Anytime-Valid Inference in Conjoint Experiments¶
作者: Daniel Molitor, Jennah Gosciak, Michael Lindon
主题: 因果推断
相关性: 7/10
链接: https://arxiv.org/abs/2610.28979
一、领域脉络与小综述¶
这个方向是什么¶
本文所处的子方向是"任意有效推断"(anytime-valid inference),其根本问题在于:当数据以流式(streaming)方式持续到达、研究者希望根据累积证据随时决定"是否停止收集数据"时,如何保证统计推断(假设检验、置信区间)在所有可能的停止时间上同时成立。传统固定样本推断(fixed-sample inference)的保证仅在预先指定的样本量处有效,一旦研究者"偷看"数据并据此决定停止,犯第一类错误的概率就会膨胀。该方向的核心技术工具是e-process——一个非负随机过程,在零假设下是超级鞅(supermartingale),从而通过 Ville 不等式获得时间一致(time-uniform)的 Type I error 控制。该方向当前成熟度较高:已有大量关于均值、方差、线性回归、非参数估计等场景的 e-process 构造方法,但将其系统性地应用于 conjoint 实验这一特定因果推断场景的工作尚属首次。
发展脉络(history)¶
该方向的奠基性工作可追溯至 Wald 的序贯分析(sequential analysis),但现代 anytime-valid 推断的复兴主要源于两个脉络:
-
赌徒/博弈视角:Shafer 等人(2011, 2019)将统计检验重新解释为"赌徒与自然对赌"的游戏,e-value 是赌徒的财富,e-process 是财富随时间的演化过程。这一视角为构造 e-process 提供了直观的"投注"(betting)方法。本文引用的 Ramdas 等人(2023)的综述性工作《Game-theoretic statistics and safe anytime-valid inference》正是这一脉络的集大成者,系统总结了 e-process 与置信序列(confidence sequences, CS)的理论基础。
-
渐近/正态近似视角:Waudby-Smith 等人(2024)在《Time-uniform central limit theory and asymptotic confidence sequences》中建立了渐近置信序列(asymptotic CS)的理论框架,将经典的中心极限定理推广到时间一致的情形。这一工作使得 anytime-valid 方法可以应用于缺乏精确有限样本分布的统计量(如回归系数),只需渐近正态性即可。本文的核心技术基础正是这一脉络——Lindon(2026)的定理 2 将 Waudby-Smith 等人的结果推广到了聚类(cluster)数据的情形,而 conjoint 实验的数据结构恰好是每个受访者贡献多个(可能相关的)观测。
在 conjoint 实验这一应用侧,已有文献主要关注固定样本下的推断问题:Hainmueller et al.(2014)建立了 AMCE 的识别与 OLS 估计框架;Schuessler 和 Freitag(2020)以及 Stefanelli 和 Lukac(2020)提供了固定样本下的功效分析工具;Egami 和 Imai(2018, 2019)与 De La Cuesta et al.(2022)则发展了更复杂的 estimand(如 AMIE、条件 AMCE)及其估计方法。然而,这些工作都假设样本量预先固定,无法回答"数据收集到什么时候可以停止"这一实践问题。本文的贡献正是填补这一空白:将 anytime-valid 推断框架引入 conjoint 实验,使研究者可以在数据持续到达时安全地监控估计结果并动态决定停止时机。
子线索聚类¶
被引文献大致落在三条子线索上:
-
线索 A:e-process 与置信序列的理论基础。包括 Ramdas 等人(2023)的博弈论框架、Howard 等人(2021)的非参数置信序列、Waudby-Smith 等人(2024)的渐近置信序列。这一线索的核心问题是:如何构造在任意停止时间下保持有效性的检验统计量?已知瓶颈在于:精确的有限样本 e-process 往往需要较强的分布假设(如子高斯性),而渐近 e-process 虽然适用范围广,但需要验证正则条件(如强逼近的收敛速度)。
-
线索 B:聚类稳健推断。包括 Cameron 和 Miller(2015)、MacKinnon 等人(2023)的聚类稳健方差估计综述,以及 Pustejovsky 和 Tipton(2016)的小样本校正方法。这一线索的核心问题是:当观测在聚类内相关时,如何构造有效的推断?已知瓶颈在于:聚类数较少时,聚类稳健方差估计量偏差较大,且传统的 t 分布近似(G−1 自由度)并不精确。本文的 Theorem 1 正是将 Lindon(2026)的聚类 e-process 结果应用于此,但没有解决小聚类数下的精确性问题(见第四节)。
