Safe testing
安全检验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：摘要提出通用假设检验理论，未限定因果推断、时间序列或金融等所列细分方向。
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…
安全检验
- 研究问题
- 当是否开展后续研究取决于已有结果时，如何合并多个研究的证据并保持第一类错误控制，同时定义适用的最优性？
- 方法与思路
- 作者以e值建立检验理论，定义增长率最优性，并为含干扰参数的复合假设构造具有特殊先验的贝叶斯因子形式。
- 材料陈述的贡献
- 摘要称，e值检验在可选继续研究下保持第一类错误保证，并给出增长率最优构造及单样本t检验等示例。
- 阅读关注点
- 应核对e变量的有效性条件、跨研究证据组合规则、增长率最优性的定义，以及特殊先验与干扰参数的处理。
- 阅读边界
- 仅据Crossref摘要；有效组合所需条件未展开，不能将可选继续研究保证外推到任意依赖结构或任意使用方式。
原文摘要
Abstract We develop the theory of hypothesis testing based on the e-value, a notion of evidence that, unlike the p-value, allows for effortlessly combining results from several studies in the common scenario where the decision to perform a new study may depend on previous outcomes. Tests based on e-values are safe, i.e. they preserve type-I error guarantees, under such optional continuation. We define growth rate optimality (GRO) as an analogue of power in an optional continuation context, and we show how to construct GRO e-variables for general testing problems with composite null and alternative, emphasizing models with nuisance parameters. GRO e-values take the form of Bayes factors with special priors. We illustrate the theory using several classic examples including a 1-sample safe t-test and the 2×2 contingency table. Sharing Fisherian, Neymanian, and Jeffreys–Bayesian interpretations, e-values may provide a methodology acceptable to adherents of all three schools.