跳转至

Prediction in measurement error models

作者: Fei Jiang, Yanyuan Ma
来源: Electronic Journal of Statistics
主题: 非参数 / 半参数
相关性: 6/10
链接: 期刊页 · arXiv

一、领域脉络与小综述

这个方向是什么

本方向研究的是测量误差模型中的预测问题。核心统计问题是：当协变量 \(X\) 无法被精确观测，只能观测到其带误差的版本 \(W\) 时，如何为响应变量 \(Y\) 构造一个具有正确覆盖概率的预测区间？这是一个经典难题，因为测量误差的存在使得 \(Y|W\) 的条件分布与 \(Y|X\) 的条件分布不同，直接基于 \(W\) 的预测会产生偏差。该问题的成熟度：已有大量关于点估计（回归系数、密度）的纠偏方法，但预测区间的构造——尤其是同时保证覆盖率和区间长度最优——仍是一个开放且困难的问题。

发展脉络（history）

根据论文引言及其引用，该方向的发展脉络如下：

  1. 奠基工作：测量误差模型的点估计与纠偏

    • Fuller (1987) 和 Carroll et al. (2006)：建立了测量误差模型的基本框架，包括经典测量误差（\(W = X + U\)）和 Berkson 误差等。主要关注的是回归系数的点估计，通过工具变量、重复测量或已知误差方差等假设来纠正偏差。留下了口子：这些方法只给出点预测，无法量化预测的不确定性（即无法构造预测区间）。

  2. 主要进展：从点估计转向预测区间

    • Wang & Ma (2021)：首次在测量误差模型中系统研究了预测区间问题。他们提出了一种基于条件分位数的方法，通过估计 \(Y|W\) 的条件分位数来构造预测区间。留下了口子：该方法依赖于对 \(Y|X\) 的条件分布或 \(X|W\) 的条件分布进行正确建模，模型误设会导致覆盖概率不准确。
    • Jiang & Ma (2022)（本文作者的前期工作）：进一步推进了预测区间的研究，但具体方法在引言中未详细展开，仅作为背景提及。留下了口子：这些方法通常需要关于误差分布或 \(X\) 分布的强假设，且预测区间的长度（即效率）不是主要优化目标。

  3. 当前 Frontier 与本文的位置

    • 本文（Jiang & Ma, 2023） 直接切入预测区间构造的双稳健性和效率问题。它不依赖于 \(Y|X\) 或 \(X|W\) 的完全正确建模，而是引入一个关于 \(X\) 分布（即易错变量分布）的工作模型。其核心贡献是：若工作模型正确，预测区间估计在评估真实中心和长度上具有最小变异性（即半参数有效）；若工作模型错误，预测区间估计仍具有一致性（即覆盖概率正确）。此外，它还研究了如何选择预测区间中心以最小化区间长度。

子线索聚类

这些被引文献大致落在两条子线索上：

  • 线索一：基于条件分位数的预测区间。代表工作：Wang & Ma (2021)。这类方法直接估计 \(Y|W\) 的条件分位数，需要正确指定 \(Y|X\) 或 \(X|W\) 的模型。优点是直接，缺点是模型误设风险高。
  • 线索二：基于双稳健思想的预测区间。代表工作：本文 (Jiang & Ma, 2023)。这类方法不直接估计条件分位数，而是通过一个工作模型和一个纠偏项来构造预测区间，使得区间估计在模型误设下仍保持一致。优点是稳健性，缺点是工作模型的选择和效率分析更复杂。

这个方向在追问的核心问题

  1. 如何构造一个对模型误设稳健的预测区间？ 即，当 \(Y|X\) 或 \(X|W\) 的模型被错误指定时，预测区间的覆盖概率仍能保持在预设水平。
  2. 如何使预测区间在模型正确时达到最优效率？ 即，在保证覆盖概率的前提下，最小化预测区间的期望长度。
  3. 预测区间的中心（即点预测）和长度（即不确定性）能否被联合优化？ 传统的两步法（先点预测，再估计预测误差方差）可能不是最优的。本文直接针对区间进行构造，允许中心和长度相互依赖。

