Cluster-Robust Prediction-Powered Inference
聚类稳健的预测辅助推断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：摘要研究一般聚类数据的预测辅助推断，未明确涉及面板结构、网络干扰或具体经济应用方向。
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
聚类稳健的预测辅助推断
- 研究问题
- 机器学习预测与有限标注数据结合时，如何处理同一聚类内的依赖，尤其是同时包含已标注和未标注单位的聚类？
- 方法与思路
- 作者提出 Cluster-Robust PPI++，允许独立聚类内部任意依赖，提供闭式标准误，并推导考虑聚类的调优规则。
- 材料陈述的贡献
- 摘要称方法可处理部分标注聚类并给出渐近有效区间；电视新闻应用中，报告其覆盖率可达到名义水平。
- 阅读关注点
- 应核对聚类独立与渐近条件、标注设计和预测模型训练方式，以及覆盖率比较如何实施、调优规则如何估计。
- 阅读边界
- 所据为 arXiv v1 预印本，不能据此声称已同行评审或期刊接收；摘要未说明完整正则条件与覆盖率评估细节。
原文摘要
Data collection is often costly or logistically demanding, limiting both the questions researchers can pursue and how precisely they can answer them. Prediction-powered inference (PPI) can reduce the amount of data needed for precise parameter estimation by combining labeled data with machine learning predictions. However, ignoring dependence within clusters can produce confidence intervals that cover the true parameter less often than their nominal rate. We introduce Cluster-Robust PPI++, which provides standard errors in closed form and asymptotically valid confidence intervals under arbitrary dependence within independent clusters, requiring no bootstrap or resampling. Our central contribution is to accommodate partially labeled clusters, a common empirical setting in which clusters contain both labeled and unlabeled units. As units are dependent within clusters, partially labeled clusters violate the independence assumption of PPI++. We also show how precision increases depend on the labeling design, and derive a cluster-aware power tuning rule that minimizes asymptotic variance. In an application to television news, standard PPI++ confidence intervals have coverage below 60%, whereas Cluster-Robust PPI++ can achieve nominal 95% coverage.