📊 statistics

Combining Evidence Across Filtrations

本文提出了一种利用“调整器”将不同滤流下构建的 e-过程转换至同一滤流并进行合并的通用方法，从而解决了跨滤流证据整合的难题，并证明了该方法在保持统计效力的同时仅需付出对数级的代价。

原作者： Yo Joong Choe, Aaditya Ramdas

发布于 2026-03-17

📖 1 分钟阅读☕ 轻松阅读

原作者： Yo Joong Choe, Aaditya Ramdas

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这是一篇关于**“如何在不同信息环境下合并证据”的统计学论文。为了让你轻松理解，我们可以把这篇论文想象成一场“侦探破案”或“投资博弈”**的故事。

🕵️‍♂️ 核心故事：两个侦探，不同的视野

想象一下，你正在调查一个案件（比如：股市的波动是否真的是随机的？）。你雇佣了两位侦探（我们称之为证据生成器）来帮你收集线索：

侦探 A（全知视角）： 他能看到所有的原始数据，比如每一天的具体股价、每一笔交易。他的视野非常清晰（在统计学中叫“精细滤子”）。
侦探 B（模糊视角）： 他只能看到经过处理的摘要数据，比如“今天是大涨还是大跌”，或者“过去 5 天里有多少天是红色的”。他看不到具体的数字，视野比较模糊（在统计学中叫“粗糙滤子”）。

问题来了：

侦探 A 说：“我发现了异常，证据值很高！”
侦探 B 也说：“我也发现了异常，证据值也很高！”
你想把两人的证据加起来，得出一个更强大的结论。

但是，这里有个大坑：
侦探 B 的证据是基于“模糊视野”建立的。如果你直接用侦探 B 的结论，却用侦探 A 的“全知视野”来下注（比如：看到连续 5 天大跌就立刻停止实验），侦探 B 的证据就会失效，甚至可能骗你，让你误以为发现了规律，其实只是巧合。

这就好比：侦探 B 是在玩“猜硬币正反面”的游戏，规则是只看结果不看过程。但如果你突然决定“只要连续出现 3 次正面就停止”，这个规则是基于具体过程的，侦探 B 原本的游戏规则就不适用了，他的“胜率保证”也就破了。

💡 论文的解决方案：给证据穿上“防弹衣”

这篇论文提出了一种神奇的方法，叫做**“调整 - 然后合并”（Adjust-then-Combine）**。

1. 什么是“调整器”（Adjuster）？

想象侦探 B 手里拿的证据（比如一个数字 100），如果直接拿去用，在侦探 A 的精细视野下可能会爆炸（变得不可信）。
论文发明了一种**“防弹衣”（学术上叫Adjuster/调整器**）。

当你把侦探 B 的证据穿上这件防弹衣时，它会自动缩水一点（比如从 100 变成 50），但换来的是绝对的安全。
穿上防弹衣后，无论侦探 A 用什么复杂、任意的规则来停止实验，这个证据依然是可信的。

代价是什么？
就像穿防弹衣会重一点一样，为了获得这种“在任何情况下都有效”的安全性，证据的数值会稍微变小一点（论文里说是付出了“对数级的代价”）。但这比证据失效要好得多。

2. 怎么合并？

一旦给侦探 B 的证据穿上了防弹衣（调整过），它就和侦探 A 的证据处于同一个安全级别了。
这时候，你就可以像把两杯水倒在一起一样，简单地把它们平均一下。

结果： 你得到了一个既利用了侦探 A 的敏锐，又利用了侦探 B 的特长，而且在任何时候停止实验都绝对安全的超级证据。

🌍 现实生活中的例子：金融市场的“波动日”

论文用股票市场的波动做了一个很好的例子：

场景： 基金经理想知道，那些“疯狂波动”的日子（比如股市大跌）是随机发生的，还是有什么规律（比如连续大跌）？
侦探 A（通用推断）： 擅长发现“马尔可夫链”式的规律（比如：今天大跌，明天大概率也大跌）。
侦探 B（共形检验）： 擅长发现“突变点”（比如：突然从平稳变成剧烈波动）。
挑战： 侦探 B 的方法通常只能在“只看摘要”的模糊规则下才安全。如果基金经理看着实时数据，发现“连续 5 天大跌”就立刻喊停，侦探 B 的方法就会失效。
应用论文方法：
1. 给侦探 B 的证据穿上“防弹衣”（调整器）。
2. 把调整后的侦探 B 和侦探 A 的证据平均。
3. 结果： 基金经理可以随时随地盯着屏幕，一旦发现异常（无论是连续下跌还是突然突变），都能立刻报警，而且不用担心被数据“骗”了。

🚀 论文的两个重要发现

只要有“模糊”证据，就有“清晰”证据：
以前大家觉得，如果在一个模糊的视野下能发现规律，不一定能在清晰的视野下发现。但论文证明：只要你在模糊视野下有一个强有力的证据，通过穿“防弹衣”，你一定能把它变成清晰视野下的强力证据。 这意味着我们不用担心因为规则太复杂而找不到规律。
“防弹衣”是必须的：
论文还证明，如果你想把模糊视野的证据强行拿到清晰视野下用，必须要穿这种“防弹衣”（调整器）。没有别的神通可以绕过这个步骤。这是数学上的必然代价。

