渐近 e-过程 (Asymptotic e-processes) 技术总结

1. 研究背景与问题 (Problem)

背景：
在序贯假设检验（Sequential Hypothesis Testing）中，安全任意时刻有效推断（SAVI, Safe Anytime-Valid Inference） 框架通过引入 e-过程（e-processes） 解决了传统序贯检验对停止规则（Stopping Rule）的依赖问题。e-过程允许在数据收集的任何时刻进行检验，而无需预先固定停止时间，且能保证第一类错误率（Type I error）受控。

核心问题：
在实际应用中，构建精确的 e-过程往往需要知道分布的精确参数或假设，这在模型误设（Model Misspecification）或参数估计存在误差时是不可能的。因此，研究者通常只能构建近似的 e-变量（e-variables）。

• 现有的渐近检验理论通常依赖于无限样本量的极限行为，但缺乏在有限样本下、针对任意停止时间的“任意时刻有效”（Anytime-valid）保证。
• 直接尝试将 e-过程推广到渐近设置（即定义一个双索引过程 $(E_{m,n})$，其中 $m$ 是近似精度索引，$n$ 是监测时间）面临一个严重挑战：如果要求对于所有停止时间 $\tau$ 都满足渐近性质（即 $\limsup_{m\to\infty} E_P[E_{m,\tau_m}] \le 1$），这一条件过于严格。
• 具体矛盾： 在累积乘积构造（Cumulative Product，即 $E_{m,n} = \prod e_{m,i}$）中，即使每个因子的期望略大于 1（$1+\delta_m$），随着时间 $n$ 的增加，误差 $\delta_m$ 会累积，导致期望值发散。如果要求对任意大的 $n$ 都成立，则无法构造出实用的渐近 e-过程。

目标：
提出一种新的数学对象——渐近 e-过程（Asymptotic e-processes），使其能够在模型近似误差存在的情况下，提供渐近意义上的任意时刻有效推断保证，同时允许通过控制监测时间范围来管理累积误差。

---

2. 方法论 (Methodology)

本文的核心方法论是引入一个随近似精度 $m$ 增长的监测时间视界（Monitoring Horizon）$r_m$，从而在“任意时刻有效”和“近似误差累积”之间取得平衡。

2.1 核心定义：$r$-渐近 e-过程

作者定义了一个双索引非负随机过程 $E = (E_{m,n})_{m,n \in \mathbb{N}}$，其中：

• $m$：近似精度索引（$m \to \infty$ 表示近似质量提高）。
• $n$：监测时间索引。
• $r = (r_m)_{m \in \mathbb{N}}$：一个非递减的整数序列，表示在近似精度为 $m$ 时，过程保持有效性的最大时间范围。

定义： $E$ 被称为 $r$-渐近 e-过程，如果对于任意停止时间序列 $\tau = (\tau_m)$ 满足 $\tau_m \le r_m$，都有：
$$\limsup_{m \to \infty} \sup_{P \in \mathcal{P}} E_P[E_{m, \tau_m}] \le 1$$
其中 $\mathcal{P}$ 是零假设下的分布集合。

2.2 关键洞察：截断发散级数

• 问题根源： 在累积乘积构造中，期望值随时间呈指数增长 $(1+\delta_m)^n$。
• 解决方案： 只要监测时间 $n$ 满足 $n \cdot \delta_m \to 0$（即 $r_m \cdot \delta_m \to 0$），累积误差就可以被控制在可忽略的范围内。
• 视界 $r_m$ 的作用： $r_m$ 随着 $m$ 的增加而增加（通常 $r_m \to \infty$），但增长速度必须慢于近似误差 $\delta_m$ 的衰减速度。这使得在 $m \to \infty$ 的极限下，过程在任意有限时间内都是有效的（即渐近任意时刻有效）。

2.3 理论工具

• 渐近鞅性质 (ASP)： 定义了过程在 $L^1$ 意义下表现像超鞅的性质（即漂移项 $\delta_{m,n}^+$ 的期望趋于 0）。
• 渐近 Ville 不等式： 将经典的 Ville 不等式推广到渐近设置，建立了 $E_{m,n}$ 超过阈值 $1/\alpha$ 的概率界限。
• 构造方法：
  1. 累积乘积： 基于渐近 e-变量的乘积，需配合特定的 $r_m$ 序列。
  2. 时间混合（Time Mixture）： 类似于非渐近情况下的混合构造，但需处理收敛性。
  3. 校准： 将任意时刻 p-值（Anytime p-values）校准为渐近 e-过程。

