The Nonparametric Kiefer-Weiss Problem

Resumo Técnico: O Problema de Kiefer–Weiss Não Paramétrico

Formulação do Problema
Este artigo aborda uma variante inédita do problema de Kiefer–Weiss, denominada Problema de Kiefer–Weiss Não Paramétrico (NPKWT). Enquanto o problema clássico de Kiefer–Weiss busca minimizar o valor máximo esperado do tamanho da amostra sobre uma família paramétrica de distribuições sujeito a restrições de erro, o NPKWT inverte o objetivo e o domínio da restrição. O objetivo é minimizar uma soma ponderada das probabilidades de erro do Tipo I e do Tipo II ($\alpha + z\beta$) sujeito a uma restrição de que o tamanho esperado da amostra não exceda uma constante $c$ para todas as distribuições de probabilidade possíveis no espaço de sequências dado. Formalmente, o problema é definido como:
$$\inf_{\psi \in I^\infty_c} \inf_{\delta \in I^\infty} \alpha(\delta, \psi) + z \beta(\delta, \psi)$$
onde $I^\infty_c$ é o conjunto de políticas de parada tais que $E_P[T] \le c$ para todo $P \in \mathcal{M}(\mathcal{X}^\infty)$. Os autores assumem hipóteses binárias $H_0$ e $H_1$ em relação à distribuição i.i.d. das observações, sendo $P_1$ absolutamente contínua em relação a $P_0$.

Metodologia
A solução é derivada através de uma redução a um problema de parada ótima, utilizando uma abordagem de "aleatoriedade limitada" para construir a solução para o caso geral.

1. Redução ao Problema de Parada Ótima: Os autores demonstram primeiro que a política de decisão ótima $\delta^*$ é um teste de razão de verossimilhança (LRT). Isso reduz o problema à busca de uma política de parada ótima $\psi$ que minimize a função de custo $E_0[g(z \Lambda_T)]$, onde $\Lambda_T$ é a razão de verossimilhança no tempo de parada e $g(z) = \min\{1, z\}$.
2. Aleatoriedade Limitada ($k$-aleatorização): Os autores introduzem uma sequência de subproblemas onde o número de decisões de parada aleatórias é limitado a $k$. Eles definem uma função de custo $\rho_k(z, c)$ representando o custo mínimo com no máximo $k$ aleatorizações.
   • Para $k=0$ (determinístico), o teste ótimo reduz-se a um Teste de Tamanho de Amostra Fixo (FSST) com tamanho de amostra $\lfloor c \rfloor$.
   • Para $k \ge 1$, os autores derivam uma equação recursiva do tipo Bellman (Lema 4.3) relacionando $\rho_k$ a $\rho_{k-1}$. Isso envolve a maximização de uma função $r_k(z, b)$ sobre um potencial "orçamento" $b$ de amostras restantes.
3. Aleatoriedade Ilimitada ($k \to \infty$): A solução para o problema original é obtida tomando o limite $k \to \infty$. Os autores provam que $\rho_k$ converge pontualmente para uma função limite $\rho(z, c)$.
   • Resultado Estrutural Chave: Diferente do caso limitado, a função limite $\rho(z, \cdot)$ mostra-se convexa e linear por partes com pontos de quebra em inteiros. Esta propriedade simplifica significativamente a regra de parada ótima.
   • Política Ótima: A regra de parada ótima é caracterizada por um estatístico de duas dimensões $(z_t, c_t)$, onde $z_t$ é a razão de verossimilhança e $c_t$ monitora o tamanho esperado da amostra restante. A probabilidade de parada é determinada por uma função $m^*(z)$, que mapeia a razão de verossimilhança para um tamanho de amostra de valor inteiro. A regra é:
     $$\psi^*_t = 1 - \frac{c_t}{\max\{c_t, m^*(z_t)\}}$$
     Se $c_t < m^*(z_t)$, o teste para com probabilidade $1 - c_t/m^*(z_t)$; caso contrário, continua com certeza.

Principais Contribuições e Resultados

• Existência e Caracterização: O artigo prova a existência de uma política de parada ótima e a caracteriza como a solução de uma equação de Bellman não linear (Eq. 17).
• Estatístico de Duas Dimensões: A política ótima depende de um estado de duas dimensões: a razão de verossimilhança e o orçamento de amostra restante. Isso contrasta com os testes de razão de verossimilhança sequenciais (SPRTs) padrão, que tipicamente dependem de uma razão de verossimilhança unidimensional com limiares fixos.
• Papel da Aleatorização: A estratégia ótima utiliza explicitamente a aleatorização para "aumentar" o tamanho esperado da amostra restante para algumas execuções enquanto interrompe precocemente outras. Este mecanismo permite que o teste satisfaça a restrição de tamanho de amostra esperado de pior caso para todas as distribuições, enquanto minimiza as probabilidades de erro.
• Robustez e Natureza Não Truncada:
  • O NPKWT exibe uma propriedade de "equalização de custo": o tamanho esperado da amostra é constante ($c$) para todas as sequências de observações possíveis, tornando cada distribuição "menos favorável".
  • Ao contrário de muitos testes de Kiefer–Weiss paramétricos, o NPKWT é não truncado; o tempo de parada é suportado em todos os inteiros não negativos, embora a esperança permaneça limitada.
• Aproximações: Os autores propõem duas aproximações práticas para o mapeamento ótimo $m^*(z)$ baseadas no caso de aleatorização única ($k=1$) e análise assintótica ($z \to 0, \infty$). Estas aproximações mostram-se capazes de limitar o tamanho da amostra ótima e são computacionalmente eficientes.
• Validação Numérica: Dois exemplos numéricos (deslocamento de Bernoulli e deslocamento de média Normal) ilustram os resultados. As simulações mostram que permitir mesmo uma única aleatorização ($k=1$) reduz significamente a probabilidade de erro em comparação com FSSTs determinísticos ($k=0$), com ganhos marginais adicionais conforme $k \to \infty$. As distribuições do tempo de parada mostram caudas pesadas à direita, consistentes com a natureza não truncada da política.

Significância e Alegações
O artigo afirma resolver um problema fundamental em análise sequencial ao estender o framework de Kiefer–Weiss para um cenário não paramétrico. A significância reside em:

1. Robustez: O NPKWT fornece um teste que é robusto contra o desajuste de modelo, pois é otimizado para a distribuição de pior caso, em vez de uma família paramétrica específica.
2. Insight Teórico: Revela que o teste sequencial não paramétrico ótimo requer regras de parada aleatórias e um espaço de estado de duas dimensões, desafiando a intuição de que testes ótimos são sempre baseados em limiares da razão de verossimilhança.
3. Utilidade Prática: Embora a solução exata envolva a resolução de uma equação integral, o artigo argumenta que o NPKWT é essencialmente um "SPRT aumentado" que é robusto a desvios do mapeamento ótimo $m^*$. Isso sugere que as aproximações propostas podem ser usadas na prática com sobrecarga computacional mínima, oferecendo uma alternativa viável aos testes convencionais de Kiefer–Weiss, que frequentemente exigem limiares complexos e dependentes do tempo.

Os autores concluem que, embora o NPKWT seja de interesse teórico, sua robustez e a disponibilidade de aproximações simples o tornam uma escolha atraente para aplicações práticas onde a incerteza do modelo é alta. Permanecem questões abertas em relação aos limites do ganho sobre os FSSTs e a monotonicidade do tamanho da amostra ótima em relação ao número de aleatorizações permitidas.