跳转至

Semiparametric Prediction with Efficient Interval Length under a Right-Censored Covariate

作者: Kihyun Han, Yanyuan Ma, Karen Marder, Tanya P. Garcia
主题: 非参数 / 半参数
相关性: 7/10
链接: https://arxiv.org/abs/2607.26982

一、领域脉络与小综述

这个方向是什么

本文研究的子方向是：在右删失协变量（right-censored covariate）设定下，构建具有稳定区间长度和有效覆盖率的预测区间。具体来说，研究者观测到一个临床结局 \(Y\)、一个完全观测的协变量向量 \(Z\)，以及一个“时间-事件”协变量 \(X\)（如疾病进展到某个关键阶段的时间）。但 \(X\) 对许多患者是右删失的——只知道它超过某个删失时间 \(C\)，而不知道其确切值。目标是为一个新的观测 \((W_0, \Delta_0, Z_0)\) 构建一个 \((1-\alpha)\)-水平的预测区间 \(m(\cdot) \pm \zeta\)，其中 \(m(\cdot)\) 是固定的中心，\(\zeta\) 是半长度。该方向当前的核心张力在于：共形预测（conformal prediction）方法能提供分布自由的覆盖保证，但其区间长度在不同样本间高度可变，无法支持可靠的临床决策。

发展脉络

  1. 奠基工作：预测区间与共形预测

    • Cox (1975) 和 Tian, Nordman & Meeker (2022) 建立了预测区间的基本框架和评价标准（预期覆盖率）。这些工作定义了“预测区间”这一概念，但未处理协变量删失问题。
    • Vovk, Gammerman & Shafer (2005) 和 Lei et al. (2018) 提出了共形预测（conformal prediction）框架，其核心优势是：在无需对数据分布做任何假设的情况下，即可为预测区间提供有限样本的覆盖率保证。这成为处理复杂数据结构的自然起点。

  2. 主要进展：共形预测的变体与右删失协变量下的估计

    • Barber et al. (2021) 提出了 jackknife+，一种基于留一法的共形预测变体，在计算效率和样本利用之间取得平衡。
    • Lee et al. (2026) 提出了 SPARCC 估计量，专门用于右删失协变量设定下结果模型参数 \(\beta\) 的半参数稳健估计。该工作建立了该设定下的半参数理论框架（包括切线空间分解和有效得分函数），但目标仍是估计模型参数 \(\beta\)，而非预测区间。
    • Vazquez et al. (2024) 系统比较了右删失协变量与缺失协变量之间的异同，为理解该设定下的识别问题提供了理论基础。

  3. 当前 Frontier 与本文位置

    • 当前 frontier 是：在右删失协变量设定下，能否在不牺牲覆盖率有效性的前提下，显著降低预测区间长度的变异性？
    • 本文的位置：作者将预测区间的构建重新表述为半长度的半参数估计问题。通过利用被共形预测丢弃的分布信息（结果模型、时间-事件模型、删失模型），作者构建了一个双稳健且半参数有效的半长度估计量。这直接回应了共形预测区间长度不稳定的痛点，并将该问题纳入了成熟的半参数效率理论框架。

子线索聚类

  1. 共形预测路线：以 Vovk et al. (2005)、Lei et al. (2018)、Barber et al. (2021) 为代表。核心思路是使用非符合性得分（如残差）的经验分位数来构建预测区间。优点是分布自由、有有限样本覆盖保证；缺点是区间长度高度依赖样本，变异性大。
  2. 模型预测路线：以 Cox (1975) 和 Tian et al. (2022) 为代表。核心思路是假设一个参数或半参数模型，然后基于模型推导预测区间。优点是若模型正确，区间长度可更稳定；缺点是对模型错误指定敏感，且难以处理右删失协变量。
  3. 半参数路线（本文）：作者将预测区间构建转化为半长度 \(\zeta\) 的半参数估计问题。通过推导效率影响函数（EIF），构建了一个双稳健的估计方程。该方法结合了模型路线的信息利用效率和共形路线的稳健性（通过双稳健性）。

