武装冲突死亡数的箱条件保守预测
统计方法学
2026-01-14 v2 机器学习
摘要
预测武装冲突是一项具有拯救生命、减轻苦难潜力的关键性研究领域。虽然现有预测模型提供了有价值的点预测，但往往缺乏个体层面的不确定性估计，限制了其对决策的实用性。存在多种不确定性估计方法，如参数化和贝叶斯预测区间、自助法、分位数回归，但这些方法往往依赖严格假设，难以在结果全范围内提供经过良好校准的区间，或计算负担较重。保守预测提供了一种无模型依赖的替代方案，能够保证用户指定的覆盖水平，但通常仅提供边际覆盖，可能导致在结果空间的不同区域内出现非均匀覆盖。在本文中，我们引入一种新型方法，称为箱条件保守预测（BCCP），该方法通过确保用户定义的子集（箱）中覆盖率的一致性，来增强标准保守预测。我们将BCCP应用于模拟数据以及武装冲突死亡数的预测，展示其在结果各范围内提供经过良好校准的不确定性估计。与标准保守预测相比，BCCP在局部覆盖方面取得改进，但代价是略微扩大了预测区间。
引用
@article{arxiv.2410.14507,
title = {Bin-Conditional Conformal Prediction of Fatalities from Armed Conflict},
author = {David Randahl and Jonathan P. Williams and Håvard Hegre},
journal= {arXiv preprint arXiv:2410.14507},
year = {2026}
}