📊 statistics

Efficient estimation of relative risk, odds ratio and their logarithms for rare events

该论文提出了一种针对二分类属性的序贯估计量，旨在以相等的样本量从两个总体中估计相对风险、比值比及其对数，并保证在稀有或中等稀有事件场景下，其估计误差低于预设目标且具备较高的费希尔信息效率。

原作者： Luis Mendo

发布于 2026-04-07

📖 1 分钟阅读☕ 轻松阅读

原作者： Luis Mendo

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

这篇论文提出了一种非常聪明的“统计采样”方法，用来解决一个在医学和社会科学中常见的问题：如何用最少的样本，最准确地比较两个群体中某件“罕见事件”发生的概率差异。

为了让你轻松理解，我们可以把这篇论文的核心思想想象成**“在两个不同的森林里寻找稀有蘑菇”**。

1. 背景：我们在找什么？

想象你有两个大森林（群体 1 和群体 2）。

森林 A 里，某种稀有蘑菇（比如“发光蘑菇”）出现的概率是 $p_1$ 。
森林 B 里，这种蘑菇出现的概率是 $p_2$ 。

我们想知道两个关键指标：

相对风险 (RR)：森林 A 找到蘑菇的概率是森林 B 的多少倍？（比如：A 是 B 的 5 倍）。
优势比 (OR)：这是一个稍微复杂点的数学转换，用来衡量“找到”和“没找到”的比率差异。

难点在于：这种蘑菇太罕见了！如果你像普通游客一样，随便在两个森林里各走 100 步看看有没有蘑菇，很可能两个森林都空手而归。这时候，你根本没法计算比例，或者算出来的结果误差巨大。

2. 传统方法的困境

以前的方法通常是“固定步数法”：

“好吧，不管有没有蘑菇，我必须在两个森林里各走 1000 步，然后统计结果。”

问题：如果蘑菇真的很少见，走 1000 步可能还是找不到几个。为了得到准确结果，你可能需要走几百万步，这太浪费时间了。
或者：为了省时间，你只走 100 步，但这样算出来的比例（比如“是 5 倍”还是“是 10 倍”）就像在雾里看花，完全不准。

3. 这篇论文的“魔法”：智能寻宝 (Sequential Estimators)

这篇论文的作者 Luis Mendo 提出了一种**“智能寻宝”策略。他不再规定“走多少步”，而是规定“找到多少个蘑菇就停止”**。

核心策略：配对寻宝 (Pair Sampling)

想象你有一个助手，你们两人一组，每次同时在两个森林里各迈一步（这就是论文说的“成对采样”）。

如果两人都没找到蘑菇，继续。
如果找到了，就记录下来。

关键创新：把“找蘑菇”变成“抛硬币”

这是论文最精彩的部分。作者设计了一个巧妙的算法（Algorithm 1 和 2），把在两个森林里找蘑菇的过程，转化成了抛一枚特殊的硬币。

对于相对风险 (RR)：
想象你有一个魔法机器。你每次从两个森林各取一个样本（迈一步）。
- 如果森林 A 有蘑菇，森林 B 没有 -> 机器输出“正面”。
- 如果森林 B 有蘑菇，森林 A 没有 -> 机器输出“反面”。
- 如果都有或都没有 -> 机器说“重来”，继续取样本。
- 神奇之处：经过这种筛选，你最终得到的“正面”和“反面”的比例，完美地对应了我们要算的“相对风险”。
对于优势比 (OR)：
也有类似的魔法机器，能把复杂的概率关系简化成简单的“正面/反面”概率。

为什么这样做很高效？

一旦你把问题转化成了“抛硬币”，论文就引用了之前的一项成果（Mendo 2025）：“逆二项采样” (Inverse Binomial Sampling)。

这就好比：

规则是：我要一直抛硬币，直到我凑齐 10 个正面为止。
此时，我抛了多少次硬币？这个次数里包含了多少“反面”？
根据这个次数，我就能极其精准地算出这枚硬币正面朝上的概率。

这种方法的好处是：

自动适应：如果蘑菇很少（概率低），你就需要走很多步才能凑齐 10 个蘑菇，但这正是你需要的，因为样本量大了，结果才准。
保证精度：你可以设定一个目标：“我要保证算出来的误差小于 5%"。算法会自动决定需要找多少个蘑菇（比如 100 个），一旦凑够，立刻停止。它保证了精度，而不是靠运气。
极度高效：当蘑菇非常罕见时，这种方法比传统的“固定步数法”要高效得多。它不会做无用功，每一对样本都在为最终的计算做贡献。

4. 论文的“成绩单” (效率分析)

