Beyond Point Predictions: Distribution-Informed Prediction-Powered Inference¶
作者: Maoyu Zhang, Jingfei Zhang, Xuming He
主题: 效率理论 / Debiased ML
相关性: 7/10
链接: https://arxiv.org/abs/2609.32006
一、领域脉络与小综述¶
这个方向是什么:Prediction-powered inference (PPI) 是近年来兴起的一个统计推断框架,其根本问题可以概括为:当标注数据(labeled data)稀缺而昂贵、未标注数据(unlabeled data)大量可得时,如何利用一个预训练机器学习模型(如 LLM、XGBoost)对未标注数据的预测,来构造关于某个总体参数(如均值、回归系数)的有效且计算上简单的估计与置信区间。该框架的核心承诺是:即使预测模型有偏,只要有一小部分标注数据来估计并校正偏差,就能得到渐近有效(或至少不劣于仅用标注数据)的推断。当前该方向处于快速发展期,理论框架已初步成型(以 estimating equation 为骨架),但关于"如何最优地利用预测模型输出的丰富信息"仍是开放问题。
发展脉络(history):
- 奠基工作:Wang et al. (2020) 最早系统提出"后预测推断"(post-prediction inference)问题,指出将 ML 预测直接当作观测值使用会导致偏差和方差失控,并给出基于标注数据校正的回归校正方法。这篇文章奠定了"预测 + 校正"的基本范式,但方法局限于特定模型和估计量。
- 主要进展:Angelopoulos et al. (2023a) 提出 PPI 框架,将问题一般化为"用预测构造估计方程、用标注数据校正偏差",并证明在无偏预测下可取得方差缩减,在有偏预测下仍保持有效性。这是该方向的里程碑,但其效率增益依赖于一个标量"功率参数"(power tuning),且未利用预测分布中的信息。随后 Angelopoulos et al. (2023b) 的 PPI++ 引入数据自适应权重,进一步提升了效率,但本质上仍以点预测为输入。Ji et al. (2026) 的 RePPI 将 PPI 与再校准(recalibration)结合,通过估计条件期望 E[U_θ(X,Y)|X, Ŷ] 来构造更优的校正项,是本文最直接的竞争者和前身。
- 当前 frontier:两条并行的推进路线:一是将 PPI 与半参数效率理论结合,寻找最优的辅助信息利用方式(本文的定位);二是将 PPI 推广到更复杂的参数(如分位数、非光滑估计方程)和更复杂的预测模型(如 LLM 输出的分布)。本文的位置是前者:在 RePPI 的基础上,将辅助信息从点预测推广到整个预测分布 Q,并给出 oracle 效率刻画。
子线索聚类:
- 点预测 PPI 及其效率改进:Angelopoulos et al. (2023a, 2023b),核心是用点预测 Ŷ 构造校正项,通过功率参数或自适应权重提升效率。局限:只利用 Ŷ,丢弃了预测分布中的不确定性信息。
- 再校准与条件期望方法:Ji et al. (2026) 的 RePPI、Eyre and Madras (2024) 的 post-hoc regression、van der Laan and van der Laan (2026) 的校准方法。核心是估计 E[U_θ(X,Y)|X, Ŷ] 或类似条件期望,将预测模型视为一个"代理变量"。本文的 DiPPI 属于这一支,但将 Ŷ 替换为整个 Q。
- 经验似然与辅助矩方法:Wang et al. (2025) 的 EPI,用经验似然整合辅助矩条件,达到半参数效率界。这一支与本文在目标上高度重叠(都声称达到 oracle 效率),但技术路线不同(经验似然 vs. 显式估计条件期望)。
- 经典代理变量与两相抽样:Robins et al. (1994)、Chen and Chen (2000)、Chen et al. (2008)、Gronsbell et al. (2024) 等,将预测视为"代理"或"部分观测",用 double-sampling 或缺失数据技巧校正。这一支是 PPI 的统计学前身,但通常假设代理与真实结果的关系已知或可参数化。
这个方向在追问的核心问题:
- 效率边界:给定预测模型 Q 和标注样本量 n,能达到的最小渐近方差是多少?本文给出的是"固定 Q 的有限维表示 Φ(Q)"下的 oracle 效率,但未回答"最优 Φ 是什么"这一更根本的问题。
- 鲁棒性:当预测模型 Q 严重错误(如校准极差)时,PPI 类方法是否仍能保证有效性?现有方法(包括本文)都依赖"Q 包含部分真实信息"这一假设,但对 Q 的错误设定程度缺乏定量刻画。
- 计算-统计权衡:PPI 的方差缩减来自未标注数据,但未标注数据的使用方式(如交叉拟合、矩阵校准)会影响有限样本表现。如何在不牺牲渐近性质的前提下降低计算成本?