📝 总结

这篇论文解决了一个统计学里的“跨界”难题：
如何把不同信息层级（有的看全貌，有的看摘要）的证据安全地拼在一起？

以前： 直接拼，容易翻车（在复杂规则下失效）。
现在： 先给“弱视角”的证据穿上一件**“安全防弹衣”（调整器），牺牲一点点数值，换取绝对的安全，然后再把它们平均**起来。

这就好比两个不同级别的侦探合作，只要给那个视野模糊的侦探戴上“安全头盔”，他们就能并肩作战，在任何复杂的战场（数据流）上都能给出最可靠的结论。

论文技术总结：跨滤子证据的合并 (Combining Evidence Across Filtrations)

作者：Yo Joong Choe (INSEAD), Aaditya Ramdas (Carnegie Mellon University)
发表状态：已接受发表于 Journal of the Royal Statistical Society: Series B (2026)

1. 研究背景与问题定义

1.1 核心概念

e-过程 (E-processes)：序列任意时刻有效推断 (SAVI) 中的核心工具，是 e-值 (e-values) 的序列推广。e-过程 $(e_t)_{t\ge0}$ 是一个非负适应过程，满足在零假设 $P$ 下，对于任意停止时间 $\tau$ ，都有 $E_P[e_\tau] \le 1$ 。
滤子 (Filtrations)：信息流 $(F_t)_{t\ge0}$ 。如果 $G_t \subseteq F_t$ ，则称 $G$ 是 $F$ 的子滤子（或粗滤子）， $F$ 是细滤子。
问题痛点：在序列检验中（如随机性检验、独立性检验、预测评估），不同的检验方法往往基于不同的信息集（滤子）构建。
- 例如：通用推断 (UI) e-过程基于完整数据滤子 $F$ ，而共形检验鞅 (CTM) 仅基于共形 p-值生成的子滤子 $G$ 。
- 直接平均的失效：虽然在同一滤子下的 e-过程可以通过简单平均合并，但在不同滤子下直接平均（ $\bar{e}_t = \frac{1}{2}(e_t + e'_t)$ ）是无效的。因为子滤子 $G$ 下的 e-过程在细滤子 $F$ 的停止时间下不再保证期望有界（即不再满足 $E[e_\tau] \le 1$ ），这会导致第一类错误率膨胀。

1.2 动机示例

论文通过金融时间序列中的“高波动日随机性检验”作为动机：

UI e-过程：对马尔可夫依赖敏感，在数据滤子 $F$ 中有效。
CTM (共形检验鞅)：对变点 (Changepoint) 敏感，但仅在共形 p-值生成的子滤子 $G$ 中有效。
挑战：若直接平均两者，由于 CTM 在 $F$ 的停止时间（如“连续出现 5 个 0"）下期望值可能大于 1，导致合并后的过程失去任意时刻有效性 (Anytime-validity)。

2. 方法论：提升 (Lifting) 与调整 (Adjusting)

论文提出了一套系统的“先调整，后合并” (Adjust-then-Combine) 框架，核心在于提升 (Lifting) 技术。

2.1 p-过程提升 (p-lifting)

定理 1 (p-lifting)：如果 $(p_t)$ 是子滤子 $G$ 中的 p-过程，那么它自动也是任何更细滤子 $F$ ( $G \subseteq F$ ) 中的 p-过程。
原理：基于“等价引理” (Equivalence Lemma)，p-过程的有效性依赖于概率界 ( $P(p_\tau \le \alpha) \le \alpha$ )，该性质在更细的滤子中依然保持。
意义：p-过程可以在不同滤子间“免费”提升，无需校准。

2.2 e-过程提升 (e-lifting)

这是论文的核心创新。由于 e-过程依赖期望界，不能直接提升。

调整器 (Adjusters)：定义为一类递增函数 $A: [1, \infty] \to [0, \infty]$ $A : [1, \infty] \to [0, \infty]$ ，满足 $\int_1^\infty \frac{A(e)}{e^2} de \le 1$ $\int_{1}^{\infty} \frac{A ( e )}{e ^{2}} d e \leq 1$ 。
- 常见例子： $A_{mix}(e) = \frac{e - 1 - \log e}{\log^2 e}$ (混合调整器)。
定理 2 (e-lifting)：如果 $e = (e_t)$ 是子滤子 $G$ 中的 e-过程，定义 $e^{adj}_t = A(e^*_t)$ ，其中 $e^*_t = \sup_{i \le t} e_i$ 是运行最大值。那么 $(e^{adj}_t)$ 是细滤子 $F$ 中的 e-过程。
机制：
1. 将 $G$ 中的 e-过程转换为 p-过程 ( $p^*_t = 1/e^*_t$ )。
2. 利用 p-lifting 将 $p^*$ 提升到 $F$ 。
3. 利用 p-to-e 校准器 (与调整器一一对应) 将提升后的 p-过程转回 e-过程。
代价：使用调整器会牺牲一部分统计功效（对数级别的证据损失），但换取了在细滤子下的任意时刻有效性。

