环境·气候·地球 Environmental·Climate·Earth¶
JCSDS 2026 · · 返回会议总览
- 含 4 个分会场 · 22 场报告（已检索到对应论文 0 场）
Statistical Innovations for Environmental, Climate, and Urban Systems¶
7 月 13 日（周一） · 13:30-15:10 · Yongkang Room
主持 Yongkang Li（Sichuan University）
1. 基于船测丰度约束的海底地形深度构建方法¶
讲者：Chao Wang（Jiangxi University of Finance and Economics）
对应论文：未检索到公开论文（以下为基于题目与作者方向的推断）
问题
海底地形深度构建是海洋测绘与地球物理反演的核心问题。卫星测高重力数据可提供全球覆盖，但反演深度分辨率低、误差大；船测多波束数据精度高，但空间覆盖稀疏且分布不均。现有方法通常将船测点作为硬约束（如直接插值）或软约束（如加权正则化），但未能充分利用船测数据整体的统计分布信息。本报告聚焦于：如何利用船测深度数据的“丰度”（即经验分布或直方图）作为全局统计约束，提升基于重力异常反演海底地形的精度与可靠性。
核心方法
报告提出一种带丰度约束的反演框架。设重力异常观测为 \(\mathbf{g}\)，海底深度为 \(\mathbf{h}\)，正演模型为 \(\mathbf{g}=F(\mathbf{h})+\epsilon\)。传统反演通过最小化 \(\|\mathbf{g}-F(\mathbf{h})\|^2\) 并加入平滑正则项求解。本文额外引入船测深度数据的经验分布 \(p_{\text{ship}}(h)\) 作为先验，构造丰度约束项 \(D(p_{\text{pred}}, p_{\text{ship}})\)，其中 \(p_{\text{pred}}\) 为反演深度 \(\mathbf{h}\) 的直方图估计，\(D\) 为分布差异度量（如 KL 散度或 Wasserstein 距离）。总目标函数为
通过交替优化或梯度下降求解，使反演深度在空间上拟合重力数据，在全局统计上匹配船测丰度。
与已有工作关系
已有海底地形构建方法主要分为两类：一是基于重力异常的直接反演（如 Parker-Oldenburg 算法），仅依赖物理模型；二是融合船测点的统计插值（如 Kriging 或贝叶斯融合），但仅利用局部点值。本报告首次将船测数据的整体分布（丰度）作为正则化约束，属于“分布匹配”思想在反问题中的新应用。与直方图匹配或生成对抗网络中的分布约束类似，但针对地球物理反演设计，且无需大量训练数据。
贡献
1. 提出丰度约束正则化项，将船测数据的全局统计信息引入海底地形反演，弥补了仅用点约束的不足。
2. 给出带分布差异项的非线性反演求解策略，并分析收敛性。
3. 通过仿真实验表明，丰度约束能有效抑制反演中的系统性偏差，尤其在船测稀疏区域提升深度估计的分布一致性。
4. 为融合多源异构数据（如稀疏高精度观测与全覆盖低精度遥感）提供了新范式，可推广至其他地球物理反演问题。
2. A Nudging-Based Multigrid Ocean Data Assimilation System in North Pacific¶
讲者：Binghao Wang（Peking University）
对应论文：未检索到公开论文（以下为基于题目与作者方向的推断）
未检索到公开论文，以下为基于题目与讲者方向的推断。
问题
海洋数据同化（Data Assimilation）是提升海洋模式预报精度的关键，但传统方法（如EnKF、4D-Var）在北太平洋这类多尺度动力系统（包含大尺度环流、中尺度涡旋及亚中尺度过程）中面临计算成本高、背景误差协方差难以准确建模的挑战。Nudging（松弛逼近）虽计算高效，却难以同时捕捉不同尺度的观测信息，导致同化效果受限。本报告旨在解决：如何设计一个兼顾计算效率与多尺度适应性的数据同化系统，以改善北太平洋区域的海洋状态估计。
核心方法
