전역 평균 함수에 대한 비대칭 언제든지 유효 추론

초록

본 논문은 조건부 평균 함수(CMF)와 치료 효과 차이(CA TE)의 전역 영가설을, 최소 표본 크기 이후 언제든지 연속 모니터링이 가능한 비대칭(Anytime‑Valid) 검정으로 제시한다. 비모수적 가중 마팅게일을 이용해 평균 편향을 추정하고, 가우시안 혼합 마팅게일 기반의 하한을 통해 asymptotic type‑I error를 보장한다. 또한, 검정 역전을 이용해 함수 형태의 신뢰 구간 시퀀스를 제공하며, 샘플 복잡도 측면에서 가우시안 위치 검정에 최적에 가깝다는 이론적 결과와 실험을 제시한다.

상세 분석

이 논문은 조건부 평균 함수(Conditional Mean Function, CMF)와 조건부 평균 치료 효과(Conditional Average Treatment Effect, CATE)의 전역 영가설을 다루는 새로운 비모수적 순차 검정 방법을 제안한다. 핵심 아이디어는 관측값이 순차적으로 들어올 때마다 Fₜ‑적응적인 가중치를 부여한 마팅게일 ψₜ(f)를 구성하고, 이 마팅게일의 평균 편향이 영(0)인 경우에만 영가설이 유지된다는 점을 이용한다. 구체적으로, ϕᵢ는 조건부 편향이 없는 추정량으로, DGP1에서는 단순히 Yᵢ, DGP2에서는 역확률 가중치와 함께 추정된 조건부 평균 μ̂(x,a)를 사용한다. 가중 함수 wᵢ(x,f)는 Fᵢ₋₁‑측정가능하도록 설계되어, ψₜ(f)=∑₁ᵗ wᵢ(Xᵢ,f)(ϕᵢ−f(Xᵢ))가 영가설 하에서 마팅게일이 된다.

다음 단계는 이 마팅게일에 대한 비대칭 언제든지 유효(Asymptotic Anytime‑Valid, AAV) 하한 Lₜ(f,α,ρ)를 구축하는 것이다. 저자들은 가우시안 혼합 마팅게일(Gaussian mixture martingale) 이론을 차용해, 평균 편향의 추정값 ¯ψₜ와 분산 추정 ˆVₜ(f)를 결합한 형태 Lₜ=¯ψₜ−ℓₜ,α,ρ·√{ˆVₜ(f)}를 정의한다. 여기서 ℓₜ,α,ρ는 사전 지정된 파라미터 ρ와 유의수준 α에 따라 감소하는 함수이며, t가 충분히 커지면 Lₜ는 영가설 하에서 0 이하에 머무를 확률이 1−α 이하가 된다. 따라서 Lₜ가 0을 초과하면 영가설을 기각하는 순차 검정 ξₜ가 정의된다.

이 검정은 다음과 같은 세 가지 이론적 특성을 갖는다. (i) Asymptotic anytime validity: 최소 표본 크기 t₀ 이후, 모든 t≥t₀에 대해 영가설이 참이면 기각 확률이 α를 초과하지 않는다. (ii) Power‑one: 조건부 분산이 양수이고, 실제 평균 함수가 영가설과 차이가 있으면 ψₜ의 평균 편향이 양(음)으로 성장해 Lₜ가 결국 0을 초과하게 되므로, 충분히 큰 표본에서는 거의 확실히 기각한다. (iii) Optimal sample complexity: 가중치를 최적화(예: 효율적인 추정기 gᵢ 사용)하면, ˆVₜ(f)가 실제 분산에 수렴하고, 샘플 복잡도는 가우시안 위치 검정의 최소 필요 표본 수와 동일한 차수(∝log(1/α)/Δ²)로 수렴한다.

또한, 검정 역전을 이용해 함수 형태의 asymptotic confidence sequences를 구성한다. 구체적으로, Lₜ(f)≥0인 모든 f에 대해 τ(x)∈