Beyond First-order Asymptotics in Sequential Mean Testing
National University of Singapore（新加坡国立大学）；Indian Institute of Science, Bengaluru（印度科学研究所）
研究在水平α的势为一框架下，基于KL_inf统计量的序列检验的停止时间的中心极限定理，给出渐近最优检验的二阶刻画。
2026-08-11 math.ST stat.ME stat.TH
Sequential Selection Procedures and False Discovery Rate Control
我们考虑一个多假设检验设置的假设是有序的，只允许拒绝一个初始的连续块，H_1，\dots，H_k，假设。在此设置中的拒绝规则相当于用于选择停止点k的过程。这种设置受到许多模型选择问题的顺序性质的启发，其中选择停止点或模型相当于拒绝所有假设，直到该点，之后没有。我们提出了两个新的测试程序，并证明了他们控制的错误发现率在有序测试设置。我们还展示了如何使用最近的结果在连续模型选择设置的p值的方法可以应用到模型选择。
2015-03-23 math.ST stat.ME stat.TH
On asymptotic normality of sequential LS-estimates of unstable autoregressive processes
对于不稳定自回归AR（p）模型中未知参数的估计，本文提出了一种由观测Fisher信息矩阵的迹定义特殊停时的序贯最小二乘估计.序列最小二乘估计的极限分布是正常的参数向量躺在里面的稳定区域和它的边界的某些部分，在对比普通的最小二乘估计。序列最小二乘估计的渐近正态性是由观测Fisher信息矩阵的一个新性质提供的，该性质在AR（p）过程的稳定区域内和其边界部分都成立。导出了系统停时的渐近分布。
2008-10-06 math.ST stat.TH
Most Powerful Test Sequences with Early Stopping Options
序贯似然比检验被认为是最强大的序贯研究与早期停止规则时，分组数据来自单参数指数家庭。首先，为了获得这个难以捉摸的结果，组序贯设计的概率测度被构造为支持所有可能的结果事件，这对于在获得数据之前设计实验是有用的。此构造标识不属于支持的一部分的不可能事件。整体概率分布被分解为阶段特定的分量。这些分量是Armitage、McPherson和Rowe（1969）首次描述的中期检验统计量的子密度，通常用于在给定$α$ -消耗函数和一组中期分析时间的情况下创建停止边界。给出了以达到某个阶段为条件的似然表达式，以将概率解剖学的各个部分连接在一起。通过采用提前停止规则所导致的支持度的减少在可能事件的概率分布中引起顺序截断（而不是嵌套）。多重检验在适配的载体上诱导混合物。甚至推论统计的渐近分布也是截尾分布的混合。与经典的局部渐近正态性结果（Le Cam 1960）相反，无停止选项的渐近正态统计量的渐近分布是在有停止选项的局部替代下截尾正态分布的混合;在固定替代下，检验统计量的渐近分布是退化的。
2021-01-27 stat.ME
Optimal Sequential Detection by Sparsity Likelihood
本文研究多数据流序贯变点检测，给出不同稀疏性水平下检测延迟的渐近下界，并提出基于稀疏似然得分的停止规则以实现最优检测，数值实验验证了其有效性。
2023-06-01 math.ST stat.TH
Asymptotic Distribution of the Delay Time in Page's Sequential Procedure
本文给出了Page序贯累积和（Sequential Cumulative Sum，简称CUM）过程中停时的渐近分布。页以及普通的累积和被认为是检测器的平均值的变化，满足弱不变性原则的意见。由这些检测器得到的停时的主要结果推广了一系列关于正态性停时的结果。特别是，结果量化的优势，页面的PACKUUM程序，普通的PACKUUM程序在后期的变化情况。理论结果说明了一个小的模拟研究，包括普通的和页面的PICEUM检测器的性能比较。
2013-08-06 stat.ME
Large-scale adaptive multiple testing for sequential data controlling false discovery and nondiscovery rates
针对高维序列数据，本文提出自适应停止边界的序贯多重检验，利用oracle与局部FDR数据驱动规则渐近同时控制FDR和FNR，并显著降低期望样本量。
