柿泥化的无条件分位数回归
本文介绍了一种新的预测方法,将 Conformal prediction 和经典的 quantile regression 相结合,使其完全适应异方差性,并且能够在不做分布假设的情况下,建立具有有效覆盖率的预测区间,相比其他 conformal 方法,本文提出的方法具有更高的效率和更短的预测区间。
May, 2019
我们开发了一种新方法来创建预测集,它结合了符合性方法的灵活性和条件分布 P(Y | X)的估计。我们的方法扩展了现有方法,实现了条件覆盖,这对许多实际应用至关重要。我们提供了非渐近界限,明确依赖于对条件分布的可用估计的质量,使得我们的置信集在数据的局部结构上高度自适应,特别适用于高异方差情况。通过广泛的模拟,我们证明了我们的方法的有效性,显示其在条件覆盖和统计推断的可靠性方面优于现有方法,在各种应用中提高了统计推断的可靠性。
Jul, 2024
本研究提出了一种基于条件分布模型(如分位数和分布回归)构建有条件有效的预测区间的健壮方法,可以应用于横截面预测、k 步预测、合成控制和反事实预测、个体治疗效果预测等重要预测问题。
Sep, 2019
本文通过比较两种新提出的置信推断和分位数回归思想相结合的方法,并考虑在样本交换性下如何产生局部自适应和边缘有效的预测区间,证明当一些额外的假定满足时,这两种方法在大样本下是渐进有效的,同时在模拟和真实数据中进行实证比较,结果表明相对于 Kivaranovic 等人 (2019) 的方法,Romano 等人 (2019) 的方法在有限样本中通常产生更紧的预测区间,并最后讨论了如何通过调整用于训练和适应性的相对比例来调整这些程序。
Sep, 2019
提供一种新的方法,用于校准具有局部覆盖保证的回归问题的预测区间,该方法基于训练回归树和随机森林的合规得分创建最粗糙的特征空间划分,适用于各种合规得分和预测设置,且在模拟和实际数据集中表现出比现有基准更优的可扩展性和性能。
Feb, 2024
非参数机器学习模型与符合预测是房地产市场数据中准确预测房屋价格的方法,但由于地理空间上的依赖,直接应用符合预测在不同地理区域的置信区间不完全校准。本研究调查了各种方法来调整符合预测的置信区间以解决此问题,并在挪威奥斯陆房地产市场数据集上验证其性能。研究结果表明,在非一致性分数的 extit {局部加权} 版本上校准置信区间可以在不同地理区域中一致地进行校准。我们还在合成生成的销售价格上进行了模拟研究,从而在已知数据生成机制的理想条件下实证探索符合预测在房地产市场数据上的性能。
Dec, 2023
本文讲述了一个基于嵌套的框架的可靠预测方法,使用该方法,我们设计并实现了 QOOB 算法,它将四个想法整合在一起:分位数回归、交叉合规化、集成方法和袋外预测。在模拟和真实数据集上的实验中,QOOB 的表现要么最佳,要么接近最佳。
Oct, 2019
我们开发了一种在特征空间的所有区域具有用户指定的覆盖水平的预测区间生成方法,称为条件覆盖。我们发现传统的分位数回归可能具有较差的条件覆盖,并通过修改损失函数来解决这个问题,从而提高了实验室中的条件覆盖。
Jun, 2021
本文开发了一种符合性方法,用于计算自适应于倾斜数据的非参数回归预测区间,利用黑盒机器学习算法用直方图估计结果的条件分布,将它们转化为具有近似条件覆盖的最短预测区间,数值实验表明,与最先进的相关方法相比,这些结果在有限样本情况下可以得到较好的表现,并且如果黑盒模型一致,则渐近达到条件覆盖和最优长度。
May, 2021