-
线索 C:conjoint 实验的设计与推断。包括 Hainmueller et al.(2014)的 AMCE 识别、Egami 和 Imai(2018, 2019)的因果交互、Leeper et al.(2020)的子组偏好、De La Cuesta et al.(2022)的外部效度、Schuessler 和 Freitag(2020)与 Stefanelli 和 Lukac(2020)的功效分析。这一线索的核心问题是:如何从多维随机化实验数据中估计并推断偏好参数?已知瓶颈在于:多重 estimand 同时推断时的多重比较问题,以及功效分析对效应量假设的敏感性。
这个方向在追问的核心问题¶
- 如何在任意停止时间下保持推断有效性? 主流方法是构造 e-process(精确或渐近),但不同构造方法在功效、适用范围、计算复杂度上存在权衡。
- 如何处理聚类数据结构? conjoint 实验中同一受访者的多个观测高度相关,直接套用独立观测的 e-process 会失效。Lindon(2026)的聚类 e-process 是当前最先进的答案,但其正则条件(如强逼近)在何种程度上对 conjoint 数据成立仍需验证。
- 如何在多重 estimand 同时监控时控制错误率? conjoint 实验同时估计多个 AMCE,本文的处理方式是 Bonferroni 校正(第五节),但这是否是最优的?e-BH 等更精细的方法是否适用?
- 如何将 anytime-valid 推断与自适应设计结合? 本文的讨论部分提到与自适应 conjoint 设计(Gosciak et al., 2026)结合的可能性,但未给出具体方案。
⚠️ 作者的 framing¶
作者将缺口 frame 为:conjoint 实验的实践者面临"何时停止收集数据"的问题,但现有工具要么是固定样本的(功效分析),要么是"偷看数据会失效"的(传统置信区间),而 anytime-valid 推断恰好提供了解决方案。作者强调其贡献是"连接两个文献":将 Lindon(2026)的聚类 e-process 理论应用于 conjoint 实验的 estimand 类。作者淡化了以下竞争路线:(1)贝叶斯序贯方法(如贝叶斯因子)——作者未引用任何贝叶斯序贯设计文献;(2)group sequential 设计(如 O'Brien-Fleming 边界)——作者仅在引言中一笔带过,未讨论其与 e-process 的相对优劣;(3)精确有限样本 e-process(如基于排列检验的构造)——作者完全依赖渐近方法。
值得研究者去查的问题:作者声称"任何可表示为线性对比的 estimand"都适用其框架,但 Theorem 2 的正则条件(有界观测、有界设计矩阵)在 conjoint 实验中是否总是满足?特别是当属性水平数很多、某些水平出现概率极低时,设计矩阵可能近似奇异,此时 e-process 的渐近有效性是否还能保证?此外,作者未讨论非随机缺失(如受访者中途退出)对 anytime-valid 推断的影响,这在纵向 conjoint 设计中是常见问题。
张力¶
被引文献之间未见明显对立结论。但存在一个微妙的张力:Waudby-Smith 等人(2024)的渐近置信序列强调"无需分布假设",而 Howard 等人(2021)的非参数置信序列强调"有限样本有效性"——两者在功效与稳健性之间存在 trade-off。本文选择了渐近路线,但未讨论在 conjoint 实验的典型样本量(数百到数千受访者)下,渐近近似是否足够精确。
二、最核心、最简单的例子 / 数学问题¶
第一步:符号、模型、可观测数据¶
在展开论文技术细节之前,先建立统一记号。本文的核心对象是 conjoint 实验,其数据结构如下:
- 受访者(respondent):\(i = 1, \dots, G\),\(G\) 为受访者总数。受访者是独立抽样单元(cluster)。
- 任务(task):每个受访者完成 \(K_i\) 个任务(通常 \(K_i\) 较小且有界,如 2–10)。任务内包含 \(M\) 个 profile(通常 \(M=2\),即二选一)。
- Profile:每个 profile 由 \(J\) 个属性(attribute)描述,属性 \(j\) 的水平集合为 \(\mathcal{L}_j\)。Profile 的属性向量记为 \(A \in \mathcal{A} = \prod_{j=1}^J \mathcal{L}_j\)。