- 与半参数效率理论的衔接:PPI 的估计方程框架与半参数效率理论(如 efficient influence function)的关系尚未完全厘清。本文的定理 1 和 2 实际上是在 estimating equation 框架内重述了半参数效率结果,但未明确讨论 Neyman orthogonality 或 double robustness。
⚠️ 作者的 framing(这是作者的说法):作者把缺口 frame 成"现有 PPI 方法(PPI++, RePPI)只使用点预测,而现代预测模型(如 LLM)提供的是整个预测分布;这个分布包含点预测丢失的 score-relevant 信息,因此应当被利用"。他们声称 DiPPI 是"第一个系统地利用预测分布作为辅助信息的 PPI 框架",并通过 score calibration 和矩阵校准达到 oracle 效率。被淡化或回避的竞争路线包括:(a) 经验似然方法(Wang et al. 2025),作者只在 related work 中一笔带过,未讨论 EPI 是否也能利用分布信息;(b) 直接对 Q 做非参数回归(如函数型数据方法),作者仅以"有限维表示"假设回避了高维 Q 的挑战。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模型校准(calibration)的统计学文献(如 Platt scaling、isotonic regression 的统计性质),也没有引用关于"分布预测"(distributional prediction)的近期工作(如 conformal prediction 的分布版本)。这些文献对"预测分布 Q 何时包含真实信息"这一前提有直接关联,值得研究者去查。
张力:未见明显对立引用。但有一个微妙的张力值得注意:RePPI(Ji et al. 2026)和 DiPPI 都声称在"估计条件期望"的意义上最优,但 RePPI 以点预测 Ŷ 为条件,DiPPI 以整个 Q 为条件。当 Q 是连续分布时,DiPPI 的条件期望更精细,但需要更强的估计精度;当 Q 是离散分布(如分类概率)时,两者可能等价。作者在文中没有讨论这种"信息增益的边际递减"现象。
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¶
符号:
- \(X \in \mathcal{X} \subseteq \mathbb{R}^p\):协变量向量(可观测,标注和未标注样本中都有)。
- \(Y \in \mathcal{Y} \subseteq \mathbb{R}\):响应变量(只在标注样本中可观测)。
- \(Q = \mathcal{A}(X, Z) \in \mathcal{P}(\mathcal{Y})\):预测系统 \(\mathcal{A}\) 基于协变量 \(X\) 和额外输入 \(Z\)(如文本、图像)输出的预测分布,是 \(\mathcal{Y}\) 上的一个概率分布。注意:\(Q\) 是随机变量(因为 \(Z\) 是随机的),且 \(Q\) 在标注和未标注样本中都可观测。
- \(\Phi(Q) \in \mathbb{R}^q\):预测分布的有限维表示,如均值、方差、分位数、类别概率向量。这是 DiPPI 实际使用的辅助信息。
- \(\theta^\star \in \Theta \subseteq \mathbb{R}^d\):目标参数,由矩条件 \(E[U_{\theta^\star}(X,Y)] = 0\) 定义,其中 \(U_\theta: \mathcal{X} \times \mathcal{Y} \to \mathbb{R}^d\) 是已知的估计函数(estimating function)。
- \(h_\theta(X,Q) \in \mathbb{R}^d\):辅助预测函数,用于预测 \(U_\theta(X,Y)\),是 \((X, \Phi(Q))\) 的函数。
- \(n\):标注样本量;\(N\):未标注样本量;\(r = n/N \to r \in (0,\infty)\)。
- \(H_{\theta^\star} = E[\nabla_\theta U_{\theta^\star}(X,Y)]\):\(d \times d\) 雅可比矩阵,假设非奇异。
- \(\Sigma_C = \operatorname{Cov}\{U_{\theta^\star}(X,Y)\}\):标注数据自身的协方差。
