Safe Sequential Testing and Effect Estimation in Stratified Count Data
分层计数数据的安全序贯检验与效应估计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：摘要明确估计各亚群的处理效应及其汇总量，因此与因果推断相关；分层结构未提供面板数据或网络干扰的分类依据。
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…
关注这篇论文的作者
分层计数数据的安全序贯检验与效应估计
- 研究问题
- 对分层计数数据持续收集并随时停止分析时，如何保持错误率控制，同时构造随时有效的区间并汇总不同亚群的处理效应？
- 方法与思路
- 作者使用 e 变量构建序贯决策方法，通过检验反演获得置信序列，并用伪贝叶斯平均与切换整合各亚群信息。
- 材料陈述的贡献
- 摘要称，方法在可选停止下保留第一类错误率或错误发现率保证，并支持亚群间信息交流及最小、平均和最大处理效应估计。
- 阅读关注点
- 应核对错误率保证各自对应的检验设置、亚群间信息使用如何保持有效性，以及效应汇总目标和置信序列的构造条件。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已通过同行评审或获期刊接收；摘要未说明处理分配机制，序贯有效性本身不能确立因果识别。
原文摘要
Sequential decision making significantly speeds up research and is more cost-effective compared to fixed-n methods. We present a method for sequential decision making for stratified count data that retains Type-I error guarantee or false discovery rate under optional stopping, using e-variables. We invert the method to construct stratified anytime-valid confidence sequences, where cross-talk between subpopulations in the data can be allowed during data collection to improve power. Finally, we combine information collected in separate subpopulations through pseudo-Bayesian averaging and switching to create effective estimates for the minimal, mean and maximal treatment effects in the subpopulations.