2023-06-08 math.ST stat.ME stat.TH
Optimal Stopping and Worker Selection in Crowdsourcing: an Adaptive Sequential Probability Ratio Test Framework
本文在贝叶斯序贯决策框架下研究了一类多重检验问题。我们的激励应用程序来自于众包中的二元标签任务，请求者需要同时决定选择哪个工人提供标签，以及在一定的预算限制下何时停止收集标签。我们从二元假设检验问题开始，以确定单个对象的真实标签，并通过将其投射到自适应序贯概率比检验（Ada-SPRT）框架下来提供最优解决方案。我们描述了最优解的结构，即，最优自适应序贯设计，通过对数似然比统计量最小化贝叶斯风险。我们还开发了一个动态规划算法，可以有效地近似最优解。对于多重检验问题，我们进一步提出了采用经验贝叶斯方法估计类先验，并表明我们的方法具有平均损失，收敛到最小的贝叶斯风险下的真实模型。模拟和真实数据的实验表明，我们的方法的鲁棒性和优越性，在标记精度相比，其他几个最近提出的方法。
2017-08-28 stat.ME
On the asymptotic normality and the construction of confidence intervals for estimators after sampling with probabilistic and deterministic stopping rules
序贯研究的一个关键特征是实际样本量是一个随机变量，通常取决于收集的结果。虽然序贯设计的假设检验理论已经很好地建立，但参数和精度估计还不太清楚。尽管早期的工作已经建立了一些特设估计，以克服所谓的偏见，在普通样本平均值，最近的工作表明，样本平均值是一致的。在这些结果的基础上，通过为全变差距离提供一个收敛速率，可以确定样本平均值的渐近分布在几乎所有情况下都是正态的，除了在一个非常具体的情况下，即停止规则是确定性的，并且真实的总体平均值与停止和继续之间的截止值相一致。对于这种病理情况，发现与正常的Kolmogorov距离等于0.125。虽然在渐近分布中值得注意，但模拟表明，幸运的是，基于正态分布的置信区间的覆盖范围没有任何后果。
2017-12-20 math.ST stat.TH
On the sample mean after a group sequential trial
医学统计学中的一个流行的设置是具有独立和同分布正态结局的组序贯试验，其中对结局总和进行中期分析。根据规定的停止规则，在每次中期分析后决定是否停止或继续试验。因此，研究的实际长度是一个随机变量。据文献报道，如果使用普通样本均值估计位置参数，中期分析可能会导致偏倚。对于一个通用的停止规则，它包含了许多经典的停止规则作为一个特殊的情况下，明确的公式的预期长度的试验，偏差，和均方误差（MSE）。可以推断，对于固定数量的中期分析，如果第一次中期分析不过早进行，则偏倚和MSE收敛于零。此外，这种收敛的最佳速率。在正则性条件下，证明了样本均值的全变差距离的渐近正态性.基于样本均值的朴素置信区间的结论。它还展示了在组序贯试验环境中，发展的理论如何自然地适应更广泛的似然理论框架。模拟研究支持的理论研究结果。
2018-03-31 math.ST stat.TH
Sequential and Decentralized Estimation of Linear Regression Parameters in Wireless Sensor Networks
讨论了在集中和分散两种情况下线性回归系数向量的序贯估计问题。在序贯估计中，用于估计的观测数由观测样本决定，因此是随机的，而不是固定样本大小的估计。具体来说，在接收到新样本后，如果达到目标精度水平，我们将停止并使用迄今为止收集的样本进行估计;否则，我们将继续接收另一个样本。众所周知，寻找一个最佳的序贯估计，它最大限度地减少平均样本量为一个给定的目标精度水平，是一个棘手的问题，一般停止规则，取决于完整的观察历史。通过适当地限制搜索空间的停止规则，取决于一个特定的子集的完整的观察历史，我们得到的最佳序贯估计集中的情况下，通过最佳停止理论。然而，在这种情况下找到最佳停止规则需要{ \em二次}与待估计的参数的数量成比例的数值计算。对于具有严格的能量约束的分散设置，在另一个问题的制定是有条件的观测回归，我们首先推导出一个简单的最优方案，其计算复杂度是{ \em常数}的参数的数量。然后，根据这个简单的最佳方案，我们提出了一个分散的顺序估计，其计算复杂性和能量消耗的规模{ \em线性}的参数的数量。具体而言，在所提出的分散式方案中，通过不频繁地发送持续时间非常短的单个脉冲来实现接近最佳的平均停止时间性能。
