Spatially Robust Inference with Predicted and Missing at Random Labels
预测标签与随机缺失标签下的空间稳健推断AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究一般空间相关与缺失标签推断，未明确因果效应、面板或网络干扰等给定细分对象。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
预测标签与随机缺失标签下的空间稳健推断
- 研究问题
- 以机器学习预测补充未标注结局时，标签随机缺失与空间相关性如何共同影响下游估计和置信区间的可靠性？
- 方法与思路
- 作者提出采用交叉拟合辅助参数的双重稳健估计量，并以刀切法修正空间HAC方差，区分空间依赖与折层面噪声。
- 材料陈述的贡献
- 摘要称交叉拟合会引入折层面相关性并扭曲空间方差估计，所提修正满足条件时渐近有效，模拟显示有限样本校准改善。
- 阅读关注点
- 应核对目标参数、随机缺失的条件变量、双重稳健性的两个模型，以及空间依赖条件和刀切修正的具体构造。
- 阅读边界
- 这是预印本，同行评审及期刊接收未核实；摘要未说明完整识别与依赖条件，也不足以将结论推广到非随机缺失标签。
原文摘要
When outcome data are expensive or onerous to collect, scientists increasingly substitute predictions from machine learning and AI models for unlabeled cases, a process which has consequences for downstream statistical inference. While recent methods provide valid uncertainty quantification under independent sampling, real-world applications involve missing at random (MAR) labeling and spatial dependence. For inference in this setting, we propose a doubly robust estimator with cross-fit nuisances. We show that cross-fitting induces fold-level correlation that distorts spatial variance estimators, producing unstable or overly conservative confidence intervals. To address this, we propose a jackknife spatial heteroscedasticity and autocorrelation consistent (HAC) variance correction that separates spatial dependence from fold-induced noise. Under standard identification and dependence conditions, the resulting intervals are asymptotically valid. Simulations and benchmark datasets show substantial improvement in finite-sample calibration, particularly under MAR labeling and clustered sampling.