Asymptotic e-processes

1. Il Problema: Limiti dell'Inferenza Valida in Qualsiasi Momento (SAVI) e della Testistica Asintotica

Il lavoro affronta una sfida fondamentale nell'analisi statistica sequenziale. Esistono due paradigmi principali:

1. SAVI (Safe Anytime-Valid Inference): Un quadro teorico moderno che utilizza e-processi e e-variabili per fornire garanzie di validità statistica in qualsiasi momento di arresto (stopping time), indipendentemente dal fatto che il criterio di arresto sia stato predefinito o adattivo. I processi e sono costruiti in modo tale che, sotto l'ipotesi nulla, il loro valore atteso rimanga $\le 1$ per qualsiasi tempo di arresto.
2. Test Asintotici: Nella pratica, spesso le quantità esatte necessarie per costruire e-variabili non sono note e devono essere stimate dai dati (a causa di errori di modellazione o stime parametriche). I test classici risolvono questo problema sostituendo i parametri sconosciuti con stimatori consistenti, ottenendo garanzie valide solo nel limite di un numero infinito di dati ($n \to \infty$).

Il Gap: Esiste un vuoto teorico nel combinare questi due approcci. Quando si utilizzano stime approssimate per costruire e-variabili, le garanzie finite (SAVI) vengono perse. Le opere precedenti (es. Ignatiadis et al., 2024; Waudby-Smith et al., 2026) hanno introdotto "e-variabili asintotiche", ma una definizione coerente di e-processi asintotici che mantenga la validità "anytime" (in qualsiasi momento) in presenza di approssimazioni mancava.

Un tentativo ingenuo di generalizzare la definizione di e-processo al caso asintotico (richiedendo che la proprietà di e-variabile valga per qualsiasi sequenza di tempi di arresto, anche infiniti) si rivela troppo restrittiva. Come mostrato nel paper, se si moltiplicano e-variabili approssimate (con un errore di approssimazione $\delta_m > 0$) per costruire un processo cumulativo, l'errore si accumula esponenzialmente nel tempo, rendendo il processo non valido per tempi di arresto arbitrariamente grandi, anche se $m \to \infty$.

2. Metodologia: Processi Asintotici e Orizzonti di Monitoraggio

Gli autori introducono il concetto di $r$-processo e asintotico (asymptotic e-process), definendo un processo stocastico doppiamente indicizzato $(E_{m,n})_{m,n \in \mathbb{N}}$, dove:

• $n$: indice del tempo di monitoraggio (sequenza dei dati).
• $m$: indice di approssimazione (qualità della stima o dimensione del modello).

L'idea chiave: Invece di richiedere che il processo sia valido per ogni tempo di arresto possibile (anche infinito) per ogni $m$, gli autori introducono un orizzonte di monitoraggio $r_m$ che dipende dall'indice di approssimazione $m$.

• Il processo è garantito come valido (nel senso asintotico) solo fino al tempo $r_m$.
• Man mano che la qualità dell'approssimazione migliora ($m \to \infty$), l'orizzonte $r_m$ cresce ($r_m \to \infty$).
• L'errore di approssimazione viene "truncato" prima che si accumuli in modo distruttivo.

Definizione Formale: Un processo $E$ è un $r$-processo e asintotico se, per ogni sequenza di tempi di arresto $\tau = (\tau_m)$ tali che $\tau_m \le r_m$, la sequenza $(E_{m, \tau_m})$ è una "uniformemente fortemente e-variabile asintotica" (il limite superiore dell'aspettativa è $\le 1$).