2014-12-17 cs.IT math.IT math.OC
Sequential tests and estimates after overrunning based on $p$-value combination
在连续试验中，在达到停止边界后，通常会有额外的数据可用。基于结合$p$值的“增加加权Z”方法，开发了一种结合超限信息的方法。这将产生主要检验的组合$p$值以及受试参数的中位无偏估计和置信界限。当超限信息量与终止序贯检验时的可用信息量成正比时，提供精确推理方法;否则，给出近似方法并进行评估。上下文是观察布朗运动漂移，无论是在连续时间或离散时间组序列边界的线性停止边界。该方法与其他可用的方法进行了比较，并举例说明了从两个连续的临床试验的数据。
2008-05-20 math.ST stat.AP stat.CO
Sequential Probability Ratio Test using Z-Statistics (SPRT-z): A Practical Approach for Online Experimentation
Atlassian
针对在线实验中的重复窥视问题，提出SPRT-z方法，结合大样本正态近似、无标度视界校准和布朗中位无偏估计，实现早期有效性和无效性停止，控制错误率并减少样本量。
2026-10-01 stat.ME
Exact sequential single-arm trial design with curtailment for binary endpoint
由于伦理和经济原因，序贯单臂试验设计用于评估II期试验中新治疗的疗效。Simon的二阶段设计和Lan-DeMets的O 'Brien-Fleming型$α$ -消耗函数法分别被广泛认为是无效终止和有效终止的传统方法。这些方法在实际应用中存在两个问题，即错列进路停车解释困难和小样本试验导致错误率膨胀。在本研究中，我们提出一个固定功效临界值的精确序贯设计，并与传统设计在样本量上进行比较。由于申报设计的最大样本量和平均样本量通常小于包含固定设计的传统设计，因此预期申报设计入组的受试者较少。此外，我们评估了几种点估计和置信区间在试验结束时，在建议的设计。如果考虑偏差，偏差调整估计量可能更好。至于置信区间，中p方法将是一个很好的选择。
2023-03-30 stat.ME
Optimal sequential procedures with Bayes decision rules
本文考虑一般离散随机过程的序列统计推断问题。问题是最小化一个平均样本量给定的贝叶斯风险，由于不正确的决定不超过一些给定的界限。我们刻画了该问题的最优序贯停止规则的形式。特别是，我们有一个最优序贯决策过程的形式时，贝叶斯风险，包括由于错误的决定和成本的观察损失的表征。
2009-07-02 math.PR math.ST stat.ME
Multichannel Sequential Detection- Part I: Non-i.i.d. Data
我们考虑的问题，顺序信号检测在多通道系统中的信号的数量和位置是先验未知的。我们假设每个通道中的数据是顺序观察的，并且遵循一般的非独立同分布。随机模型在信道中局部对数似然比过程r-完全收敛于有限正数的假设下，建立了广义序贯似然比检验和基于混合的序贯似然比检验的渐近最优性.具体来说，我们表明，这两个测试最小化的停时分布的第一个r时刻渐近的虚警和漏检的概率接近零。此外，我们还证明了当局部对数似然比过程具有独立的增量并且简单地服从强大数律时，这两种检验都渐近地最小化停时分布的所有矩。这扩展了先前已知的i.i.d.的情况下的结果。当只有一个通道受到影响时，观察。我们用几个实际的例子来说明一般的检测理论，包括高斯隐马尔可夫模型中信号的检测，未知强度的高斯白噪声，以及一阶自回归的相关系数的测试。最后，我们说明了这两个序贯检验的可行性时，假设一个上限和一个下界的信号的数量，并比较其非渐近性能使用模拟研究。
2016-01-13 math.PR math.ST stat.ME
Precision and Decisiveness as Goals: Reliable Sequential Hypothesis Testing with a Dual Stopping Criterion
该研究提出DPitG方法，结合精度目标与明确裁决，将PitG的不确定率从62%降至2%且零假阳性，符合预注册标准，适用于需可靠裁决的场景。
2026-08-07 stat.ME
Peeking with PEAK: Sequential, Nonparametric Composite Hypothesis Tests for Means of Multiple Data Streams