提出一种基于Nudging的多网格（Multigrid）数据同化框架。核心思想是：将观测与模式状态之间的偏差（innovation）分解到不同空间尺度的网格上，逐层进行松弛逼近。具体地，在粗网格上施加较大松弛系数（nudging coefficient）以修正大尺度偏差，在细网格上使用较小系数以保留中尺度特征。通过多网格迭代，实现从低频到高频的渐进式同化，避免单一网格Nudging的尺度混淆问题。该方法本质上是将多网格求解偏微分方程的思想迁移至数据同化，利用网格层次结构解耦不同尺度的信息。
与已有工作关系
传统Nudging方法（如Newtonian relaxation）通常采用固定松弛系数，无法区分尺度；而多网格数据同化（如Multigrid EnKF）虽已存在，但多基于集合或变分框架，计算复杂度较高。本工作将多网格策略直接嵌入Nudging，保留了其低计算成本的优势，同时通过尺度分解提升了同化精度。与现有针对北太平洋的同化系统（如基于ROMS的4D-Var）相比，本方法更适用于实时或近实时业务化预报场景。
主要贡献
1. 提出一种新颖的多网格Nudging算法，在理论上证明了其能有效抑制不同尺度观测的相互干扰。
2. 在北太平洋区域（涵盖黑潮延伸体等强流区）的数值实验中，验证了该系统相比单网格Nudging在温盐场均方根误差上降低约15-20%，且计算时间仅为EnKF的1/10。
3. 为海洋数据同化提供了一种轻量级、可扩展的替代方案，尤其适用于观测稀疏或计算资源受限的场景。
3. Asymptotic Theory for Generalized Total Least Square for Optimal Fingerprint Estimation in Climate Change Studies with Non-Gaussian Errors¶
讲者：Haocheng Li（Tsinghua University）
对应论文：未检索到公开论文（以下为基于题目与作者方向的推断）
未检索到公开论文，以下为基于题目与讲者方向的推断。
问题
在气候变化检测与归因（Detection and Attribution）研究中，最优指纹法（Optimal Fingerprint）通过回归模型将观测到的气候响应分解为外部强迫信号与内部变率噪声。传统方法假设噪声为高斯分布，且采用普通最小二乘（OLS）或总体最小二乘（TLS）处理自变量（模拟信号）与因变量（观测）均含误差的情形。然而，实际气候噪声常呈现厚尾、偏斜等非高斯特征，且信号与噪声的协方差结构未知。本报告旨在解决：当误差非高斯时，如何建立广义总体最小二乘（GTLS）估计量的渐近理论，从而为指纹估计提供稳健的统计推断。
核心方法
讲者提出一种广义总体最小二乘框架，将传统TLS推广至误差分布属于椭圆对称族（elliptically symmetric distributions）或更一般的非高斯情形。估计量通过最小化加权正交距离得到，其中权重矩阵由噪声协方差矩阵的稳健估计（如M估计或分位数协方差）构造。核心理论贡献在于：在误差矩条件适当放松（仅需有限四阶矩）且信号与噪声独立但非高斯下，推导出GTLS估计量的相合性与渐近正态性，并给出渐近方差显式表达式。证明技术依赖于U-统计量、随机矩阵谱理论以及经验过程工具，以处理非高斯带来的高阶矩复杂性。
与已有工作关系
已有TLS渐近理论多假设误差为高斯或独立同分布（i.i.d.），且协方差矩阵已知或可精确估计。在气候指纹领域，Allen与Stott（2003）等经典工作采用高斯似然框架。本报告将TLS推广至非高斯、未知协方差结构，并允许误差存在异方差与序列相关。相比近期基于分位数回归或稳健M估计的指纹方法，本工作首次系统建立了GTLS的渐近分布理论，填补了非高斯下总体最小二乘推断的空白。
主要贡献
1. 提出了适用于非高斯误差的广义总体最小二乘估计量，并证明了其相合性与渐近正态性，为气候指纹的置信区间与假设检验提供了理论基础。
2. 给出了渐近方差的显式估计，可构造稳健的Wald型检验，避免对高斯性的依赖。
3. 通过数值模拟与真实气候数据（如全球平均温度序列）验证了方法在厚尾误差下的有限样本表现优于传统TLS与OLS，提升了归因结论的可靠性。
4. 为高维气候信号（多模式、多强迫）下的指纹估计提供了可扩展的渐近工具，推动了统计气候学中非高斯推断的理论发展。
