跳转至

Uncertainty quantification for expectation-calibrated predictions

作者: Georgios Gavrilopoulos, Johanna Ziegel
主题: 数理统计 / 假设检验
相关性: 6/10
链接: https://arxiv.org/abs/2608.26703

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点预测的校准（calibration），具体针对条件均值 \(E[Y|X]\) 的预测。校准的核心要求是：预测值 \(f(X)\) 应当等于给定该预测值时的真实条件均值，即 \(E[Y|f(X)] = f(X)\) a.s.。这一性质在分类（概率预测）中已有大量研究，但在连续响应变量的点预测中，由于有限样本下精确校准不可能（Gupta et al., 2020），现有工作主要聚焦于近似校准或区间形式的校准保证。本文试图为点预测提供分布自由的有限样本校准置信区间，使得区间内包含一个校准预测。

发展脉络（history）

  1. 奠基工作：校准概念的提出与分类校准
  2. 校准概念起源于气象学中的概率预测（Dawid, 1986; Murphy & Epstein, 1967）。
  3. 对于二分类，Vovk et al. (2004) 提出 Venn 预测器，Vovk & Petej (2014) 提出 Venn-Abers 预测器，通过后处理得到校准的预测区间。

  4. Gupta et al. (2020) 严格证明了分布自由下精确校准的不可能性，并提出了基于分箱的渐近校准置信区间。

  5. 主要进展：从分类到连续响应

  6. Wüthrich & Ziegel (2024) 将 isotonic calibration 推广到连续响应，提出 in-sample 校准预测，即对基模型预测值做 isotonic regression 得到校准后的点预测，但该预测仅在样本内校准。
  7. Van der Laan & Alaa (2024) 将 Venn-Abers 推广到连续回归，构造了条件覆盖的预测集，但计算成本高且只能近似。

  8. 同时，conformal prediction 框架（Vovk et al., 2005; Angelopoulos et al., 2024）为分布自由的预测区间提供了标准工具，如 conformalized quantile regression (Romano et al., 2019) 和分布 conformal prediction (Chernozhukov et al., 2021)。

  9. 当前 frontier 与本文位置

  10. 当前 frontier 是：如何为连续响应的点预测提供既具有校准保证又具有统计效率（区间窄）的分布自由方法。
  11. 本文的位置：将 Venn-Abers 的思想扩展到连续响应，但目标不是预测 \(Y_{n+1}\) 本身，而是构造包含校准预测的置信区间。与 Van der Laan & Alaa (2024) 相比，本文的区间可精确计算（只需两次 isotonic regression），且提供了渐近一致性（区间宽度趋于零）和预测一致性（校准预测一致估计条件均值）的理论保证。与 Petej & Vovk (2026) 相比，本文提供了更强的条件覆盖保证和渐近分析。

子线索聚类

  • 线索1：校准理论
    包括 Gupta et al. (2020) 对校准不可能性的刻画、Gneiting & Resin (2023) 对 T-校准的层次化理论、Dimitriadis et al. (2022) 的诚实校准评估。这些工作主要关注校准的定义、检验和基本性质。

  • 线索2：基于分箱/单调回归的校准方法
    包括 histogram binning (Zadrozny & Elkan, 2001)、isotonic calibration (Zadrozny & Elkan, 2002)、Venn-Abers (Vovk & Petej, 2014)、isotonic distributional regression (Henzi et al., 2021)、以及 Wüthrich & Ziegel (2024) 的 isotonic recalibration。这些方法通过分箱或单调回归实现样本内或渐近校准。

  • 线索3：Conformal prediction 用于不确定性量化
    包括 split conformal (Lei et al., 2016)、conformalized quantile regression (Romano et al., 2019)、distributional conformal (Chernozhukov et al., 2021)、以及条件覆盖改进 (Gibbs et al., 2025; Duchi, 2025)。这些方法提供分布自由的预测区间，但通常不直接针对校准预测。

  • 线索4：Venn-Abers 的连续推广
    包括 Van der Laan & Alaa (2024) 和 Petej & Vovk (2026)，以及本文。这些工作试图将 Venn-Abers 的校准区间思想从分类扩展到连续响应，但实现方式和理论深度不同。

这个方向在追问的核心问题

  1. 如何为条件均值的点预测提供分布自由的有限样本校准保证？
    已知精确校准不可能（Gupta et al., 2020），因此需要近似（如渐近校准）或区间形式的保证（如本文的校准置信区间）。

