为非参数工具变量回归提供无需分布假设的预测区间方法。
Conformal Prediction for Nonparametric Instrumental Regression
- 基于共形推断框架，将条件覆盖转化为对工具变量扰动类的边际覆盖。
- 在有限样本下保证覆盖概率，适用于筛法2SLS与神经网络等各类估计器。
- 适合需要可靠置信区间的实证研究者，尤其关注因果推断的场景。
我们提出一种在非参数工具变量回归（NPIV）中构建无需分布假设预测区间的算法，具有有限样本覆盖保证。基于共形推断中的条件保证框架，我们将条件覆盖重新表述为对一类工具变量偏移集合 $\mathcal{F}$ 的边际覆盖。该方法可与任意 NPIV 估计器结合，包括筛法2SLS 以及基于机器学习的 NPIV 方法（如神经网络极小极大方法）。理论分析证明，对于研究者自选的工具变量偏移类，该方法在分布无关且有限样本条件下均满足覆盖性。
原文摘要 · Abstract (English)
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.
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。