예측은 치료법 선택부터 정책 수립에 이르기까지 중대한 의사결정을 안내하는 데 점점 더 많이 사용되고 있습니다. 불완전한 예측 상황에서 신뢰성을 보장하기 위해, Conformal Prediction (conformal prediction)과 같은 불확실성 정량화 (uncertainty quantification) 방법론은 커버리지 (coverage) 보장을 갖춘 예측 집합 (prediction sets)을 구축합니다. 그러나 통계적 타당성 (statistical validity)만으로는 즉각적으로 취해야 할 의사결정이나 그 최적성을 결정할 수 없습니다. 이러한 격차는 결과가 취해진 행동에 따라 달라지는 반사실적 (counterfactual) 설정에서 특히 민감하게 나타나며, 따라서 불확실성은 의사결정 규칙 (decision rule)과 독립적으로 지정될 수 없습니다. 우리는 불확실성을 고려한 반사실적 의사결정을 위한 의사결정 이론적 (decision-theoretic) 프레임워크를 개발합니다. 우리는 불확실성과 행동 사이의 최적이며 손실 없는 인터페이스로서, 예측 집합 자체에 의해 유도된 행동 하에서의 실현된 결과의 커버리지, 즉 extit{정책 결합 커버리지 (policy-coupled coverage)}라는 새로운 개념을 식별합니다. 이는 세 가지 역할을 수행합니다. 첫째, 분포적 모호성 (distributional ambiguity) 하에서 minimax-optimal (minimax-optimal)로서 자연스러운 max-min 규칙을 통해 행동하는 것을 정당화합니다. 둘째, 정책 결합 커버리지 하에서 예측 집합을 최적화하는 것은 더 강력한 universal-coverage (universal-coverage) 공식화 및 정책과 효용 인증서 (utility certificates)에 대한 직접적인 위험 회피 (risk-averse) 최적화 모두와 동일합니다. 이 등가성은 모집단 최적 (population-optimal) 예측 집합의 명시적 형태를 도출합니다. 셋째, 엄격한 유한 샘플 커버리지 (finite-sample coverage)를 통해 이러한 최적 집합을 근사하는 2단계 절차인 Policy-Coupled Risk-Averse Conformal Prediction (PC-RACP)을 허용합니다. 시뮬레이션과 실제 이메일 마케팅 실험을 통해 PC-RACP가 유효한 커버리지를 유지하면서 기존 방식보다 더 높은 효용 (utility)을 제공하며, 의사결정 문제의 반사실적 구조를 무시하는 것은 타당성과 효용 모두에 있어 최적이 아님을 확인했습니다.