  2. 校准置信区间的宽度能否渐近趋于零？
    即区间是否具有统计效率。本文 Theorem 5.1 在假设下证明了宽度趋于零，但最优收敛率未知。

  3. 校准预测能否一致估计真实条件均值？
    本文 Theorem 4.4 在基模型一致估计单调变换的假设下给出了一致性，但该假设在实际中可能不成立。

  4. 如何实现条件覆盖（而非仅边际覆盖）？
    本文的 Theorem 2.2 允许将预测集 \(I_\alpha\) 的条件覆盖性质传递给校准置信区间，但实际中 \(I_\alpha\) 通常只有边际覆盖。Gibbs et al. (2025) 的随机化方法可提供更强的条件覆盖，但计算复杂。

⚠️ 作者的 framing

  • 作者把缺口 frame 成：“现有校准文献主要关注分类和概率预测，而忽略了点预测的校准”（引言第一段）。他们声称本文是“将 Venn-Abers 预测器推广到连续标签”（第3页），并且“提供了理论保证和渐近性质，而 Petej & Vovk (2026) 只开发了边际覆盖区间且未研究渐近行为”（第3页）。
  • 被淡化或回避的竞争路线：
  • 直接使用 conformal prediction 构造 \(Y_{n+1}\) 的预测区间本身也是一种不确定性量化，但本文强调目标是校准预测而非 \(Y_{n+1}\) 本身。
  • 作者回避了 covariate-conditional coverage 的困难，只要求 \(I_\alpha\) 具有某种条件覆盖（通过 \(\sigma\)-algebra \(A\)），但实际实现中通常只有边际覆盖。
  • 他们提到 Van der Laan & Alaa (2024) 的方法计算昂贵且只能近似，但未深入讨论其条件覆盖优势。
  • 什么明显该被引/该存在、却没出现在 intro 里？
  • 关于 isotonic regression 的 minimax 风险界（如 Zhang, 2002）被引用在附录中，但 intro 未提及。
  • 关于校准与 scoring rules 的关系（如 Gneiting et al., 2007）被简要提及，但未深入。
  • 关于高维或非参数回归中的校准问题（如随机森林的校准）未被讨论。
  • 值得研究者去查：检查是否有近期工作将校准与因果推断中的条件均值预测（如 CATE 估计）结合，例如用校准来评估 CATE 预测的可靠性。

张力

未见明显对立引用。各工作主要在设定和理论深度上不同，而非结论矛盾。

二、最核心、最简单的例子 / 数学问题

第一步：符号、模型、可观测数据交代清楚

  • 符号：
  • \(X \in \mathcal{X}\)：协变量，取值于标准 Borel 空间。
  • \(Y \in \mathbb{R}\)：响应变量，实值。
  • \(S_1 = \{(X_{-i}, Y_{-i})\}_{i=0}^r\)：训练集，大小 \(r+1\)。
  • \(S_2 = \{(X_i, Y_i)\}_{i=1}^n\)：校准集，大小 \(n\)。
  • \(X_{n+1}\)：测试协变量点（可观测），\(Y_{n+1}\)：对应的响应（不可观测）。
  • \(P_n\)：校准集的经验分布。
  • \(P_{n+1}\)：增广集 \(S_2 \cup \{(X_{n+1}, Y_{n+1})\}\) 的经验分布（未知，因 \(Y_{n+1}\) 未知）。
  • \(P_y\)：将 \(Y_{n+1}\) 替换为 \(y\) 后的增广集的经验分布。
  • \(G(P, x)\)：一个 in-sample calibrated procedure，输入经验分布 \(P\) 和点 \(x\)，输出校准预测值。
  • \(I_\alpha(X_{n+1})\)：\(Y_{n+1}\) 的预测集，满足 \(P(Y_{n+1} \in I_\alpha(X_{n+1}) | \mathcal{A}) \geq 1-\alpha\)。
  • \(C_{n+1,\alpha}\)：校准置信区间，定义为 \(\{G(P_y, X_{n+1}) : y \in I_\alpha(X_{n+1})\}\)。
  • \(\alpha\)：名义错误率。