- 观测结果:\(Y_{ikm} \in \{0,1\}\) 表示受访者 \(i\) 在任务 \(k\) 中是否选择 profile \(m\)。每个任务中恰有一个 profile 被选中,故 \(\sum_{m=1}^M Y_{ikm} = 1\)。
关键区分:
-
参数 / estimand:本文的核心 estimand 是 AMCE(average marginal component effect),定义为
\[\tau_{j\ell} = \mathbb{E}_{A_{-j} \sim \pi_{-j}} \left[ \bar{Y}(\ell, A_{-j}) - \bar{Y}(\ell_0, A_{-j}) \right],\]其中 \(\bar{Y}(a) = \mathbb{E}[Y_i(a)]\) 是属性向量为 \(a\) 时的潜在结果均值,\(\ell_0\) 是属性 \(j\) 的基准水平。AMCE 是总体参数,由潜在结果分布决定。 -
随机变量 / 样本:\(Y_{ikm}\) 是观测到的选择结果,\(A_{ikm}\) 是随机化的属性向量。受访者 \(i\) 的完整数据为 \((Y_i, X_i)\),其中 \(Y_i \in \mathbb{R}^{n_i}\) 是该受访者所有 profile 级观测的堆叠向量,\(X_i \in \mathbb{R}^{n_i \times p}\) 是对应的设计矩阵(含截距和属性虚拟变量)。
-
可观测数据:研究者实际观测到的是 \(\{(Y_i, X_i)\}_{i=1}^G\),即每个受访者的所有任务、所有 profile 的选择结果和属性向量。不可观测的是潜在结果 \(Y_i(a)\)(同一受访者不可能同时看到两个属性水平不同的 profile),以及受访者的潜在偏好参数(如效用函数中的随机项)。
-
模型:论文不假设潜在结果的参数模型,而是直接对总体最小二乘投影(population least-squares projection)进行推断。定义
\[\beta^\star = \arg\min_{\beta \in \mathbb{R}^p} \mathbb{E}\left[ \|Y_i - X_i \beta\|_2^2 \right],\]即 \(\beta^\star\) 是总体最优线性预测系数。Proposition 1 表明,在完全独立随机化下,AMCE 等于对应的回归系数:\(\tau_{j\ell} = \beta^\star_{j\ell}\)。这一"无模型"设定是本文方法适用性的关键——它不要求潜在结果服从线性模型,只要求随机化保证 \(\beta^\star\) 的因果解释。 -
推断目标:对任意线性对比 \(\theta = R\beta^\star\)(\(R \in \mathbb{R}^{q \times p}\),行满秩),构造置信序列 \(C_G\) 使得
\[\mathbb{P}\left\{ \theta \in C_G \text{ for all } G \geq q \right\} \geq 1 - \alpha,\]以及相应的 anytime-valid p 值。
第二步:最小内核¶
最小内核:考虑最简单的 conjoint 实验——每个受访者只完成一个任务,任务中只有两个 profile,且只有一个二值属性 \(A \in \{0,1\}\)(例如"性别:男/女")。此时:
- 每个受访者 \(i\) 贡献两个 profile 级观测:\((Y_{i1}, A_{i1})\) 和 \((Y_{i2}, A_{i2})\),其中 \(A_{i1} = 1 - A_{i2}\)(两个 profile 的属性互补)。
- 回归模型为 \(Y_{ik} = \alpha + \beta A_{ik} + \varepsilon_{ik}\),AMCE 为 \(\tau = \beta^\star = \mathbb{E}[Y_i(1) - Y_i(0)]\)。
- 由于 \(A_{ik}\) 完全随机化,\(\beta^\star\) 的 OLS 估计量 \(\hat{\beta}_G\) 是 \(\tau\) 的相合估计。
核心困难:当研究者持续监控 \(\hat{\beta}_G\) 并决定"是否停止"时,传统固定样本置信区间 \(\hat{\beta}_G \pm z_{1-\alpha/2} \cdot \widehat{SE}_G\) 在停止时间 \(\tau\) 处的覆盖概率会低于 \(1-\alpha\)。原因在于:停止规则本身依赖于数据,使得 \(\hat{\beta}_\tau\) 的分布不再是正态的。
本文的解法:将 Wald 统计量 \(Q_G(\theta_0) = (\hat{\beta}_G - \theta_0)^2 / \widehat{Var}_G\) 通过一个确定性变换转化为 e-process。具体地,Theorem 1 给出:
其中 \(\nu_G = G - 1\),\(\lambda > 0\) 是预先选定的调优参数。这个变换的关键性质是:在零假设 \(H_0: \theta = \theta_0\) 下,\(E_G(\theta_0)\) 是一个渐近 e-process,即对任意停止时间 \(\tau\),\(\mathbb{E}[E_\tau(\theta_0)] \leq 1\)(渐近意义下)。因此,由 Ville 不等式:
研究者可以在任意时刻拒绝 \(H_0\) 而无需担心 Type I error 膨胀。
为什么这个变换有效:直觉上,\(E_G(\theta_0)\) 是"似然比"的某种近似——它衡量的是数据对 \(H_0\) 的支持度相对于某个备择假设的支持度。当 \(H_0\) 为真时,这个比值不会系统地增长;当 \(H_0\) 为假时,它会以指数速度增长。变换中的 \(\lambda\) 控制"先验"的分散程度:\(\lambda\) 越小,早期拒绝越容易(但功效损失也越大);\(\lambda\) 越大,早期拒绝越困难。论文建议选择使置信区间在目标样本量处最窄的 \(\lambda\)。
最小内核的启示:即使在这个最简单的设定下,本文的核心贡献已经体现——它提供了一个闭式变换,将研究者熟悉的 Wald 统计量转化为 e-process,从而无需改变估计流程即可获得 anytime-valid 保证。更复杂的 conjoint 设定(多属性、多任务、聚类)只是在这个内核上增加"维度",而 Theorem 2 保证了这种扩展的合法性。
三、这篇论文做了什么¶
三句话¶
- 研究了什么问题:在 conjoint 实验中,研究者同时关注多个 estimand(AMCE、条件 AMCE、AMIE 等),且数据持续到达;本文为这类场景提供了通用的 anytime-valid 推断框架,支持连续监控和基于数据的停止规则,同时保持 Type I error 和覆盖率的有效性。
- 核心工具 / 方法:将 Lindon(2026)的聚类稳健 e-process 理论应用于 conjoint 实验——具体地,将任意可表示为总体 OLS 系数线性对比的 estimand 的 Wald 统计量,通过一个闭式变换转化为渐近 e-process,从而构造置信序列和 anytime-valid p 值。
- 主要结论:在模拟和真实数据(Bansak et al., 2016 的欧洲难民 conjoint 实验)中,该方法相比固定样本设计可显著节省样本量——早期停止概率常超过 50%,平均样本节省超过 25%,且当真实效应比预期大时节省可达 65–80%。
关键设定与假设¶
在第二节最小记号的基础上,本文的完整设定如下:
- 数据生成:受访者 \(i\) 独立同分布,每个受访者完成 \(K_i\) 个任务(\(K_i\) 有界),每个任务包含 \(M\) 个 profile。属性向量 \(A_{ikm}\) 由实验者随机化生成,与潜在结果独立。
- 估计目标:任意可表示为 \(\theta = R\beta^\star\) 的 estimand,其中 \(\beta^\star\) 是总体最小二乘投影系数。Proposition 1 保证 AMCE 属于此类。
- 核心假设:
- 完全独立随机化:每个 profile 的属性独立随机化,且与潜在结果独立。这是 AMCE 识别和 \(\beta^\star = \tau\) 的关键。
- 有界性:每个受访者的任务数 \(K_i\)、属性水平数、结果变量均有界。这保证了 Lindon(2026)定理 2 的正则条件成立。
- 聚类独立性:受访者之间独立,但同一受访者的多个观测可以任意相关。这是聚类稳健推断的标准假设。
- 渐近正则性:设计矩阵的期望 \(H = \mathbb{E}[X_i' X_i]\) 正定,且聚类得分协方差 \(\Omega = \mathbb{E}[\psi_i \psi_i']\) 正定。这保证了 Wald 统计量的渐近卡方分布。
相比已有文献的放宽/强化: - 相比 Howard 等人(2021)的精确 e-process,本文放宽了分布假设(只需渐近正态性),但牺牲了有限样本保证。 - 相比 Waudby-Smith 等人(2024)的渐近置信序列,本文扩展到了聚类数据,但限制了 estimand 类(仅限线性对比)。 - 相比 conjoint 文献中的固定样本推断(Schuessler & Freitag, 2020),本文新增了时间一致性保证,但要求数据按受访者顺序到达(而非一次性获得全部数据)。
主要结果¶