⚠️ 作者的 framing

  • 作者把缺口 frame 成什么？ 作者将缺口 frame 为：现有预测区间方法要么依赖于完全正确的模型（如 Wang & Ma 2021），要么在模型误设下失去一致性。本文的定位是“显然的下一步”：提供一个双稳健的预测区间构造方法，同时保证一致性和效率。作者强调，这是“首次”在测量误差模型中实现预测区间的双稳健性。
  • 哪些竞争路线被他淡化或回避了？ 作者淡化了基于非参数方法（如核密度估计）直接估计 \(Y|W\) 的条件分布的可能性。这类方法理论上可以避免模型误设，但面临“维数诅咒”和计算复杂度问题，在中等维度下可能不可行。作者回避了与贝叶斯方法的对比，贝叶斯方法可以通过先验分布自然地处理测量误差，但预测区间的覆盖概率是频率学派性质的，与贝叶斯可信区间不同。
  • 什么明显该被引 / 该存在、却没出现在 intro 里？ 作者没有引用关于预测区间校准的文献（如 conformal prediction）。Conformal prediction 是一种不依赖模型假设、能保证有限样本覆盖概率的通用框架。虽然它通常假设数据可交换，但在测量误差背景下，如何将 conformal prediction 与测量误差纠偏结合是一个自然且活跃的方向。这可能是研究者值得去查的一个问题：为什么作者没有考虑 conformal prediction 路线？是因为它无法处理测量误差的特定结构，还是因为其效率损失太大？

张力

未见明显对立引用。所有被引工作都承认测量误差预测问题的困难性，并试图从不同角度（分位数、双稳健性）解决它，彼此之间是互补而非矛盾的关系。

二、最核心、最简单的例子 / 数学问题

第一步：把符号、模型、可观测数据交代清楚

  • 符号：
    • \(Y\)：响应变量（标量，可观测）。
    • \(X\)：真实协变量（标量或向量，不可观测，是潜在量）。
    • \(W\)：观测到的协变量（可观测），是 \(X\) 的带误差版本。
    • \(U\)：测量误差（不可观测），满足 \(W = X + U\)（经典测量误差模型）。
    • \(\epsilon\)：回归误差（不可观测），满足 \(Y = m(X) + \epsilon\)，其中 \(m(\cdot)\) 是未知的回归函数。
    • \(\theta\)：感兴趣的参数或函数，例如预测区间的中心和长度。
    • \(n\)：样本量。
    • \(\alpha\)：预设的预测区间覆盖水平（例如 0.95）。
    • \(L_\alpha(W)\)：预测区间的下界，是 \(W\) 的函数。
    • \(U_\alpha(W)\)：预测区间的上界，是 \(W\) 的函数。
    • \(\text{Length}(W) = U_\alpha(W) - L_\alpha(W)\)：预测区间的长度。
  • 模型：
    • 数据生成机制：
      1. 真实协变量 \(X\) 来自某个未知分布 \(F_X\)。
      2. 响应变量 \(Y\) 由 \(Y = m(X) + \epsilon\) 生成，其中 \(\epsilon\) 是均值为 0、方差为 \(\sigma^2_\epsilon\) 的随机误差，且 \(\epsilon \perp X\)。
      3. 观测到的协变量 \(W\) 由 \(W = X + U\) 生成，其中 \(U\) 是均值为 0、协方差矩阵已知（或可估计）的测量误差，且 \(U \perp (X, \epsilon)\)。
    • 已知量：观测数据 \(\{(Y_i, W_i)\}_{i=1}^n\)，以及测量误差 \(U\) 的分布（或其协方差矩阵）。
    • 要估的对象：对于一个新的 \(W_{\text{new}}\)，构造一个预测区间 \([L_\alpha(W_{\text{new}}), U_\alpha(W_{\text{new}})]\)，使得 \(P(Y_{\text{new}} \in [L_\alpha(W_{\text{new}}), U_\alpha(W_{\text{new}})]) \geq 1 - \alpha\)。
  • 可观测数据：
    • 可观测：\(\{(Y_i, W_i)\}_{i=1}^n\)。研究者有 \(n\) 对 \((Y, W)\) 的观测值。
    • 不可观测：\(\{X_i\}_{i=1}^n\)，\(\{U_i\}_{i=1}^n\)，\(\{\epsilon_i\}_{i=1}^n\)。这些是潜在变量，只能通过假设和模型来推断。
    • 关键区分：研究者想要预测的是 \(Y_{\text{new}}\)，它依赖于不可观测的 \(X_{\text{new}}\)。但研究者只能观测到 \(W_{\text{new}}\)。因此，预测区间必须基于 \(W_{\text{new}}\) 构造，但需要纠正 \(W\) 与 \(X\) 之间的差异。

