Near-Optimal Non-Parametric Sequential Tests and Confidence Sequences with Possibly Dependent Observations
可能相依观测下近乎最优的非参数序贯检验与置信序列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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要明确将序贯检验应用于平均处理效应等估计方程参数，并展示 A/B 实验应用。
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…
可能相依观测下近乎最优的非参数序贯检验与置信序列
- 研究问题
- 在一般非参数且可能相依的数据生成过程中，延迟启动的正态混合序贯检验能否控制第一类错误，并接近最短期望拒绝时间？
- 方法与思路
- 作者以检验启动前的预热长度索引渐近分析，利用鞅强不变原理研究错误率，并借助受 Itô 引理启发的恒等式分析拒绝时间。
- 材料陈述的贡献
- 摘要称，该类检验及置信序列具有渐近目标错误率，并在特定渐近情形下达到近乎最优拒绝时间，还可用于估计方程和处理效应。
- 阅读关注点
- 应核对相依性与矩条件、预热长度和显著性水平的联合变化，以及近乎最优拒绝时间的比较对象和处理效应应用条件。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审及接收状态未核实；所述保证是渐近的，摘要未给有限样本误差或任意相依结构下的结论。
原文摘要
Sequential tests and their implied confidence sequences, which are valid at arbitrary stopping times, promise flexible statistical inference and on-the-fly decision making. However, strong guarantees are limited to parametric sequential tests that under-cover in practice or concentration-bound-based sequences that over-cover and have suboptimal rejection times. In this work, we consider classic delayed-start normal-mixture sequential probability ratio tests, and we provide the first asymptotic type-I-error and expected-rejection-time guarantees under general non-parametric data generating processes, where the asymptotics are indexed by the test's burn-in time. The type-I-error results primarily leverage a martingale strong invariance principle and establish that these tests (and their implied confidence sequences) have type-I error rates asymptotically equivalent to the desired (possibly varying) $α$-level. The expected-rejection-time results primarily leverage an identity inspired by Itô's lemma and imply that, in certain asymptotic regimes, the expected rejection time is asymptotically equivalent to the minimum possible among $α$-level tests. We show how to apply our results to sequential inference on parameters defined by estimating equations, such as average treatment effects. Together, our results establish these (ostensibly parametric) tests as general-purpose, non-parametric, and near-optimal. We illustrate this via numerical simulations and a real-data application to A/B testing at Netflix.