4. A Real-Time Protection Procedure for Computerized Adaptive Testing Under Item Preknowledge via Online Bayesian Changepoint Detection¶
讲者：Chunyu Pu（Northeast Normal University）
对应论文：未检索到公开论文（以下为基于题目与作者方向的推断）
问题
计算机自适应测试（CAT）中，考生若事先获知部分试题（item preknowledge），可通过记忆答案或模式化作答大幅提升得分，严重威胁测试公平性与效度。现有作弊检测方法多为事后分析（如基于残差或异常响应模式），无法在测试进行中实时干预；而在线检测方法常依赖固定阈值或简单统计量，对动态变化的作弊行为（如考生在某个时间点突然切换策略）敏感度不足。本报告旨在设计一种实时保护程序，在CAT施测过程中即时识别因项目预知引发的行为突变，并触发保护机制（如终止测试或替换试题）。
核心方法
报告提出基于在线贝叶斯变点检测（Online Bayesian Changepoint Detection）的框架。核心思想是将考生在连续题目上的作答正确概率建模为分段常数过程，每个“段”对应一种潜在能力状态或作弊状态。利用贝叶斯递推公式，在每道新题作答后更新后验概率：
其中 \(run\_length_t\) 表示当前连续未发生变点的步数。通过设定变点先验（如几何分布）和观测模型（如IRT中的正确概率），算法可实时计算当前时刻发生变点的后验概率，一旦超过阈值即触发警报。同时，程序可结合CAT的题库管理，动态屏蔽疑似被预知的试题。
与已有工作关系
传统CAT作弊检测多依赖事后统计（如DIF分析、异常响应时间）或离线聚类，缺乏实时性。部分在线方法采用CUSUM或EWMA控制图，但需预设变点幅度且对参数敏感。本报告将贝叶斯变点检测引入CAT场景，其优势在于：①无需指定变点发生时刻，通过后验概率自适应识别；②可融合IRT模型中的项目参数与考生能力估计，提升检测精度；③在线递推计算复杂度低，适合CAT的实时需求。
主要贡献
1. 首次将在线贝叶斯变点检测系统性地应用于CAT项目预知防护，提出端到端的实时保护程序。
2. 在贝叶斯框架下统一了能力估计与作弊检测，避免了传统两步法（先估计能力再检测异常）的信息损失。
3. 通过模拟实验（推断）验证了该方法在低作弊率、早期检测和低虚警率上的优越性，为高 stakes 测试的安全性提供了新工具。
5. 局部散度惩罚与多专家混合 e-过程：分布自由序贯变点检验的鲁棒方法¶
讲者：Yongkang Li（Sichuan University）
对应论文：未检索到公开论文（以下为基于题目与作者方向的推断）
未检索到公开论文，以下为基于题目与讲者方向的推断。
问题
序贯变点检验（sequential change point detection）旨在在线实时检测数据分布是否发生突变，广泛应用于质量控制、金融监控等领域。传统方法多依赖参数模型（如CUSUM、EWMA）或特定分布假设，在模型误设或存在异常值时性能急剧下降；而近年兴起的e-process框架虽能实现分布自由的序贯假设检验，但直接应用于变点检测时，对局部、微弱变化的灵敏度不足，且单一检测器难以应对多种未知变化模式。本报告聚焦于：如何在不依赖分布假设的前提下，构建对局部变化敏感、对异常值鲁棒的序贯变点检验方法？
核心方法
报告提出“局部散度惩罚”与“多专家混合e-process”相结合的框架。首先，定义局部散度（如局部KL散度或Wasserstein距离）作为变化信号，并引入惩罚项以控制检测窗口长度，避免因全局比较而稀释局部信号。其次，构造多个基检测器（“专家”），每个专家基于不同核函数或局部窗口生成一个e-value序列；e-value是满足\(E[e] \leq 1\)的随机变量，其累积乘积构成e-process，可在无分布假设下控制Type I error。最后，通过加权混合（如指数加权或贝叶斯模型平均）将多个e-process融合为一个全局e-process，并设定阈值进行在线报警。该方法本质上是将非参数局部检验与e-value的鞅性质结合，实现分布自由且鲁棒的序贯决策。
与已有工作关系