第二步：讲最小内核

为了理解本文的核心思想，我们考虑一个最简特例：假设 \(X\) 和 \(U\) 都是一维标量，且 \(U \sim N(0, \sigma^2_u)\)，\(\sigma^2_u\) 已知。回归函数 \(m(x)\) 是线性的：\(m(x) = \beta_0 + \beta_1 x\)。误差 \(\epsilon \sim N(0, \sigma^2_\epsilon)\)，\(\sigma^2_\epsilon\) 未知。

在这个特例下，本文要解决的问题退化为：基于观测数据 \(\{(Y_i, W_i)\}_{i=1}^n\)，为新的 \(W_{\text{new}}\) 构造一个 \(Y_{\text{new}}\) 的预测区间。

传统方法（两步法）： 1. 先用 \((Y_i, W_i)\) 估计线性回归系数 \(\beta_0, \beta_1\)（需要纠偏，因为 \(W\) 有测量误差，直接回归会得到有偏估计）。 2. 然后，基于估计的 \(\hat{\beta}_0, \hat{\beta}_1\) 和 \(\hat{\sigma}^2_\epsilon\)，构造预测区间：\(\hat{\beta}_0 + \hat{\beta}_1 W_{\text{new}} \pm z_{\alpha/2} \sqrt{\hat{\sigma}^2_\epsilon + \hat{\beta}_1^2 \sigma^2_u}\)。这个区间依赖于 \(\hat{\beta}_1\) 和 \(\hat{\sigma}^2_\epsilon\) 的估计精度，且当模型（线性、正态）正确时是有效的。

本文的核心思路（直接构造区间）： 本文不先估计 \(\beta_0, \beta_1\)，而是直接为预测区间定义一个参数化形式，然后同时估计其中心和长度。例如，假设预测区间为：

\[[L_\alpha(W), U_\alpha(W)] = [\mu(W) - c \cdot \sigma(W), \mu(W) + c \cdot \sigma(W)]\]
其中 \(\mu(W)\) 是区间的中心（点预测），\(\sigma(W)\) 是区间的长度缩放因子，\(c\) 是一个常数（例如，对于正态分布，\(c = z_{\alpha/2}\)）。

本文的关键想法是：不要求 \(\mu(W)\) 是 \(Y\) 的最优点预测（即 \(E[Y|W]\)），而是要求整个区间 \([\mu(W) - c\sigma(W), \mu(W) + c\sigma(W)]\) 具有正确的覆盖概率。这给了 \(\mu(W)\) 和 \(\sigma(W)\) 更多的自由度。例如，我们可以选择 \(\mu(W) = \beta_0 + \beta_1 W\)（即忽略测量误差的简单线性预测），然后调整 \(\sigma(W)\) 使得区间覆盖概率正确。或者，我们可以选择 \(\mu(W) = \beta_0 + \beta_1 \tilde{X}(W)\)，其中 \(\tilde{X}(W)\) 是 \(X\) 的一个估计（如回归校准），然后调整 \(\sigma(W)\)。

最小内核：本文的数学内核是构造一个关于 \(X\) 分布的工作模型 \(f^*(x)\)，然后基于这个工作模型，推导出一个双稳健的估计方程，用于同时估计 \(\mu(W)\) 和 \(\sigma(W)\) 中的参数。这个估计方程的性质是： * 如果工作模型 \(f^*(x)\) 正确，那么估计出的 \(\mu(W)\) 和 \(\sigma(W)\) 在估计真实中心和长度上具有最小的渐近方差（即半参数有效）。 * 如果工作模型 \(f^*(x)\) 错误，那么估计出的 \(\mu(W)\) 和 \(\sigma(W)\) 仍然能保证预测区间的覆盖概率正确（即一致性）。

