MARC

 008260126s2025        us                              c    eng  d
■001000017357917
■00520260202103617
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798286453030
■035    ▼a(MiAaPQ)AAI32044859
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a310
■1001  ▼aHore,  Rohan.▼0(orcid)0000-0001-7670-9700
■24510▼aAssumption-Lean  Approaches  to  Modern  Statistical  Inference
■260    ▼a[Sl]▼bThe  University  of  Chicago▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a286  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-01,  Section:  B.
■500    ▼aAdvisor:  Foygel  Barber,  Rina.
■5021  ▼aThesis  (Ph.D.)--The  University  of  Chicago,  2025.
■520    ▼aIn  the  modern  era  of  machine  learning,  where  increasingly  complex  models  drive  decision-making,  statistical  inference  becomes  challenging.  Assumption-lean  inference  minimizes  reliance  on  distributional  assumptions,  ensuring  robustness  across  diverse  settings.  This  thesis  explores  two  key  aspects-predictive  inference  via  conformal  prediction  and  conditional  independence  testing-each  providing  practical,  interpretable  solutions  to  real-world  challenges.  The  first  part  investigates  distribution-free  predictive  inference.  Conformal  prediction  (CP)  constructs  prediction  intervals  with  distribution-free  guarantees,  but  its  validity  relies  on  exchangeability  and  only  ensures  marginal  coverage,  leading  to  failures  in  non-i.i.d.  settings,  undercoverage  for  certain  subpopulations,  or  discrepancies  when  test  and  training  distributions  differ.  We  address  these  limitations  in  two  steps.  First,  in  survival  analysis,  where  right-censoring  restricts  observation  of  true  survival  times,  we  propose  a  novel  lower  prediction  bound  using  a  data-adaptive  filter  that  excludes  low  censoring  times,  ensuring  valid  marginal  coverage  under  mild  conditions.  Next,  we  tackle  local  coverage,  aiming  for  prediction  intervals  that  retain  validity  for  each  feature  configuration.  While  exact  local  coverage  is  theoretically  impossible,  we  introduce  randomly-localized  conformal  prediction  (RLCP),  a  framework  that  provides  interpretable  guarantees  for  relaxed  notions  of  local  validity,  such  as  approximate  coverage  under  smooth  covariate  shifts  or  within  sufficiently  large  subpopulations.  The  second  part  develops  assumption-lean  tests  for  conditional  independence.  Given  the  inherent  difficulties  of  testing  conditional  independence  in  a  distribution-free  manner,  we  propose  a  test  for  the  conditional  independence  of  X  and  Y  given  Z,  under  the  assumption  that  X  is  stochastically  increasing  in  Z.  Our  procedure,  PairSwap-ICI,  offers  significant  flexibility  while  ensuring  finite-sample  Type  I  error  control  and  achieving  high  power  against  a  broad  range  of  alternatives  that  deviate  sufficiently  from  the  null.
■590    ▼aSchool  code:  0330.
■650  4▼aStatistics
■650  4▼aApplied  mathematics
■653    ▼aAssumption-lean  inference
■653    ▼aConformal  prediction
■653    ▼aDistribution-free  inference
■653    ▼aShape-constrained  testing
■690    ▼a0463
■690    ▼a0800
■690    ▼a0364
■71020▼aThe  University  of  Chicago▼bStatistics.
■7730  ▼tDissertations  Abstracts  International▼g87-01B.
■790    ▼a0330
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17357917▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서