Prediction-Powered E-Values

要約

品質の統計的推論には、十分な量のデータが必要であり、取得が不足しているか、取得が難しい場合があります。
この目的のために、予測駆動の推論は有望な方法論として上昇していますが、既存のアプローチは、平均や分位数の推論などのZ推定問題に大きく限定されています。
このホワイトペーパーでは、e値に対する予測駆動の推論のアイデアを適用します。
そうすることで、任意の妥当性、事後妥当性、多目的な順次推論などの電子値のすべての通常の利点を継承し、予測駆動の方法で達成可能な一連の推論を大幅に拡張します。
特に、電子値の観点からフレーム化できるすべての推論手順には、私たちの方法で与えられた予測駆動の対応物があることを示します。
単純な仮説テストや信頼区間から、以前の技術の範囲外であった変更点検出と因果発見のためのより複雑な手順まで、幅広い推論タスクにわたるフレームワークの有効性を紹介します。
私たちのアプローチはモジュール式であり、既存のアルゴリズムに簡単に統合でき、実用的なアプリケーションに説得力のある選択肢となっています。

要約(オリジナル)

Quality statistical inference requires a sufficient amount of data, which can be missing or hard to obtain. To this end, prediction-powered inference has risen as a promising methodology, but existing approaches are largely limited to Z-estimation problems such as inference of means and quantiles. In this paper, we apply ideas of prediction-powered inference to e-values. By doing so, we inherit all the usual benefits of e-values — such as anytime-validity, post-hoc validity and versatile sequential inference — as well as greatly expand the set of inferences achievable in a prediction-powered manner. In particular, we show that every inference procedure that can be framed in terms of e-values has a prediction-powered counterpart, given by our method. We showcase the effectiveness of our framework across a wide range of inference tasks, from simple hypothesis testing and confidence intervals to more involved procedures for change-point detection and causal discovery, which were out of reach of previous techniques. Our approach is modular and easily integrable into existing algorithms, making it a compelling choice for practical applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google