个体预测区间

个体预测区间 (Individual Prediction Interval)

个体预测区间 (Individual Prediction Interval, IPI) 是统计学中用于预测单个新观测值可能取值范围的区间估计方法。与置信区间（对总体参数的区间估计）不同，个体预测区间需同时考虑参数估计的不确定性和个体观测值本身的随机波动，因此其区间宽度通常大于同等置信水平下的置信区间。

基本定义与数学表达

在经典线性回归模型 $y = X\beta + \varepsilon$ 中，给定解释变量向量 $x_0$，个体新观测值 $y_0$ 的预测值为 $\hat{y}_0 = x_0^\top \hat{\beta}$。预测误差为：

该误差的方差为：

其中 $\sigma^2$ 为误差项方差，$X$ 为设计矩阵。由此可得 $1-\alpha$ 置信水平的个体预测区间：

式中 $t_{\alpha/2,\,n-k}$ 为自由度为 $n-k$ 的 $t$ 分布临界值，$\hat{\sigma}$ 为 $\sigma$ 的估计值。

与置信区间的对比

均值响应置信区间 (Confidence Interval for the Mean Response) 的宽度仅依赖于参数估计的变异性：

个体预测区间的方差多出一个 $\hat{\sigma}^2$ 项，即个体随机误差的贡献。在样本量 $n\to\infty$ 时，置信区间宽度趋于 0，而预测区间宽度仍趋于 $\hat{\sigma}\cdot z_{\alpha/2}$，反映了预测单个观测值所固有的不确定性。

非参数与贝叶斯方法

除经典线性回归外，个体预测区间的构造方法还包括：Bootstrap 分位数法、分位数回归法以及贝叶斯预测区间。贝叶斯方法通过后验预测分布 $p(y_0 \mid x_0, \text{数据})$ 直接导出区间估计，能够自然整合参数不确定性和模型不确定性。

应用场景

个体预测区间广泛应用于：金融风险中的个体资产收益预测、流行病学中的个体感染风险预测、质量控制中的个体观测值容许区间，以及机器学习中概率预测的不确定性量化。

计算示例

假设一元线性回归 $y = \beta_0 + \beta_1 x + \varepsilon$ 基于 $n=25$ 个样本点估计得到 $\hat{\beta}_0 = 2.3$、$\hat{\beta}_1 = 0.8$、$\hat{\sigma} = 1.5$，且 $\bar{x} = 5$、$\sum(x_i - \bar{x})^2 = 30$。对于新观测 $x_0 = 7$，预测值 $\hat{y}_0 = 2.3 + 0.8 \times 7 = 7.9$。90\% 个体预测区间为 $7.9 \pm t_{0.05, 23} \times 1.5 \times \sqrt{1 + \frac{1}{25} + \frac{(7-5)^2}{30}} = 7.9 \pm 1.714 \times 1.5 \times 1.095 = 7.9 \pm 2.815$，即 $[5.085, 10.715]$。相比之下，均值置信区间为 $7.9 \pm 1.714 \times 1.5 \times \sqrt{\frac{1}{25} + \frac{(7-5)^2}{30}} = 7.9 \pm 0.628$，即 $[7.272, 8.528]$，宽度远小于预测区间。

局限性

主要局限包括：(1) 对模型设定敏感——线性假设、同方差假设等偏离会严重影响区间覆盖精度；(2) 在高维或过度参数化模型中，预测区间可能过度膨胀；(3) 预测区间仅适用于可交换性成立的情形，不适用于外推至分布外的观测点。