以Neyman-Pearson视角重塑共形选择以实现最优功效

本文引入了一种受Neyman-Pearson范式启发的新型共形选择程序，旨在在保持错误发现率（FDR）控制的同时最大化选择合格单元的统计功效。现有的共形选择方法可能因依赖于共形p值而产生次优功效，共形p值是通过用零假设设定的阈值替代未观测的未来结果而导出的。这种替代破坏了测试数据的非一致性得分与校准数据得分之间的可交换性，导致功效降低。相比之下，我们的方法通过构建基于似然比的决策规则，避免了共形p值的需要，该规则直接利用校准样本和测试样本中的观测协变量。在模型正确指定的条件下，建立了所提方法的渐近最优性和FDR控制，并引入了修正的选择程序以在模型误设时提升功效。所提出的方法计算效率高，可便捷地扩展以处理协变量偏移，使其非常适合实际应用。仿真结果表明，这些方法在底层分布偏离位置偏移模型时，始终能够达到与现有基于共形p值的选择规则相当或更高的功效，同时有效保持FDR控制。