Combining Evidence Across Filtrations

Resumo Técnico: Combinando Evidências Através de Filtrações

1. O Problema

O artigo aborda um desafio fundamental na inferência sequencial válida a qualquer momento (SAVI - Sequential Anytime-Valid Inference): como combinar processos de evidência (e-processos) construídos em filtrações diferentes para o mesmo teste de hipótese nula composta.

• Contexto: Em SAVI, os e-processos generalizam os valores-p e os martingales de teste, permitindo que o teste seja interrompido a qualquer momento sem inflar a taxa de erro do Tipo I.
• A Dificuldade: Enquanto e-processos definidos na mesma filtração podem ser combinados facilmente (por exemplo, através da média aritmética), e-processos definidos em filtrações distintas não podem ser combinados diretamente.
• O Cenário: Frequentemente, diferentes procedimentos de teste são construídos em filtrações "mais grossas" (sub-filtrações) que contêm menos informação do que a filtração dos dados brutos ($\mathcal{F}$). Um exemplo clássico é o teste de aleatoriedade usando martingales de teste conformal, que são válidos apenas em uma filtração gerada por valores-p conformais, e não na filtração completa dos dados.
• O Risco: Se um pesquisador combinar diretamente um e-processo válido em $\mathcal{F}$ com outro válido apenas em uma sub-filtração $\mathcal{G} \subset \mathcal{F}$, a combinação resultante não será um e-processo válido em $\mathcal{F}$. Isso significa que a validade "a qualquer momento" é perdida se o critério de parada depender de informações presentes em $\mathcal{F}$ mas não em $\mathcal{G}$.

2. Metodologia Proposta

Os autores propõem uma abordagem chamada "Ajustar e Combinar" (Adjust-then-Combine) para elevar (lift) a validade de e-processos de uma filtração mais grossa para uma mais fina.

• Conceito Central: Ajustadores (Adjusters):
  O papel central é desempenhado por uma classe de funções chamadas ajustadores ($A$). Um ajustador é uma função crescente $A: [1, \infty] \to [0, \infty]$ que satisfaz a condição integral:
  $$\int_1^\infty \frac{A(e)}{e^2} de \leq 1$$
  Exemplos incluem $A(e) = e - 1 - \log(e)$ (mistura de ajustadores) e variantes que zeram valores pequenos para ganhar poder estatístico.

• Procedimento de Elevação (E-lifting):
  Se $e = (e_t)$ é um e-processo válido em uma sub-filtração $\mathcal{G}$, o processo ajustado definido por:
  $$e^{adj}_t = A(e^*_t)$$
  onde $e^*_t = \sup_{i \leq t} e_i$ é o máximo rodante (running maximum) do processo original, é um e-processo válido na filtração mais fina $\mathcal{F}$.

• Mecanismo de Combinação:
  Uma vez que o e-processo da sub-filtração foi "elevado" para $\mathcal{F}$ através do ajustador, ele pode ser combinado com outros e-processos válidos em $\mathcal{F}$ simplesmente através da média aritmética (ou outras funções de fusão válidas para e-valores).

• Distinção entre P-processos e E-processos:
  O artigo destaca que p-processos (sequências de valores-p válidos a qualquer momento) podem ser elevados de $\mathcal{G}$ para $\mathcal{F}$ "gratuitamente" (sem necessidade de ajustadores), devido a um lema de equivalência entre validade em tempos aleatórios e tempos de parada. No entanto, para e-processos, que dependem de limites de expectativa, o uso de um ajustador é necessário.

3. Principais Contribuições Teóricas

1. Teorema de Elevação (E-lifting - Teorema 2):
   Estabelece que qualquer e-processo válido em uma sub-filtração pode ser transformado em um e-processo válido em qualquer filtração mais fina através da aplicação de um ajustador ao seu máximo rodante. Isso resolve o problema de combinar evidências heterogêneas.

2. Teorema de Caracterização (Teorema 3):
   Os autores provam um teorema de caracterização que formaliza a necessidade dos ajustadores. Eles mostram que, se uma função crescente transforma o máximo rodante de qualquer e-processo em um e-processo válido em uma filtração mais fina, essa função deve ser um ajustador. Isso implica que a perda de evidência (o "custo" logarítmico) inerente ao uso de ajustadores é inevitável para garantir a validade em filtrações mais finas.

3. Existência de E-processos Poderosos:
   O resultado implica que, para qualquer problema de teste onde existe um e-processo poderoso em uma filtração grossa, existe necessariamente um e-processo poderoso na filtração dos dados originais. Isso contrasta com martingales de teste, onde tal garantia não existe.

4. Resultados Empíricos e Aplicações

Os autores validam a metodologia em três cenários principais:

• Teste de Aleatoriedade em Séries Temporais Financeiras:

  • Cenário: Testar se dias de alta volatilidade em retornos financeiros são IID (independentes e identicamente distribuídos).
  • Problema: Combinar um e-processo de Inferência Universal (UI), poderoso contra alternativas de Markov, com um Martingale de Teste Conformal (CTM), poderoso contra mudanças de regime (changepoints). O CTM não é válido na filtração completa dos dados.
  • Resultado: Ao aplicar o ajustador ao CTM e combiná-lo com o UI, o processo combinado detecta desvios de aleatoriedade em ambos os cenários (Markov e mudanças de regime) em dados reais (S&P 500, Amazon, Nike, USD-CNY), mantendo a validade estatística.

• Teste de Independência Sequencial:
  Demonstração de como combinar e-processos baseados em "apostas em pares" e "ranks sequenciais", que operam em sub-filtrações diferentes, para testar a independência entre variáveis.

• Avaliação de Previsores (Forecasters):
  Aplicação na comparação de previsores de $h$-passos à frente. O método permite combinar evidências de diferentes offsets temporais (que vivem em filtrações desfasadas) em um único e-processo válido.

• Análise de Poder Estatístico:
  Simulações mostram que, embora o ajustador introduza uma penalidade (o processo ajustado cresce mais lentamente do que a média simples não ajustada), o processo combinado mantém um poder estatístico comparável e, crucialmente, é valido. O processo não ajustado, embora mais poderoso em termos de crescimento, viola a validade do teste (taxa de erro do Tipo I inflada).

5. Significado e Implicações

• Segurança na Inferência Sequencial: O trabalho fornece uma ferramenta rigorosa para evitar a "vazamento de informação" (data peeking) que invalida testes sequenciais quando se combinam diferentes estratégias de teste.
• Custo da Validade: O artigo quantifica o custo de garantir a validade em filtrações mais ricas: é uma perda logarítmica de evidência, coberta pelo uso de ajustadores.
• Generalidade: A metodologia é aplicável a qualquer problema de inferência sequencial onde múltiplas fontes de evidência ou diferentes estratégias de teste operam em diferentes níveis de informação.
• Fundamentação Teórica: Ao caracterizar ajustadores como necessários para a elevação de e-processos, o artigo une conceitos de probabilidade de jogos (game-theoretic probability) e inferência estatística moderna, solidificando os e-processos como o objeto central para inferência segura e flexível.

Em suma, o artigo resolve um obstáculo prático e teórico na estatística sequencial moderna, permitindo que pesquisadores combinem livremente diferentes métodos de teste (cada um otimizado para diferentes tipos de alternativas) sem comprometer a garantia de controle de erro do Tipo I em tempo real.