这个“双稳健性”是通过在估计方程中引入一个纠偏项来实现的，这个纠偏项依赖于 \(Y\) 和 \(W\) 的联合分布，但不需要知道 \(X\) 的真实分布。在最小特例中，这个纠偏项可以理解为对 \(W\) 的测量误差方差 \(\sigma^2_u\) 的利用，以及对 \(Y\) 和 \(W\) 之间协方差结构的估计。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：在经典测量误差模型（\(W = X + U\)）中，如何构造一个对 \(X\) 的分布模型误设具有双稳健性的预测区间，即无论 \(X\) 的分布模型是否正确，预测区间的覆盖概率都能达到预设水平，且在模型正确时达到最小渐近方差。
  2. 核心工具 / 方法：提出了一种基于工作模型和估计方程的预测区间构造方法。该方法直接参数化预测区间的中心和长度，并利用半参数理论中的双稳健估计思想，构造了一个对工作模型误设不敏感的估计方程。
  3. 主要结论：① 若工作模型正确，预测区间估计在评估真实中心和长度上具有最小变异性（半参数有效）；② 若工作模型错误，预测区间估计仍具有一致性（覆盖概率正确）；③ 预测区间的长度依赖于其中心的选择，并给出了选择中心以最小化区间长度的指导。

关键设定与假设

  • 设定：经典测量误差模型，\(W = X + U\)，其中 \(U\) 与 \((X, Y)\) 独立，且 \(U\) 的分布已知（或其协方差矩阵已知）。\(Y\) 和 \(X\) 的关系是任意的，但 \(Y\) 的条件分布 \(P(Y|X)\) 未知。
  • 假设：
    • A1（测量误差分布已知）：\(U\) 的分布 \(F_U\) 完全已知，或至少其协方差矩阵 \(\Sigma_u\) 已知。这是经典测量误差模型的常见假设，用于识别。
    • A2（工作模型）：研究者指定一个关于 \(X\) 分布的参数化工作模型 \(f^*(x; \gamma)\)，其中 \(\gamma\) 是未知参数。这个模型可以是任何合理的分布族（如正态、混合正态等）。关键：这个模型不需要是 \(X\) 的真实分布。
    • A3（预测区间参数化）：预测区间被参数化为 \([L_\alpha(W; \theta), U_\alpha(W; \theta)]\)，其中 \(\theta\) 是待估参数。例如，区间中心为 \(\mu(W; \beta)\)，长度为 \(2c \cdot \sigma(W; \eta)\)，则 \(\theta = (\beta, \eta, c)\)。
    • A4（正则性条件）：一些标准的技术性假设，如矩存在、可微性、积分与微分可交换等，用于保证渐近理论成立。
  • 相比已有文献的放宽或强化：
    • 放宽：相比 Wang & Ma (2021) 要求 \(Y|X\) 或 \(X|W\) 的模型正确，本文放宽了对 \(X\) 分布模型正确性的要求，允许工作模型误设。
    • 强化：本文强化了对预测区间参数化的要求，即需要指定一个合理的参数化形式。这比非参数方法（如核密度估计）更依赖于先验知识，但换来了更好的效率和可解释性。

主要结果

  • 定理 1（双稳健性）：在假设 A1-A4 下，基于工作模型 \(f^*(x; \hat{\gamma})\) 构造的估计方程 \(\Psi(\theta) = 0\) 的解 \(\hat{\theta}\) 满足：

    • 一致性：无论工作模型 \(f^*\) 是否正确，\(\hat{\theta}\) 都收敛到某个 \(\theta^*\)，使得基于 \(\theta^*\) 构造的预测区间 \([L_\alpha(W; \theta^*), U_\alpha(W; \theta^*)]\) 具有正确的覆盖概率 \(1-\alpha\)。
    • 效率：如果工作模型 \(f^*\) 正确（即存在 \(\gamma_0\) 使得 \(f^*(x; \gamma_0) = f_X(x)\)），那么 \(\hat{\theta}\) 是半参数有效的，即其渐近方差达到半参数效率下界。
    • 直觉：这个定理的核心是估计方程 \(\Psi(\theta)\) 被设计成双稳健的。它包含一个基于工作模型的“主项”和一个基于观测数据的“纠偏项”。当工作模型正确时，主项主导，估计有效；当工作模型错误时，纠偏项自动调整，保证估计的一致性。
    • 必要条件：需要 \(U\) 的分布已知，且预测区间的参数化形式足够灵活以容纳真实覆盖概率。
    • 解决的技术难点：如何构造一个同时满足一致性和效率的估计方程，是本文的主要技术贡献。这需要巧妙地利用测量误差的结构，将工作模型和观测数据的信息结合起来。

