协变量偏移下预测集的双重稳健校准

近年来共形预测受到极大关注，并为缺失数据与因果推断中的问题提供了新的解决方案；然而这些进展尚未利用现代半参数有效性理论以实现更稳健和高效的的不确定性量化。在本文中，我们考虑在训练与测试数据之间协变量分布发生偏移时，获得无分布预测区域的问题。在类似于标准随机缺失假设的可解释协变量偏移假设下，我们提出了一个通用框架的三种变体，以对测试样本中未观测结果构造良好校准的预测区域。我们的方法基于测试总体中未观测结果分位数的有效影响函数，结合任意机器学习预测算法，且不损害渐近覆盖。接下来，我们将方法扩展至在潜在潜在协变量偏移的半参数敏感性分析中考虑对可解释协变量偏移假设的偏离。在所有情况下，我们确立所得预测集在大样本中最终达到名义平均覆盖。该保证是我们提案的乘积偏差形式的结果，其意味着若倾向得分或响应的条件分布之一被充分估计，则覆盖正确。我们的结果也为在不可混杂性下并允许某种程度未测量混杂时，个体处理效应的双重稳健预测集的构建提供了框架。最后，我们讨论了来自不同机器学习算法的预测集的聚合以实现最优预测，并在合成与真实数据中展示了我们方法的性能。