如何为未来的结果变量构建具有覆盖率保证的预测区间是当前统计研究热点。由于不需要模型假设，共形推断已成为解决这类问题的广受欢迎的统计方法；但当存在协变量偏移时，该方法大多采用数据分割技术，往往导致预测区间更宽和覆盖率不准确。为此，基于参数化工作模型导出的枢轴量和重抽样方法，我们开发了一种新的共形预测区间构造方法，并用于因果推断。该方法不仅提高了经典方法的预测效率，而且具有近似覆盖率保证和双重稳健性，在医疗诊断、工业自动化等领域具有重要潜在应用价值。统计学院刘玉坤教授团队相关研究成果发表在统计学顶级期刊《Journal of the American Statistical Association》。
