📊 statistics

E-values as statistical evidence: A comparison to Bayes factors, likelihoods, and p-values

Questo articolo introduce gli e-valori e gli e-processi come nuove misure di evidenza statistica che, combinando i vantaggi di p-value, rapporti di verosimiglianza e fattori di Bayes, offrono proprietà desiderabili come la gestibilità dell'arresto opzionale e un'interpretazione intuitiva basata sulla teoria delle scommesse.

Autori originali: Ben Chugg, Aaditya Ramdas, Peter Grünwald

Pubblicato 2026-03-26

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Ben Chugg, Aaditya Ramdas, Peter Grünwald

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

🎲 Il Nuovo "Termometro" della Scienza: Perché gli E-Valori sono i Supereroi delle Prove Statistiche

Immagina che la scienza sia un grande gioco d'azzardo contro la natura.
Ogni volta che uno scienziato fa un esperimento, sta essenzialmente scommettendo: "Scommetto che la mia teoria è vera e che la realtà non è casuale".

Per secoli, gli scienziati hanno usato diversi strumenti per misurare quanto siano "ricchi" di prove le loro scommesse. Il più famoso è il p-value (il valore-p), ma questo strumento ha molti difetti: è fragile, si rompe se cambi le regole del gioco a metà partita e spesso viene frainteso.

In questo articolo, tre ricercatori (Ben, Aaditya e Peter) introducono due nuovi strumenti: gli E-valori e gli E-processi. Li descrivono come una fusione perfetta tra le migliori qualità dei vecchi strumenti e qualcosa di completamente nuovo.

Ecco come funziona, con qualche metafora.

1. Il Gioco d'Azzardo contro la Natura 🎰

Immagina di essere in un casinò.

La Banca (La "Ipotesi Nulla"): È la natura che dice: "Tutto è casuale, non c'è nessun effetto speciale. Il gioco è onesto."
Il Giocatore (Lo Scienziato): Tu che vuoi dimostrare che c'è un trucco o un effetto reale.

Come funziona l'E-valore?
L'E-valore è come il tuo portafoglio.

Se la Banca ha ragione (tutto è casuale), il tuo portafoglio non dovrebbe mai crescere in modo significativo. In media, rimarrà a 1 euro.
Se la Banca ha torto (c'è un effetto reale), il tuo portafoglio può esplodere! Se vedi un E-valore di 100, significa che hai moltiplicato per 100 la tua scommessa iniziale. È una prova fortissima che la natura non sta giocando onestamente.

Perché è meglio del vecchio "p-value"?
Il p-value è come un termometro che si rompe se lo tocchi due volte. Se cambi il piano dell'esperimento a metà strada (perché i risultati sembrano promettenti), il p-value diventa inutile.
L'E-valore, invece, è come un contatore di energia nucleare: non importa quanto a lungo giochi o quando decidi di fermarti. Se il contatore segna un valore alto, hai vinto, indipendentemente da come hai giocato.

2. I Tre Vecchi Campioni (e i loro difetti)

Per capire perché gli E-valori sono speciali, guardiamo i loro "rivali":

Il P-value (Il Vecchio Saggio):
- Cosa fa: Ti dice quanto è improbabile vedere i tuoi dati se tutto fosse casuale.
- Il difetto: È molto rigido. Se decidi di raccogliere più dati perché il risultato è "quasi" buono, il p-value si invalida. È come se un arbitro di calcio ti desse un cartellino rosso solo perché hai chiesto di guardare il replay, anche se non hai fatto fallo.
Il Fattore di Bayes (Il Filosofo):
- Cosa fa: Confronta due teorie e ti dice quale è più probabile basandosi sulle tue convinzioni iniziali (i "prior").
- Il difetto: Dipende troppo da quanto credi tu prima di iniziare. Se due scienziati hanno opinioni diverse all'inizio, arriveranno a conclusioni diverse. Non è "oggettivo" per tutti.
Il Rapporto di Verosimiglianza (Il Matematico):
- Cosa fa: Confronta direttamente due teorie.
- Il difetto: Funziona bene solo se le teorie sono semplici. Se le teorie sono complesse (come "la media è tra 0 e 10"), diventa difficile da usare e perde alcune garanzie matematiche.

3. La Magia degli E-Valori e degli E-Processi

Gli autori dicono: "Perché non prendere il meglio di tutti?"

Sono Oggettivi (come il P-value): Non dipendono dalle tue opinioni personali.
Sono Flessibili (come il Fattore di Bayes): Puoi accumulare prove da studi diversi.
Sono Robusti (la novità): Puoi fermare l'esperimento quando vuoi, o continuare se i dati sono interessanti, senza "rompere" la statistica.

L'Analogia della Catena di Montaggio:
Immagina di voler costruire un muro di mattoni (le prove).

