Estimation of relative risk, odds ratio and their logarithms with guaranteed accuracy and controlled sample size ratio

该论文提出了一种基于两阶段序贯抽样的估计方法，用于在任意参数下保证相对风险、优势比及其对数的均方误差低于目标值，同时使两总体平均样本量之比接近预设值，并具备高统计效率。

要点

这篇论文提出了一种非常聪明的**“智能抽样”方法**，用来比较两个群体（比如“吃药的人”和“没吃药的人”）在某种结果（比如“康复”）上的差异。

为了让你轻松理解，我们可以把这项研究想象成**“在迷雾中精准测量两座山峰的高度差”**。

1. 核心问题：我们要算什么？

想象你有两座山，代表两个群体：

• 山 A（比如：接种疫苗的人）
• 山 B（比如：没接种疫苗的人）

你想比较这两座山的高度（或者它们之间的相对高度）。在统计学里，我们有四个常用的“尺子”来衡量这种差异：

1. 相对风险 (RR)：山 A 的高度是山 B 的几倍？（比如：疫苗让康复概率提高了 2 倍）。
2. 比值比 (OR)：这是一个稍微复杂点的比例，常用于医学研究。
3. 对数相对风险 (LRR) 和 对数比值比 (LOR)：把上面的倍数取对数，变成加减法，方便计算。

难点在于： 我们不知道这两座山具体有多高（概率 $p_1$ 和 $p_2$ 是未知的）。如果我们随便爬几次（固定样本量），万一山特别矮（概率很低），我们可能爬了 100 次都没看到一个人，导致测量完全不准。

2. 传统方法的笨拙 vs. 新方法的聪明

笨办法（固定样本量）：
就像你决定“不管山多高，我都爬 100 次”。如果山很高，100 次绰绰有余；如果山很矮，100 次可能连个影子都看不到，结果误差巨大。你无法保证测量的精度。

新办法（两阶段“智能登山”）：
这篇论文提出了一种**“先探路，再冲刺”**的两阶段策略，就像是一个经验丰富的登山队长：

第一阶段：探路（Pilot Stage）

• 动作：队长先派两个小队，分别去山 A 和山 B 探路。
• 规则：他们不数爬了多少步，而是数看到了多少个“成功者”（比如看到了 5 个康复的人就停下）。
• 目的：因为概率未知，如果山很矮，他们可能需要爬很久才能看到 5 个人；如果山很高，几步就看到了。
• 收获：通过这两个小队爬了多少步才看到 5 个人，队长就能估算出这两座山大概有多高（概率是多少），以及它们之间的比例大概是多少。

第二阶段：冲刺（Main Stage）

• 动作：队长根据第一阶段的“情报”，计算出还需要爬多少步才能达到**“绝对精准”**的目标。
• 关键点：
  • 保证精度：队长会计算，为了确保误差小于某个值（比如 5%），第二阶段需要再爬多少步。如果山很矮，他就命令大家多爬点；如果山很高，就少爬点。这样，无论山多高，最终测量的误差都被死死控制在目标范围内。
  • 控制比例：队长还要求，山 A 的总步数和山 B 的总步数要保持一个特定的比例（比如 1:1，或者 3:1）。这就像要求两个小队的总工作量要平衡，不能一个累死一个闲死。

3. 两种登山模式：单人 vs. 组队

论文还讨论了两种具体的执行方式：

• 单人登山模式（Element Sampling）：

  • 就像两个独立的登山队，想爬几步就爬几步，完全灵活。
  • 优点：最灵活，效率最高。
  • 缺点：如果两个队伍必须同时行动（比如受限于天气或设备），这就有点难办。

• 组队登山模式（Group Sampling）：

  • 想象一下，每次出发必须是一组人，每组里固定有 2 个去山 A，3 个去山 B（比如 $l_1=2, l_2=3$）。
  • 场景：这就像医院里，每次只能同时给 2 个病人和 3 个健康人做检查，不能多也不能少。
  • 策略：虽然每次必须按组出发，但队长会利用“库存”策略。如果山 A 需要的人还没到，但组里多带了 1 个，就先存起来；等下次需要时直接用。
  • 结果：虽然因为要凑整，可能会多浪费一点点体力（样本量稍微大一点点），但能严格保证两个群体的样本比例是完美的。

4. 为什么这个方法很牛？

1. 承诺“零失误”的精度：不管概率多低（山多矮），这个方法都能保证最终算出来的结果，误差不会超过你设定的目标。这是传统固定样本量做不到的。
2. 效率极高：它非常“惜力”。它不会盲目地多爬路，而是刚好爬到满足精度要求就停。论文证明，它的效率接近理论上的极限（就像赛车手完美地踩油门和刹车）。
3. 灵活控制：你可以随意设定两个群体样本量的比例（比如你想花 3 倍的钱在实验组，1 倍在对照组），算法会自动调整。