作者通过数学证明和计算机模拟（就像在电脑里模拟了 1000 万次寻宝），展示了这个方法的厉害之处：

当蘑菇很常见时：这个方法表现不错，和传统方法差不多。
当蘑菇很罕见时（这是重点！）：这个方法的效率接近100%（理论极限）。
- 这意味着，为了达到同样的准确度，传统方法可能需要你走 10000 步，而这个方法可能只需要走 9200 步，甚至更少。
- 在统计学里，这被称为**“接近 Cramér-Rao 下界”**，意思是它已经做到了理论上能做到的“最省力气”的极限。

5. 总结：这对我们意味着什么？

用大白话总结这篇论文：

场景：当你需要比较两个群体中罕见事件（如某种罕见病、罕见事故）的风险时。
痛点：传统方法要么不准，要么太慢（需要海量数据）。
解决方案：作者发明了一套**“智能配对采样”**流程。
- 它像是一个自动导航的寻宝游戏：它不规定你走多远，而是规定你“捡到多少宝藏”就停止。
- 它通过巧妙的数学转换，把复杂的概率问题变成了简单的计数问题。
结果：
- 更准：无论概率多小，都能保证误差在设定范围内。
- 更快：特别是在事件罕见时，它能节省大量的时间和资源。

一句话比喻：
以前的方法是“不管有没有鱼，撒网 100 次，看能不能捞到几条”；这篇论文的方法是“设定目标‘我要捞到 10 条鱼’，然后智能地调整撒网策略，直到目标达成，并且保证在这个过程中浪费的力气最少”。

这对于流行病学研究（比如评估某种新药对罕见副作用的风险）或社会科学调查（比如评估某种罕见社会现象的关联性）来说，是一个非常有价值的工具。

这是一份关于论文《Efficient estimation of relative risk, odds ratio and their logarithms for rare events》（稀有事件相对风险、优势比及其对数的有效估计）的详细技术总结。

1. 研究背景与问题 (Problem)

在流行病学、医学和社会科学中，相对风险 (Relative Risk, RR) 和 优势比 (Odds Ratio, OR) 是衡量两个群体中二分类属性关联程度的核心指标。它们的对数形式（LRR 和 LOR）也常被使用。

核心挑战：当所研究的属性是稀有事件（即发生概率 $p_1, p_2$ 很小）时，传统的固定样本量估计方法往往效率低下，或者难以在样本量未知的情况下保证估计的精度。
精度定义：对于 RR 和 OR，通常关注相对均方误差 (Relative MSE)；而对于其对数形式 LRR 和 LOR，则关注均方误差 (MSE)。
现有局限：现有的序贯估计方法（如基于逆二项抽样的方法）在处理两个独立群体时，往往难以在严格保证目标精度的同时，实现极高的估计效率（即最小化所需的样本对数量），特别是在稀有事件场景下。

2. 方法论 (Methodology)

本文提出了一种基于序贯抽样 (Sequential Sampling) 和组抽样 (Group Sampling) 的估计框架，其核心思想是将双群体问题转化为单群体的二项分布问题，进而应用已有的高效估计器。

2.1 核心策略：概率变换 (Probability Transformation)

作者设计了两种算法，将来自两个群体（ $X_1, X_2$ ，参数分别为 $p_1, p_2$ ）的样本对，转化为具有特定参数 $p$ 的伯努利随机变量 $Y$ 。

针对 RR 和 LRR：
- 目标参数： $p = \frac{p_1}{p_1 + p_2}$ 。
- 算法 1：随机选择群体 1 或 2，抽取样本。若样本为 0（失败），则重新选择；若为 1（成功），则根据选择的群体输出 $Y=1$ 或 $Y=0$ 。
- 该过程生成的 $Y$ 序列服从参数为 $p$ 的伯努利分布。
针对 OR 和 LOR：
- 目标参数： $p = \frac{p_1(1-p_2)}{p_1(1-p_2) + p_2(1-p_1)}$ 。
- 算法 2：同时从两个群体各抽取一个样本。若两者相同（同为 0 或同为 1），则丢弃并重抽；若不同，则根据 $X_1=1$ 输出 $Y=1$ ，否则 $Y=0$ 。
- 该算法类似于 von Neumann 的去偏方法，生成的 $Y$ 序列服从参数为 $p$ 的伯努利分布。

2.2 估计过程 (Estimation Procedure)