Con il P-value, devi decidere prima quanti mattoni userai. Se ne aggiungi uno dopo aver finito, il muro crolla.
Con gli E-processi, puoi aggiungere mattoni uno alla volta, fermarti, riprendere, o unire muri costruiti da altri gruppi. Ogni mattone aggiunto moltiplica la forza del muro. Se il muro è alto, la prova è solida.

4. Perché dovremmo preoccuparci? (Il problema della "Scommessa")

Il paper spiega che gli E-valori sono legati a una teoria chiamata "Teoria del Gioco".
Immagina di scommettere contro la natura.

Se la natura è onesta (l'ipotesi nulla è vera), non puoi vincere molto.
Se la natura è "truccata" (c'è un effetto reale), puoi diventare ricco.

L'E-valore è semplicemente quanto sei diventato ricco dopo aver scommesso contro l'ipotesi nulla.

E = 1: Hai perso o vinto poco. Niente di speciale.
E = 1000: Hai vinto 1000 volte la tua scommessa iniziale! È una prova schiacciante che l'ipotesi nulla era falsa.

5. Il Verdetto Finale

Gli autori concludono che gli E-valori non sono perfetti (nessuno lo è), ma sono il miglior compromesso che abbiamo.

Risolvono il problema di fermare gli esperimenti quando si vuole (il "p-hacking" o trucco dei dati).
Permettono di unire studi diversi (meta-analisi) senza problemi.
Funzionano anche con ipotesi molto complesse.

In sintesi:
Se la statistica fosse un'auto, il P-value sarebbe un'auto d'epoca che va veloce ma si rompe se cambi strada. Il Fattore di Bayes è un'auto sportiva che richiede un pilota esperto (le tue convinzioni). Gli E-valori sono un'auto elettrica moderna: vanno bene per tutti, si ricaricano mentre guidi (accumulo di dati), e non si rompono se decidi di cambiare rotta a metà viaggio.

È un nuovo modo di guardare la scienza: non più come un esame da superare con un voto fisso, ma come una scommessa continua contro la casualità, dove le prove si accumulano in modo sicuro e intelligente.

1. Il Problema

Il documento affronta un dibattito ricorrente nella filosofia della statistica: cosa debba essere considerato una misura valida di evidenza a favore o contro un'ipotesi. Le misure tradizionali presentano limiti significativi:

P-value: Spesso criticati per la mancanza di invarianza rispetto alla dimensione del campione, la dipendenza dal piano di campionamento (incluso lo stopping rule) e l'incapacità di gestire fermate facoltative (optional stopping) senza invalidare i risultati.
Rapporti di verosimiglianza (Likelihood Ratios - LR) e Fattori di Bayes: Sebbene offrano interpretazioni intuitive, i LR semplici non gestiscono bene le ipotesi composite senza generalizzazioni (come il GLR), e i Fattori di Bayes dipendono dalla scelta dei prior (soggettività) e spesso non controllano gli errori di tipo I in modo non asintotico.
Ipotesi Composite e Non Parametriche: Molte misure faticano a fornire evidenze robuste per ipotesi composte o non parametriche senza introdurre assunzioni eccessive o prior complessi.

L'obiettivo del paper è introdurre e valutare due nuovi candidati: gli e-valori (e-values) e i loro analoghi sequenziali, gli e-processi.

2. Metodologia e Definizioni Fondamentali

Gli autori definiscono gli e-statistics (e-valori ed e-processi) attraverso una lente di teoria dei giochi e martingale:

E-variabile (E-variable): Una variabile casuale non negativa $E$ tale che il suo valore atteso sotto qualsiasi distribuzione $P$ nell'ipotesi nulla $H$ sia al massimo 1 ( $E_P[E] \le 1$ ).
E-processo: La versione sequenziale. È una successione di variabili $(E_t)_{t \ge 1}$ tale che per qualsiasi tempo di arresto $\tau$ (anche dipendente dai dati), $E_P[E_\tau] \le 1$ .
Interpretazione del Gioco d'Azzardo: Gli e-statistics sono interpretati come il capitale accumulato da un "scommettitore" che gioca contro la natura (l'ipotesi nulla). Se l'ipotesi nulla è vera, il scommettitore non può aspettarsi di guadagnare denaro (valore atteso $\le 1$ ). Un valore elevato di $E$ indica che il scommettitore ha fatto un profitto significativo, fornendo così evidenza contro $H$ .
Proprietà di Composizione: Gli e-valori possono essere moltiplicati per combinare evidenze da studi indipendenti o sequenziali, mantenendo la proprietà di validità anche in scenari di arresto facoltativo.

