[论文解读] Test Martingales for bounded random variables

Harrie Hendriks|arXiv (Cornell University)|Jan 29, 2018

Probability and Risk Models参考文献 11被引用 3

一句话总结

本文针对有界随机变量引入检验鞅（test martingales），以在最小分布假设下实现序列化假设检验与均值置信区间的构建。通过利用上鞅性质及指数倾斜的凸组合，该方法实现了功效为1的检验与有效的置信区间，适用于金融审计与统计推断。

ABSTRACT

Given a random sample from a random variable $T$ which is bounded from above, $T\leτ$ a.s., we define processes that are positive supermartingales if $E(T)\geμ$. Such processes are called test martingales. Tests of the supermartingale hypothesis implicitly test the hypothesis $H_0:E(T)\geμ$. We construct test martingales that lead to tests with power 1. We also construct confidence upper bounds. We extend the techniques to testing $H_0:E(T)=μ$ and constructing confidence intervals. In financial auditing random sampling is proposed as one of the possible techniques to gather enough assurance to be able to state that there is no 'material' misstatement in a financial report. The goal of our work is to provide a mathematical context that could represent such process of gathering assurance by means of repeated random sampling.

研究动机与目标

• 开发一种基于检验鞅的统计框架，用于对有界随机变量的均值进行序列化检验。
• 在最小假设下，构建期望值的置信上限与双侧置信区间。
• 确保该方法在非参数分布下对均值的假设检验仍能达到功效1。
• 为应用统计学家与审计人员提供数学上严谨但易于理解的工具，尤其适用于金融抽样场景。
• 将现有的基于鞅的推断方法扩展至仅假设有界支撑的非参数设定。

提出的方法

• 将检验鞅定义为在原假设下满足 $\mathbf{E}(T) \geq \mu$ 的正上鞅，通过有界随机变量的指数倾斜构造。
• 使用参数 $c \in [-1,1]$ 的检验鞅的凸组合，形成鲁棒族 $M_n^\mu(\pi) = \int_{-1}^1 M_n^\mu(c) \pi(c)\,dc$。
• 利用 $M_n^\mu(\pi)$ 关于 $\mu$ 的凸性，确保集合 $\{\mu \mid \forall n: M_n^\mu(\pi) < 1/\alpha\}$ 为区间，从而构成有效的置信区域。
• 应用上鞅的最大不等式，保证真实均值以至少 $1 - \alpha$ 的概率落在置信区间内。
• 通过形式 $M_n^\mu(c) = \prod_{i=1}^n (1 - c(T_i - \mu)/(\tau_1 - \mu))$（当 $c \geq 0$）与 $M_n^\mu(c) = \prod_{i=1}^n (1 - c(T_i - \mu)/(\mu - \tau_0))$（当 $c \leq 0$）构造检验鞅，确保在 $\mathbf{E}(T) \geq \mu$ 下具有上鞅行为。
• 通过在中间时间点利用观测数据重新加权检验鞅族，实现自适应设计，同时保持可测性与上鞅性质。

实验结果

研究问题

• RQ1 能否为有界随机变量构造检验鞅，使其在原假设 $\mathbf{E}(T) \geq \mu$ 下实现功效1的检验？
• RQ2 如何在无参数假设下，利用检验鞅构建置信上限与双侧置信区间？
• RQ3 检验鞅关于参数 $\mu$ 的凸性在确保区间置信区域中的作用是什么？
• RQ4 如何在抽样过程中实现序列化调整，而不违反鞅或可测性约束？
• RQ5 该框架能否应用于现实问题，如金融审计抽样，且仅基于最小分布假设？

主要发现

• 所构造的检验鞅在检验 $H_0: \mathbf{E}(T) \geq \mu$ 时实现功效1，确保在原假设下无第二类错误。
• 置信区间 $\{\mu \mid \forall n: M_n^\mu(\pi) < 1/\alpha\}$ 具有至少 $1 - \alpha$ 的覆盖概率，且由于 $M_n^\mu(\pi)$ 关于 $\mu$ 的凸性，其为凸集。
• 样本均值 $\overline{t}_n$ 始终位于置信区域 $\{\mu \mid M_n^\mu(\pi) < 1/\alpha\}$ 内，确保实际相关性。
• 对于 $T \sim \mathrm{Beta}(2,98)$，平均样本数为 117.79，均值为 69.99，标准差为 5.07，表明具有高效的停止行为。
• 该方法支持自适应设计：在时间 $n$，可通过 $M_{n+\ell}^\mu = M_n^\mu N_\ell^\mu$ 重新加权检验鞅，利用基于观测数据的新测试族，同时保持上鞅结构。
• 该框架对模型误设具有鲁棒性，适用于非参数设定，如金融错报抽样中 $T(\omega) \in [0,1]$ 的情形。