  • \(\mathcal{A}\)：某个 \(\sigma\)-代数，用于刻画条件覆盖。

  • 模型：

  • 数据生成机制：\((X_i, Y_i)\) 独立同分布或至少可交换。具体地，假设 \(S_2 \cup \{(X_{n+1}, Y_{n+1})\}\) 可交换且独立于 \(S_1\)。
  • 目标：构造 \(C_{n+1,\alpha}\) 使得 \(P(G(P_{n+1}, X_{n+1}) \in C_{n+1,\alpha} | \mathcal{A}) \geq 1-\alpha\)，其中 \(G(P_{n+1}, X_{n+1})\) 是未知的校准预测（即基于完整增广集的 isotonic regression 预测）。

  • 已知：\(G\) 是 in-sample calibrated procedure，即对校准集 \(S_2\) 满足 \(E_{(X,Y)\sim P_n}[Y - G(P_n, X) | G(P_n, X)] = 0\) a.s.。由 Proposition 2.1，这等价于 \(G\) 是一个分箱平均：将 \(X\) 空间分成有限个 bin，每个 bin 内输出该 bin 中 \(Y\) 的样本均值。

  • 可观测数据：

  • 可观测：训练集 \(S_1\)，校准集 \(S_2\)，测试协变量 \(X_{n+1}\)。
  • 不可观测：\(Y_{n+1}\)，以及基于完整增广集的校准预测 \(G(P_{n+1}, X_{n+1})\)。
  • 关键：我们只能通过 \(I_\alpha(X_{n+1})\) 来“覆盖” \(Y_{n+1}\)，从而间接保证 \(G(P_{n+1}, X_{n+1})\) 落入 \(C_{n+1,\alpha}\)。

第二步：最小内核

最简特例：考虑一维协变量 \(X \in \mathbb{R}\)，且假设基模型 \(\hat{f}(X)\) 是单调的（例如 \(\hat{f}(X) = X\)）。使用 isotonic regression 作为 in-sample calibrated procedure \(G\)。具体地，给定校准集 \(\{(X_i, Y_i)\}_{i=1}^n\) 和测试点 \(X_{n+1}\)，我们按 \(\hat{f}(X_i)\) 排序，然后对排序后的 \((Y_1,\dots,Y_n)\) 做 isotonic regression，得到一组块平均。对于测试点，其校准预测是它所在块的平均。

现在，假设我们有一个预测集 \(I_\alpha(X_{n+1}) = [\ell, h]\)，满足 \(P(Y_{n+1} \in [\ell, h] | \mathcal{A}) \geq 1-\alpha\)。我们想构造 \(C_{n+1,\alpha}\) 使得它包含 \(G(P_{n+1}, X_{n+1})\)（即基于完整数据 \((Y_1,\dots,Y_n, Y_{n+1})\) 的 isotonic regression 在 \(X_{n+1}\) 处的值）。

核心思路：由于 isotonic regression 是单调的（如果增大某个 \(Y\)，则所有块平均不会减小），因此当 \(y\) 从 \(\ell\) 增加到 \(h\) 时，\(G(P_y, X_{n+1})\) 也是单调递增的。于是，区间 \(C_{n+1,\alpha} = [G(P_\ell, X_{n+1}), G(P_h, X_{n+1})]\) 恰好就是 \(\{G(P_y, X_{n+1}) : y \in [\ell, h]\}\)。而 \(G(P_{n+1}, X_{n+1})\) 对应 \(y = Y_{n+1}\)，所以当 \(Y_{n+1} \in [\ell, h]\) 时，\(G(P_{n+1}, X_{n+1}) \in C_{n+1,\alpha}\)。因此，覆盖概率至少为 \(1-\alpha\)。

为什么这是最小内核：论文的一般情形（Algorithm 2）正是这个特例的推广：基模型 \(\hat{f}\) 可以是任意模型，但 isotonic regression 是在 \(\hat{f}(X_i)\) 上做的，而不是直接在 \(X_i\) 上。单调性（16）保证了区间端点只需计算两次 isotonic regression。整个 Theorem 2.2 的证明本质上就是把这个特例的论证形式化，并处理一般的 in-sample calibrated procedure（不限于 isotonic regression）。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：为条件均值的点预测构造分布自由的有限样本校准置信区间，使得区间内包含一个期望校准（expectation-calibrated）的预测。
  2. 核心工具/方法：将 in-sample calibrated procedure（特别是 isotonic regression）与 conformal prediction 预测集结合，通过 Theorem 2.2 将预测集的覆盖性质传递给校准置信区间；具体实现为 Algorithm 1（简单分箱）和 Algorithm 2（isotonic regression）。
  3. 主要结论：校准置信区间具有至少名义覆盖的有限样本保证（Theorem 2.2）；基于 isotonic regression 的校准预测在结构假设下一致估计条件均值（Theorem 4.4）；区间宽度渐近趋于零（Theorem 5.1）。

