目标漂移下回归的分布无关预测集
统计方法学
2025-10-14 v1
摘要
在实际应用中，由于高收集成本、技术障碍等约束，标签结果的有限可用性对统计推断构成重大挑战。本文提出一种方法，用于从与目标分布不同但通过分布漂移假设相关联且提供丰富标签数据的源分布中构造高效的保守预测集。当目标数据完全无标签时，预测仅依赖于源分布；而当部分目标标签可用时，则将其纳入以提高效率。为解决数据非交换性和分布不可识别性的挑战，我们通过在有限 B-样条空间内匹配源域和目标域的协变量分布来识别似然比。为适应非对称和多模态等复杂误差结构，本方法构建最高预测密度集，采用一种新型加权条件密度估计器。该估计器沿量iles 过程建模源条件密度，并通过适当的加权调整将其转化为近似目标条件密度。我们建立了所提方法的理论属性，并通过模拟研究和针对 MIMIC-III 临床数据库的实际数据应用评估其有限样本性能。
引用
@article{arxiv.2510.10985,
title = {Distribution-Free Prediction Sets for Regression under Target Shift},
author = {Menghan Yi and Yanlin Tang and Huixia Judy Wang},
journal= {arXiv preprint arXiv:2510.10985},
year = {2025}
}