Conformal Prediction for Nonparametric Instrumental Regression
非参数工具变量回归的共形预测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：摘要明确以非参数工具变量回归及其预测区间为对象，最直接对应结构估计；未提供宏观或金融预测场景的分类依据。
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…
关注这篇论文的作者
非参数工具变量回归的共形预测
- 研究问题
- 在非参数工具变量回归中，如何构造具有有限样本覆盖保证的无分布预测区间，并明确保证针对哪些工具变量变化成立？
- 方法与思路
- 作者借助共形推断的条件保证框架，将条件覆盖重述为工具变量移位类上的边际覆盖，并允许与不同 NPIV 估计器结合。
- 材料陈述的贡献
- 摘要称，该方法可搭配筛式两阶段最小二乘及机器学习 NPIV 估计器，并在使用者选择的工具变量移位类上保证有限样本覆盖。
- 阅读关注点
- 应核对移位类的定义和选择、预测目标与覆盖事件，以及该覆盖陈述与逐点条件覆盖的关系和样本构造所需条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收均未核实；摘要未说明具体适用条件，不能将移位类覆盖直接理解为任意条件覆盖。
原文摘要
We propose a method for constructing distribution-free prediction intervals in nonparametric instrumental variable regression (NPIV), with finite-sample coverage guarantees. Building on the conditional guarantee framework in conformal inference, we reformulate conditional coverage as marginal coverage over a class of IV shifts $\mathcal{F}$. Our method can be combined with any NPIV estimator, including sieve 2SLS and other machine-learning-based NPIV methods such as neural networks minimax approaches. Our theoretical analysis establishes distribution-free, finite-sample coverage over a practitioner-chosen class of IV shifts.