Cornell Tech（康奈尔理工学院）
提出基于赌博框架的非参数序贯检验方法PEAK，用于多数据流均值复合假设检验，在保证第一类错误控制的同时显著减少样本量并降低计算复杂度。
2024-06-02 cs.LG stat.ME stat.ML
Effect of Interim Adaptations in Group Sequential Designs
本文研究了无条件和有条件停止极大似然估计量、信息测度和与成组序贯设计条件相关的信息损失。早期停止的可能性带来截断的分布形式的MLE，顺序地，GSD决定消除一些事件从样本空间。多重检验在适应的样本空间上诱导混合物。MLE的分布是截尾分布的混合。在GSD下，检验统计量在无GSD的情况下是渐近正态的，其渐近分布是局部替代项下截尾正态分布的非正态混合;在固定替代项下，检验统计量的渐近分布是退化的。对各种统计量（如信息、信息分数和置信区间）的估计应考虑到有计划的适应的影响。适应信息分数的计算需要大量的计算工作。因此，提出了一种新的GSD，其中特定阶段的样本量完全由期望的操作特性确定，并且不需要计算信息分数。
2019-08-04 stat.ME
Quickest Change Detection in the Presence of a Nuisance Change
在最快的变化检测问题中，其中可能发生的滋扰和关键的变化，其目标是尽可能快地检测到的关键变化，而不发出警报时，无论是没有变化或滋扰的变化已经发生。提出了一种基于广义似然比检验统计量的窗口受限序列变化检测方法。一个递归的更新计划建议的检验统计量的发展，并证明是渐近最优的温和的技术条件下。在变化后的分布属于一个参数化的家庭的情况下，广义的停时和下界的平均运行长度推导。建议的停止规则相比，FMA停时和天真的2阶段的程序，检测的滋扰或关键的变化，使用单独的CuSum停止程序的滋扰和关键的变化。仿真结果表明，该规则优于FMA停时和2阶段的过程，和一个真实的数据集上的轴承故障实验验证了所提出的停时的性能。
2019-07-14 math.ST stat.TH
Strategic decision points in experiments: A predictive Bayesian optional stopping method
本文提出预测性贝叶斯可选停止方法（pBOS），结合预演模拟预测未来数据，在资源约束下动态决定实验停止时机，成本效益较传统BOS提升118%，优化了资源利用。
2025-03-02 stat.AP stat.ME
Exact Anytime-valid Confidence Intervals for Contingency Tables and Beyond
E变量是用于保留第一类错误保证的工具，具有可选的停止。我们扩展E-变量序贯两样本检验一般的零假设和任何时间有效的置信序列。我们提供了估计列联表中的风险差，相对风险和比值比的实现。
2022-06-24 stat.ME
A Linear Programming Approach to Sequential Hypothesis Testing
在一些温和的马尔可夫假设下，证明了两个简单假设下的最优序贯检验设计问题可以用线性规划表示。该结果是通过研究序贯检验问题的拉格朗日对偶得到的，序贯检验问题是一个无约束的最优停止问题，依赖于两个未知的拉格朗日乘子。结果表明，最优费用函数对这些乘子的导数与相应的序贯检验的误差概率一致。这个属性被用来制定一个最优化问题，这是联合线性的费用函数和拉格朗日乘子，并解决这两个现成的算法。为了说明这一过程，我们推导了具有不同相依结构的高斯随机序列的最优序贯检验，包括高斯AR（1）过程。
2015-02-23 math.ST stat.TH
Sequential change-point detection based on nearest neighbors
我们提出了一个新的框架检测在线，连续数据分析中的变点。该方法利用最近邻信息，可以应用于多变量观测序列或非欧几里德数据对象，如网络数据。不同的停止规则进行了探讨，并建议一个特定的规则，由于其理想的属性。一个准确的解析近似的平均运行长度推导出推荐的规则，使其成为一个简单的现成的方法，真正的多变量/对象顺序数据监控应用程序。仿真结果表明，新方法具有更好的性能比基于似然的高维数据的方法。通过一个真实的数据集在检测全球结构变化的社交网络的新方法说明。
2018-04-28 stat.ME
Sequential Hypothesis Test with Online Usage-Constrained Sensor Selection