核心问题与已知瓶颈

  • 核心问题 1：如何定义和估计右删失协变量设定下的预测区间半长度 \(\zeta\)？
  • 核心问题 2：如何使 \(\zeta\) 的估计量具有最小的渐近方差（即半参数有效）？
  • 核心问题 3：如何使 \(\zeta\) 的估计量对时间-事件模型或删失模型的错误指定具有稳健性（即双稳健）？
  • 已知瓶颈：共形预测方法（如 split CP, full CP, jackknife+）虽然提供了有效的覆盖率保证，但其半长度估计完全依赖于经验残差分位数，导致区间长度在不同样本间高度可变。这种不稳定性使得预测区间无法支持可靠的临床决策。

⚠️ 作者的 framing

  • 作者把缺口 frame 成什么：作者将共形预测方法的“区间长度不稳定”问题，frame 为“未能利用分布信息”的直接后果。作者声称，通过将预测问题重新表述为半参数估计问题，可以同时获得效率（最小方差）、双稳健性（对两个关键模型之一错误指定不敏感）和有效覆盖率（与共形预测同阶的 \(O(n^{-1})\) 误差）。这使得本文成为“显然的下一步”：既然共形预测有覆盖保证但长度不稳定，那么用半参数方法去直接估计那个“稳定”的半长度就是自然的改进。
  • 哪些竞争路线被淡化或回避了：
    • 完全非参数方法：作者没有讨论完全非参数地估计 \(\zeta\) 的可能性（例如，直接核密度估计残差分布）。这可能是因为在右删失协变量设定下，非参数估计的收敛速度会很慢，且难以处理高维 \(Z\)。
    • 贝叶斯方法：作者完全回避了贝叶斯预测区间。贝叶斯方法可以自然地整合先验信息和模型不确定性，但作者可能认为其依赖于先验指定，与本文追求的“频率学派最优性”不同。
  • 什么明显该被引 / 该存在、却没出现在 intro 里？
    • 关于“预测区间长度稳定性”的量化文献：作者提到区间长度不稳定是问题，但没有引用任何专门研究预测区间长度变异性或稳定性的文献。是否存在一个已知的“区间长度变异性”的 minimax 下界？或者有工作专门讨论如何校准区间长度？这是一个值得研究者去查的问题。
    • 关于“双稳健预测”的文献：双稳健性在因果推断中非常常见，但在“预测区间”这个具体问题中，是否有其他工作尝试过双稳健预测？作者没有提及，这可能意味着这是一个相对新颖的结合点。

张力

未见明显对立引用。被引工作之间没有在相同条件下得出相反结论的明显冲突。它们更多是沿着不同技术路线（共形 vs. 模型）发展，而本文试图在两者之间架起桥梁。

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：
    • \(Y \in \mathbb{R}\)：结局变量（临床评分），是预测的目标。
    • \(X \in \mathbb{R}\)：时间-事件协变量（如疾病进展到 Stage 2 的时间），是关键的预测因子，但常被右删失。
    • \(C \in \mathbb{R}\)：删失时间（如退出研究的时间）。
    • \(W \equiv \min(X, C)\)：观测到的时间协变量。
    • \(\Delta \equiv I(X \le C)\)：删失指示符，\(\Delta = 1\) 表示 \(X\) 被观测到（事件发生），\(\Delta = 0\) 表示 \(X\) 被右删失。
    • \(Z \in \mathbb{R}^{d_Z}\)：完全观测的协变量向量（如年龄、性别）。
    • \(O = (Y, W, \Delta, Z)\)：可观测数据。
    • \(\beta \in \mathbb{R}^{d_\beta}\)：结果模型参数，用于刻画 \(Y|X, Z\) 的分布。
    • \(\zeta \in \mathbb{R}\)：目标半长度，即预测区间的半径。它是残差 \(r(O, \beta) = |Y - m(W, \Delta, Z, \beta)|\) 的 \((1-\alpha)\)-总体分位数。
    • \(m(\cdot)\)：固定的中心函数，是 \(Y\) 的一个预测值，依赖于 \((W, \Delta, Z)\) 和 \(\beta\)。
    • \(\eta_1 \equiv f_{X|Z}\)：时间-事件模型（nuisance model）。
    • \(\eta_2 \equiv f_{C|Z}\)：删失模型（nuisance model）。
    • \(\eta_3 \equiv f_Z\)：完全观测协变量的边际模型（nuisance model）。
    • \(\phi_{\text{eff}}\)：效率影响函数（Efficient Influence Function），用于构造半参数有效估计量。
  • 模型：
    • 非信息删失假设：\(C \perp (X, Y) \mid Z\)。即给定 \(Z\)，删失时间 \(C\) 与 \(X\) 和 \(Y\) 独立。这是该设定下的标准假设，使得似然函数可以分解。
    • 结果模型：\(Y|X, Z \sim f_{Y|X, Z}(\cdot; \beta)\)，由参数 \(\beta\) 刻画。
    • 时间-事件模型：\(X|Z \sim \eta_1\)，是 nuisance。
    • 删失模型：\(C|Z \sim \eta_2\)，是 nuisance。
    • 观测数据似然：由公式 (1) 给出，它整合了上述模型，并考虑了右删失机制。
  • 可观测数据：
    • 可观测：研究者能观测到 \(n\) 个独立同分布的样本 \(\{O_i = (Y_i, W_i, \Delta_i, Z_i)\}_{i=1}^n\)。
    • 不可观测（潜在）：对于 \(\Delta_i = 0\) 的个体，其真实的时间-事件协变量 \(X_i\) 是未知的，只知道它大于 \(W_i\)。删失时间 \(C_i\) 也是未知的，只知道它等于 \(W_i\)。对于 \(\Delta_i = 1\) 的个体，\(X_i = W_i\)，但 \(C_i\) 是未知的，只知道它大于等于 \(W_i\)。