定理 1(核心理论结果):在聚类稳健正则条件下,\(E_G(\theta_0)\) 是渐近 e-process。这意味着: - 对任意停止时间 \(\tau\),\(\mathbb{P}(E_\tau(\theta_0) \geq \alpha^{-1}) \leq \alpha\)(渐近意义下)。 - 置信序列 \(C_G = \{\theta : E_G(\theta) < \alpha^{-1}\}\) 具有渐近时间一致覆盖:\(\mathbb{P}(\theta \in C_G \text{ for all } G) \geq 1 - \alpha\)。
定理 2(conjoint 应用):在 conjoint 实验的标准假设下(完全独立随机化、有界观测),AMCE 等 estimand 满足定理 1 的条件,因此上述 e-process、置信序列和 anytime-valid p 值均适用。
推论(多重检验):对于多个 estimand 的同时监控,论文建议使用 Bonferroni 校正——即对每个 estimand 使用 \(\alpha/K\) 的阈值(\(K\) 为 estimand 数量)。由于 e-process 的乘积结构,Bonferroni 校正在此场景下是保守但有效的。
模拟结果: - Type I error 控制:在零假设下,连续监控 2,500 个受访者(每 10 人检查一次),anytime-valid 方法的累计 Type I error 始终低于 5%,而传统固定样本方法在"偷看"后 Type I error 膨胀至 35–38%。 - 功效与样本节省:在非零效应下,早期停止概率随效应量增大而快速上升。对于中等效应(AMCE ≈ 0.05),早期停止概率约 50%,平均样本节省约 25%;对于较大效应(AMCE ≈ 0.10),早期停止概率超过 80%,平均样本节省超过 50%。 - 覆盖率的稳健性:附录 E 报告了 1,000 次模拟中置信序列的经验覆盖率误差,均低于名义水平 5%。
真实数据案例(Bansak et al., 2016 难民 conjoint): - 数据:18,021 名欧洲受访者,每人完成 5 个二选一任务,9 个属性(国籍、年龄、宗教、语言等),共 27 个 AMCE。 - 发现:不同 AMCE 的证据积累速度差异显著。例如,"叙利亚国籍"的 AMCE 在约 5,800 名受访者后首次跨越显著性阈值,而"逃离原因"的 AMCE 在约 400 名受访者后即跨越阈值。 - 实际意义:若研究者只关注"逃离原因"这一 estimand,可在约 400 名受访者时停止,节省超过 95% 的样本;若关注全部 27 个 estimand,则需等待最慢的 estimand 达到目标精度。
证明路线与技术技巧¶
整体路线:定理 1 的证明分为三步:
-
从 Wald 统计量到 e-process 的变换:核心技巧是使用 Lindon(2026)提出的"卡方→e-value"变换。具体地,若 \(Q_G(\theta_0)\) 在零假设下渐近服从 \(\chi^2_q\),则对任意 \(\lambda > 0\),变换
\[E_G(\theta_0) = \left( \frac{\lambda}{\lambda + G} \right)^{q/2} \left( \frac{1 + \frac{\lambda}{\lambda+G} \frac{Q_G(\theta_0)}{\nu_G}}{1 + \frac{Q_G(\theta_0)}{\nu_G}} \right)^{-(\nu_G+1)/2}\]在零假设下是渐近 e-value。这个变换的关键性质是:它利用了 \(F\) 分布与 Beta 分布的关系,使得 \(E_G(\theta_0)\) 的期望(在零假设下)恰好为 1(渐近意义下)。 -
乘积结构:由于受访者独立,不同 \(G\) 处的 e-value 可以相乘形成 e-process。具体地,定义增量
\[\Delta E_G = \frac{E_G(\theta_0)}{E_{G-1}(\theta_0)},\]则 \(E_G(\theta_0) = \prod_{g=1}^G \Delta E_g\)。在零假设下,每个 \(\Delta E_g\) 的条件期望(给定过去数据)不超过 1,因此 \(E_G(\theta_0)\) 是超级鞅。这是 e-process 有效性的核心。 -
渐近验证:证明的关键难点在于处理聚类数据带来的相关性。Lindon(2026)的定理 2 使用强高斯逼近(strong Gaussian approximation)来证明:即使观测在聚类内相关,累积得分过程仍然可以被高斯过程在几乎必然意义下逼近。这个逼近的收敛速度决定了 e-process 的渐近有效性。