本文研究了传感器在线选择和传感器使用约束条件下的序列假设检验问题。也就是说，在传感器网络中，融合中心通过每次选择一个“信息量最大”的传感器来顺序地获取样本，直到可以做出可靠的决策。特别地，传感器选择以在线方式进行，因为它取决于每次的所有先前样本。我们的目标是开发顺序测试（即，停止规则和决策函数）和传感器选择策略，其最小化受误差概率和传感器使用的约束的期望样本量。为此，我们首先重铸的使用约束的配方成贝叶斯最优停止问题与不同的采样成本的使用约束的传感器。贝叶斯问题，然后在有限和无限的地平线设置，基于此，可以很容易地建立原始的使用约束问题的最佳解决方案。此外，通过利用最优解的结构，得到了最优期望样本量的下界。此外，我们还提出了算法来近似评估的最佳序贯测试中的参数，使传感器的使用和错误概率的约束得到满足。最后，通过数值实验验证了理论分析的正确性，并与已有方法进行了比较.
2016-01-24 cs.IT math.IT stat.AP
Interim Monitoring of Sequential Multiple Assignment Randomized Trials Using Partial Information
提出利用部分信息估计SMART中平均结果的估计量，推导提前停止检验程序，在控制I类错误和达到名义功效的同时减少预期样本量。
2023-02-15 stat.ME
Global Sequential Testing for Multi-Stream Auditing
Mathematical Institute for Data Science (MINDS), Johns Hopkins University（数据科学数学研究所（MINDS），约翰霍普金斯大学）；Department of Biomedical Engineering, Johns Hopkins University（生物医学工程系，约翰霍普金斯大学）；Amazon Responsible AI（亚马逊负责任人工智能）
针对多数据流审计问题，提出基于鞅合并的序贯检验方法，在稀疏和密集备择假设下分别达到最优停止时间，并通过实验验证。
2026-07-13 cs.LG stat.ML
Towards Anytime-Valid Statistical Watermarking
Department of XXX, University of YYY, Location, Country（YYY大学XXX系）；School of ZZZ, Institute of WWW, Location, Country（WWW研究所ZZZ学院）
本文提出Anchored E-Watermarking框架，通过构建测试超级鞅实现随时验证的统计水印技术，提升样本效率13-15%。
2026-02-19 cs.AI cs.LG stat.ML
Group sequential two-stage preference designs
针对两阶段偏好设计（TSPD）样本量需求大的问题，提出成组序贯两阶段偏好设计（GS-TSPD），结合序贯监测实现提前停止且不膨胀I类错误率，通过模拟和丙型肝炎研究验证了其有效性与适用性。
2023-10-17 stat.ME stat.OT
Stopping Rules for Monte Carlo Methods: A Review
Northwestern University（西北大学）；The University of Tokyo（东京大学）
本文综述了序贯分析中用于蒙特卡洛估计的停止规则，涵盖基本假设、算法、收敛性及实际权衡，旨在指导未来研究。
2026-06-23 math.ST stat.ME stat.TH
Nearly Minimax One-Sided Mixture-Based Sequential Tests
我们专注于单侧，混合为基础的停止规则的问题的顺序测试一个简单的原假设对一个复合的替代。对于后者，我们考虑两种情况-无论是离散的替代品或连续的替代品，可以嵌入到一个指数家庭。对于每一种情况下，我们发现一个混合的停止规则，几乎是极小极大的意义上最大限度地减少最大的Kullback-Leibler信息。这个结果的证明是基于找到一个适当的顺序判定问题的几乎贝叶斯规则和高阶渐近逼近的性能特征的任意混合的停时。我们还评估了某些直观的混合规则的渐近性能损失，并通过仿真实验验证了我们的渐近近似的准确性。
2012-04-24 math.ST stat.ME stat.TH
Optimal Stopping for Sequential Bayesian Experimental Design
University of Michigan（密歇根大学）
针对序贯实验设计中何时停止的问题，提出基于马尔可夫决策过程的贝叶斯最优停止框架，并采用课程学习策略解决联合训练中的局部最优陷阱。
