Confidence Horizons
置信时域：有限监测期限内的渐近随时有效推断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：摘要明确以序贯随机实验中的处理效应估计为应用，因此选择因果推断；一般序贯推断理论没有对应的专门细分键。
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…
关注这篇论文的作者
置信时域：有限监测期限内的渐近随时有效推断
- 研究问题
- 当实验监测期限或中期查看次数有预设上限时，放弃期限之外的有效性，能否获得比无限时域方法更精确的大样本随时有效推断？
- 方法与思路
- 作者构造有限时域的渐近置信序列，将其联系到群组序贯重复置信区间，并利用特定统计量的闭式分布计算渐近分位数。
- 材料陈述的贡献
- 摘要称有限时域限制可改善大样本推断的精度，并给出与经典群组序贯边界的联系，展示自适应 Neyman 分配下的处理效应估计。
- 阅读关注点
- 应核对渐近覆盖的适用条件、期限及查看次数如何设定、与无限时域方法的比较标准，以及自适应随机分配下的方差处理。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要强调大样本有效性，未说明有限样本覆盖保证、允许的期限增长方式或具体改善幅度。
原文摘要
Anytime-valid inference enables analysts to continuously monitor their data and stop experiments early. However, the majority of these methods incur a certain conservativeness by remaining valid on infinite time horizons. In practice, a bound on the horizon may be imposed due to budgetary, practical, or ethical constraints. In this paper, we ask the question: "Is it possible to obtain sharper large-sample anytime-valid inference by forgoing validity beyond some finite time horizon?". We provide a positive answer to this question by proposing a family of statistical objects that we call "confidence horizons". These objects can be viewed as large-sample confidence sequences on bounded time horizons, or alternatively as group sequential repeated confidence intervals with a maximal number of interim peeking times. We make explicit connections to the group sequential boundaries of Pocock [1977], O'Brien--Fleming [1979], and Wang--Tsiatis [1987]. We derive closed-form distribution functions of certain statistics which can be used to calculate the asymptotic quantiles of confidence horizons exactly, sidestepping the repeated integration typically employed in group sequential methods. We illustrate the use of confidence horizons for treatment effect estimation in sequentially randomized experiments under adaptive Neyman allocation.