关键设定与假设

  • 设定：
  • \(S_2 \cup \{(X_{n+1}, Y_{n+1})\}\) 可交换且独立于训练集 \(S_1\)。
  • \(Y\) 有有限一阶矩（Assumption A1）。
  • \(G\) 是 in-sample calibrated procedure，即对校准集满足 \(E_{P_n}[Y - G(P_n, X) | G(P_n, X)] = 0\)。由 Proposition 2.1，这等价于 \(G\) 是分箱平均。

  • 预测集 \(I_\alpha(X_{n+1})\) 满足 \(P(Y_{n+1} \in I_\alpha(X_{n+1}) | \mathcal{A}) \geq 1-\alpha\)，其中 \(\mathcal{A}\) 是某个 \(\sigma\)-代数（例如训练集生成的 \(\sigma\)-代数，或平凡 \(\sigma\)-代数）。

  • 额外假设（用于渐近结果）：

  • A2（用于 Proposition 4.2-4.3）：加性噪声模型 \(Y_i = f^*(X_i) + \varepsilon_i\)，\(\varepsilon_i\) iid 零均值有限方差。
  • A3-A6（用于 Theorem 4.4）：iid 数据；\(\mu(X) = E[Y|X]\) 有界且密度有正下界；基模型 \(\hat{f}_r\) 一致估计某个严格单调变换 \(T(\hat{f}_r(x))\) 以速率 \((\log r / r)^{1/3}\)；条件子高斯噪声。
  • A7（用于 Theorem 5.1）：isotonic regression 的块数 \(J_{n+1}\) 满足 \(E[J_{n+1}] = O(n^{1/3} \log^q n)\)。

  • A8：预测集 \(I_\alpha\) 的端点与 \(Y_{n+1}\) 的平方距离有界。

  • 相比已有文献的放宽/强化：

  • 相比 Gupta et al. (2020)（仅二分类），本文推广到连续响应。
  • 相比 Van der Laan & Alaa (2024)（计算昂贵且只能近似），本文的区间可精确计算（只需两次 isotonic regression）。
  • 相比 Petej & Vovk (2026)（仅边际覆盖），本文允许更强的条件覆盖（通过 \(\mathcal{A}\)），并提供了渐近理论。

主要结果

  1. Theorem 2.2（核心定理）：在可交换性和 A1 下，若 \(G\) 是 in-sample calibrated，则 \(G(P_{n+1}, X_{n+1})\) 是校准的，且 \(P(G(P_{n+1}, X_{n+1}) \in C_{n+1,\alpha} | \mathcal{A}) \geq 1-\alpha\)。
  2. 直觉：因为 \(C_{n+1,\alpha}\) 包含所有 \(y \in I_\alpha\) 对应的 \(G(P_y, X_{n+1})\)，而 \(G(P_{n+1}, X_{n+1})\) 对应 \(y=Y_{n+1}\)，所以当 \(Y_{n+1} \in I_\alpha\) 时它被覆盖。
  3. 必要条件：\(G\) 必须是分箱平均（in-sample calibrated 等价于分箱平均）。

  4. 解决的技术难点：证明 \(G(P_{n+1}, X_{n+1})\) 是校准的（即满足 \(E[Y_{n+1} | G(P_{n+1}, X_{n+1})] = G(P_{n+1}, X_{n+1})\)），这需要利用可交换性和 in-sample calibration 性质，通过条件期望和 disintegration theorem 完成。

  5. Theorem 4.4（一致性）：在 A3-A6 下，in-sample calibrated 预测 \(c_n(\hat{f}_r(x))\)（即 isotonic regression 在 \(\hat{f}_r(x)\) 处的值）一致估计 \(\mu(x)\)，速率 \((\log r / r)^{1/3}\)。

  6. 直觉：基模型 \(\hat{f}_r\) 一致估计某个单调变换，因此排序近似正确；isotonic regression 的块平均收敛到真实条件均值。
  7. 必要条件：基模型必须一致估计单调变换（A5），且 \(\mu(X)\) 的分布有正密度（A4）。