- \(\Sigma_h = \operatorname{Cov}\{h_{\theta^\star}(X,Q)\}\):辅助预测函数的协方差。
- \(\Sigma_{Uh} = \operatorname{Cov}\{U_{\theta^\star}(X,Y), h_{\theta^\star}(X,Q)\}\):交叉协方差。
模型:
- 标注样本 \(\mathcal{D}_L = \{(X_i, Y_i, Q_i)\}_{i=1}^n\) i.i.d. 来自联合分布 \(P_{X,Y,Q}\)。
- 未标注样本 \(\mathcal{D}_U = \{(X_j, Q_j)\}_{j=n+1}^{n+N}\) i.i.d. 来自边缘分布 \(P_{X,Q}\)。
- 两个样本相互独立。
- 关键假设:\(Q\) 与 \(Y\) 在给定 \(X\) 的条件下可以任意相关(即 \(Q\) 可以包含关于 \(Y\) 的额外信息),但 \(Q\) 的生成不依赖于标注样本中的 \(Y\)(即预测系统是预先训练好的,不因标注数据而更新)。
可观测数据:研究者实际能拿到的是 \(\mathcal{D}_L\)(含真实 \(Y\))和 \(\mathcal{D}_U\)(只有 \(X, Q\))。想要但观测不到的是未标注样本的 \(Y\),以及总体矩 \(E[U_\theta(X,Y)]\)。
第二步:最小内核¶
问题:假设我们想估计线性回归系数 \(\theta^\star = \arg\min_\theta E[(Y - X^\top\theta)^2]\),对应的估计函数是 \(U_\theta(X,Y) = X(Y - X^\top\theta)\)。标注数据只有 \(n = 500\) 条,但未标注数据有 \(N = 10{,}000\) 条。一个预训练模型对每条未标注数据输出一个预测分布 \(Q_i\)(例如,GPT 对"这条评论会给几星"输出一个概率分布)。
传统 PPI 的做法:只用点预测 \(\hat{Y}_i = E_{Q_i}[Y]\),构造估计方程
DiPPI 的核心想法:点预测 \(\hat{Y}\) 只是预测分布 \(Q\) 的一个摘要。如果 \(Q\) 的方差、分位数等特征也包含关于 \(Y\) 的信息(例如,当模型对某条评论的预测分布很分散时,这条评论的真实评分可能更难以预测),那么只用 \(\hat{Y}\) 就丢弃了这些信息。DiPPI 的做法是:用整个 \(\Phi(Q)\)(例如均值、方差、0.1/0.25/0.5/0.75/0.9 分位数)来预测估计函数 \(U_\theta(X,Y)\),即学习
为什么这比点预测好:考虑一个极端例子。假设 \(Y = X^\top\theta + \varepsilon\),而预测分布 \(Q\) 满足 \(E_Q[Y] = X^\top\theta\)(即点预测无偏),但 \(Q\) 的方差 \(\sigma^2_Q(X)\) 与 \(\varepsilon\) 的方差 \(\sigma^2_\varepsilon(X)\) 正相关。那么 \(h_\theta(X,Q) = E[U_\theta(X,Y) \mid X, Q] = X(X^\top\theta - X^\top\theta) + X E[\varepsilon \mid X, Q] = X E[\varepsilon \mid X, \sigma^2_Q(X)]\)。如果 \(\sigma^2_Q(X)\) 能预测 \(\varepsilon\) 的符号或大小,那么 \(h_\theta\) 就比 \(X \cdot 0 = 0\)(即点预测给出的预测)更接近真实的 \(U_\theta\)。DiPPI 通过数据驱动的方式捕捉这种关系,而 PPI/PPI++ 只能使用 \(\hat{Y}\),因此无法利用 \(\sigma^2_Q(X)\) 中的信息。
数学上,DiPPI 做的事情:在 estimating equation 框架内,选择 \(h_\theta\) 使得估计量的渐近方差最小。定理 1 表明,最优的 \(h_\theta\) 是条件期望 \(E[U_\theta(X,Y) \mid X, \Phi(Q)]\),且最小方差由公式 (4) 给出。这本质上是一个半参数效率问题:在给定辅助信息 \((X, \Phi(Q))\) 的条件下,估计方程估计量的效率下界由条件方差决定。DiPPI 的贡献在于:(i) 将这一半参数效率原理引入 PPI 语境;(ii) 给出了交叉拟合 + 矩阵校准的估计流程,使得即使 \(h_\theta\) 被估计,也能达到 oracle 效率。