2.3 合并策略 (Adjust-then-Combine)

对于在 $F$ 中的 e-过程 $e$ 和在 $G$ 中的 e-过程 $e'$ ，合并后的有效 e-过程为：
$\bar{e}^{adj}_t = \gamma e_t + (1-\gamma) A((e'_t)^*)$
其中 $\gamma \in [0, 1]$ 是权重。

3. 主要贡献与理论成果

跨滤子证据合并的通用方法：
首次提出了将任意子滤子中的 e-过程提升到主数据滤子并合并的通用协议。解决了 SAVI 中因信息集不同导致的证据合并失效问题。
调整器的刻画定理 (Characterization Theorem)：
定理 3 证明了调整器的多种定义是等价的：
- 解析定义 (积分条件)。
- 博弈论定义 (将赌徒财富的运行最大值转化为有效赌注)。
- e-提升器定义：如果一个递增函数能将任意 e-过程的运行最大值提升为更细滤子中的 e-过程，那么该函数必须是一个调整器。
- 推论：使用调整器不仅是充分的，在某种意义上也是必要的。
存在性保证：
推论 3 指出：如果某个复合假设检验问题在子滤子中存在强力的 e-过程，那么在原始数据滤子中一定存在强力的 e-过程（通过调整器提升获得）。这解决了关于“是否存在仅在粗滤子中有效而在细滤子中无效的强力 e-过程”的理论疑问。
成本量化：
证明了从粗滤子提升到细滤子存在对数成本 (logarithmic cost)，即调整器会引入 $O(\log e)$ 的衰减，这是为了获得任意时刻有效性所必须付出的代价。

4. 实验结果

4.1 随机性检验 (Simulations)

场景：结合 UI e-过程 (针对马尔可夫依赖) 和 CTM (针对变点)。
结果：
- 未调整的 CTM 在数据依赖的停止时间下，期望值显著大于 1 (失效)。
- 经过 e-lifting 调整后的 CTM 满足有效性 ( $E \le 1$ )。
- 合并效果：合并后的 e-过程在马尔可夫依赖和变点两种替代假设下均表现出强大的检测能力，且优于单一方法。
- 功效损失：虽然调整器引入了对数损失，但在模拟中，合并后的检验功效与简单平均（无效方法）相比仅略有下降，但在统计上是唯一合法的选择。

4.2 真实金融数据应用

数据：S&P 500, Amazon, Nike, USD-CNY 等资产的高波动日序列 (2019-2023)。
发现：
- 在 2020 年 3 月 (疫情爆发)，UI e-过程增长迅速，表明波动具有马尔可夫依赖性。
- 在 2022 年 (高通胀期)，调整后的 CTM 增长迅速，表明存在变点。
- 结论：合并后的 e-过程成功捕捉到了不同时期的不同偏离模式，证明了该方法在实时监测金融模型有效性方面的实用性。

4.3 其他应用场景

独立性检验：结合了基于成对赌博 (Pairwise betting) 和基于秩 (Rank-based) 的 e-过程，两者分别在不同子滤子中定义。
多步预测评估：处理 $h$ -步向前预测的滞后信息问题，通过 e-lifting 合并不同时间偏移量的证据。

5. 意义与启示

理论意义：
- 完善了 SAVI 的理论基础，明确了 e-过程与滤子结构的内在联系。
- 证明了调整器在提升证据过程中的核心地位，将其从一种“技巧”提升为“必要条件”。
- 澄清了测试鞅 (Test Martingales) 与 e-过程在存在性上的区别：对于某些问题，强力测试鞅可能不存在于数据滤子中，但强力 e-过程总是存在的（通过提升获得）。
实践意义：
- 实时监测：允许研究者在构建检验时使用不同的信息集（如为了简化计算而使用共形 p-值），同时保证最终结论在完整数据流下依然有效。
- 模型诊断：在金融、气象等领域，能够灵活组合针对不同异常模式（如马尔可夫依赖 vs. 结构突变）的检验工具，提供更鲁棒的模型监控。
- 避免数据窥探 (Data Peeking)：解决了因停止规则依赖于额外信息（如原始数据而非摘要统计量）而导致的统计推断失效问题。
局限性讨论：
- 调整器带来的对数损失在样本量较小或证据较弱时可能影响功效。
- 论文探讨了随机化调整 (Randomized adjustments) 作为潜在改进方向，但发现“先随机化后提升” (Randomize-then-lift) 通常无效，而“先提升后随机化” (Lift-then-randomize) 是可行的。

总结：该论文解决了一个在序列统计推断中长期被忽视但至关重要的问题——如何在不同信息层级下合并证据。通过引入“调整器”和"e-lifting"技术，作者建立了一套严谨的数学框架，使得研究者能够安全、有效地结合多种序列检验方法，极大地扩展了任意时刻有效推断的应用范围。