📊 statistics

E-values as statistical evidence: A comparison to Bayes factors, likelihoods, and p-values

本文通过对比 p 值、似然比和贝叶斯因子，论证了 e 值及其序贯形式 e 过程因具备自然组合性、处理复合假设能力、提供长期误差率以及直观的“赌徒财富”解释等优越特性，应被视为一种兼具多种传统统计优势且值得重视的可解释统计证据度量。

原作者： Ben Chugg, Aaditya Ramdas, Peter Grünwald

发布于 2026-03-26

📖 1 分钟阅读☕ 轻松阅读

原作者： Ben Chugg, Aaditya Ramdas, Peter Grünwald

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

这是一篇关于统计学证据（Statistical Evidence）的论文，作者提出了一个名为 "E-value"（E 值） 的新工具，试图解决统计学界争论已久的一个问题：我们到底该如何衡量一个科学假设是“对”还是“错”？

为了让你轻松理解，我们可以把统计假设检验想象成一场**“侦探破案”或“赌场博弈”**。

1. 核心背景：侦探们的困惑

在科学实验中，我们通常有一个“默认假设”（Null Hypothesis，比如“这个新药没效果”）。侦探（科学家）收集数据，试图证明这个默认假设是错的。

过去，侦探们主要用三种工具来衡量证据：

P 值（P-value）： 就像**“意外程度”**。如果结果发生的可能性极低（比如小于 5%），我们就说“这太巧合了，默认假设可能是错的”。
- 缺点： 它很脆弱。如果你中途改变主意（比如多测几个样本再算），P 值就失效了。而且它不能直接告诉你“证据有多强”，只能告诉你“有多意外”。
似然比（Likelihood Ratio）： 就像**“天平”**。比较“假设 A 成立的可能性”和“假设 B 成立的可能性”。
- 缺点： 它通常需要两个具体的假设（A 和 B）才能比较。如果只有一个假设，它就没法用。
贝叶斯因子（Bayes Factor）： 就像**“信念更新器”**。根据新数据，更新你对某个假设的相信程度。
- 缺点： 它依赖于你一开始的“主观信念”（先验概率），不同人可能有不同的起点，导致结论不同。

这篇论文提出了第四种工具：E 值（E-value）。

2. 什么是 E 值？——“赌徒的财富”

作者用了一个非常生动的比喻：“与大自然对赌”。

想象你是一个赌徒，而“大自然”（Nature）是庄家。

规则： 你手里有 1 块钱。你相信“默认假设”（比如新药无效）是假的。于是你下注，试图从庄家那里赢钱。
E 值（E-variable）： 就是你最终赢得的财富。
- 如果默认假设是真的（庄家没作弊），那么无论你怎么下注，你平均赢不到钱（期望值 $\le$ 1）。
- 如果你赢了 100 倍（E 值 = 100），那就意味着庄家（默认假设）大概率在作弊！

E 过程（E-process）： 如果这是一场连续的赌博（比如你每天下注，或者数据是一个接一个来的），你的财富随时间变化的轨迹就叫"E 过程”。

3. 为什么 E 值是个“超级英雄”？

这篇论文通过对比发现，E 值结合了其他三种工具的所有优点，还解决了它们最大的痛点：

优点一：随时可以停止（抗“中途变卦”）

P 值的痛点： 如果你看到数据不错，决定“再测 10 个样本看看”，P 值就废了。这被称为“可选停止”（Optional Stopping）问题。
E 值的超能力： 无论你在第 5 个数据时停止，还是第 1000 个数据时停止，只要你的 E 值很大（比如 100），证据就是强有力的。
- 比喻： 就像你在玩一个游戏，无论你是玩 5 分钟就停，还是玩 5 小时才停，只要你账户里的钱翻了一百倍，你就赢了。规则允许你随时喊停。

优点二：可以随意合并（抗“数据依赖”）

痛点： 如果两个研究小组分别做了实验，他们想合并数据。如果两个实验的数据不是完全独立的（比如有相关性），传统的 P 值或贝叶斯因子很难合并。
E 值的超能力： 你可以直接把两个 E 值相乘！
- 比喻： 就像两个赌徒，一个赢了 10 倍，另一个赢了 20 倍。如果你们把赌注连在一起，总财富就是 $10 \times 20 = 200$ 倍。无论他们怎么下注，只要规则对，乘法永远有效。

优点三：不需要“假想敌”