2026-06-16 stat.ME
A practical sequential stopping rule for high-dimensional MCMC and its application to spatial-temporal Bayesian models
目前许多贝叶斯分析的挑战是确定何时终止高维马尔可夫链蒙特卡罗模拟。为此，我们建议使用一个自动顺序停止程序，终止模拟时，计算的不确定性是相对于后验不确定性小。这样的停止规则先前已被证明在中等尺寸的后验的设置中工作良好。在本文中，我们说明了它在高维模拟中的实用性，同时克服了当前的一些计算问题。进一步，我们研究了停止规则和有效样本量之间的关系。作为例子，我们考虑两个复杂的贝叶斯分析的空间和时间相关的数据集。第一个涉及气象站数据的动态时空模型，第二个涉及功能磁共振成像脑成像数据的空间变量选择模型。我们的研究结果表明，顺序停止规则很容易实现，提供了不确定性估计，并在高维设置中表现良好。
2014-03-21 stat.CO stat.ME
A closed-form sample size correction for always-valid inference with optional stopping
Spotify
针对A/B测试中连续监测的顺序检验，提出闭式校正因子k*，通过调整固定样本量使经验功效接近目标值，节省8-20%样本预算。
2026-06-18 stat.ME
Optimal Stopping in Sequential Clinical Prediction
Institute of Statistical Science, Academia Sinica（中央研究院统计科学研究所）
本文提出将序列临床预测视为最优停止问题，通过四个回顾性临床数据集展示框架，证明最佳模型不总是最佳决策阶段。
2026-04-24 stat.ME
Optimal Stopping for Interval Estimation in Bernoulli Trials
我们提出了一个最佳的序贯方法来获得置信区间的二项比例$θ$。假设一个身份证。随机Benoulli序列（$θ$）试验是按顺序观察的，我们感兴趣的是设计a）~一个停止时间$T$，它将决定何时是停止采样过程的最佳时间，和b）~一个最佳估计量$\hatθ_{T}$，它将提供$θ$的区间估计的最佳中心。我们遵循半贝叶斯方法，假设存在$θ$的先验分布，我们的目标是最小化样本的平均数量，同时保证最小的覆盖概率水平。通过应用标准最优停止理论和数值计算最优对$(T,\hatθ_{T})$得到解。关于最佳停止时间组件$T$，我们证明，它享有某些非常罕见的特性，没有遇到其他经典的最佳停止问题的解决方案。最后，我们比较我们的方法与最佳的固定样本量的程序，但也与现有的替代顺序计划。
2017-11-18 stat.ME
From aggressive to conservative early stopping in Bayesian group sequential designs
The George Institute for Global Health, Imperial College London（乔治全球健康研究院，伦敦帝国理工学院）；Imperial Clinical Trials Unit, Imperial College London（伦敦帝国理工学院临床试验中心）；School of Mathematics, University of Bristol（布里斯托大学数学学院）；The George Institute for Global Health, University of New South Wales（乔治全球健康研究院，新南威尔士大学）
本文提出两种改进方法，使贝叶斯分组序贯设计恢复保守的早期停止行为，提升试验功效并符合频数框架的α支出曲线。
2026-01-15 stat.ME
Optimal Sequential Joint Detection and Estimation
这篇论文已被作者撤回。请参见arXiv：1302.6058。我们考虑顺序联合检测和估计问题。最小化的平均停止时间的检测和估计的约束条件的组合，我们得到的最佳三元组的停止时间，检测器和估计。在联合检测和估计问题中，主要目标是一起检测和估计，这与主要目标是仅检测的复合假设的常规测试相反。首次在文献中，我们开发的顺序联合检测和估计问题的最优解。与固定样本量的问题不同，在问题的序贯版本中，还寻求最优停止时间，这使得解决方案相当复杂。
2013-04-11 math.OC math.PR stat.ME
