When Is a Relevance Threshold Statistically Resolvable? Minimax Limits for Effect Classification

技术摘要：“相关性阈值何时在统计上是可分辨的？”

问题陈述
本文探讨了统计精确度与科学相关性之间存在的基础性脱节。在常规统计模型中，抽样不确定性以 $n^{-1/2}$ 的速率收缩，这使得随着样本量（$n$）的增加，即使是偏离原假设极小的偏差也能被检测出来。然而，科学重要性通常由一个阈值 $\Delta_n$（即感兴趣的最小效应量）来定义，低于该阈值的效应被视为微不足道。这产生了一个“相对速率问题”：随着信息的积累，科学阈值 $\Delta_n$ 可能会缩小、保持不变，或以不同于统计误差尺度 $s_n \sim n^{-1/2}$ 的速率变化。核心问题在于：在何种条件下，统计程序能够一致地辨别科学上微不足道的效应（$|\theta| \le \Delta_n$）与科学上有意义的效应（$|\theta| > \Delta_n$）？

方法论与框架
作者采用了结合局部渐近理论的极小极大（minimax）决策论框架。

1. 相关性-分辨率指数（Relevance-Resolution Index）： 核心量定义为 $\lambda_n = \sqrt{n I_0} \Delta_n$，其中 $I_0$ 是 $\theta=0$ 处的费雪信息量（Fisher information）。该指数衡量了以统计误差为单位的科学阈值。
2. 类别分离： 问题被表述为区分两个分离的参数类：
   • 微不足道类：$N_n(\varepsilon) = \{ \theta : |\theta| \le (1-\varepsilon)\Delta_n \}$
   • 有意义类：$M_n(\varepsilon) = \{ \theta : |\theta| \ge (1+\varepsilon)\Delta_n \}$
     其中 $\varepsilon \in (0,1)$ 提供了一个缓冲带，以避免触及精确边界。
3. 风险度量： 分类器 $\phi_n$ 的性能通过第一类错误和第二类错误之和的最大值来衡量：$R_n(\phi_n) = \sup_{\theta \in N_n} E_\theta[\phi_n] + \sup_{\theta \in M_n} E_\theta[1-\phi_n]$。目标是刻画极小极大风险 $R^*_n$。
4. 渐近状态： 分析根据 $\lambda_n$ 在 $n \to \infty$ 时的极限行为将情况分为以下三类：
   • 次临界（Subcritical）：$\lambda_n \to 0$
   • 临界（Critical）：$\lambda_n \to \kappa \in (0, \infty)$
   • 超临界（Supercritical）：$\lambda_n \to \infty$

主要贡献与结果

1. 极小极大下界与相变
本文确立了分类风险的极小极大下界。当 $\lambda_n \to \kappa$ 时，极限风险满足：
$$\liminf_{n \to \infty} R^*_n \ge 2\{1 - \Phi(\varepsilon \kappa)\}$$

• 次临界状态 ($\kappa = 0$)： 下界趋于 1。微不足道效应与有意义效应的实验表现趋于合并（全变差距离 $\to 0$）。任何程序都无法比平凡的常数决策规则表现更好；一致性分类在信息论上是不可能的。
• 临界状态 ($\kappa \in (0, \infty)$)： 问题收敛于一个非退化的高斯偏移实验（Gaussian-shift experiment）。本文推导出了该极限复合问题的精确极小极大规则。
  • 最优截断值 $c^*$ 满足一个涉及双曲余弦的特定超越方程。
  • 当 $\kappa \downarrow 0$ 时，最优截断值收敛于 1 个统计误差单位（$c^* \to 1$），而非坍缩的科学边界。
  • 最优风险在 $\kappa^2$ 阶上优于平凡风险，而仅在科学边界处进行阈值判断的简单规则（即 $|\hat{\theta}| > \Delta_n$）仅在 $\kappa^3$ 阶上实现改进。
  • 当 $\kappa \to \infty$ 时，简单的科学边界规则在渐近意义上达到极小极大水平。
• 超临界状态 ($\kappa \to \infty$)： 如果满足“一致分辨率条件”（即估计器的误差相对于尺度是均匀紧致的），则可以实现一致性分类。对于常规估计器，若 $\Delta_n = d n^{-\gamma}$，临界速率为 $\gamma = 1/2$。如果 $\gamma > 1/2$，则无法实现分辨率；如果 $\gamma < 1/2$，则可以实现一致性分辨。

2. 不对称与移动区域
本文证明了标量指数 $\lambda_n$ 对于不对称或移动的相关区域 $R_n = [-\Delta_{L,n}, \Delta_{U,n}]$ 是不足够的。可分辨性受控于到下边界和上边界的标准距离（$d_{L,n}$ 和 $d_{U,n}$），而非仅仅取决于总宽度。如果边界以不同速率移动，即使总宽度暗示具有高分辨率，其中一侧仍可能保持不可分辨状态。

3. 异质总体中的显著性饱和
本文分析了在异质真实效应分布 $\Theta \sim G$ 的总体中，点零假设检验的行为。

• 饱和极限： 随着信息的增加，统计显著发现中属于科学上微不足道的比例，会收敛于一个由相关区域内非零效应的总体质量决定的值，而非由显著性水平 $\alpha$ 决定。
• 非单调选择性： 本文识别了一种“显著性饱和”现象，即点零假设的显著性在选择科学相关效应的能力方面并非单调递增。在信息量极低时，显著性由噪声驱动；在信息量极高时，它能检测到几乎所有非零效应（包括微不足道的效应）。因此，可能存在一个中间信息水平，在此水平下，点零假设的显著性对科学相关效应的选择性最强（使“无关发现份额”最小化）。

意义与主张
本文明确指出，其目的并非提出一种新的等价检验或计算 p 值的计算方法。相反，其意义在于：

1. 刻画可分辨性： 它定义了科学相关阈值在何时能在统计上与零进行区分的精确信息论极限。
2. 统一尺度： 它通过一个共同的信息尺度 ($\lambda_n$)，将效应量、统计功效、局部渐近理论和极小极大决策论联系在一起。
3. 澄清大样本行为： 它解决了这样一个看似矛盾的现象：增加样本量虽然提高了估计精度，但如果阈值收缩过快，并不一定会提高区分“实质性”与“微不足道”的能力。
4. 最优决策规则： 它提供了临界状态下的精确极小极大分类器，表明最优决策边界在接近不可分辨边缘时，并不会线性地追踪科学阈值，而是稳定在一个标准误差单位处。

该框架强调，统计证据是基于不确定性单位测量的距离，而科学相关性是基于实质性边界测量的距离。有效的推断分析必须同时保持对这两个尺度的观测能力。