3. Contributi Chiave

1. Definizione di $r$-processo e asintotico: Formalizzazione rigorosa che bilancia l'approssimazione e la validità temporale. La definizione permette di costruire processi e partendo da e-variabili asintotiche regolari, cosa che la definizione ingenua (con $r_m = \infty$) impediva.
2. Disuguaglianza di Ville Asintotica: Gli autori derivano una versione asintotica della disuguaglianza di Ville. Per un livello di confidenza $\alpha$:
   $$\limsup_{m \to \infty} \sup_{P \in \mathcal{P}} P\left[ \sup_{n \in \{1, \dots, r_m\}} E_{m,n} \ge \frac{1}{\alpha} \right] \le \alpha$$
   Questo garantisce che la probabilità di superare la soglia $1/\alpha$ entro l'orizzonte $r_m$ sia asintoticamente controllata.
3. Caratterizzazione tramite Supermartingale Asintotiche:
   • Introducono il concetto di Supermartingala Asintotica (ASM) e la Proprietà di Supermartingala Asintotica (ASP).
   • Dimostrano che un processo con ASP e una condizione di calibrazione iniziale è un $r$-processo e asintotico, purché $r_m$ cresca abbastanza lentamente da far tendere a zero la somma degli errori di deriva (drift) accumulati.
   • Forniscono un criterio pratico per verificare se un processo costruito è un e-processo asintotico.
4. Costruzioni Pratiche:
   • Prodotto Cumulativo: Mostrano come costruire e-processi asintotici moltiplicando e-variabili, a condizione che l'orizzonte $r_m$ soddisfi $r_m \cdot \delta_m \to 0$ (dove $\delta_m$ è l'errore di approssimazione).
   • Media Ponderata (Time Mixture): Estendono la costruzione di "time mixture" di Ramdas e Wang al caso asintotico, producendo processi che non soddisfano la proprietà ASP (similmente a quanto accade nel caso non asintotico), dimostrando la flessibilità del framework.
5. Relazione con i P-value Anytime: Analizzano la calibrazione dei "P-value anytime uniformi" (Waudby-Smith et al., 2026) in e-processi. Dimostrano che, con una leggera rafforzamento della definizione di P-value (richiedendo una proprietà "strongly asymptotic"), si ottiene un $r$-processo e con $r \equiv \infty$.

4. Risultati Principali

• Teorema 3.3: Dimostra che, sotto condizioni lievi, l'orizzonte $r_m$ può sempre essere scelto in modo che diverga all'infinito ($r_m \to \infty$) senza perdere la proprietà di e-processo asintotico.
• Teorema 4.6: Fornisce una condizione sufficiente pratica: se un processo ha la Proprietà di Supermartingala Asintotica (ASP) ed è calibrato, allora è un $r$-processo e asintotico per qualsiasi sequenza $r$ che soddisfi una condizione di decadimento degli errori (Eq. 8 nel paper).
• Teorema 5.1 (Disuguaglianza di Ville Asintotica): Stabilisce il controllo del Tipo I errore asintotico per test sequenziali basati su questi processi.
• Simulazioni Numeriche (Sezione 7): Gli autori simulano un processo basato su un prodotto cumulativo di variabili con errore di approssimazione decrescente ($d_m = 4/m$). I risultati mostrano che:
  • Le traiettorie che attraversano la soglia $1/\alpha$ prima di $r_m$ hanno una frequenza empirica che converge a $\alpha$ al crescere di $m$.
  • Le traiettorie che attraversano la soglia dopo $r_m$ non sono garantite, confermando la necessità dell'orizzonte finito per $m$ fissi.

5. Significato e Implicazioni

Questo lavoro è significativo per diversi motivi:

• Ponte Teorico: Colma il divario tra la teoria rigorosa dei test sequenziali "anytime-valid" (SAVI) e la pratica comune dei test asintotici basati su stime.
• Flessibilità Pratica: Riconosce che in molti scenari reali (es. modelli complessi, dati non parametrici), non è possibile ottenere garanzie finite esatte. Il framework permette di utilizzare stime approssimate mantenendo garanzie di validità, purché si accetti un orizzonte temporale limitato che si estende man mano che la qualità dei dati o del modello migliora.
• Robustezza: Offre un modo per gestire l'accumulo di errori di approssimazione nei processi stocastici, un problema critico quando si moltiplicano e-variabili.
• Fondamento per Applicazioni Future: Apre la strada all'applicazione di metodi SAVI in contesti dove i modelli sono necessariamente approssimati (es. apprendimento automatico online, trial clinici adattivi con modelli complessi), fornendo un controllo rigoroso del tasso di errore di Tipo I anche in presenza di misspecificazione del modello.

In sintesi, gli autori propongono un framework matematico solido che estende la potenza degli e-processi al mondo reale, dove le stime perfette non esistono, definendo chiaramente quanto tempo si può monitorare un processo in funzione della qualità dell'approssimazione utilizzata.