5. 生活中的类比总结

想象你在调配两种不同浓度的果汁：

• 你不知道两种果汁里到底有多少糖（概率未知）。
• 你想比较它们的甜度比例。
• 旧方法：你不管甜不甜，都倒 100 毫升尝尝。如果果汁很淡，100 毫升里可能尝不出甜味，你就测不准。
• 新方法：
  1. 先尝一口：先倒一点点，直到尝出 5 次甜味为止。这让你大概知道糖的浓度。
  2. 精准调配：根据刚才尝到的浓度，计算还需要倒多少毫升，才能确保最终算出的甜度比例误差小于 1%。
  3. 控制成本：同时，你要求两种果汁倒出来的总量比例必须是 1:1。

结论：
这篇论文就是给统计学家和研究人员提供了一套**“智能配方”**。它不再让你盲目地收集数据，而是像一位精明的管家，先试探，再精准投入，确保用最少的资源（样本量），在最复杂的条件下（概率未知），得到最可靠、最符合比例要求的结论。这对于医学临床试验、机器学习和市场调研来说，既省钱又靠谱。

技术摘要

这篇论文提出了一种基于两阶段序贯抽样（Two-stage Sequential Sampling）的估计方法，用于从两个具有不同成功概率 $p_1$ 和 $p_2$ 的总体中，估计相对风险（Relative Risk, RR）、比值比（Odds Ratio, OR）及其对数形式（LRR, LOR）。

该方法的核心创新在于：它能够在不预先知道 $p_1$ 和 $p_2$ 具体数值的情况下，保证估计量的相对均方误差（Relative MSE）或均方误差（MSE）小于预设的目标值 $A$，同时控制两个总体样本量的平均比例接近预设值 $\lambda$。

以下是该论文的详细技术总结：

1. 问题背景与挑战

• 应用场景：医学（如疫苗临床试验）、社会科学及机器学习（逻辑回归）中，经常需要比较两个二项分布总体的差异。
• 核心挑战：
  1. 精度保证：传统的固定样本量方法无法在 $p_1, p_2$ 未知且可能非常小的情况下，保证相对误差（Relative Error）或绝对误差（Absolute Error）始终低于目标值。
  2. 样本量比例控制：在实际应用中，往往希望两个总体的样本量保持特定的比例（例如 1:1 或其他比例），或者在“组抽样”（Group Sampling，即成批获取样本）模式下严格满足比例。
  3. 效率：估计器应尽可能接近 Cramér-Rao 下界，即具有高效率。

2. 方法论 (Methodology)

论文提出了一种基于**逆二项抽样（Inverse Binomial Sampling, IBS）**的两阶段序贯估计策略。

2.1 核心机制：两阶段序贯抽样

• 第一阶段（预抽样/ Pilot Stage）：
  • 对两个总体分别进行 IBS，直到获得预设的成功次数 $r_1$ 和 $r_2$。
  • 记录所需的样本数 $M_1$ 和 $M_2$。
  • 利用 $M_1, M_2$ 构建统计量 $X$，以此作为 $p_1/p_2$（或其相关变换）的初步估计，从而推断所需的第二阶段样本量。
• 第二阶段（主抽样/ Main Stage）：
  • 根据第一阶段的结果，动态计算第二阶段的 IBS 参数 $s_1$ 和 $s_2$。
  • 再次进行 IBS，直到获得 $s_1$ 和 $s_2$ 次成功，记录样本数 $N_1$ 和 $N_2$。
  • 利用 $N_1, N_2$ 计算最终的无偏估计量 $\hat{\theta}$。

2.2 针对不同参数的具体实现

论文针对四种参数设计了具体的无偏估计量和误差函数 $e(s_1, s_2)$：

1. 相对风险 (RR, $\theta = p_1/p_2$)：
   • 估计量形式：$\hat{\theta} = \frac{(s_1-1)N_2}{s_2(N_1-1)}$。
   • 误差控制：要求相对 MSE $\le A$。
2. 对数相对风险 (LRR, $\Theta = \log \theta$)：
   • 利用调和数 $H_n$ 构建无偏估计量。
   • 误差控制：要求 MSE $\le A$。
3. 比值比 (OR, $\psi = \frac{p_1(1-p_2)}{p_2(1-p_1)}$)：
   • 特殊处理：由于 OR 涉及 $p/(1-p)$，直接 IBS 效率较低。论文引入了**伯努利工厂（Bernoulli Factory）**技术。
   • 第一阶段：通过伯努利工厂生成参数为 $\bar{p}_i = p_i(1-p_i)$ 的样本，以获取关于 $\bar{p}_1/\bar{p}_2$ 的信息。
   • 第二阶段：分别对 $p_1/(1-p_1)$ 和 $(1-p_2)/p_2$ 进行两次 IBS 过程（成功和失败计数），组合得到 OR 估计量。
4. 对数比值比 (LOR)：
   • 类似于 OR，但利用对数估计器，参数 $\alpha$ 设为 0。