第二步：讲最小内核

本文的核心思路是：与其用残差的经验分位数来估计半长度 \(\zeta\)，不如用模型提供的分布信息来直接估计它。这个想法的最简特例是没有删失的情况，即 \(P(\Delta = 1) = 1\)，此时 \(W = X\)。

最简特例：无删失 (\(C \to \infty\))

  1. 设定：假设没有删失，我们观测到 \((Y_i, X_i, Z_i)\)。中心函数简化为 \(m_0(X, Z, \beta) = E[Y|X, Z, \beta]\)。残差为 \(r(O, \beta) = |Y - m_0(X, Z, \beta)|\)。目标半长度 \(\zeta\) 是 \(|Y - m_0(X, Z, \beta)|\) 的 \((1-\alpha)\)-分位数。

  2. 共形预测的做法：共形预测会先估计 \(\hat{\beta}\)，然后计算样本残差 \(\{|Y_i - m_0(X_i, Z_i, \hat{\beta})|\}_{i=1}^n\)，最后取这些残差的 \((1-\alpha)\) 样本分位数作为 \(\hat{\zeta}_{\text{CP}}\)。这个 \(\hat{\zeta}_{\text{CP}}\) 完全由这 \(n\) 个残差值决定，因此方差很大。

  3. 本文半参数方法的做法：作者注意到，\(\zeta\) 是由总体分布决定的。在无删失且结果模型正确的情况下，我们可以写出一个关于 \(\zeta\) 的总体矩条件：

    \[E[ I\{ |Y - m_0(X, Z, \beta)| \le \zeta \} ] = 1 - \alpha.\]
    如果我们知道 \(Y|X, Z\) 的分布（例如，\(Y = m_0(X, Z, \beta) + \epsilon\)，且 \(\epsilon \perp (X, Z)\)），那么上述条件就变成了 \(P(|\epsilon| \le \zeta) = 1 - \alpha\)。此时，\(\zeta\) 就是一个非随机的常数（即误差项 \(\epsilon\) 的 \((1-\alpha)\) 分位数），与样本无关！

  4. 核心思路：在更一般的情况下，我们不知道 \(\epsilon\) 的分布，但我们可以利用模型来估计这个总体矩条件。作者推导了一个效率影响函数 \(\phi_{\text{eff}}\)，使得基于它的估计方程 \(\sum_i \phi_{\text{eff}}(O_i, \zeta, \hat{\beta}) = 0\) 的解 \(\hat{\zeta}\) 具有最小渐近方差。这个估计量不是简单地取样本分位数，而是通过模型结构“平滑”了样本信息，从而降低了方差。

  5. 为什么方差更小：共形预测的 \(\hat{\zeta}_{\text{CP}}\) 只用了残差的秩信息（哪个残差是第 \((1-\alpha)\) 大的）。而半参数方法的 \(\hat{\zeta}\) 利用了残差的整个分布形状（通过模型和效率影响函数）。后者使用了更多信息，因此可以达到更小的方差。在无删失的线性模型特例中，如果误差是独立同分布的高斯噪声，那么 \(\hat{\zeta}\) 的方差将远小于样本分位数的方差。

