面向删失生存结局的历史感知共形预测集
统计方法学
2026-05-08 v1
摘要
现有的针对生存结局的共形预测方法仅利用基线协变量，生成的预测区间信息量不足以辅助决策。我们提出历史感知预测集（HAPS），这是一种共形框架，利用截至决策时刻观测到的协变量历史为个体事件时间构建预测集，旨在实现对该时刻幸存者群体的覆盖。HAPS 通过逆删失概率加权处理右删失，并对时变混杂因素进行了调整。当删失权重被一致估计时，HAPS 在幸存者中实现 PAAC（可能渐近近似正确）覆盖。我们进一步提出 HAPS 的两种双重稳健扩展，以减弱对删失分布一致估计的依赖。在模拟实验中，HAPS 及其扩展在维持接近标称覆盖率的同时，较基线对照方法将预测区间中位长度最多缩减了 75%。在两个公开基准数据集上，与基线对照方法相比，HAPS 在第 5 年的预测中将区间中位长度最多缩减了 60%。
引用
@article{arxiv.2605.06581,
title = {History-Aware Conformal Prediction Sets for Censored Time-to-Event Outcomes},
author = {Yuyao Wang and Alexander W. Levis and Shu Yang and Larry Han},
journal= {arXiv preprint arXiv:2605.06581},
year = {2026}
}