想象你每天查看一次转化率，觉得结果够好就停。普通置信区间反复查看后再择机停止，原来的覆盖保证可能失效。Martinez-Taboada 与 Ramdas 转而使用“下注”构造证据：每来一个有界数据点，就更新一笔虚拟资本；再把尚未被证据排除的均值收拢成置信区间。它属于非渐近方法——不必等样本很大，有限样本就有保证。
最巧的一步，是让每轮下注比例追踪一个理想高斯实验中最强终点检验的条件拒绝概率。作者证明，在预先给定观察终点、数据只需满足条件均值约束时，这套方法仍具有限样本有效性；若数据独立同分布，区间的极限宽度又能追上传统中心极限定理的高斯基准。所有候选均值还共享同一个可预测方差估计，因此无论数据怎样到来，反演结果都是一个连续区间，只需求两个端点。作者自述，确定性版本在其全部模拟分布、样本足够大时胜过 STaR-Bets；加入外部随机化后也胜过 Gaffke。需要留意：论文给出的是已知终点的区间，并非任意时刻停止都自动有效的置信序列。