关键引理: - 引理 1(聚类得分逼近):在正则条件下,\(\sum_{g=1}^G \psi_g\) 可以被一个均值为零、协方差为 \(G\Omega\) 的高斯向量在 \(O(\log G)\) 的误差范围内逼近。这个引理是定理 1 的基础。 - 引理 2(e-value 期望控制):对任意固定的 \(\theta_0\),在零假设下 \(\mathbb{E}[E_G(\theta_0)] \leq 1 + o(1)\)。这个引理通过直接计算 \(E_G(\theta_0)\) 的期望并利用 \(F\) 分布的矩性质得到。
技术技巧点名: - 强高斯逼近(strong Gaussian approximation / Komlós-Major-Tusnády 定理):用于处理聚类得分过程的逼近问题,是证明的核心工具。 - 超级鞅与 Ville 不等式:用于从 e-process 的期望控制推导时间一致的 Type I error 保证。 - 卡方→e-value 变换:这是 Lindon(2026)的原创技巧,将经典的 Wald 统计量转化为 e-process,避免了复杂的似然比计算。 - Bonferroni 校正:用于多重 estimand 的同时监控,虽然保守但简单有效。
🔎 结论是否比证明窄¶
是的,存在几处"证明窄于结论"的地方:
-
定理 2 的适用范围:定理 2 声称适用于"任何可表示为线性对比的 conjoint estimand",但证明中依赖的有界性假设(有界观测、有界设计矩阵)在真实 conjoint 实验中可能不满足——例如,当属性水平数很多时,某些虚拟变量的取值可能非常稀疏,导致设计矩阵近似奇异。作者在附录 B 中承认"有界性假设可以放宽到矩条件",但未给出具体证明。
-
渐近 e-process 的收敛速度:定理 1 只给出了渐近有效性(\(G \to \infty\)),但未给出有限样本误差的显式界。模拟中使用的 \(G\) 范围(100–2,500)是否足够大以保证渐近近似精确,作者没有讨论。特别是对于小聚类数(如 \(G < 50\)),聚类稳健方差估计的偏差可能很大,而 e-process 的构造没有对此进行修正。
-
多重检验的 Bonferroni 校正:作者声称 Bonferroni 校正在此场景下"保守但有效",但未讨论更精细的方法(如 e-BH 过程)是否能在控制 FDR 的同时提高功效。对于 conjoint 实验中常见的 20–30 个 estimand,Bonferroni 校正可能导致严重的功效损失。
-
自适应设计的扩展:讨论部分提到与自适应 conjoint 设计(Gosciak et al., 2026)结合的可能性,但未给出任何理论结果。在自适应设计中,属性分布随数据变化,此时 \(\beta^\star\) 的定义和 e-process 的构造都需要重新审视。
四、开放问题¶
-
有限样本精确性:本文的 e-process 是渐近有效的,但缺乏有限样本误差界。能否构造在中等样本量(如 \(G = 100\))下精确控制 Type I error 的 e-process?这可能需要结合精确的聚类稳健推断方法(如 Wild bootstrap)与 e-process 框架。
-
小聚类数下的表现:当聚类数 \(G\) 较小时(如 \(G < 50\)),聚类稳健方差估计的偏差会导致 e-process 的过度分散。如何修正?可能的路径包括:使用 Satterthwaite 近似(Pustejovsky & Tipton, 2016)或贝叶斯收缩方法。
-
多重 estimand 的最优监控:Bonferroni 校正在 \(K\) 较大时功效损失严重。能否将 e-BH 过程(Wang & Ramdas, 2022)或在线 FDR 控制方法(Foster & Stine, 2008)应用于 conjoint 实验的多重监控场景?这需要处理 e-process 之间的相关性。
-
自适应设计的 anytime-valid 推断:当属性分布随数据自适应变化时,\(\beta^\star\) 的定义需要重新审视(是固定目标还是随时间变化?),e-process 的构造也需要考虑自适应带来的依赖结构。这是一个开放的理论问题。
-
非渐近置信序列:本文依赖渐近正态性,但能否构造基于非渐近不等式(如 Hoeffding 型不等式)的置信序列,从而在任意样本量下获得精确保证?这可能需要对 conjoint 实验的特定结构(如二值结果、有界属性)加以利用。
提示:要确认上述问题是否是真 gap,建议去读近 5 年关于 anytime-valid inference 的综述(如 Ramdas et al., 2023)和 conjoint 实验方法论的近期论文(如 Gosciak et al., 2026)的引言部分——如果多个独立工作都指向同一问题,那很可能是共识性的 gap;如果各说各话,则可能是尚未成型的领域,机会与风险并存。
Maintained by 陈星宇 · Homepage · Source on GitHub