-lifting): Se $(p_t)$ è un p-processo valido in una filtrazione $G$, allora è automaticamente un p-processo valido in qualsiasi filtrazione più fine $F \supseteq G$.
• Questo è dovuto all'equivalenza tra validità a tempi casuali e validità a tempi di arresto per i p-value.

B. E-Lifting (Richiede Adjusters)

Per gli e-processi, il sollevamento non è gratuito perché la validità si basa su un limite di aspettativa ($E[e_\tau] \le 1$), che non è preservato automaticamente quando si amplia la filtrazione.

• Soluzione: Gli autori introducono l'uso di Adjusters (funzioni di aggiustamento).
• Teorema 2 (e-lifting): Se $e = (e_t)$ è un e-processo in $G$, e $A$ è un "adjuster" (una funzione crescente che soddisfa $\int_1^\infty \frac{A(e)}{e^2} de \le 1$), allora il processo modificato $e^{adj}_t = A(e^*_t)$ (dove $e^*_t$ è il massimo storico dell'e-processo) è un e-processo valido nella filtrazione più fine $F$.
• Procedura "Adjust-then-Combine":
  1. Prendere l'e-processo nella filtrazione grezza $G$.
  2. Calcolare il suo massimo storico $e^*_t$.
  3. Applicare un adjuster $A$ per ottenere $A(e^*_t)$.
  4. Combinare questo risultato con l'altro e-processo (già valido in $F$) tramite media aritmetica.

C. Caratterizzazione Teorica

Il Teorema 3 fornisce una caratterizzazione fondamentale: l'uso di un adjuster non è solo sufficiente, ma necessario (in un senso formale) per sollevare arbitrari e-processi attraverso le filtrazioni. Se una funzione trasforma il massimo di un e-processo arbitrario in un e-processo valido in una filtrazione più fine, quella funzione deve essere un adjuster.

3. Risultati Chiave ed Esperimenti

Simulazioni e Dati Reali

Gli autori applicano il metodo al problema di testare la casualità (IID) di serie temporali finanziarie (es. giorni ad alta volatilità).

• Setup: Combinano un e-processo "Universal Inference" (UI, potente contro alternative Markoviane, valido in $F$) e un "Conformal Test Martingale" (CTM, potente contro cambi di regime/changepoint, valido solo in $G$).
• Risultati:
  • La media semplice dei due processi fallisce (viola la validità).
  • La procedura Adjust-then-Combine mantiene la validità (il valore atteso rimane $\le 1$ sotto l'ipotesi nulla) e combina la potenza statistica di entrambi i metodi.
  • Il processo combinato rileva sia dipendenze Markoviane che cambi di regime, superando i singoli metodi.
• Costo: L'uso dell'adjuster comporta un "costo logaritmico" in termini di potenza statistica (l'e-processo cresce leggermente più lentamente), ma garantisce la validità rigorosa.

Altri Casi d'Uso

Il metodo è applicato anche a:

1. Test di Indipendenza Sequenziale: Combinando e-processi basati su "pairwise betting" e "rank-based" che operano in sottoreti diverse.
2. Valutazione di Previsioni (Forecasting): Confronto di previsioni a $h$-step-ahead, dove diversi e-processi catturano informazioni a diversi offset temporali.

4. Contributi e Significato

1. Soluzione a un Problema Aperto: Risolve il problema tecnico di combinare evidenze sequenziali costruite su livelli di informazione diversi, un problema che aveva limitato l'applicabilità pratica dei test anytime-valid in scenari complessi.
2. Teoria degli Adjusters: Fornisce una caratterizzazione completa degli adjusters, dimostrando che sono la classe di funzioni necessaria per il "lifting" degli e-processi. Questo collega la teoria dei supermartingale di gioco (game-theoretic probability) con l'inferenza statistica moderna.
3. Implicazione Teorica Fondamentale: Dimostra che se esiste un e-processo potente in una filtrazione coarsened, allora esiste sempre un e-processo potente nella filtrazione dei dati originale (tramite lifting). Questo risolve una domanda teorica sulla possibilità di testare ipotesi composite in filtrazioni complete.
4. Impatto Pratico: Permette ai ricercatori di progettare test sequenziali modulari, combinando strategie diverse (es. una per i cambi di regime, una per la dipendenza temporale) senza compromettere la validità statistica, anche quando si prendono decisioni basate su informazioni aggiuntive (data peeking).

In sintesi, il paper introduce un framework rigoroso ("Adjust-then-Combine") che estende la flessibilità dell'inferenza anytime-valid, permettendo di aggregare evidenze eterogenee mantenendo il controllo rigoroso sul tasso di errore di Tipo I.