总结：本文的最小内核是：将预测区间半长度的估计，从一个“分位数估计”问题，转化为一个“参数/半参数估计”问题。后者可以利用模型结构和效率理论，获得比前者（纯非参数的经验分位数）更稳定（方差更小）的估计量。右删失协变量的存在只是增加了问题的复杂性（需要处理缺失数据），但核心思想不变。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：在时间-事件协变量 \(X\) 被右删失的队列研究中，如何构建一个区间长度稳定且覆盖率有效的预测区间。
  2. 核心工具/方法：将预测区间半长度 \(\zeta\) 的估计重新表述为一个半参数估计问题，推导了其效率影响函数（EIF），并基于此构建了一个双稳健的估计方程。
  3. 主要结论：所提出的半参数预测方法在估计半长度时是半参数有效的（达到最小渐近方差），并且是双稳健的（只要时间-事件模型或删失模型之一正确，估计量就一致）。其预测区间的预期覆盖率误差为 \(O(n^{-1})\)，与共形预测同阶，但区间长度的变异性显著降低。

关键设定与假设

  • 核心设定：右删失协变量设定，观测数据为 \(O = (Y, W, \Delta, Z)\)。
  • 关键假设：
    1. 非信息删失：\(C \perp (X, Y) \mid Z\)。这是该领域标准假设，使得似然可分解，是识别的基础。
    2. 残差连续性：\(r(O, \beta)\) 是连续随机变量。这是为了确保分位数定义的唯一性，并简化理论推导。
    3. 正则条件 (A1)-(A7)：这些是 M-估计和半参数理论的标准条件，包括参数空间的紧致性、矩条件、连续性、\(\hat{\beta}\) 的相合性和渐近线性等。它们保证了估计量的相合性和渐近正态性。
    4. 覆盖率分析的条件 (C1)-(C7)：这些是推导预期覆盖率和有限样本误差界所需的额外条件，包括覆盖函数的平滑性、导数矩阵的可逆性、以及估计方程 \(\Phi\) 的子指数尾部条件。
  • 相比已有文献的放宽/强化：
    • 放宽：相比完全参数模型，本文不要求结果模型、时间-事件模型和删失模型全部正确。双稳健性允许其中一个 nuisance 模型被错误指定。
    • 强化：相比共形预测，本文要求研究者指定结果模型和 nuisance 模型（即使可能是错误的）。这引入了模型风险，但换来了效率增益和区间长度稳定性。

主要结果

  • 定理 2（双稳健性）：如果时间-事件模型 \(\eta_1\) 或删失模型 \(\eta_2\) 中有一个被正确指定，那么半长度估计量 \(\hat{\zeta}\) 是相合的。这为研究者提供了建模的灵活性：他们可以专注于建模更有信心的那个 nuisance 模型。
  • 定理 3（渐近正态性与半参数效率）：在双稳健性条件下，\(\hat{\zeta}\) 是 \(\sqrt{n}\)-相合且渐近正态的。特别地，当两个 nuisance 模型都正确时，\(\hat{\zeta}\) 是半参数有效的，其渐近方差达到半参数效率界 \( \text{var}\{\phi_{\text{eff}}(O, \zeta, \beta)\} \)。这量化了利用分布信息带来的效率增益。
  • 定理 4（预期覆盖率误差）：由 \(\hat{\zeta}\) 构建的预测区间，其预期覆盖率与名义水平 \(1-\alpha\) 的偏差为 \(O(n^{-1})\)。这与共形预测的误差阶相同，说明在获得效率增益的同时，没有牺牲覆盖率的渐近有效性。
  • 定理 5（有限样本覆盖率界）：在更强的子指数尾部条件下，给出了覆盖率条件于 \((\hat{\zeta}, \hat{\beta})\) 的有限样本误差界，其主项为 \(O(n^{-1/2} (\log n)^{1/2})\)。