三、这篇论文做了什么¶
三句话¶
- 研究了什么问题:在 PPI 框架下,当预测系统输出的是整个预测分布 \(Q\)(而非仅点预测)时,如何最优地利用 \(Q\) 中的信息来提升 estimating equation 估计量的统计效率。
- 核心工具 / 方法:提出 DiPPI(Distribution-Informed Prediction-Powered Inference),通过 score calibration(用标注数据估计 \(E[U_\theta(X,Y) \mid X, \Phi(Q)]\))和矩阵校准(用第三个标注折叠估计最优线性变换矩阵 \(M\)),构造交叉拟合的估计方程。
- 主要结论:DiPPI 估计量渐近正态,且其渐近方差不超过仅用标注数据的估计量;当 \(\Phi(Q)\) 包含点预测之外的信息时,DiPPI 严格优于 PPI++ 和 RePPI;当 \(\Phi(Q)\) 的表示足够丰富且估计一致时,DiPPI 达到 oracle 效率(即条件方差下界)。
关键设定与假设¶
- 估计方程框架:参数 \(\theta^\star\) 由 \(E[U_{\theta^\star}(X,Y)] = 0\) 定义。这是 PPI 文献的标准设定,涵盖均值、回归系数、分位数等。
- 辅助信息:预测分布 \(Q\) 通过有限维表示 \(\Phi(Q)\) 进入估计方程。论文假设 \(\Phi(Q)\) 是固定的(不随样本量变化),且 \(h_\theta\) 的估计误差可以控制。
- 交叉拟合:标注样本被分成三个折叠:第一个折叠用于计算初始估计量 \(\hat{\theta}_0\),第二个折叠用于估计条件期望 \(\hat{\mu}\),第三个折叠用于校准矩阵 \(\hat{M}\)。这种"三方交叉拟合"确保了估计方程中各项的独立性,是证明渐近正态性的关键。
- 正则条件:定理 1 和 2 需要估计函数 \(U_\theta\) 和辅助函数 \(h_\theta\) 满足矩条件、Lipschitz 条件、以及二阶矩有限等标准正则条件。论文在附录 B 中给出了充分条件,但没有讨论这些条件在 LLM 预测分布场景下是否自然成立(例如,LLM 输出的分布可能高度复杂,\(\Phi(Q)\) 的维度可能随任务变化)。
- 与 RePPI 的关系:DiPPI 是 RePPI 的推广。当 \(\Phi(Q) = \hat{Y}\)(仅点预测)时,DiPPI 退化为 RePPI。论文的定理 1 表明,DiPPI 的效率增益来源于 \(\Phi(Q)\) 中除 \(\hat{Y}\) 之外的额外信息。
主要结果¶
- 定理 1(oracle 效率):在估计方程框架下,若 \(h_\theta\) 取为条件期望 \(E[U_\theta(X,Y) \mid X, \Phi(Q)]\),则估计量的渐近方差达到所有基于 \((X, \Phi(Q))\) 的估计方程估计量的下界。公式 (4) 给出了最小方差的具体表达式:\(\Sigma_{h^\star} = H^{-1}[\Sigma_C - \frac{1}{1+r}\Sigma_{Uh^\star}\Sigma_{h^\star}^{-1}\Sigma_{h^\star U}]H^{-\top}\)。直觉上,方差缩减量正比于 \(U_\theta\) 在 \((X, \Phi(Q))\) 上可预测的部分。
- 定理 2(交叉拟合估计量的渐近性):即使 \(h_\theta\) 和 \(M\) 从数据中估计,交叉拟合的 DiPPI 估计量仍然渐近正态,且渐近方差与 oracle 估计量相同(即估计误差是一阶可忽略的)。这依赖于三方交叉拟合的独立性结构。
- 推论 3(效率增益条件):DiPPI 严格优于 RePPI 当且仅当 \(E[U_\theta(X,Y) \mid X, Q]\) 不是 \(E[U_\theta(X,Y) \mid X, \hat{Y}]\) 的函数。这给出了一个可检验的条件:如果预测分布的方差、分位数等特征对估计函数有额外解释力,则 DiPPI 有效。
- 矩阵校准:论文提出的 \(\hat{M}\) 校准(公式 6)本质上是将 \(\hat{\mu}\) 投影到 \(U_\theta\) 的线性空间上,类似于多元回归中的最小二乘投影。这一步骤保证了即使 \(\hat{\mu}\) 不是条件期望的一致估计,只要其与 \(U_\theta\) 的线性关系被正确校准,估计量仍然有效。