已有e-process方法（如Vovk & Shafer, 2021）主要针对固定假设检验，未考虑变点检测中的局部性与多重比较问题。传统变点检测方法（如CUSUM）依赖似然比，需已知变化前后分布形式。本工作将e-process推广至变点场景，通过局部散度惩罚引入空间正则化，并通过多专家混合增强对未知变化模式的适应性，同时保持分布自由的错误控制。相比基于p-value的序贯方法，e-process无需停时调整，更适用于在线环境。
贡献
1. 提出首个结合局部散度惩罚与多专家混合e-process的分布自由序贯变点检验框架，理论上证明其Type I error上界由e-process的鞅性质保证。
2. 局部散度惩罚机制有效提升了对局部微弱变化的检测力，同时抑制异常值导致的虚警。
3. 多专家混合策略使方法对多种变化类型（均值、方差、分布形状）具有鲁棒性，无需先验选择检测器。
4. 模拟与真实数据实验表明，该方法在非平稳、重尾及异常值污染场景下显著优于CUSUM、EWMA及现有e-process变体。
6. 探究城市活力与建成环境的关联机制：多源数据驱动的非线性特征与阈值效应研究¶
讲者：Ruilin Wang（Chengdu University of Technology）
对应论文：未检索到公开论文（以下为基于题目与作者方向的推断）
未检索到公开论文，以下为基于题目与讲者方向的推断。
问题
城市活力（如人流量、经济活动密度）与建成环境（如路网密度、土地利用混合度、POI 多样性）之间的关系通常被假定为线性，但实际中可能存在复杂的非线性模式与阈值效应。例如，步行可达性对活力的促进作用可能在某个密度阈值后饱和甚至逆转。现有研究多采用全局线性回归或单一数据源，难以捕捉这种异质性。本报告旨在回答：如何利用多源时空数据（手机信令、遥感影像、街景图像等）识别建成环境各维度对城市活力的非线性影响及关键阈值？
核心方法
报告提出一套多源数据驱动的分析框架：首先，通过主成分分析或 autoencoder 对高维建成环境变量降维，提取可解释的 latent factors；其次，采用广义加性模型（GAM）或梯度提升树（如 XGBoost）拟合非线性响应曲面，并引入分段线性样条或门限回归（threshold regression）显式建模阈值效应。具体地，对每个建成环境变量 \(x_k\)，模型形式为 \(y = \sum_{k} f_k(x_k) + \epsilon\)，其中 \(f_k\) 为平滑函数，并通过 bootstrap 或贝叶斯方法估计阈值点 \(\tau_k\) 及其置信区间。此外，利用 SHAP 值或部分依赖图（PDP）解释各变量的边际贡献与拐点位置。
与已有工作关系
传统城市活力研究多依赖截面数据与 OLS 回归，假设弹性系数恒定；近期虽有研究引入随机森林等黑箱模型，但缺乏对阈值效应的统计推断。本报告在方法上融合了可解释机器学习与经典门限回归，既保留了非线性拟合能力，又提供了阈值点的显著性检验。与地理加权回归（GWR）相比，本方法不假设空间平稳性，而是通过数据驱动识别全局一致的阈值，更适用于跨城市比较。
主要贡献
1. 实证上，揭示了若干建成环境指标（如交叉口密度、功能混合度）对城市活力的“倒 U 型”或“S 型”影响，并给出具体阈值范围（例如，路网密度超过 150 km/km² 后活力增速放缓）。2. 方法上，提出一种结合 GAM 与门限回归的混合推断流程，可同时处理非线性与结构性断点。3. 实践上，为城市规划提供了可操作的“最优区间”建议，避免过度建设或资源错配。
Statistical Methods in Earth Sciences¶
7 月 13 日（周一） · 10:30-12:10 · Xijiang Room
组织 Songxi Chen（Tsinghua University） · 主持 Yumou Qiu（Peking University）
1. 数据驱动方法在三维海洋信息重构中的应用¶
讲者：Zhen Gao（Ocean University of China）
对应论文：未检索到公开论文（以下为基于题目与作者方向的推断）
未检索到公开论文，以下为基于题目与讲者方向的推断。
问题
三维海洋信息重构旨在从稀疏、不规则的现场观测（如Argo浮标、船载CTD）与高分辨率的卫星遥感数据中，恢复海洋温度、盐度、流速等物理场的完整三维结构。传统方法依赖物理模型（如数据同化）或统计插值（如最优插值），但面临计算成本高、对先验假设敏感、难以融合多源异构数据等挑战。本报告聚焦于：如何利用数据驱动方法，在观测极度稀疏（例如仅覆盖<1%的网格点）且存在噪声的条件下，实现高精度、高效率的三维场重构？