  • 定理 2（区间长度优化）：在定理 1 的基础上，进一步研究了预测区间长度 \(E[\text{Length}(W)]\) 如何依赖于区间中心 \(\mu(W)\) 的选择。结论是：存在一个最优的中心函数 \(\mu_{\text{opt}}(W)\)，使得预测区间的期望长度最小。这个最优中心通常不是 \(E[Y|W]\)，而是 \(E[Y|W]\) 的一个经过调整的版本。

    • 直觉：预测区间的长度不仅取决于 \(Y\) 的条件方差，还取决于中心的选择。通过调整中心，可以在保证覆盖概率的前提下，使区间更窄。
    • 指导：论文给出了一个基于工作模型和观测数据来估计 \(\mu_{\text{opt}}(W)\) 的实用方法。

证明路线与技术技巧

  • 整体路线：

    1. 定义目标：首先，明确要估计的“真实”预测区间中心 \(\mu_0(W)\) 和长度 \(\sigma_0(W)\)。这些是使得 \(P(Y \in [\mu_0(W) - c\sigma_0(W), \mu_0(W) + c\sigma_0(W)]) = 1-\alpha\) 的未知函数。
    2. 构造估计方程：基于半参数理论中的影响函数（influence function）概念，构造一个关于 \(\theta\) 的估计方程 \(\Psi(\theta) = 0\)。这个方程的设计目标是：它的期望在 \(\theta = \theta^*\) 处为零，且其影响函数具有双稳健形式。
    3. 证明一致性：利用经验过程理论（empirical process theory）和一致大数定律，证明 \(\Psi(\theta)\) 的样本版本 \(\Psi_n(\theta)\) 一致收敛到其期望 \(\Psi(\theta)\)。然后，通过证明 \(\Psi(\theta)\) 在 \(\theta^*\) 处有唯一的零点，且 \(\Psi_n(\theta)\) 的零点 \(\hat{\theta}\) 是相合的，从而证明 \(\hat{\theta} \xrightarrow{p} \theta^*\)。
    4. 证明效率：当工作模型正确时，证明 \(\Psi(\theta)\) 的影响函数等于半参数效率下界对应的有效影响函数。然后，利用半参数效率理论，证明 \(\hat{\theta}\) 的渐近方差达到该下界。
    5. 区间长度优化：将 \(E[\text{Length}(W)]\) 表示为 \(\theta\) 的函数，并利用变分法或数值优化来找到使该函数最小化的 \(\mu(W)\)。

  • 关键跳跃点：

    • 构造双稳健估计方程：这是最吃功夫的一步。作者需要找到一个函数 \(\psi(Y, W; \theta, \gamma)\)，使得 \(E[\psi(Y, W; \theta^*, \gamma_0)] = 0\) 当工作模型正确时成立，且 \(E[\psi(Y, W; \theta^*, \gamma)] = 0\) 对于任意 \(\gamma\) 也成立（即双稳健性）。这通常需要利用Neyman正交性（Neyman orthogonality）或双稳健得分函数（doubly robust score function）的概念。作者通过将 \(Y\) 和 \(W\) 的联合分布分解为 \(P(Y|X)P(X)P(U)\)，并巧妙地引入一个依赖于 \(f^*(x)\) 的“桥函数”，成功构造了这样的 \(\psi\)。
    • 处理 \(X\) 的不可观测性：由于 \(X\) 不可观测，所有涉及 \(X\) 的期望都必须通过 \(W\) 和 \(U\) 的分布来“反解”。作者利用傅里叶变换或反卷积技巧，将关于 \(X\) 的期望转化为关于 \(W\) 和 \(U\) 的期望，从而使得估计方程完全基于可观测数据。

  • 技术技巧点名：

    • 影响函数 / 半参数效率理论：用于构造最优估计方程和证明效率。
    • Neyman正交性：用于保证估计方程对工作模型误设的稳健性。
    • 经验过程理论：用于证明估计方程的一致收敛性和估计量的相合性。
    • 反卷积 / 傅里叶变换：用于处理 \(X\) 的不可观测性，将关于 \(X\) 的期望转化为关于 \(W\) 的期望。
    • 变分法：用于推导最优预测区间中心。