利用上述变换生成的 $Y$ 序列，应用 Mendo (2025) 提出的逆二项抽样 (Inverse Binomial Sampling, IBS) 估计器：

第一阶段：抽取 $Y$ 直到获得 $r+\alpha$ 次成功（其中 $\alpha=1$ 对应 RR/OR， $\alpha=0$ 对应 LRR/LOR）。记录所需样本数 $V'$ 。
第二阶段：抽取 $Y$ 直到获得 $r-\alpha$ 次失败。记录所需样本数 $V''$ 。
计算估计值：
- 对于 RR/OR： $\hat{\zeta} = \frac{r V''}{(r-1)(V'-1)}$
- 对于 LRR/LOR： $\hat{\zeta} = -H_{V'-1} + H_{V''-1}$ （ $H_k$ 为调和数）
参数选择：根据目标精度 $A$ （相对 MSE 或 MSE），计算所需的 $r$ 值，以确保估计量的方差满足 $Var(\hat{\zeta})/\zeta^2 \le A$ （或 $Var(\hat{\zeta}) \le A$ ）。

2.3 样本配对处理

由于实际应用中通常要求从两个群体成对抽取样本（Pairwise Sampling），而算法 1 可能导致两个群体的样本消耗量 $U_1, U_2$ 不完全相等。

保守策略：当一方需要样本而另一方已有盈余时，存储盈余样本；仅当双方都无盈余时才抽取新的一对。
总对数： $U = \max(U_1, U_2)$ 。
效率因子：定义 $\sigma = \frac{E[U_1+U_2]}{2E[U]}$ ，用于衡量因配对抽样造成的效率损失。

3. 主要贡献与理论结果 (Key Contributions & Results)

3.1 无偏性与精度保证

证明了提出的估计量是无偏的。
证明了对于任意 $p_1, p_2 \in (0,1)$ ，该估计量都能严格保证目标精度（相对 MSE 或 MSE 小于设定值 $A$ ）。

3.2 极高的估计效率 (High Efficiency)

效率定义为估计量方差与 Cramér-Rao 下界（固定样本量估计器的最小方差）的比值。

稀有事件下的表现：当 $p_1, p_2$ 较小时，估计效率 $\eta$ 趋近于 1（即达到理论最优）。
与现有方法对比：在稀有事件场景下，本文方法的效率显著优于 Mendo (2026) 提出的基于组抽样的方法。
理论下界：
- 对于 RR/LRR：当 $\phi = \sqrt{p_1 p_2} \to 0$ 时，效率下界趋近于 $\frac{1}{1+A(\mu+\alpha)}$ 。
- 对于 OR/LOR：当 $\rho = \max(p_1, p_2) \to 0$ 时，效率下界同样趋近于该值。
- 这意味着在需要高精度（ $A$ 小）或事件极稀有时，该方法所需的样本对数量仅比理论最优值多出极小比例。

3.3 采样效率分析

对于 OR/LOR，由于算法 2 天然成对消耗样本， $U_1=U_2$ ，采样效率因子 $\sigma = 1$ ，无效率损失。
对于 RR/LRR，虽然 $U_1$ 和 $U_2$ 可能不等，但理论分析和蒙特卡洛模拟表明，在稀有事件场景下， $\sigma$ 非常接近 1（例如 $>0.95$ ），配对带来的效率损失微乎其微。

3.4 独立于 $\theta$ 的界

论文推导了不依赖于两个群体概率比值 $\theta = p_1/p_2$ 的效率下界。这在实际应用中非常重要，因为 $\theta$ 通常是未知的。结果表明，只要事件足够稀有，无论两个群体的概率比例如何，估计效率都能保持在高位。

4. 模拟验证 (Simulation Results)

通过蒙特卡洛模拟（ $10^7$ 次实现）验证了理论推导。
参数范围： $\phi \in [0.001, 0.1]$ ， $\theta \in \{0.1, 1, 10\}$ ，目标精度 $A \in \{0.01, 0.04, 0.09\}$ 。
结果：
- 估计效率随 $\phi$ 减小（事件更稀有）而增加，迅速接近 1。
- 在相同精度要求下，本文方法的效率远高于参考方法（Mendo 2026）。
- 理论下界与模拟结果高度吻合。

5. 意义与结论 (Significance & Conclusions)

理论意义：提出了一种将双群体二项估计转化为单群体估计的通用框架，巧妙利用了概率变换和逆二项抽样，解决了稀有事件下保证精度与高效率难以兼得的问题。
实际应用价值：
- 特别适用于罕见病研究、低发生率风险因素分析等场景，这些场景下传统方法往往需要极大的样本量。
- 提供了一种自适应的采样方案：无需预先知道 $p_1, p_2$ 的具体值，即可在达到预设精度时自动停止采样。
- 在成对抽样（Pairwise Sampling）这一常见实验设计下，实现了接近 Cramér-Rao 下界的理论最优效率。

总结：该论文提出了一种针对稀有事件的相对风险和优势比的高效序贯估计方法。通过创新的概率变换算法和逆二项抽样策略，该方法在严格保证估计精度的同时，在稀有事件场景下实现了接近理论极限的估计效率，显著优于现有的组抽样方法。