GAAVI: 条件平均関数に対するグローバル漸近時任意の妥当推論

arXiv:2602.08096v1 Announce Type: cross 摘要：条件平均関数（CMF）に対する推論は、適応実験、最適治療割り当て、およびアルゴリズム的公平性監査など、多岐にわたるタスクの中心に位置しています。本研究では、実験者が最小サンプルサイズを超えた実験の任意時点において高い確信度で意思決定を行うことを可能にする、CMF のグローバル Null 仮説（例：すべての条件平均がゼロである場合）および CMF 間の対比に対する新規の漸近的時任意の妥当検定を提供します。我々の検定は、（i）漸近タイプ I 誤り保証、（ii）検出力 1 を達成する軽微な条件のもとで機能し、過去のものとは異なり、（iii）正規位置検定に対する相対的に最適なサンプル複雑性も保ちます。我々の検定を逆転させることで、CMF とそれらの対比に対する関数値の漸近信頼列を構築する方法を示します。合成データおよび実世界データに対する実験により、我々の方法は様々な分布において十分な検出力を示し、かつ連続的なモニタリングにおいて公称誤り率を維持することが確認されました。

arXiv:2602.08096v1 Announce Type: cross Abstract: Inference on the conditional mean function (CMF) is central to tasks from adaptive experimentation to optimal treatment assignment and algorithmic fairness auditing. In this work, we provide a novel asymptotic anytime-valid test for a CMF global null (e.g., that all conditional means are zero) and contrasts between CMFs, enabling experimenters to make high confidence decisions at any time during the experiment beyond a minimum sample size. We provide mild conditions under which our tests achieve (i) asymptotic type-I error guarantees, (i) power one, and, unlike past tests, (iii) optimal sample complexity relative to a Gaussian location testing. By inverting our tests, we show how to construct function-valued asymptotic confidence sequences for the CMF and contrasts thereof. Experiments on both synthetic and real-world data show our method is well-powered across various distributions while preserving the nominal error rate under continuous monitoring.