Prediction-powered inference for time series across space
跨空间时间序列的预测驱动推断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：摘要明确围绕时间依赖、未来均值预测及其置信区间展开，应用虽非宏观经济，方法直接属于时间序列预测。
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
跨空间时间序列的预测驱动推断
- 研究问题
- 如何结合各地点较短的有标签时间序列、较长的无标签序列与不完美预测器，估计未来标签均值并构造有效区间？
- 方法与思路
- 作者将预测驱动推断的插补偏差校正与处理时间相关的HAC思路结合，针对多地点的长短序列提供估计和区间。
- 材料陈述的贡献
- 摘要称，该方法在时间依赖和部分标签插补的场景下给出可靠点估计与置信区间，并在所作比较中优于自然替代方法。
- 阅读关注点
- 应核对未来期望值的定义、时间稳定性及依赖条件、HAC带宽选择，以及空间相关是否被处理和比较如何设计。
- 阅读边界
- 这是所给arXiv v1预印本，不能据此声称已同行评审或期刊接收。摘要未说明有效性条件、空间依赖处理和优势的具体幅度。
原文摘要
The following motif is common in spatiotemporal settings: we have a sequence of covariate and label pairs observed for a relatively short, recent time period. We have access to unlabeled covariates over a longer time period. Data is observed over many spatial locations. For instance, crop yield might be observed over a large geographical area for recent years, but weather data (which is informative about crop yield) is available for a much longer period. The goal is to estimate, at each spatial location, the expected label (e.g., crop yield) in the future and provide a valid confidence interval for this value. The observed time period alone is too short for reliable estimates. Imputing missing labels with machine learning can cause substantial bias. Prediction-powered inference (PPI) can correct for this bias, but it relies on an i.i.d. assumption that breaks under our expected temporal dependencies. Heteroskedasticity and autocorrelation consistent (HAC) procedures account for temporal correlation, but have not been adapted to cases where some labels are imputed. We provide reliable point estimates and confidence intervals given: short labeled time series (across spatial locations), a longer unlabeled time series, and an imperfect predictor of labels given covariates. We show our method outperforms natural alternatives.