Combining Evidence Across Filtrations

1. 문제 제기 (Problem Statement)

이 논문은 **순차적 언제든 유효한 추론 (Sequential Anytime-Valid Inference, SAVI)**의 맥락에서, 동일한 귀무가설에 대해 서로 다른 필터레이션 (filtration) 에서 구성된 e-process 들을 어떻게 결합할 것인가라는 근본적인 문제를 다룹니다.

• 배경: SAVI 에서는 e-value 와 그 순차적 일반화인 e-process가 핵심 도구입니다. e-process 는 임의의 정지 시간 (stopping time) 에서도 귀무가설 하에서 기대값이 1 을 넘지 않아야 합니다 (anytime-validity).
• 기존 방법의 한계: 동일한 필터레이션 내에서 정의된 e-process 들은 단순히 산술 평균을 내면 쉽게 결합하여 유효한 e-process 를 만들 수 있습니다.
• 핵심 문제: 그러나 서로 다른 필터레이션 (예: 데이터의 전체 정보 $F$와 그 부분 정보 $G \subset F$) 에서 구성된 e-process 들을 평균내는 것은 유효하지 않습니다.
  • 이유: $G$ (coarser filtration) 에서 유효한 e-process 는 $F$ (finer filtration) 의 임의의 정지 시간에서는 유효하지 않을 수 있습니다. 즉, $G$-적응된 과정이 $F$-정지 시간에서 유효성을 보장받지 못하기 때문입니다.
• 실제 사례: 금융 시계열 데이터의 무작위성 (randomness) 검정, 독립성 검정, 시계열 예측 평가 등에서 이러한 문제가 빈번히 발생합니다. 예를 들어, Conformal Test Martingale (CTM) 은 데이터의 일부 요약 통계량 (conformal p-values) 만을 사용하는 부분 필터레이션에서 유효하지만, 원시 데이터를 직접 사용하는 정지 시간 (예: "5 번 연속 0 이 나올 때") 에서는 유효성이 깨집니다.

2. 방법론 (Methodology)

저자들은 이 문제를 해결하기 위해 **Adjuster (조정자)**를 활용한 "조정 후 결합 (Adjust-then-Combine)" 절차를 제안합니다.

2.1. 핵심 개념: Adjuster (조정자)

• 정의: Adjuster 는 $[1, \infty] \to [0, \infty]$로 가는 증가 함수 $A$로, 다음 적분 조건을 만족해야 합니다:
  $$\int_1^\infty \frac{A(e)}{e^2} de \le 1$$
• 역할: Adjuster 는 e-process 의 **누적 최댓값 (running maximum, $e^*_t = \sup_{i \le t} e_i$)**에 적용하여, 원래의 e-process 를 더 정교한 필터레이션에서도 유효한 e-process 로 변환 (lifting) 합니다.
• 예시: $A_{mix}(e) = \frac{e - 1 - \log(e)}{\log^2(e)}$와 같은 혼합 조정자가 제안되었습니다.

2.2. 주요 정리: E-lifting (e-process 들의 필터레이션 상승)

• Theorem 2 (e-lifting): $G \subseteq F$일 때, $G$에서 유효한 e-process $e_t$가 있다면, 조정된 과정 $e^{adj}_t = A(e^*_t)$는 $F$에서도 유효한 e-process 가 됩니다.
• 의미: 부분 필터레이션에서 구성된 강력한 e-process 를 조정자를 통해 원본 데이터 필터레이션으로 "상승 (lift)"시킬 수 있음을 보장합니다.

2.3. P-lifting (p-process 의 필터레이션 상승)

• Theorem 1 (p-lifting): p-process 는 조정자 없이도 "무료 (free)"로 더 정교한 필터레이션으로 상승시킬 수 있습니다. 이는 p-process 가 확률 bound 에 기반하기 때문입니다.
• 결합 전략:
  1. p-process 결합: $G$의 p-process 를 $F$로 자유롭게 상승시킨 후, p-to-e calibrator 를 통해 e-process 로 변환하여 결합.
  2. e-process 결합: $G$의 e-process 를 Adjuster로 조정 (e-lifting) 한 후, $F$의 다른 e-process 와 평균을 내어 결합.