痛点： 似然比需要两个具体的假设（A vs B）。但有时候我们只想证明“这个药无效”是错的，却很难定义一个完美的“有效”假设。
E 值的超能力： 它只需要针对“默认假设”下注。只要 E 值很大，就说明默认假设站不住脚，不需要你明确定义“对手”是谁。

4. 这篇论文在说什么？（总结）

这篇论文并没有说“以前的方法都错了”，而是说：

“在统计学证据的武器库中，我们以前只有 P 值、似然比和贝叶斯因子。现在，我们加入E 值和E 过程这两件新武器。它们像似然比一样直观，像 P 值一样能控制错误率，又像贝叶斯因子一样灵活。最重要的是，它们不怕你中途改变主意，也不怕你随时停止实验。”

5. 简单的类比总结

如果把科学证据比作**“法庭审判”**：

P 值 像是**“意外警报”**：如果被告看起来太巧合了，警报就响。但如果你改变审讯流程，警报就乱叫。
似然比 像是**“天平”**：必须把“有罪”和“无罪”放上去比。如果“有罪”的定义不清楚，天平就没法用。
贝叶斯因子 像是**“法官的内心确信”**：取决于法官一开始信不信被告。
E 值 像是**“赌桌上的筹码”**：
- 你押注“被告无罪”是假的。
- 如果被告真的无罪，你很难赢钱（筹码不会暴涨）。
- 如果你手里的筹码翻了 100 倍，那就是铁证如山！
- 最酷的是： 无论审讯持续了多久，无论法官中途怎么改变主意，只要筹码翻了一百倍，判决就成立。

结论

作者认为，E 值是一种更现代、更灵活、更稳健的衡量证据的方法。它特别适合在这个数据爆炸、实验可以随时调整的现代科学时代使用。这篇论文就是为 E 值“正名”，呼吁大家认真考虑把它作为衡量科学证据的新标准。

这是一份关于论文《E-values as statistical evidence: A comparison to Bayes factors, likelihoods, and p-values》（E 值作为统计证据：与贝叶斯因子、似然比和 P 值的比较）的详细技术总结。

1. 研究背景与问题 (Problem)

在统计哲学的核心争论中，关于“什么构成了对或反对某个假设的统计证据”的度量，长期以来存在分歧。主要的竞争者包括：

P 值 (P-values)：由 Fisher 推广，但受到广泛批评，认为其缺乏一致性、样本量不变性，且无法处理可选停止（optional stopping）问题。美国统计协会（ASA）甚至指出 P 值本身不能作为模型或假设的良好证据度量。
似然比 (Likelihood Ratios, LR)：强调证据的相对性，但在处理复合假设（composite hypotheses）时定义困难，且通常无法提供频率学派的误差控制。
贝叶斯因子 (Bayes Factors, BF)：基于先验分布更新后验概率，但主观贝叶斯因子依赖先验选择，而客观贝叶斯因子在处理复合假设和可选停止时往往失效。

核心问题：是否存在一种统计证据度量，能够结合上述方法的优点，同时克服它们的缺点（如处理复合假设、可选停止、证据累积以及提供长期误差率控制）？

2. 方法论与核心概念 (Methodology & Key Concepts)

本文引入了两个核心概念作为新的候选证据度量：E 值 (E-values) 和 E 过程 (E-processes)。

E 变量 (E-variable)：对于假设 $H$ $H$ （一组分布的集合），E 变量 $E$ $E$ 是一个非负随机变量，满足在 $H$ $H$ 下的期望值不超过 1，即 $\sup_{P \in H} E_P[E] \le 1$ $sup_{P \in H} E_{P} [E] \leq 1$ 。
- 赌局解释 (Betting Game)：E 值可以被解释为统计学家在与“自然”（零假设分布）进行的赌局中获得的财富。如果零假设成立，无论统计学家如何下注，其期望收益都不超过初始本金（1 美元）。
- 证据含义：大的 E 值意味着统计学家在赌局中获得了巨额财富，从而提供了反对零假设 $H$ 的有力证据。
E 过程 (E-process)：E 变量的序列版本，用于序贯数据分析。它是一个适应过程 $(E_t)_{t \ge 1}$ ，满足对于任意停止时间 $\tau$ ，都有 $E_H[E_\tau] \le 1$ 。这使得 E 过程能够处理可选停止 (optional stopping) 和可选继续 (optional continuation)，即数据收集可以在任何基于数据的时刻停止或继续，而不会破坏统计推断的有效性。
构造方法：
- 通用推断 (Universal Inference)：通过最大似然估计构建，适用于复合假设。
- 混合方法 (Method of Mixtures)：结合先验分布构建，连接了贝叶斯与频率学派。
- 可预测插入 (Predictable Plug-ins)：用于有界均值测试等场景。

