Risk-limiting audits need to use stratified samples to accommodate heterogeneous voting equipment or laws that mandate jurisdictions draw their audit samples independently, among other constraints. Building on the idea of union-intersection tests proposed in SUITE and SHANGRLA, we present a number of techniques to improve the efficiency and flexibility of stratified audits. We begin by outlining two general methods to pool $P$-values from stratified samples. The first method uses Fisher's combining function to pool any valid within-stratum $P$-values, and decreases the measured risk for the 2018 pilot hybrid audit in Kalamazoo, Michigan, USA by about 40% compared to SUITE -- from 0.037 to 0.022. The second method multiplies within-stratum martingales to compute a pooled $P$-value, and decreases the measured risk by more than an order of magnitude -- from 0.037 to 0.003. Further efficiency comes from optimizing how samples are allocated across strata: audits can stop earlier by preferentially using samples from strata that provide evidence against the intersection null. In a simulation study, we demonstrate that a well-chosen allocation rule can dramatically reduce the workload of an audit. Finally, we present the first sharp method that is tractable to compute when there are many strata, allowing audits of statewide contests stratified by jurisdiction. We illustrate by simulating an audit spread across California's 58 counties.


翻译:风险限制审计需要使用分层抽样,以适应不同的投票设备或法律,授权管辖机构独立地提取审计样本。根据SUITE和SHANGRALA提出的工会间测试构想,我们提出了一些提高分层审计效率和灵活性的技术。我们首先概述了从分层抽样中汇集美元价值的两种通用方法。第一种方法是利用Fisher的合并功能,将任何有效的区块内价值合在一起,并将2018年美国密歇根州卡拉马佐市的试点混合审计的衡量风险降低40%左右,而SUITE则从0.037到0.022。第二种方法是在层内进行多层间测试,以计算集合的美元价值,并将衡量的风险减少幅度大于数量顺序 -- -- 从0.037到0.003。 进一步的效率来自优化各层间分配的样本:通过优先使用提供交叉断层证据的样本,审计可以更早地停止。在模拟研究中,我们证明,在58个区块内进行多层内分配规则,最终通过州级审计时,我们可以大幅度地进行分级审计。

0
下载
关闭预览

相关内容

不可错过!《机器学习100讲》课程,UBC Mark Schmidt讲授
专知会员服务
73+阅读 · 2022年6月28日
专知会员服务
25+阅读 · 2021年4月2日
100+篇《自监督学习(Self-Supervised Learning)》论文最新合集
专知会员服务
164+阅读 · 2020年3月18日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
152+阅读 · 2019年10月12日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
VCIP 2022 Call for Demos
CCF多媒体专委会
1+阅读 · 2022年6月6日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
【ICIG2021】Latest News & Announcements of the Workshop
中国图象图形学学会CSIG
0+阅读 · 2021年12月20日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium8
中国图象图形学学会CSIG
0+阅读 · 2021年11月16日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium6
中国图象图形学学会CSIG
2+阅读 · 2021年11月12日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium1
中国图象图形学学会CSIG
0+阅读 · 2021年11月3日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Arxiv
0+阅读 · 2022年8月28日
Arxiv
0+阅读 · 2022年8月26日
Arxiv
13+阅读 · 2021年5月25日
Arxiv
14+阅读 · 2020年12月17日
VIP会员
相关资讯
VCIP 2022 Call for Demos
CCF多媒体专委会
1+阅读 · 2022年6月6日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
【ICIG2021】Latest News & Announcements of the Workshop
中国图象图形学学会CSIG
0+阅读 · 2021年12月20日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium8
中国图象图形学学会CSIG
0+阅读 · 2021年11月16日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium6
中国图象图形学学会CSIG
2+阅读 · 2021年11月12日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium1
中国图象图形学学会CSIG
0+阅读 · 2021年11月3日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
相关基金
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Top
微信扫码咨询专知VIP会员