非参数工具变量回归中的符合预测
Conformal Prediction for Nonparametric Instrumental Regression
AI总结：
本文提出一种非参数工具变量回归中无分布预测区间构造方法，提供有限样本覆盖保证。基于符合推断的条件保证框架，将条件覆盖转化为IV位移类$\mathcal{F}$上的边际覆盖。方法可与任意NPIV估计器结合，如sieve 2SLS及其他机器学习方法。理论分析建立无分布、有限样本覆盖。
AI中文摘要：
我们提出一种方法，用于构建非参数工具变量回归（NPIV）中的无分布预测区间，具有有限样本覆盖保证。基于符合推断中的条件保证框架，我们将条件覆盖重新表述为对IV位移类$\mathcal{F}$上的边际覆盖。我们的方法可以与任何NPIV估计器结合，包括sieve 2SLS和其他基于机器学习的NPIV方法，如神经网络minimax方法。我们的理论分析确立了在从业者选择的IV位移类上无分布、有限样本覆盖。
英文摘要：
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.