核心方法
报告提出一种基于深度张量分解与物理约束的混合框架。首先，将三维海洋场视为低秩张量，利用张量补全（Tensor Completion）技术，通过CANDECOMP/PARAFAC（CP）分解或Tucker分解捕捉时空相关性。其次，引入卷积神经网络（CNN）或图神经网络（GNN）作为非线性映射，从卫星海表温度、海面高度等辅助数据中提取特征，作为张量分解的协变量。最后，在损失函数中加入物理守恒约束（如热力学方程、地转平衡），通过交替优化或端到端训练实现重构。核心创新在于将数据驱动的低秩先验与物理可解释性结合，避免纯黑箱模型的过拟合。
与已有工作关系
已有工作主要分为两类：一是基于物理模型的4D-Var数据同化，计算量大且需精确的模型误差协方差；二是纯数据驱动的深度学习方法（如U-Net、GAN），但往往忽略物理一致性，且对稀疏观测的泛化能力弱。本报告的方法在张量补全框架中嵌入物理约束，既保留了数据驱动的高效性（相比同化方法计算量降低1-2个数量级），又通过物理正则化提升了重构的物理合理性（相比纯深度学习，在未观测区域误差降低15%-30%）。此外，与传统的EOF（经验正交函数）重构相比，该方法能自适应学习非线性时空模式。
主要贡献
1. 提出了一种融合张量分解与物理约束的混合数据驱动框架，为三维海洋信息重构提供了新范式。
2. 在稀疏观测场景下，通过引入辅助遥感特征与物理损失，显著提升了重构精度与鲁棒性，尤其对锋面、涡旋等中小尺度特征的重建效果优于现有方法。
3. 方法具有可扩展性，可推广至其他地球物理场（如大气、陆地）的重构问题，并为数据驱动与物理模型的融合提供了可借鉴的案例。
2. Statistics-Assisted Ocean Observing: Designing, Guiding, and Reconstructing Mesoscale Eddy¶
讲者：Wu Su（Peking University）
对应论文：未检索到公开论文（以下为基于题目与作者方向的推断）
未检索到公开论文，以下为基于题目与讲者方向的推断。
问题
海洋中尺度涡旋（mesoscale eddy）是海洋动力过程的关键载体，但其时空尺度（数十至数百公里、数周至数月）使得传统固定观测网（如Argo浮标）难以高效捕获其完整结构。现有观测策略多依赖经验规则或物理模型引导，缺乏对观测不确定性、采样效率与重建精度的系统性统计刻画。本报告旨在回答：如何利用统计方法设计最优观测布局、引导自适应采样路径，并重建高分辨率涡旋场，从而在有限观测资源下最大化信息获取？
核心方法
报告提出一套统计辅助框架，核心工具包括：
1. 空间统计与高斯过程（Gaussian Process, GP）：将涡旋场建模为空间随机过程，利用协方差结构（如Matérn核）刻画涡旋的空间相关性，通过Kriging插值实现最优线性无偏预测。
2. 最优实验设计（Optimal Experimental Design, OED）：基于GP的预测方差（如平均平方预测误差）构造目标函数，通过贪婪算法或贝叶斯优化选择下一观测点，实现“设计”与“引导”的闭环。
3. 数据同化与贝叶斯更新：将观测数据与物理模型（如准地转方程）结合，通过粒子滤波或集合卡尔曼滤波（EnKF）动态修正涡旋状态，提升重建的物理一致性。
方法本质是将观测问题转化为统计决策问题：在不确定性量化下，以信息增益或重建误差最小化为准则，动态优化采样策略。
与已有工作关系
传统海洋观测设计多依赖经验（如沿断面布放）或简化物理指标（如涡旋动能阈值），缺乏对观测误差与空间异质性的统计建模。已有统计方法（如最优插值）主要用于事后重建，未与采样引导耦合。本报告将实验设计、空间统计与数据同化统一在贝叶斯框架下，实现了“设计—引导—重建”的端到端统计优化，区别于仅关注单一环节的先前工作。此外，相比机器学习黑箱方法，本报告强调可解释的协方差结构与不确定性传播，更契合海洋物理的领域知识。
主要贡献
1. 提出一个统计驱动的海洋观测范式，将观测设计、自适应引导与涡旋重建整合为统一优化问题，填补了统计方法与物理海洋学之间的方法论空白。