---

3. 主要贡献与结果 (Key Contributions & Results)

3.1 理论贡献

1. 定义了 $r$-渐近 e-过程： 填补了 SAVI 框架在渐近设置下的理论空白。该定义允许在有限近似精度下，通过限制监测时间 $r_m$ 来获得有效的统计保证。
2. 证明了 $r_m \to \infty$ 的可行性： 通过对角论证（Diagonal Argument），证明了只要过程满足基本的渐近性质，总存在一个发散的序列 $r_m \to \infty$，使得该过程成为 $r$-渐近 e-过程。这意味着在极限情况下，可以实现真正的“任意时刻有效”。
3. 建立了与超鞅的联系：
   • 证明了具有渐近超鞅性质 (ASP) 且经过校准的过程是 $r$-渐近 e-过程。
   • 给出了构造 $r_m$ 的显式条件：若 $\sum_{n=0}^{r_m-1} \delta_{m,n}^+$ 的期望趋于 0，则满足条件。这为实际应用提供了具体的构造指南。
   • 指出并非所有渐近 e-过程都具有 ASP（类似于非渐近情况，存在非超鞅的 e-过程），并通过时间混合构造给出了反例。
4. 渐近 Ville 不等式 (Theorem 5.1)：
   $$\limsup_{m \to \infty} \sup_{P \in \mathcal{P}} P\left[ \sup_{n \in \{1, \dots, r_m\}} E_{m,n} \ge \frac{1}{\alpha} \right] \le \alpha$$
   该结果表明，随着近似精度 $m$ 的提高，过程在时间 $r_m$ 内超过阈值 $1/\alpha$ 的概率渐近受控于 $\alpha$。

3.2 构造与校准

• 累积乘积构造： 证明了如果基础 e-变量的条件期望偏差为 $d_m$，且 $r_m d_m \to 0$，则累积乘积构成 $r$-渐近 e-过程。
• p-值校准： 研究了将 Waudby-Smith 等人提出的“任意时刻 p-值”校准为 e-过程的方法。发现为了得到 $r \equiv \infty$ 的渐近 e-过程，需要对 p-值的定义进行加强（从“一致渐近 p-变量”加强为“一致强渐近 p-变量”），或者要求校准函数有界。

3.3 数值模拟

• 通过数值实验模拟了基于累积乘积的渐近 e-过程。
• 结果显示，随着 $m$ 增加（近似误差 $d_m$ 减小），监测视界 $r_m$ 可以相应增加。
• 实验验证了渐近 Ville 不等式：在 $n \le r_m$ 范围内，过程穿越阈值的频率随着 $m$ 的增加而收敛到设定的显著性水平 $\alpha$。

---

4. 意义与影响 (Significance)

1. 解决模型误设下的序贯检验难题： 该理论为在模型参数未知或存在估计误差的复杂场景下（如非参数检验、复合零假设）进行序贯检验提供了理论工具。它允许研究者使用近似模型，同时通过控制监测时间范围来保证统计推断的严谨性。
2. 连接有限样本与渐近理论： 传统的渐近检验通常忽略停止规则（即假设固定样本量或特定停止规则），而 SAVI 强调任意停止规则。本文提出的框架成功地将两者结合，使得在渐近设置下也能实现“任意时刻有效”的推断。
3. 实用性与灵活性： 通过引入参数 $r_m$，该方法在理论严格性和实际可行性之间取得了平衡。它承认在有限精度下无法无限期地保持有效性，但提供了随着数据量增加（$m \to \infty$）而逐渐放宽限制的路径。
4. 推动 SAVI 框架的发展： 本文是 SAVI 框架在渐近领域的重大扩展，为后续研究（如第二类错误分析、更弱的渐近 e-变量定义、实际应用案例）奠定了基础。

总结：
本文通过引入监测时间视界 $r_m$ 这一关键概念，成功构建了渐近 e-过程理论。它解决了在模型近似误差下无法直接应用传统 e-过程进行任意时刻检验的难题，证明了只要控制监测时间随近似精度的增长速率，就可以获得渐近意义上的严格统计保证。这一成果极大地扩展了序贯假设检验在现实世界复杂数据场景中的应用范围。