2.3 样本量比例控制与组抽样

• 元素抽样 (Element Sampling)：样本逐个获取。通过调整 $s_1, s_2$ 的函数关系，使得平均样本量 $E[M_1+N_1]$ 与 $E[M_2+N_2]$ 的比值接近预设的 $\lambda$。
• 组抽样 (Group Sampling)：样本以固定大小 $(l_1, l_2)$ 的批次同时获取。
  • 策略：当需要样本时，如果当前批次有剩余则使用，否则获取新批次。
  • 结果：虽然会因“过剩”样本导致平均样本量略有增加，但能严格保证两个总体的样本量比例始终为 $l_1/l_2$。

3. 关键贡献 (Key Contributions)

1. 保证精度的无偏估计器：

   • 首次提出了针对 RR、OR 及其对数形式的估计器，能够严格保证对于任意 $p_1, p_2 \in (0,1)$，其相对 MSE 或 MSE 均小于目标值 $A$。
   • 解决了传统固定样本量方法在 $p$ 值极小时无法保证相对精度的问题。

2. 可控的样本量比例：

   • 通过两阶段设计，使得平均样本量比例可以任意指定（$\lambda$），且在组抽样模式下能实现精确的比例控制。

3. 理论界限与效率分析：

   • 推导了平均样本量的上界公式。
   • 证明了估计器的效率（Efficiency）在目标误差 $A$ 较小时接近 1（即接近 Cramér-Rao 下界）。
   • 给出了关于曲率函数 $c(A, r_1, \xi)$ 的分析，用于确定最优的第一阶段参数 $r_1$，以最小化平均样本量。

4. 伯努利工厂的应用：

   • 在 OR 和 LOR 估计中，创新性地结合了伯努利工厂技术，解决了从 $p$ 生成 $\bar{p}$ 样本的问题，使得在保持无偏性和精度控制的同时，能够高效地估计比值比。

4. 实验结果 (Results)

论文通过大量的蒙特卡洛模拟（$10^6$ 次实现）验证了理论分析：

• 精度验证：模拟结果显示，估计量的相对 MSE 始终低于预设目标 $A$。当 $A$ 较大时，由于 $r_1$ 的下限限制（$r_1 \ge 3$），实际误差略小于目标值；当 $A$ 较小时，实际误差非常接近目标值。
• 样本量比例：模拟得到的平均样本量比值与预设 $\lambda$ 高度吻合，偏差通常很小（<11%），且在 $A$ 较小时偏差更小。
• 效率：
  • 在元素抽样和组抽样模式下，估计器的效率均很高。
  • 当 $A \to 0$ 时，效率趋近于 1。
  • 组抽样相比元素抽样会有轻微的效率损失（约 0.15），这是由于批次取整导致的样本量冗余，但在实际应用中是可接受的。
• 参数敏感性：分析了 $p_1, p_2$ 的绝对大小（通过 $\phi = \sqrt{p_1 p_2}$ 体现）对结果的影响。发现当 $p$ 值较大时，由于均匀界（Uniform Bound）的松弛，实际样本量可能略小于理论上限，但精度依然得到保证。

5. 意义与结论 (Significance)

• 理论价值：该研究填补了序贯估计中同时保证“绝对/相对精度”和“样本量比例控制”的理论空白。它提供了一种通用的框架，可以扩展到其他 $p_1, p_2$ 的函数估计（如 $p_1 p_2$）。
• 实际应用：
  • 对于临床试验（如疫苗有效性评估），该方法允许研究人员在不知道疾病发生率的情况下，动态调整样本量，既保证了统计功效（精度），又控制了实验成本（样本量比例）。
  • 对于机器学习中的逻辑回归参数估计，提供了一种在数据收集阶段即可控制误差和采样策略的严谨方法。
• 通用性：提出的算法（Algorithm 1 & 2）具有清晰的步骤，易于实现，且适用于元素抽样和组抽样两种模式。

总结：Luis Mendo 的这项工作提出了一套严谨、高效且灵活的序贯估计框架，成功解决了在未知概率参数下估计相对风险和比值比时的精度保证与资源控制难题，具有重要的统计学意义和广泛的实际应用前景。