证明路线与技术技巧

  • 整体路线：
    1. 问题转化：将预测区间构建问题转化为估计半长度 \(\zeta\) 的问题，\(\zeta\) 是残差 \(r(O, \beta)\) 的 \((1-\alpha)\)-分位数。
    2. 半参数框架建立：将 \(\zeta\) 视为一个由结果模型参数 \(\beta\) 和 nuisance 模型 \((\eta_1, \eta_2, \eta_3)\) 决定的泛函。推导观测数据似然的切线空间 \(T\)，并将其分解为四个正交分量：\(\tilde{\Lambda}_\beta\)（结果模型）、\(\Lambda_1\)（时间-事件模型）、\(\Lambda_2\)（删失模型）、\(\Lambda_3\)（协变量模型）。关键跳跃点：与 Lee et al. (2026) 不同，本文的目标是 \(\zeta\) 而非 \(\beta\)，因此 \(\tilde{\Lambda}_\beta\) 必须被包含在切线空间内，而不是被投影出去。这使得 EIF 必须同时考虑来自 \(\beta\) 和 nuisance 模型的不确定性。
    3. 效率影响函数推导：通过求解路径导数，得到 \(\zeta\) 的效率影响函数 \(\phi_{\text{eff}}\)（Proposition 2）。它由四个正交分量组成，分别对应切线空间的四个部分。推导过程涉及复杂的积分方程和条件期望。
    4. 双稳健估计量构建：基于 \(\phi_{\text{eff}}\) 构建估计方程 \(\sum_i \phi_{\text{eff}}(O_i, \zeta, \hat{\beta}) = 0\)。为了处理 nuisance 模型错误指定，引入工作模型 \(\eta_1^*\) 和 \(\eta_2^\star\)，得到 \(\phi_{\text{eff}}^{*\star}\)。
    5. 理论性质证明：
      • 双稳健性：证明当 \(\eta_1^* = \eta_1\) 或 \(\eta_2^\star = \eta_2\) 时，\(E[\phi_{\text{eff}}^{*\star}(O, \zeta, \beta)] = 0\)（Lemma A.1）。结合 M-估计的标准条件，得到 \(\hat{\zeta}\) 的相合性（Theorem 2）。
      • 渐近正态性与效率：通过泰勒展开和 \(\hat{\beta}\) 的渐近线性表示，推导出 \(\hat{\zeta}\) 的渐近分布（Theorem 3）。当两个 nuisance 模型都正确时，方差简化为 \(\text{var}\{\phi_{\text{eff}}\}\)，证明了效率。
      • 覆盖率分析：将 \((\hat{\zeta}, \hat{\beta})\) 的估计方程联立，利用二阶泰勒展开和矩条件，证明预期覆盖率误差为 \(O(n^{-1})\)（Theorem 4）。进一步利用子指数集中不等式，得到有限样本误差界（Theorem 5）。
  • 技术技巧点名：
    • 效率影响函数 (EIF)：核心工具，用于构造半参数有效估计量。
    • 切线空间分解：用于正交化不同模型带来的影响，是推导 EIF 的标准技术。
    • 双稳健估计：通过证明 EIF 在部分模型错误指定下仍具有零均值，实现稳健性。
    • M-估计理论：用于证明估计量的相合性和渐近正态性（Newey & McFadden, 1994）。
    • 子指数集中不等式：用于推导有限样本误差界（Wainwright, 2019）。
    • 积分方程求解：在计算 EIF 的各个分量时，需要求解形如 (6) 和 (7) 的积分方程，这是实现算法的关键计算步骤。

真实例子与应用

  • 数据：Enroll-HD 数据集，一个包含 30,511 名亨廷顿病患者的国际观察性队列研究。经过数据清洗，最终样本量为 \(n=2,809\)，删失率高达 77.2%。
  • 场景：预测患者在 HD-ISS Stage 0 时的临床结局（四个变量：三个认知测试分数 SC, SW, SI 和一个复合分数 cUHDRS）。关键的预测因子是“从 Stage 0 进展到 Stage 2 的时间” \(X\)，但该变量对大多数患者是右删失的。
  • 方法应用：作者将本文的半参数预测方法与三种共形预测方法（split CP, full CP, jackknife+）进行比较。他们使用了三个不同的中心函数 \(m_1, m_2, m_1^*\) 和三种 nuisance 模型规范（正确、仅 \(\eta_1\) 错误、仅 \(\eta_2\) 错误）。
  • 结果：
    • 半参数方法：在所有设定下，其预测区间的经验覆盖率都集中在名义水平 0.9 附近（0.889-0.909），且半长度 \(\hat{\zeta}\) 在不同 nuisance 模型规范下非常稳定（例如 SC 的 \(\hat{\zeta}\) 变化小于 1.4%）。这直接验证了其双稳健性和稳定性。
    • 共形预测方法：表现出明显问题。Split CP 偶尔欠覆盖（SW 降至 0.878-0.880）。Jackknife+ 持续欠覆盖（cUHDRS 降至 0.748-0.761）。Full CP 要么欠覆盖，要么区间过长（cUHDRS 的半长度比半参数方法长 30-35%），过于保守。
  • 这个例子想说明什么：在真实的高删失率场景下，本文的半参数方法能够兑现其理论承诺：提供可靠（覆盖率有效）且稳定（区间长度变异小） 的预测区间。相比之下，共形预测方法要么覆盖率不可靠，要么区间长度过长而失去信息价值。这证明了将预测问题重新表述为半参数估计问题的实际临床意义。