证明路线与技术技巧¶
- 整体路线:论文的证明分为三步。第一步(定理 1)在"已知 \(h_\theta\)"的理想化设定下,推导估计量的渐近方差,并证明条件期望是最优选择。第二步(定理 2)引入交叉拟合,证明估计误差不影响一阶渐近性质。第三步(推论 3)比较 DiPPI 与 RePPI 的效率,给出严格改进的条件。
- 关键跳跃点:最吃功夫的地方是处理估计的 \(h_\theta\) 和 \(M\) 对估计方程的影响。论文通过三方交叉拟合(三个折叠分别用于 \(\hat{\theta}_0\)、\(\hat{\mu}\)、\(\hat{M}\))构造了"样本外"的估计量,使得 \(\hat{\mu}\) 和 \(\hat{M}\) 与当前折叠的样本独立。这避免了复杂的 U-statistic 展开,但代价是标注样本被分成三份,有限样本效率可能受损。
- 技术技巧点名:
- 交叉拟合(cross-fitting):用于打破估计误差与样本之间的相关性,是 Chernozhukov et al. (2018) double/debiased machine learning 的标准技巧。
- 矩阵校准(matrix calibration):类似于 multivariate control variates 中的最优线性组合,通过最小化方差选择 \(M\)。论文的公式 (6) 与 efficient influence function 中的投影算子有密切联系。
- score calibration:将估计函数 \(U_\theta\) 对 \((X, \Phi(Q))\) 回归,本质上是估计条件期望。论文没有指定回归方法(可以是线性、核、随机森林等),这为实际应用提供了灵活性。
- 经验过程理论:用于证明估计方程在参数空间上的一致收敛性(附录 B 中的有限网论证)。
真实例子与应用¶
论文包含三个真实数据应用:
- Wine ratings(葡萄酒评分):用 GPT-5.4 nano 根据品酒词生成 20 个可能评分的预测分布,目标是在线性回归中估计 log 价格的系数。DiPPI 使用完整概率向量作为 \(\Phi(Q)\),而 PPI++/RePPI 使用均值或众数。结果显示 DiPPI 的置信区间比 RePPI 短约 10-20%,且覆盖概率接近名义水平。这个例子直接验证了"分布信息超越点预测"的核心主张。
- Forest cover types(森林覆盖类型):用 XGBoost 输出 5 个类别的概率向量,在多项逻辑回归中估计坡度系数的效应。DiPPI 使用全概率向量,PPI++ 使用预测类别。DiPPI 在低标注比例(r = 0.1)时优势最明显,区间宽度缩减约 15%。
- Politeness(礼貌程度):用 GPT-5.4 nano 对 1-25 的礼貌评分输出预测分布,回归目标是一个表示礼貌程度的二值指标。这个例子展示了 DiPPI 在序数预测分布上的应用,区间宽度缩减约 8%。
这些例子的共同点是:预测分布 \(Q\) 的方差或形状确实包含了关于真实 \(Y\) 的额外信息,因此 DiPPI 的效率增益是真实的。但论文没有报告当 \(Q\) 校准很差(如过度自信)时 DiPPI 的表现,这是一个值得注意的空白。
🔎 结论是否比证明窄¶
论文的定理 1 和 2 是在固定 \(\Phi(Q)\) 的条件下证明的,但引言和摘要中的表述(如"利用预测分布作为辅助信息")暗示了更一般的结论。具体来说:
- 定理 1 的 oracle 效率是相对于给定的 \(\Phi(Q)\) 而言的,而非相对于整个预测分布 \(Q\)。如果 \(\Phi(Q)\) 的选择不是最优的(例如,只包含均值和方差,但遗漏了偏度),那么 DiPPI 的效率可能低于使用更丰富表示的方法。论文没有讨论 \(\Phi(Q)\) 的最优选择问题。
- 推论 3 的"严格优于 RePPI"条件依赖于 \(\Phi(Q)\) 包含 \(\hat{Y}\) 之外的预测力。但论文没有给出如何检验这一条件的实际操作指南(例如,如何检验 \(E[U_\theta(X,Y)|X,Q]\) 是否可约化为 \(E[U_\theta(X,Y)|X,\hat{Y}]\))。