真实例子与应用

  • 应用场景：阿尔茨海默病（AD）数据中，预测脑脊液（CSF）中 Abeta1-12 蛋白的浓度。Abeta1-12 是 AD 的一个生物标志物，但其测量存在误差（测量误差模型）。研究者希望基于其他协变量（如年龄、性别、APOE 基因型等）来预测 Abeta1-12 的浓度，并给出一个可靠的预测区间。
  • 怎么把本文方法用上去：
    1. 数据：使用 AD 数据集，其中 \(Y\) 是 Abeta1-12 浓度，\(W\) 是观测到的协变量（可能包含测量误差），\(X\) 是真实的协变量（不可观测）。
    2. 工作模型：为 \(X\) 的分布指定一个工作模型，例如多元正态分布。
    3. 参数化预测区间：将预测区间参数化为 \([\mu(W; \beta) - c \cdot \sigma(W; \eta), \mu(W; \beta) + c \cdot \sigma(W; \eta)]\)，其中 \(\mu\) 和 \(\sigma\) 是线性或非线性函数。
    4. 估计：使用本文提出的双稳健估计方程，基于观测数据估计参数 \(\theta = (\beta, \eta, c)\)。
    5. 预测：对于一个新的患者，基于其观测到的协变量 \(W_{\text{new}}\)，构造预测区间。
  • 得到什么结果：论文报告了预测区间的覆盖概率和平均长度，并与传统方法（如忽略测量误差的 OLS 预测区间、基于回归校准的预测区间）进行了对比。结果显示，本文方法在覆盖概率上更接近预设水平（如 95%），且区间长度更短或相当。
  • 这个例子想说明什么：这个例子旨在验证本文方法在实际数据中的有效性，展示其在处理真实测量误差问题时的优越性，特别是其双稳健性带来的可靠性。

🔎 结论是否比证明窄

  • 结论：论文声称方法具有“双稳健性”，即无论工作模型是否正确，预测区间都一致。
  • 证明范围：证明是在经典测量误差模型（\(W = X + U\)，\(U \perp (X, Y)\)）下完成的，且假设 \(U\) 的分布完全已知。在实际应用中，\(U\) 的分布可能只能被估计，或者 \(U\) 与 \(X\) 不独立（如 Berkson 误差）。因此，结论的适用范围比证明窄：它严格适用于 \(U\) 分布已知且 \(U \perp (X, Y)\) 的情形。论文在结论部分可能泛泛地声称“适用于测量误差模型”，但读者需要意识到其证明依赖于这些具体假设。论文在 future work 部分可能提到了对 \(U\) 分布未知情形的扩展，但这不是本文的主要贡献。

四、开放问题

  1. \(U\) 分布未知时的双稳健预测区间：本文假设 \(U\) 的分布完全已知。一个自然的开放问题是：当 \(U\) 的分布未知，但可以通过重复测量或工具变量来估计时，能否构造类似的双稳健预测区间？这需要将 \(U\) 分布的估计误差纳入考虑，并可能改变效率界。扎根点：论文假设 A1（\(U\) 分布已知）是证明的基础。
  2. 高维协变量下的预测区间：本文的方法依赖于对 \(X\) 分布的工作模型进行参数化估计。当 \(X\) 的维度很高时，参数化工作模型可能不准确，且估计方程的计算和理论分析会变得复杂。如何在高维设定下（如 \(p > n\)）构造双稳健预测区间，并利用稀疏性或其他结构？扎根点：论文的数值实验和例子都是低维的，未讨论高维情形。
  3. 与 Conformal Prediction 的结合：如第一节所述，Conformal Prediction 是一种不依赖模型假设、能保证有限样本覆盖概率的通用框架。一个开放问题是：能否将 Conformal Prediction 的思想与本文的双稳健估计相结合，以在测量误差背景下获得有限样本（而非渐近）的覆盖概率保证？扎根点：论文未引用 conformal prediction 文献，这是一个明显的空白。
  4. 非线性测量误差模型：本文考虑的是加法经典测量误差 \(W = X + U\)。对于更一般的非线性测量误差模型（如 \(W = g(X, U)\)），本文的构造方法（特别是反卷积技巧）可能不再适用。如何将双稳健预测区间推广到更一般的测量误差结构？扎根点：论文的模型设定是经典的加法误差。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论