背景： 我正在运行单变量线性回归模型（OLS），并输出Y_hat的预测间隔。线性模型到目前为止最适合我的任务，因为它提供了所需的可解释性，同时又简单又快速。
但是，现在，更多的预测变量将进入模型（仍然保持n> p），由于其中一些可能高度相关，因此我正在研究使用惩罚线性模型，同时仍然能够输出Y_hat的预测间隔。
我的预测变量集并不大（对于300个观察值，小于15-20）。
问题： 我意识到，由于估算值存在偏差（例如，根据https://stats.stackexchange.com/questions/121993/elastic-net-confidence-intervals-for-parameters和第18页，https://cran.r-project.org/web/packages/penalized/vignettes/penalized.pdf，因为估计值有偏差，所以对脊/弹性网/ LASSO的预测间隔并不像OLS中那样简单）
但是我想知道是否可以使用一些已经实施的（至少是部分的）解决方案（特别是Python软件包）？如果不是那样，那么至少应该对如何处理这类问题的一些一般性准则表示赞赏。
谢谢