- 定理 2 的证明假设 \(\hat{\mu}\) 是平方可积的,且估计误差满足 \(E\|\hat{\mu} - \mu\|^2 = o_p(1)\)。对于现代 LLM 输出的高维预测分布,这个假设是否成立取决于 \(\Phi(Q)\) 的构造和回归方法的选择,论文没有深入讨论。
- 论文没有讨论置信区间的有限样本覆盖精度。定理 4 只给出了渐近覆盖,但模拟中报告的覆盖概率在 r 较小时可能偏离名义水平(如图 1 中 r = 0.05 时覆盖约 0.93-0.95)。这是一个值得注意的"证明窄于结论"的点。
四、开放问题¶
-
\(\Phi(Q)\) 的最优选择:论文假设 \(\Phi(Q)\) 是给定的有限维表示,但没有回答"如何从预测分布 \(Q\) 中提取最优的有限维特征"。是否存在一个"最充分"的表示,使得任何其他表示都无法带来额外的效率增益?这可以联系到充分降维(sufficient dimension reduction)或变分自编码器的理论。扎根于定理 1 的表述:"Among all \(h_\theta\) satisfying Assumption 2, \(\Sigma_{h^\star}\) is minimized by \(h^\star_\theta(X,Q) = E[U_{\theta^\star}(X,Y)|X,\Phi(Q)]\)"——但这里的"所有 \(h_\theta\)"是给定 \(\Phi(Q)\) 的,而非给定整个 \(Q\)。
-
预测分布 \(Q\) 的校准误差:论文假设 \(Q\) 是固定且已知的(由预测系统给出),但没有考虑 \(Q\) 本身可能是错误校准的(如 LLM 输出的概率过度自信)。如果 \(Q\) 与真实条件分布 \(P_{Y|X,Z}\) 有系统性偏差,DiPPI 的效率增益是否会消失甚至变为负?这需要将 \(Q\) 视为一个估计量,并分析其估计误差对下游推断的影响。扎根于第 2.3 节:"We then estimate \(\mu_\theta(X,Q) = E[U_\theta(X,Y)|X,\Phi(Q)]\) from the labeled data"——但 \(Q\) 本身的不确定性被忽略了。
-
高维 \(\Phi(Q)\) 与正则化:当 \(\Phi(Q)\) 的维度 \(q\) 接近或超过标注样本量 \(n\) 时(例如使用 LLM 的隐藏层嵌入),矩阵校准 \(\hat{M}\) 可能不稳定。论文没有讨论正则化或降维策略。这可以联系到高维统计中的协方差估计和收缩估计。扎根于公式 (6) 中 \(\hat{M}\) 的定义,它需要估计 \(\operatorname{Cov}\{\hat{\mu}(X,Q)\}^{-1}\),在高维下可能奇异。
-
非线性估计方程与不可识别参数:论文的定理 1 和 2 主要针对光滑的估计方程(如线性回归、逻辑回归的得分函数)。对于非光滑的估计方程(如分位数回归、秩检验)或半参数模型中的无穷维参数,DiPPI 的交叉拟合和矩阵校准是否仍然有效?扎根于 Assumption 1 中的可微性条件:"\(U_\theta(X,Y)\) is continuously differentiable in \(\theta\) on \(B_\rho\)"。
-
与 double/debiased ML 的统一:DiPPI 的矩阵校准与 DML 中的 Neyman-orthogonal score 有相似之处,但论文没有明确讨论这一联系。一个潜在的研究问题是:DiPPI 是否可以被视为 DML 在"预测分布作为辅助变量"设定下的特例?如果是,那么 DML 的 cross-fitting 和 nuisance 估计理论可以直接移植。扎根于第 2.3 节对 \(\hat{M}\) 的构造,它类似于 DML 中的 partialling-out 步骤。
-
有限样本置信区间的改进:模拟中 r 较小时覆盖概率略低于名义水平,论文没有提供有限样本修正(如 bootstrap 或 Edgeworth 展开)。扎根于定理 4 的渐近覆盖结论,以及图 1 中 r = 0.05 时覆盖约 0.93-0.95 的观察。
提醒:要确认上述某条是不是真 gap,建议去读同一子领域(PPI、post-prediction inference、surrogate outcomes)近期约 5 篇论文的 intro——如果多篇都指向同一个未解决问题,那就是共识性 gap;如果各篇说法互相打架,那本身就是值得深挖的张力点。
Maintained by 陈星宇 · Homepage · Source on GitHub