Il paper utilizza un approccio comparativo sistematico, valutando e-statistics, p-value, rapporti di verosimiglianza (LR) e Fattori di Bayes contro un elenco di 21 desiderata (criteri) derivanti da tre tradizioni statistiche:

Frequentismo (Error-probability): Controllo degli errori, validità asintotica.
Bayesianismo: Conferma dell'ipotesi, aggiornamento dei prior.
Likelihoodismo: Principio di verosimiglianza, evidenza relativa.

I criteri sono suddivisi in statici (valutati su un batch fisso di dati) e dinamici (che coinvolgono sequenze di dati, fermate facoltative e scenari controfattuali).

3. Contributi Chiave

Integrazione delle Tradizioni: Gli autori dimostrano che gli e-statistics non sono solo un'alternativa, ma una generalizzazione che combina i punti di forza delle tre tradizioni principali.
Gestione delle Ipotesi Composite: A differenza dei LR semplici, gli e-statistics sono definiti naturalmente per ipotesi composite e non parametriche (es. test sulla media di distribuzioni limitate senza specificare una distribuzione alternativa precisa).
Validità "Anytime" (Fermata Facoltativa): Gli e-processi soddisfano il criterio di intra-experiment optional stopping. L'evidenza rimane valida indipendentemente dal fatto che lo sperimentatore decida di fermarsi in anticipo o continuare in base ai dati osservati, risolvendo un problema fondamentale dei p-value.
Distinzione tra Criteri Statici e Dinamici: Il paper chiarisce la distinzione tra criteri valutati su dati fissi e quelli che richiedono validità in scenari controfattuali o sequenziali, offrendo una tassonomia più precisa della letteratura esistente.
Relazione con il Principio di Verosimiglianza: Gli autori mostrano che ogni e-statistica può essere limitata superiormente da un rapporto di verosimiglianza, posizionando gli e-statistics come un'estensione sofisticata dei LR che mantiene la maggior parte delle loro proprietà evidenziali.

4. Risultati e Confronto

La Tabella 1 del paper riassume le prestazioni delle diverse misure. I risultati principali sono:

Controllo degli Errori (Error Rates): Gli e-statistics forniscono garanzie non asintotiche sui tassi di errore di Tipo I (tramite la disuguaglianza di Markov e di Ville), simile ai p-value ma senza la necessità di un piano di campionamento fisso.
Invarianza alla Dimensione del Campione: A differenza dei p-value, gli e-statistics (e i LR) hanno interpretazioni che non dipendono dalla dimensione del campione (stesso punteggio = stessa evidenza).
Ipotesi Singola: Gli e-statistics e i p-value possono fornire evidenza contro un'ipotesi singola senza bisogno di un'ipotesi alternativa esplicita, a differenza di LR e Bayes Factors che sono intrinsecamente comparativi.
Componibilità: Gli e-statistics possono essere combinati (moltiplicati) anche in presenza di dipendenze complesse tra studi, superando i limiti dei p-value e dei Bayes Factors che richiedono indipendenza o condizioni specifiche.
Limiti:
- Non Unicità: Come per i p-value e i Bayes Factors, non esiste un unico e-statistica per un dato problema; la scelta dipende da come l'analista costruisce il "gioco d'azzardo" (scelta del prior o della strategia di scommessa).
- Principio di Verosimiglianza Stretto: Gli e-processi soddisfano il principio di verosimiglianza solo in casi specifici (es. quando sono costruiti come rapporti di verosimiglianza), ma non sempre in modo assoluto come i LR puri, a causa della loro definizione su filtrazioni piuttosto che su eventi arbitrari.

5. Significato e Implicazioni

Il paper conclude che gli e-statistics meritano una seria considerazione come misure di evidenza statistica interpretabili e intuitive.

Sintesi Virtuose: Offrono la validità frequentista dei p-value (controllo degli errori), la flessibilità dei Bayes Factors (gestione di prior e ipotesi composte) e l'interpretazione comparativa dei LR, senza i loro principali difetti (dipendenza dal piano di campionamento per i p-value, soggettività e mancanza di controllo errori per i Bayes).
Applicabilità Pratica: Sono strumenti potenti per l'analisi sequenziale, il rilevamento di cambiamenti (changepoint detection), la stima della media e il testing multiplo, specialmente in contesti dove il piano di raccolta dati può cambiare dinamicamente (optional stopping/continuation).
Futuro: Il lavoro suggerisce che gli e-statistics rappresentano un passo avanti verso una teoria unificata dell'evidenza statistica, sebbene restino questioni aperte sulla definizione di "ottimalità" (es. log-ottimalità) e sulla generalizzazione completa del principio di verosimiglianza agli e-processi.

In sintesi, gli e-statistics emergono come un framework robusto che supera le limitazioni storiche delle misure tradizionali, offrendo una validità garantita anche in scenari di raccolta dati flessibili e controfattuali.