DRIFT: A Gate Framework for Target-Relative Inference Under Model Uncertainty

Abstract

DRIFT ist ein vorgeschlagenes, zielrelatives Entscheidungsframework zur Beurteilung, ob eine statistische Inferenz für eine konkrete Zielaussage unter den vorgegebenen Annahmen und der verfügbaren Evidenz hinreichend unterstützt ist. Das Framework integriert fünf getrennte Prüfbereiche: Matching (M), Observability (O), Reliability (R), Invariance (I) und Nonstationarity (N). Die Ergebnisse werden ohne globalen Score in drei Zustände überführt: PASS, CONDITIONAL oder INSUFFICIENT. Diese Veröffentlichung enthält das wissenschaftliche Methodenmanuskript, DRIFT Frozen Protocol v1.1, die maschinenlesbare Spezifikation, Referenzimplementierung, vollständige Testsuite, Audit- und Änderungsprotokolle sowie die dokumentierte Identifizierbarkeitskorrektur A1. Die Korrektur betrifft die F1-Identifizierbarkeit bei einer Messwiederholung unter fest vorgegebener positiver Detektionsheterogenität und wurde vor jeder Entwicklungs- oder konfirmatorischen Datenerzeugung vorgenommen. Der konfirmatorische Benchmark wurde noch nicht durchgeführt. Es werden daher keine Aussagen über Überlegenheit, Gleichwertigkeit, Validierung oder empirische Nützlichkeit von DRIFT gemacht. Die Tests belegen die Konsistenz zwischen Spezifikation und Implementierung, nicht die wissenschaftliche Wirksamkeit des Verfahrens. Der zukünftige Benchmark vergleicht DRIFT familienweise mit starken Vergleichsverfahren, darunter ein Equal-Information-Comparator, und bewertet Fehlbehauptungen und Fehlverweigerungen über eine vorab festgelegte Verlustfunktion. Die wissenschaftliche Kernlogik ist zugleich als Grundlage für eine spätere Umsetzung in BenchEWS Studio 3.0 vorgesehen. Diese Softwareübersetzung ist Zukunftsarbeit und nicht Teil der vorliegenden Evidenz. SchlagwörterDRIFT; statistische Inferenz; Modellunsicherheit; Posterior-Predictive-Checks; Identifizierbarkeit; praktische Identifizierbarkeit; partielle Identifikation; Zuverlässigkeit; Robustheit; Invarianz; Nichtstationarität; Abstention; Reject Option; Modellvalidierung; Reproduzierbarkeit; Preregistrierung; Verifikation und Validierung; Unsicherheitsquantifizierung; Entscheidungsunterstützung; BenchEWS Studio 3.0 English DescriptionDRIFT is a proposed target-relative decision framework for assessing whether a statistical inference is sufficiently supported for a specific target claim under declared assumptions and available evidence. The framework integrates five distinct assessment domains: Matching (M), Observability (O), Reliability (R), Invariance (I), and Nonstationarity (N). Without computing a global score, the framework maps the evidence to one of three states: PASS, CONDITIONAL, or INSUFFICIENT. This release contains the scientific methods manuscript, DRIFT Frozen Protocol v1.1, the machine-readable specification, reference implementation, complete test suite, audit and amendment records, and the documented identifiability correction A1. The correction concerns F1 identifiability with a single observation occasion under fixed positive detection heterogeneity and was implemented before any development or confirmatory data were generated or accessed. The confirmatory benchmark has not yet been run. Accordingly, this release makes no claim of superiority, equivalence, validation, or empirical usefulness of DRIFT. The test suite establishes consistency between the specification and implementation; it does not establish scientific effectiveness. The future benchmark will compare DRIFT separately across benchmark families against strong comparators, including an equal-information comparator, and will evaluate false assertions and false refusals using a prespecified loss framework. The scientific core is also intended to provide the basis for a future implementation in BenchEWS Studio 3.0. That software translation is future work and is not part of the evidence presented in this release. KeywordsDRIFT; statistical inference; model uncertainty; posterior predictive checks; identifiability; practical identifiability; partial identification; reliability; robustness; invariance; nonstationarity; abstention; reject option; model validation; reproducibility; preregistration; verification and validation; uncertainty quantification; decision support; BenchEWS Studio 3.0