  8. 解决的技术难点：需要控制 isotonic regression 的块大小和块内平均的偏差，利用 Lemma D.3（块密度）和 Lemma D.1（子高斯噪声的集中性）。

  9. Theorem 5.1（宽度趋于零）：在 A7-A8 下，\(E[w(C_{n+1,\alpha})] \to 0\) 当 \(n \to \infty\)。

  10. 直觉：当 \(n\) 大时，isotonic regression 的块数增长缓慢（\(O(n^{1/3})\)），而每个块的大小足够大，使得改变一个 \(y\) 对块平均的影响很小。
  11. 必要条件：块数增长率假设（A7）和预测集端点有界二阶矩（A8）。
  12. 解决的技术难点：需要分析 isotonic projection 对单个坐标变化的敏感性（Lemma E.1, E.2），并结合块数期望的界。

证明路线与技术技巧

Theorem 2.2 的证明路线： 1. 证明 \(G(P_{n+1}, X_{n+1})\) 是校准的：
- 对任意 Borel 集 \(B\)，计算 \(E[(Y_{n+1} - G_{n+1}) 1\{G_{n+1} \in B\}]\)。
- 利用 tower property 条件于 \(P_{n+1}\)，再通过可交换性将 \((X_{n+1}, Y_{n+1})\) 的条件分布替换为 \(P_{n+1}\) 本身。
- 利用 in-sample calibration 性质（\(G\) 对 \(P_{n+1}\) 也是校准的，因为 \(P_{n+1}\) 是经验分布且 \(G\) 是分箱平均）得到期望为零。
2. 证明覆盖性质：
- 由定义，\(C_{n+1,\alpha} = \{G(P_y, X_{n+1}) : y \in I_\alpha\}\)。
- 若 \(Y_{n+1} \in I_\alpha\)，则 \(G(P_{n+1}, X_{n+1}) = G(P_{Y_{n+1}}, X_{n+1}) \in C_{n+1,\alpha}\)。
- 因此 \(P(G_{n+1} \in C_{n+1,\alpha} | \mathcal{A}) \geq P(Y_{n+1} \in I_\alpha | \mathcal{A}) \geq 1-\alpha\)。

关键跳跃点：
- 证明 \(G(P_{n+1}, X_{n+1})\) 是校准的这一步需要处理条件于 \(P_{n+1}\) 的分布，并利用 disintegration theorem 将训练集 \(S_1\) 的分布分离出来。这是技术难点，因为 \(G\) 依赖于 \(S_1\) 和 \(P_{n+1}\)。
- 另一个关键点是：in-sample calibration 性质对 \(P_{n+1}\) 也成立，因为 \(G\) 是分箱平均，而 \(P_{n+1}\) 只是多了 \((X_{n+1}, Y_{n+1})\) 一个点，但分箱结构可能改变。作者通过条件期望论证绕过了这个困难。

技术技巧点名： - Disintegration theorem：用于将条件于 \(P_{n+1}\) 的期望分解为对训练集和测试点的积分。 - 可交换性的条件分布性质：\((X_i, Y_i) | P_{n+1} \sim P_{n+1}\)（Angelopoulos et al., 2024, Proposition 2.2）。 - Tower property：多次使用。 - Isotonic regression 的单调性（16）：用于 Algorithm 2 的区间端点只需计算两次。 - Zhang (2002) 的 isotonic regression 风险界：用于 Proposition 4.3 的 excess risk 界。 - Mösching & Dümbgen (2020) 的块密度引理：用于 Theorem 4.4 的证明。 - Henzi et al. (2022) 的 PAVA 加速和块结构分析：用于 Lemma E.1 和 E.2，分析 isotonic projection 对单个坐标变化的敏感性。

真实例子与应用

  1. 模拟（Section 6）：
  2. 数据：三维协变量（正态、均匀、伯努利），响应由非线性函数加 Gamma 噪声生成。
  3. 方法：使用 GAM 和神经网络作为基模型，conformalized quantile regression (CQR) 构造 \(I_\alpha\)，然后应用 Algorithm 2。
  4. 结果：校准置信区间的宽度随校准集大小 \(n\) 增加而减小（Figure 3）；校准图显示 in-sample calibrated prediction 纠正了 GAM 的 miscalibration（Figure 4）。