Towards active learning: A stopping criterion for the sequential sampling of grain boundary degrees of freedom
本研究针对晶界能量参数空间的高效采样需求，为现有晶界自由度序贯采样方法新增基于尖点数量和迭代最大能量变化的停止准则，实现主动学习式采样，以少量迭代提升精度并快速发现未知能量尖点。
2023-07-25 cond-mat.mtrl-sci stat.ME
Bayes Factor Group Sequential Designs
University of Zurich（苏黎世大学）
提出基于z统计量的贝叶斯因子停止域，利用多元正态积分快速计算序贯设计特性，无需蒙特卡洛模拟，实现高效实验设计。
2026-06-23 stat.ME
Group Sequential Design with Posterior and Posterior Predictive Probabilities
The University of Queensland（昆士兰大学）；McGill University（麦吉尔大学）；McGill University Health Centre（麦吉尔大学健康中心）
提出一种高效校准贝叶斯组序贯设计决策阈值和最小样本量的方法，通过理论证明将后验概率建模为样本量函数，仅需两次模拟即可评估误差概率。
2026-06-25 stat.ME
Game-theoretic statistics and safe anytime-valid inference
本文综述安全任意时点有效推断（SAVI）的博弈论基础，其利用检验鞅提供任意停止时间下有效的证据度量，并报告了非参数复合假设检验与泛函估计的最新进展。
2023-06-17 cs.GT cs.IT math.IT
Sequential Monte-Carlo testing by betting
提出随时有效的序贯蒙特卡洛检验方法，利用新赌博策略构建检验鞅，支持任意时刻停止且保持优异功效。
2024-12-11 stat.ME
A principled stopping rule for importance sampling
重要性抽样（IS）是一种蒙特卡罗技术，它依赖于从建议分布模拟的加权样本来估计难以处理的积分。估计量的质量随着样本数量的增加而提高。然而，为了实现期望的估计质量，所需的样本数量是未知的，并且取决于感兴趣的数量、估计器和所选择的建议。我们提出了一个顺序停止规则，终止模拟时，估计的整体变化是相对较小的。所提出的方法与IS中有效样本量的想法紧密相连，并克服了现有指标的关键缺点，例如，它承认多变量估计问题。我们的停止规则保留了渐近保证，并为用户提供了一个明确的指导方针，何时停止在IS模拟。
2022-07-14 stat.CO stat.ME
Group Sequential Testing of a Treatment Effect Using a Surrogate Marker
针对重复测量的替代标志物，本文基于非参数检验提出成组序贯程序，推导多时间点相关统计量性质与早停边界，并通过模拟和两项AIDS试验验证。
2024-09-14 stat.ME
Joint modelling of longitudinal and time-to-event data applied to group sequential clinical trials
通常在测量长期至事件发生时间终点（如总生存期或无进展生存期）的III期临床试验中，研究者还收集可能预测主要终点的生物标志物的重复测量结果。尽管这些数据可能无法直接用于支持早期停止决策，但我们是否可以更好地利用这些数据来提高效率并改善中期决策？我们提出了一个纵向和时间事件数据的联合模型和一种方法，该方法建立了联合模型中参数的连续估计值在中期分析中的分布。有了这个，我们可以使用估计值来定义有效性和无效性停止规则。使用模拟，我们评估了纳入生物标志物信息的好处和对中期决策的影响。
2022-11-29 stat.ME
Group sequential methods for interim monitoring of randomized clinical trials with time-lagged outcome
