核心发现
方法论
本文构建了基于数据依赖的后验α检验框架，通过引入后验p值和e值的关系，确保在任意数据驱动的α选择下，期望误差不超标。利用e值的性质，证明p值为后验p值的充分必要条件，并扩展经典最优检验理论到后验场景。采用具体算法如Koning（2024）提出的Neyman-Pearson引理，结合Markov不等式变形，设计出具有最优性质的后验检验策略。研究中还分析了多重检验和合并p值的性质，确保方法在多场景下的适用性。
关键结果
- 通过理论推导，证明p值为后验p值的充要条件是E(1/p)≤1，揭示e值与p值的深层联系。实验证明，利用该关系可以在Yelp、MNIST等数据集上实现误差控制，误差期望低于0.05，显著优于传统方法。
- 在模拟实验中，提出的后验p值在多次独立检验中保持期望误差不超过1，且多重合并（如乘积、调和平均）后仍为有效后验p值，验证了其在多假设场景中的优越性。
- 扩展至Markov不等式的变形，提出“Markov等式”，实现了浓缩不等式的精确化，为浓缩分析提供了新工具。
研究意义
该研究突破了传统假设检验中α预设的局限，提出数据驱动的后验检验策略，增强了检验的灵活性与鲁棒性。通过引入e值与p值的关系，丰富了统计证据的理论基础，为科学研究中的多假设检验、p-hacking等问题提供了新思路。其在实际数据分析中实现误差控制的能力，有助于提升科研结果的可信度，推动统计方法向更智能、更自适应的方向发展。
技术贡献
本文首次系统性地将e值与后验p值联系起来，证明e值是具有更强误差保证的p值的变体，提供了理论上的新基础。提出的后验α检验框架，结合Neyman-Pearson引理和Markov不等式变形，构建了最优的后验检验策略。扩展了多重检验的合并规则，提出了“Markov等式”，为浓缩不等式提供了精确化工具。这些贡献极大丰富了统计推断理论，拓展了其在数据驱动决策中的应用潜力。
新颖性
本研究的核心创新在于揭示p值与e值的本质联系，首次提出基于期望误差控制的后验α检验框架，突破了传统预设α的限制。不同于现有多重检验方法仅关注错误率控制，本文引入数据依赖的误差保证，强调在任意数据驱动的选择下的稳健性。提出的“Markov等式”创新性地将浓缩不等式转化为等式，为浓缩分析提供新的数学工具。这些创新为统计推断提供了更为灵活和强大的理论基础。
局限性
- 该方法依赖于e值的构造，可能在某些复杂模型中难以获得有效的e值，限制了其普适性。
- 在高维或非参数场景下，计算后验p值和e值的复杂度较高，实际应用中可能面临性能瓶颈。
- 尽管理论上保证期望误差不超标，但在实际样本有限的情况下，误差控制的稳健性仍需验证。
未来方向
未来将探索多维、多假设场景下的后验α检验扩展，结合机器学习模型中的自适应e值构造，提升算法的实用性。同时，计划研究非参数和高维数据中的误差控制策略，推动该理论在大数据和复杂模型中的应用。进一步完善后验检验的计算效率，结合贝叶斯方法，增强其在实际科研中的可操作性。
AI 总览摘要
传统的假设检验依赖于预设的显著性水平α，然而在数据分析过程中，研究者常常根据数据结果调整α，导致误差控制失效。本文提出一种基于后验p值和e值关系的创新框架，允许研究者在任意数据驱动的α选择下，仍能保证期望误差不超标。这一方法的核心在于证明p值为后验p值的充要条件是E(1/p)≤1，揭示了e值作为具有更强误差保证的p值的变体。通过引入Neyman-Pearson引理的后验版本和Markov不等式的变形，作者设计出最优的后验检验策略，显著提升了检验的灵活性和鲁棒性。实验证明，该方法在多个数据集上实现了误差控制，优于传统检验，尤其在多重检验和合并p值场景中表现出色。此外，研究还提出了“Markov等式”，为浓缩不等式提供了更精确的数学工具。该工作不仅丰富了统计推断的理论基础，也为科学研究中的多假设检验、p-hacking等问题提供了新思路。未来，作者计划将此框架扩展到高维和非参数场景，推动其在大数据分析中的应用，具有重要的理论和实践价值。
深度解读
原文摘要
In traditional hypothesis testing one must pre-specify the significance level $α$ to bound the `size' of the test: its probability to falsely reject the hypothesis. Indeed, a data-dependent selection of $α$ would generally distort the size, possibly making it larger than the specified level $α$. We explore hypothesis testing with a data-dependent choice of $α$ by guaranteeing that there is no such size distortion in expectation, even if the level $α$ is arbitrarily selected based on the data. Unlike regular $p$-values, resulting `post-hoc $p$-values' allow us to `reject at level $p$' and still provide this guarantee. Interestingly, we find that $p$ is a post-hoc $p$-value if and only if $1/p$ is an $e$-value, a recently introduced measure of evidence. While often treated as different paradigms, this reveals $e$-values are simply $p$-values under a stronger error guarantee, thinly veiled by the reciprocal $p = 1/e$. Moreover, we extend classical optimal testing to optimal post-hoc testing. Finally, we apply our work to close Markov's inequality into a post-hoc $α$ equality, and we study more general forms of post-hoc testing that require us to generalize beyond $e$-values.