序贯检验何时才该停

你一边抛硬币，一边判断它公不公平。前几十次恰好连续出现正面，看起来已经很可疑；再抛几百次，比例却可能慢慢回到一半。持续实验的难处就在这里：数据可以随时查看，但“现在看起来有答案”不等于“答案已经可靠”。Eyal A. Kazin 的论文把停止条件拆成两道门槛：结论必须明确，估计也必须足够精确。只有两者同时满足，实验才收尾。

这套方法叫 Decisive Precision is the Goal（DPitG），可译作“以明确且精确为目标”。论文用模拟比较了三种停止办法。所有结果都来自这一篇 arXiv 论文及其作者体系，尚无独立复现；下文数字应理解为论文报告，而非已经确立的通用保证。

先分清两个问题

序贯检验允许研究者在数据陆续到来时反复查看证据，并决定是否继续。它适合 A/B 测试、质量监测等持续收集数据的场景。但停止规则必须提前定好。否则，人总可能在结果最顺眼的一刻停下，把暂时的随机波动当成真实效应。

论文使用贝叶斯分析。它把未知参数表示成一条会随数据更新的后验分布：分布的位置告诉我们结果大致在哪里，宽度表示还有多少不确定性。

作者再用两个工具读这条分布。一个是 HDI（Highest Density Interval，最高密度区间），即后验分布中聚集了指定概率质量、密度最高的一段范围；论文采用 95% HDI。另一个是 ROPE（Region of Practical Equivalence，实际等价区间），即围绕“无效应”预先划出的一小段可忽略范围。

若 HDI 完全落入 ROPE，可以支持“效应在实践上可忽略”；若 HDI 完全落在 ROPE 同一侧之外，可以支持存在有实际意义的效应；若两者交叠，则结论仍不明确。这里的“接受无效应”不是断言参数精确等于某个值，而是说当前证据支持它落在事先认可的可忽略范围内。

只等答案，可能停得太早

第一种办法是 HDI+ROPE stopping：只要 HDI 与 ROPE 的关系能给出明确结论，就停止收集。

它的问题是把“何时停”和“得出什么结论”绑在了一起。早期样本少，HDI 通常较宽，位置也容易被偶然出现的极端样本带偏。一个宽而偏的区间仍可能整体落到 ROPE 之外，于是实验过早结束。论文把这种风险称为 early peeking，也就是反复查看数据时，被早期、缺乏代表性的结果诱导。

在论文的公平硬币模拟中，HDI+ROPE 的明确结论率为 98.2%，但错误拒绝公平假设的比例为 6.3%。它很会给答案，却不总能等到估计稳定。

只等精度，又可能没有答案

第二种办法是 Precision is the Goal（PitG）。它把停止与结论彻底拆开：预先规定 HDI 的目标宽度 $ω$ ，等区间缩窄到这个程度就停，然后才看 HDI 与 ROPE 的关系。

这能避开“看到想要的结果就停”的诱惑，却带来另一种尴尬：估计已经够精确，区间仍可能跨着 ROPE 边界。实验按规则结束了，却只能说“没有结论”。当真实情况位于或接近 ROPE 内部时，这个问题尤其明显。

在论文的公平硬币设置中， $ω = 0.08$ ，ROPE 为 $0.5 \pm 0.05$ 。PitG 的明确结论率只有 37.9%，也就是约 62% 的实验停下时仍无法接受或拒绝公平假设。

双门槛怎样收尾

DPitG 的改动很小：达到目标精度只是必要条件，不再是充分条件。实验必须同时满足：

HDI 宽度不超过预设的 $ω$ ；
HDI 完全位于 ROPE 内，或完全位于其同一侧之外。

如果精度够了但结论仍卡在边界上，就继续收集，直到得到明确判断，或碰到预先设定的最大样本预算。可以把它理解为交卷前的双重检查：不但字迹要看得清，答案也必须写完整。

在上述公平硬币模拟中，DPitG 的明确结论率达到 97.8%，把 PitG 约 62% 的无结论率降到约 2%。其中位停止样本量为 627，PitG 为 599，增幅约 4.7%，即核查备注所概括的约 5%。这不是固定成本，而是该组模拟中的中位数差异。

该模拟还观察到 DPitG 没有错误拒绝公平假设。这个结果只适用于论文给出的特定参数与实验设置，不能理解成方法普遍保证零假阳性。论文还报告，在其测试过的 $ω$ 范围内，DPitG 的明确结论率始终高于 97%；材料没有完整列出所有相关运行条件。

为什么这值得关注

它最有价值的地方，不是又发明了一个统计阈值，而是把两个经常混在一起的问题摆回各自的位置：证据是否足以支持一个明确判断，以及估计本身是否已经稳定。

论文也给出样本规划的比例关系：

$N \propto \frac{V}{ω^{2}}$

其中 $V$ 是观测方差， $ω$ 是目标 HDI 宽度。直觉上，数据越嘈杂，所需样本越多；想把区间宽度压得更窄，样本需求会按平方速度上升。这只是比例关系，并非仅凭材料就能直接套用的完整公式。

DPitG 的停止条件可以在实验前完整写定。作者因此称它符合预注册标准——即先公开分析与停止规则，再收集数据，减少事后挑规则的空间。论文还提供在线计算器和开源代码，并在单组二元数据上演示；作者称框架可扩展到连续结果和两组比较。

局限与未知

目前证据只来自作者的一篇论文。材料未提供代码仓库和计算器链接，无法核查实现或复现模拟结果。
公平硬币实验中的零错误拒绝和约 5% 样本增幅都依赖特定设置；换用更宽松的精度目标时，论文报告的中位样本代价最高可明显增加。
论文实际演示的是单组二元数据。向连续结果和两组比较扩展是否同样稳健，仍需独立验证。