两组临床试验中的主要分析通常涉及对标量处理效应参数的推断;例如，取决于结果、治疗特异性手段的差异、风险差异、风险比或比值比。大多数临床试验都监测了提前停止的可能性。由于通常情况下，任何给定受试者的结局只能在一段时间后才能确定，因此在中期分析时，在已入组的受试者中，仅知道一个子集的结局，并且对入组时间不足以观察到结局的受试者进行了有效删失。通常，中期分析仅基于结局已确定的受试者的数据。中期分析的目标是在证据足够有力时立即停止试验，这表明分析理想情况下应最有效地利用所有可用数据，从而以原则性方式包括删失信息以及其他基线和时间依赖性协变量。一个一般的组序贯框架，提出了一个时滞的临床试验结果。使用半参数理论推导出考虑删失并在中期分析时纳入协变量信息的处理效应估计值，并证明其比标准方法更能提供更强的提前停止证据。相关的检验统计量具有独立的增量结构，因此可以使用标准软件来获得停止边界。
2022-04-22 stat.ME
Optimized Sequential Testing for Binary Ensemble Classifiers
Tel Aviv University（特拉维夫大学）
提出一种序贯测试方法，通过提前停止基模型评估来降低二元集成分类器的计算成本，同时控制与完整集成的不一致率，并利用线性规划求解最优停止策略。
2026-08-12 cs.LG stat.ME stat.ML
Safe Sequential Testing and Effect Estimation in Stratified Count Data
与固定n方法相比，顺序决策大大加快了研究速度，更具成本效益。我们提出了一种方法，顺序决策分层计数数据，保留第一类错误保证或错误发现率下可选停止，使用e-变量。我们反转的方法来构建分层的任何时间有效的置信序列，在数据收集过程中，可以允许数据中的子群体之间的串扰，以提高功率。最后，我们通过伪贝叶斯平均和转换将在不同亚群中收集的信息结合起来，以创建亚群中最小、平均和最大处理效应的有效估计。
2023-02-22 stat.ME
PRADAS: PRior-Assisted DAta Splitting for False Discovery Rate Control
Department of statistics, Harvard University（哈佛大学统计学系）；Department of statistics, Tsinghua University（清华大学统计学系）
本文提出PRADAS方法，通过将分割比视为停止时间，利用贝叶斯最优镜统计量改进数据分割，实现对虚假发现率的控制。
2026-04-21 stat.ME
Optimal scheduling of interim analyses in group sequential trials
针对成组序贯试验中等间隔中期分析未充分挖掘样本量节省潜力的问题，研究开发了R工具OptimInterim，可在控制错误率下确定最优中期分析调度以最小化期望样本量，经模拟和实例验证其有效性与广泛适用性，并提供参考表便于应用。
2025-09-05 stat.AP stat.ME
The Cost of Sequential Adaptation and the Lower Bound for Mean Squared Error
信息性中期调整导致随机样本大小。随机样本量成为充分统计量的一个组成部分，仅基于观察样本或似然函数的估计并没有使用所有可用的统计证据。总的费舍尔信息（FI）被分解为设计FI和设计条件FI。临时自适应未花费的FI用于确定自适应后估计中的较低均方误差。理论结果与简单的正常样本收集根据两阶段的设计与早期停止的可能性。
2022-10-24 stat.ME
Sequential change point test in the presence of outliers: the density power divergence based approach
在这项研究中，我们考虑的问题，特别是在存在离群值的监测参数的变化。为了提出一个对离群值具有鲁棒性的顺序过程，我们使用密度功率发散来推导出构成我们过程的检测器和停止时间。首先，我们调查的渐近性质，我们的顺序程序独立同分布。序列，然后将所提出的程序扩展到平稳的时间序列模型，在那里我们提供了一组充分条件，在该条件下，所提出的程序具有渐近控制的大小和一致性的权力。作为一个应用，我们的程序被应用到Gestival模型。我们通过仿真研究证明了所提出的方法的有效性和鲁棒性。最后，两个真实的数据分析，以说明所提出的顺序过程的有用性。
2021-06-27 stat.ME
Sequential sample size calculations and learning curves safeguard the robust development of a clinical prediction model for individuals
本文扩展了临床预测模型开发的序贯样本量计算方法，提出基于最小化不确定性和个体预测误分类的停止规则，动态监测模型不稳定性，有效防范固定样本量假设不准确的风险。
2025-09-18 stat.ME