  5. 说明：验证了 Theorem 5.1 的宽度收敛和 Theorem 4.4 的一致性（尽管模拟中基模型不是一致估计单调变换，但表现良好）。

  6. 保险数据集（Section 7）：

  7. 数据：freMTPL2freq，包含 678,013 个保单，响应为索赔次数（0-4），高度不平衡（>95% 为零）。
  8. 方法：比较 Poisson GLM、CatBoost、神经网络作为基模型，使用 conformal prediction（基于 Poisson 偏差）构造 \(I_\alpha\)。
  9. 结果：当 \(\alpha=0.05\) 时，预测集几乎为空（因不平衡），校准置信区间也几乎为空；\(\alpha=0.01\) 和 \(\alpha=0\) 的区间有差异，且宽度在数据稀疏区域急剧增大（Figure 5, 6）。边际校准检验显示所有基模型均未达到边际校准（Table 2），而最佳候选预测（如 in-sample calibrated prediction）也未能完全校准（Table 3）。
  10. 说明：展示了方法在不平衡数据上的行为，并指出最佳候选预测缺乏严格保证（仅启发式）。

🔎 结论是否比证明窄

  • Theorem 4.4 的假设 A5 要求基模型一致估计某个严格单调变换，且速率 \((\log r / r)^{1/3}\)。这个假设很强，实际中很难验证。作者在 Remark 4.1 中声称若 \(f^*\) 有界则 excess risk 以 \(n^{-1/6}\) 收敛，但 Theorem 4.4 本身只给出了 \(O(\delta_r)\) 的速率，且证明中使用了 \(r \leq n\) 的条件。结论比证明窄：实际中基模型可能不满足单调变换假设，此时一致性不保证。
  • Theorem 5.1 依赖 Assumption A7（块数期望 \(O(n^{1/3} \log^q n)\)），作者引用 Meyer & Woodroofe (2000) 在高斯噪声下的结果，并提到 Durot et al. (2012) 的猜想和 Chatterjee & Sen (2021) 在加性噪声下的结果。但该假设在一般噪声下未证明，因此结论的适用范围受限于这些特殊情形。
  • Proposition 4.3 的 excess risk 界依赖于 Zhang (2002) 的 isotonic regression 风险界，该界要求 \(f^*\) 是单调的（在排序后的 \(\hat{f}(X_i)\) 上）。但实际中 \(\hat{f}\) 可能不满足单调性，因此该界是条件于排序正确的情况，而排序错误的概率未被量化。

四、开放问题

  1. 最优（minimax）收敛率：校准置信区间宽度的渐近期望是否可以达到比 \(n^{-1/6}\) 更快的速率？Theorem 5.1 只证明了趋于零，未给出率。作者在 Section 8 提到“establishing optimal (minimax) convergence rates”是未来方向。扎根于 Section 8 第一段。

  2. Assumption A7 的推广：块数 \(J_{n+1}\) 的 \(O(n^{1/3} \log^q n)\) 期望界目前只在高斯噪声或加性噪声模型下被证明（Meyer & Woodroofe, 2000; Chatterjee & Sen, 2021）。能否在更一般的噪声分布（如重尾）下成立？作者在 Theorem 5.1 后提到“generalizing the assumptions of Theorem 5.1”是未来方向。扎根于 Section 8 第一段。

  3. 更强的条件覆盖保证：Theorem 2.2 允许将 \(I_\alpha\) 的条件覆盖性质传递给 \(C_{n+1,\alpha}\)，但实际中 \(I_\alpha\) 通常只有边际覆盖。能否利用 Gibbs et al. (2025) 的随机化方法构造具有条件覆盖的 \(I_\alpha\)，从而得到条件覆盖的校准置信区间？作者在 Remark A.1 中提到了这种可能性，但未实现。扎根于 Remark A.1 和 Section 8 第二段。

  4. 最佳候选预测的严格理论：Section 3.4 提出的几种最佳候选（中点、调整中点、裁剪 in-sample 预测）缺乏严格保证，Table 3 显示它们在保险数据上未能达到边际校准。能否为这些候选提供理论上的校准性质或误差界？作者在 Section 3.4 末尾承认“这些候选基于启发式论证”。扎根于 Section 3.4 最后一段和 Section 7.2 的 Table 3 讨论。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论