《Statistical Methods in Medical Research》：Multiple-use prediction and calibration for all future values: Exact simultaneous tolerance bands for multiple and polynomial regressions
编辑推荐：
多次使用预测和多次使用校准在所有未来值中的应用在包括健康与医学研究在内的许多领域发挥着重要作用。同时容许带（simultaneous tolerance bands, STBs）可用于这些目的。本文研究了在任意给定矩形协变量区域上多元回归以及在任意给定协变量区
多次使用预测和多次使用校准在所有未来值中的应用在包括健康与医学研究在内的许多领域发挥着重要作用。同时容许带（simultaneous tolerance bands, STBs）可用于这些目的。本文研究了在任意给定矩形协变量区域上多元回归以及在任意给定协变量区间上多项式回归的精确STBs的构建。研究人员首先填补了在矩形区域上构建多元回归精确STBs的空白。随后，提出了一种STBs的一般形式，并开发了一种计算所有所考虑的STBs临界常数（critical constants）的方法，包括文献中已有的STBs。针对多元回归和多项式回归，研究人员还提出了一种新的STB。这种新的STB与几种现有形式随后在平均偏移量（average shift, AS）准则下进行了比较。数值结果表明，新的STB在AS准则下表现最佳，因此被推荐使用。此外，还提出了一种计算效率高的算法。文中提供了真实示例以供说明。
论文解读：多元与多项式回归中精确同时容许带的构建与比较
#### 一、研究背景
多次使用预测（multiple-use prediction）与多次使用校准（multiple-use calibration）是统计学中具有长期历史和广泛应用的重要问题。例如，新生儿收缩压预测和胎儿胎龄估计均需要基于单个训练数据集对所有未来观测作出同时推断。同时容许带（simultaneous tolerance bands, STBs）能够同时满足这两方面需求，其目标是构造一个带域，使得在给定置信水平下，该带域以至少β的比例覆盖整个协变量区域上的未来响应值。
然而，已有STB构造方法存在明显局限。Lieberman和Miller提出的中心STB为双侧带，即使采用精确版本也往往保守；Wilson与Limam的概率集方法同样构造双侧保守带；Odeh和Mee的方法仅适用于椭球协变量区域，当实际使用的矩形协变量区域并非椭球时，该方法需借助包含该矩形的最小椭球区域，从而产生额外保守性；Han等人提出的精确方法仅适用于多项式回归。截至目前，文献中尚无针对矩形协变量区域上多元回归的精确STB。因此，填补这一空白并构造更优的STB形式成为本研究的主要动机。
#### 二、研究内容与意义
研究人员首先构建了多元回归在任意给定矩形协变量区域上的精确单侧（β,γ）-STB，填补了文献空白；其次提出了一种新的STB形式（记作NEW），并针对多元回归和多项式回归，在平均偏移量（average shift, AS）准则下计算最优带。通过与现有OM、OMH、UV和SP等形式比较，NEW带在绝大多数场景下具有更小的AS，即更窄的带宽度。该研究为多次使用预测和校准提供了一种更精确、计算可行的工具，论文发表在《Statistical Methods in Medical Research》。
#### 三、主要方法
研究人员将STB的置信水平条件转化为等价概率表达式，利用Naiman定理将该问题化为向量到锥的投影范数 ‖π(m,V)‖，再通过二次规划（quadratic programming, QP）借助R内置函数solve.QP计算投影，并以大规模模拟（R=1,000,000次重复）估计临界常数。对于多项式回归，利用polyroot函数求平稳点以计算最大值。样本队列来源包括：婴儿血压数据集（17个观测，Liu）和胎龄数据集（1114个观测，Oman和Wax）。
#### 四、研究结果
**模拟研究：多元回归。** 在18个场景下比较OM、OMH、UV、SP和NEW五种STB。结果显示，NEW在大多数场景中AS最小、表现最佳，SP最差；OM因需使用椭球外包区域而比OMH保守，但二者差距较小。NEW带在10,000次重复中的覆盖概率与实际名义水平γ几乎完全一致，证实其精确性。
**模拟研究：简单线性回归。** 在36个场景下比较四种精确带。NEW在大多数情况下优于OMH、UV和SP；尤其当协变量区间远离样本均值时，OMH、UV和SP的AS可分别比NEW大13.1%、22.6%和35.1%。覆盖概率研究再次确认NEW带的精确性。
**模拟研究：多项式回归。** 在192个场景下比较四种精确带，涵盖三至五阶回归、两种区间宽度和两种设计矩阵。结果显示NEW总体优于OMH和SP，对五阶回归（quartic regression）优势尤为显著；UV与NEW差别很小，二者均被推荐，SP表现最差。覆盖概率研究同样证实NEW精确满足名义置信水平。
**实例应用：婴儿血压预测。** 利用婴儿收缩压数据，以出生体重和年龄为协变量，在矩形区域上构建上侧单侧STB。对于出生体重118盎司、年龄4天的婴儿，NEW带给出的上限为93.924，低于SP带的94.727，表明NEW带提供更精确的预测界限。
**实例应用：胎龄校准。** 利用胎儿双顶径（biparietal diameter, BPD）数据拟合二次回归。当观测到BPD为40时，NEW带给出的胎龄上限为19.882周，低于SP带的20.001周，说明NEW带在校准问题中也具有更高的信息量。
#### 五、结论与讨论
讨论部分指出，未来工作可从多个方向扩展，包括非正态误差分布下的STB构建、广义线性回归如逻辑回归的扩展、基于参数置信集体积的不同形式STB比较、多响应多元回归的推广以及双侧STB的构造。论文的结论如下：
精确（β,γ）-STBs是回归中多次使用统计预测和校准的宝贵工具。本文填补了在任意给定矩形协变量区域上构建多元回归精确单侧STBs的空白。此外，研究了适用于多元回归和多项式回归的新STB形式NEW。提出了一种基于模拟的方法来计算STBs的临界常数；只要模拟重复次数足够大，该方法可以达到所需精度。数值研究表明，在AS准则下，NEW带与所考虑的其他STBs相比具有最佳整体表现。对于多元回归，NEW带通常优于其他STBs；对于简单线性回归，NEW可显著优于精确STBs OMH、UV和SP；对于最高四阶多项式回归，NEW仍优于OMH和SP，但与UV差异不大。
