Zipper：解决算法无关推断中的退化问题
统计方法学
2023-06-30 v1 统计理论
统计理论
摘要
黑盒预测方法的广泛使用引发了对算法/模型无关方法来量化拟合优度的日益关注，其与设定检验、模型选择和变量重要性评估直接相关。一个常用框架是定义预测性准则，应用交叉拟合过程估计预测性，并利用两模型估计预测性之差作为检验统计量。然而，即便经过标准化，在原假设（拟合优度相等）下该检验统计量通常无法收敛到非退化分布，导致所谓的退化问题。为解决此退化问题，我们提出一种简单而有效的装置 Zipper。它受测试数据额外切分策略启发，但鼓励两个测试数据切分在预测性评估中重叠。Zipper 用控制重叠比例的滑动参数将两个重叠切分绑定在一起。对于任意固定滑动参数值，我们提出的检验统计量在原假设下渐近服从正态分布，从而保证有效的第一类错误控制，同时通过高效数据复用提升功效。有限样本实验表明，在简单选择滑动参数时，我们的过程在广泛设定下表现良好。
引用
@article{arxiv.2306.16852,
title = {Zipper: Addressing degeneracy in algorithm-agnostic inference},
author = {Geng Chen and Yinxu Jia and Guanghui Wang and Changliang Zou},
journal= {arXiv preprint arXiv:2306.16852},
year = {2023}
}