3. 주요 기여 (Key Contributions)

1. 이론적 정립 (Characterization Theorem):

   • Adjuster 가 e-process 를 필터레이션 간에 상승시키는 데 필요충분조건임을 증명했습니다 (Theorem 3).
   • 즉, 임의의 e-process 를 더 정교한 필터레이션에서 유효하게 만들려면 Adjuster 를 사용해야 하며, 이는 증거의 손실 (logarithmic cost) 을 피할 수 없는 대가임을 보여줍니다.

2. 실용적 알고리즘 (Adjust-then-Combine Procedure):

   • 서로 다른 필터레이션에서 얻은 증거를 결합하는 일반화된 절차를 제시했습니다.
   • 이 절차는 다양한 대립가설 (예: Markovian 의존성 vs. Changepoint) 에 대해 강력한 검정력을 유지하면서도 anytime-validity 를 보장합니다.

3. 새로운 통찰:

   • 강력한 e-process 의 존재성: 만약 coarser filtration 에 강력한 e-process 가 존재한다면, Adjuster 를 통해 data filtration 에도 강력한 e-process 가 항상 존재함을 보였습니다. (이는 Test Martingale 에서는 성립하지 않는 결과입니다.)
   • 비용: 필터레이션을 조정하여 유효성을 확보하는 데는 로그 (logarithmic) 규모의 증거 손실이 수반되지만, 이는 필수적인 비용입니다.

4. 실험 결과 (Results)

저자들은 제안된 방법을 두 가지 주요 시나리오에서 검증했습니다.

4.1. 금융 시계열 데이터의 무작위성 검정

• 데이터: S&P 500, 아마존, 나이키 주식 및 USD-CNY 환율의 고변동성 일 (high-volatility days) 데이터.
• 방법: Universal Inference (UI) e-process (Markovian 대립가설에 강력) 와 Conformal Test Martingale (Changepoint 대립가설에 강력) 을 결합.
• 결과:
  • 조정되지 않은 CTM 은 데이터 의존적 정지 시간에서 유효성을 잃고 1 을 초과하는 경우가 많았습니다.
  • Adjust-then-Combine 방법을 적용한 결합 e-process 는 두 가지 대립가설 (Markovian 및 Changepoint) 모두에서 검정력을 발휘하며, 실제 금융 데이터의 변동성 군집 (volatility clustering) 시기를 성공적으로 탐지했습니다.

4.2. 시뮬레이션 및 통계적 검정력 분석

• 시나리오: 무작위성 가설 하에서 UI 와 CTM 을 결합하여 검정력 (rejection rate) 을 평가.
• 결과: Adjuster 를 사용한 결합 방법은 단순 평균 (유효하지 않음) 에 비해 검정력이 약간 낮아지지만 (증거 손실), 여전히 매우 높은 검정력을 유지하며, 동시에 anytime-validity를 보장합니다.
• h-step-ahead 예측 평가: 여러 예측 모델의 성능을 비교하는 문제에서도 e-lifting 기법이 효과적임을 보였습니다.

5. 의의 및 결론 (Significance)

• SAVI 의 확장: 이 연구는 SAVI 의 적용 범위를 단순한 단일 필터레이션에서 벗어나, 복잡한 정보 구조를 가진 다양한 실증 문제 (금융, 독립성 검정, 예측 평가 등) 로 확장합니다.
• 실무적 중요성: 연구자들은 실험을 중단할 때 (stopping) 데이터의 모든 정보를 활용할 수 있어야 하지만, 동시에 통계적 유효성을 유지해야 하는 딜레마를 해결합니다. Adjuster 를 사용하면 "데이터를 훔쳐보는 (peeking)" 행위에도 불구하고 유효한 검정을 수행할 수 있습니다.
• 이론적 완성도: Adjuster 의 필요성에 대한 정량적 증명 (Characterization Theorem) 은 통계적 증거 결합 이론의 기초를 다지는 중요한 업적입니다.

요약: 이 논문은 서로 다른 정보 수준 (필터레이션) 에서 생성된 통계적 증거를 결합할 때 발생하는 유효성 문제를 해결하기 위해 Adjuster를 도입한 "조정 후 결합" 전략을 제안했습니다. 이는 금융 데이터 분석 및 다양한 시계열 문제에서 언제든 유효한 (anytime-valid) 동시에 강력한 (powerful) 검정을 가능하게 하는 핵심 방법론입니다.