高维功能时间序列的保守预测：面向亚国家死亡率的应用

在统计学中，预测不确定性常通过指定统计模型来量化，尽管此类方法可能易受模型误指定、选择偏差以及有限样本有效性的影响。虽然自助法（bootstrapping）可能缓解部分担忧，但往往计算代价高昂。相反，我们采取模型中性且分布自由的方法——保守预测（conformal prediction）——用于构建高维功能时间序列的预测区间。我们研究了众多保守预测方法中的分割保守预测与顺序保守预测。在分割保守预测中，将数据划分为训练集、验证集和测试集，其中验证集用于通过校准经验覆盖概率以匹配名义水平来选择最优调参参数；随后构建针对测试集的预测区间，并评估其准确性。相比之下，顺序保守预测通过自回归过程顺序更新预测分位量，无需验证集。我们采用日本和加拿大的亚国家年龄特定死亡率（log-mortality）数据，比较这两种保守方法在经验覆盖概率和平均区间得分下的有限样本预测性能。