Anytime-Valid Tests of Conditional Independence Under Model-X
Model-X 框架下随时有效的条件独立性检验AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究通用条件独立性序贯检验，未给出因果识别或特定经济应用的直接依据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
Model-X 框架下随时有效的条件独立性检验
- 研究问题
- 在已知或能够充分逼近预测变量给定协变量的条件分布时，如何序贯检验条件独立性，并允许研究者任意停止采样？
- 方法与思路
- 作者基于 e 统计量与检验鞅构造序贯条件独立性检验，利用 Model-X 条件分布信息，实现任意停止时点的有效推断。
- 材料陈述的贡献
- 摘要称，方法对简单备择产生增长率最优的 e 统计量，在逻辑回归特例下具有渐近功效一，并报告功效与失配模拟。
- 阅读关注点
- 应核对条件分布近似所需精度、任意停止有效性的条件，以及增长率最优性、渐近功效和模拟稳健性的各自范围。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；模拟中的 Model-X 失配稳健性不能替代一般有效性保证，不能推断刊本变化。
原文摘要
We propose a sequential, anytime-valid method to test the conditional independence of a response Y and a predictor X given a random vector Z. The proposed test is based on e-statistics and test martingales, which generalize likelihood ratios and allow valid inference at arbitrary stopping times. In accordance with the recently introduced model-X setting, our test depends on the availability of the conditional distribution of X given Z, or at least a sufficiently sharp approximation thereof. Within this setting, we derive a general method for constructing e-statistics for testing conditional independence, show that it leads to growth-rate optimal e-statistics for simple alternatives, and prove that our method yields tests with asymptotic power one in the special case of a logistic regression model. A simulation study is done to demonstrate that the approach is competitive in terms of power when compared to established sequential and nonsequential testing methods, and robust with respect to violations of the model-X assumption. Supplementary materials for this article are available online.