3. 主要贡献 (Key Contributions)

构建评估框架：作者收集并分类了统计哲学文献中 21 个关于统计证据的“期望属性”（Desiderata），分为静态标准（如连续性、一致性、样本量不变性）和动态标准（如证据累积、可选停止、反事实独立性）。
全面比较：将 E 统计量与 P 值、似然比（LR）、广义似然比（GLR）和贝叶斯因子（BF）在上述 21 个标准下进行系统对比。
理论定位：
- 证明了 E 统计量可以被视为广义似然比的扩展，继承了似然比的许多优良性质。
- 展示了 E 统计量在处理复合假设和非参数假设时的优越性，无需像贝叶斯方法那样在无限维空间上定义先验。
- 阐明了 E 统计量与 Birnbaum 定理及似然原则的关系，指出 E 统计量处于似然比和频率学派误差控制之间的中间位置。

4. 主要结果与发现 (Results)

通过对比分析（见论文表 1），得出以下关键结论：

P 值的局限性：P 值在样本量不变性、可选停止、反事实独立性（即证据不应依赖于未观察到的数据或假设的停止规则）以及证据累积（在灵活设计下）方面表现不佳。
似然比与贝叶斯因子的局限：
- 简单似然比无法处理复合假设。
- 广义似然比（GLR）虽然能处理复合假设，但通常无法提供有效的长期误差率控制（Type-I error control），且在可选停止下可能夸大证据。
- 贝叶斯因子（尤其是客观贝叶斯）在可选停止和证据累积（当先验依赖于实验设计时）方面存在问题，且主观贝叶斯因子缺乏频率学派的误差保证。
E 统计量的优势：
- 误差控制：基于马尔可夫不等式和 Ville 不等式，E 值天然提供 Type-I 错误控制（ $P(E \ge 1/\alpha) \le \alpha$ ），且这种控制在可选停止和可选继续下依然有效。
- 复合与非参数假设：E 统计量能自然地处理复合假设和非参数假设（如所有均值为 $\mu$ 的有界分布），无需指定具体的备择假设分布。
- 证据累积：E 值具有乘法可加性。在独立实验中，E 值的乘积仍然是有效的 E 值。这使得 E 统计量在元分析（Meta-analysis）和序贯分析中极其强大，允许根据数据动态决定是否继续实验。
- 反事实独立性：E 过程不依赖于未观察到的数据或假设的停止规则，满足“反事实独立性”标准。
- 解释性：提供了直观的“赌局财富”解释，既可作为绝对证据（反对零假设），也可在特定条件下转化为相对证据。

局限性：

非唯一性：对于同一个问题，可能存在多个不同的 E 统计量（取决于分析师如何“下注”）。虽然似然比在简单假设下是唯一的，但在复合假设下，E 统计量的选择也依赖于优化准则（如对数最优性 Log-optimality）。
反事实细节：目前的 E 过程定义主要基于滤子（filtrations），在极端的“实验内反事实”（intra-experiment counterfactuals，如测量仪器的潜在截断）场景下，其完全满足似然原则的严格形式仍需进一步研究。

5. 意义与影响 (Significance)

统一视角：E 统计量为统计证据提供了一个统一的、基于博弈论的框架，成功融合了频率学派的误差控制（P 值的优势）和贝叶斯/似然派的证据解释力（LR/BF 的优势）。
解决现代统计痛点：E 统计量特别适用于现代数据科学中的序贯分析、自适应实验（Adaptive Trials）和元分析场景，解决了传统 P 值在这些场景下失效的“可重复性危机”根源问题。
实践指导：论文表明，E 统计量不仅理论上具有吸引力，而且在实际应用（如均值测试、变化点检测）中已显示出强大的性能。它们为统计学家提供了一种既直观又严谨的工具，用于量化证据并控制错误率，特别是在实验设计灵活多变的情况下。

总结：
该论文有力地论证了 E 值和 E 过程应被视为统计证据的严肃候选者。它们不仅克服了 P 值在可选停止和证据累积方面的缺陷，还弥补了似然比和贝叶斯因子在误差控制和复合假设处理上的不足，为统计推断提供了一个更加稳健、灵活且直观的基础。