🔎 结论是否比证明窄

  • Theorem 4 的 \(O(n^{-1})\) 误差：这个结论是在一系列正则条件 (C1)-(C5) 下严格证明的。作者在 Remark 中提到，通过一个额外的校准步骤，理论上可以将误差降至 \(O(n^{-3/2})\)，但本文没有实现。因此，“\(O(n^{-1})\) 是本文方法能达到的最佳误差”这个结论是严格的，但作者暗示了改进空间。
  • Theorem 5 的有限样本界：这个界的推导依赖于子指数尾部条件 (C7)。作者在 Remark 4 中仅验证了无删失线性模型下该条件成立。对于一般的右删失设定，该条件是否普遍成立，或者是否存在更弱的替代条件，论文没有给出一般性证明。因此，Theorem 5 的结论在一般右删失设定下的普适性，比其证明所覆盖的范围要窄。这是一个值得研究者去核实的点。
  • 双稳健性：Theorem 2 证明 \(\hat{\zeta}\) 对 \(\eta_1\) 或 \(\eta_2\) 的错误指定是稳健的。但作者明确指出，\(\hat{\zeta}\) 对结果模型参数 \(\beta\) 的错误指定并不稳健。这是一个重要的局限性，但在论文的 framing 中可能被淡化。结论是“双稳健”，但实际上是“双稳健于两个 nuisance 模型，而非结果模型”。

四、开放问题

  1. 协变量依赖的半长度：本文估计的是一个边际半长度 \(\zeta\)，即对所有患者使用相同的区间长度。作者在 Discussion 中提出，可以将其扩展为协变量依赖的半长度 \(\zeta(w, \delta, z)\)，使得区间长度能根据患者的具体特征（如删失状态 \(\Delta\) 或协变量 \(Z\)）进行调整。这需要重新推导 EIF 并处理函数型目标参数。扎根点：Section 7 最后一段：“Unlike this marginal prediction interval, a prediction interval whose length varies with clinically relevant characteristics... could be tailored to patient subgroups.”

  2. 其他估计量的半参数效率：本文只研究了半长度 \(\zeta\) 的效率。在右删失协变量设定下，是否存在其他有意义的预测区间相关估计量（如条件分位数、区间长度的某个泛函）也能通过类似的半参数框架获得效率增益？扎根点：Section 7 最后一句：“The same recasting that delivers these guarantees for the marginal interval length is what a covariate-varying interval length and other estimands in the right-censored covariate setting can now be built on.”

  3. 计算简化与积分方程求解：本文的算法（Algorithm 1）需要求解复杂的积分方程（6）和（7）。对于高维 \(Z\) 或更复杂的模型，这些方程的计算成本可能很高。是否存在更高效的数值方法或近似策略？或者能否找到 EIF 的解析形式，从而避免数值积分？扎根点：Section 4.4 描述了实现中的计算挑战，并提出了简化策略，但并未完全解决高维情况下的计算瓶颈。

  4. 与共形预测的更深层次比较：本文展示了半参数方法在区间长度稳定性上的优势。但共形预测的“分布自由”特性在某些场景下（如小样本、模型严重错误指定）可能仍有吸引力。是否存在一个理论上的权衡：在什么条件下，半参数方法的效率增益会超过其模型风险？能否推导出一个类似“minimax 风险”的界来刻画这种权衡？扎根点：本文的模拟和实证都显示半参数方法更优，但并未从理论上证明它总是优于共形预测。这是一个开放的理论问题。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论