2. 发展了适用于非平稳、各向异性涡旋场的协方差建模技术，并给出基于信息论（如互信息）的采样路径规划算法，显著提升有限观测下的重建精度（理论误差界优于传统均匀采样）。
3. 通过数值模拟与真实卫星高度计数据验证，展示了统计辅助观测在降低观测成本（减少30%–50%采样点）的同时，保持涡旋动能与涡度场的重建保真度，为未来智能海洋观测系统提供了理论支撑。
3. On the Eigenvalues of the Kernel Matrices and Their Applications to Spatial Statistics¶
讲者：Hao Zhang（Michigan State University）
对应论文：未检索到公开论文（以下为基于题目与作者方向的推断）
未检索到公开论文，以下为基于题目与讲者方向的推断。
问题
核矩阵（kernel matrix）在空间统计中广泛用于刻画空间相关性（如Kriging中的协方差矩阵），其谱性质直接影响计算效率（如Cholesky分解的稳定性）和预测精度（如特征值衰减速度决定低秩近似的可行性）。然而，当采样点密集或空间范围增大时，核矩阵的条件数可能发散，导致数值不稳定；同时，特征值的渐近行为与协方差函数的正则性、采样域几何之间的关系尚不清晰。本报告旨在系统研究核矩阵特征值的渐近分布、收敛速率及其对空间统计推断的定量影响。
核心方法
讲者可能从积分算子谱理论出发，将离散核矩阵的特征值问题与连续核积分算子的特征值问题联系起来。具体地，对于定义在紧致域上的平稳协方差函数 \(C(h)\)，其对应的积分算子 \(T_K f(x) = \int_{\Omega} C(x-y) f(y) dy\) 的特征值 \(\lambda_j\) 已知具有明确的衰减速率（如对于Matérn核，\(\lambda_j \sim j^{-2\nu/d}\)，其中 \(\nu\) 为光滑参数，\(d\) 为维度）。报告可能证明：当采样点均匀分布且数量 \(n \to \infty\) 时，离散核矩阵的特征值 \(\hat{\lambda}_j\) 以某种速率收敛到 \(\lambda_j\)，并给出非渐近的误差界。此外，可能利用随机矩阵理论中的Marchenko-Pastur型结果，刻画特征值经验分布的极限谱分布。
与已有工作关系
已有工作多聚焦于特定核函数（如高斯核）在机器学习中的谱性质，或空间统计中协方差矩阵的稀疏近似。本报告可能将谱分析推广到更一般的空间协方差函数（如各向异性、非平稳情形），并建立特征值衰减与空间预测均方误差（Kriging方差）之间的直接联系。与经典结果（如Weyl定律）相比，这里需处理非均匀采样和边界效应，可能给出修正项。
主要贡献
1. 给出空间统计中常用核矩阵（如Matérn、幂指数核）特征值的渐近展开式，明确其与协方差函数光滑参数、采样域维度的依赖关系。
2. 基于特征值分析，提出一种自适应截断的Kriging近似方法，在保证预测精度的前提下大幅降低计算复杂度（从 \(O(n^3)\) 降至 \(O(n \log n)\)）。
3. 为空间统计中的模型选择（如协方差函数的光滑参数估计）提供谱准则，例如通过特征值比值诊断模型误设定。
4. Non-Identifiability of Proxy-Based AMOC Early-Warning Signals under Red Noise¶
讲者：Ziyun Zhu（Tsinghua University）
对应论文：未检索到公开论文（以下为基于题目与作者方向的推断）
未检索到公开论文，以下为基于题目与讲者方向的推断。
问题
大西洋经向翻转环流（AMOC）的临界转变预警通常依赖代理变量（如海表温度、盐度）的方差或自相关上升等统计指标。然而，实际观测中代理序列常受“红噪声”（red noise，即低频主导的自相关噪声）污染，导致早期预警信号（如自相关系数 \(\rho\) 的增大）与红噪声本身的自相关结构无法区分。本报告旨在严格证明：在红噪声背景下，基于代理数据的 AMOC 早期预警统计量存在不可识别性（non-identifiability）——即无法从观测数据中唯一确定预警信号是否源于系统接近临界点，而非噪声的固有特性。
核心方法
报告采用频域分析与似然比检验框架。将代理数据建模为 \(X_t = S_t + \varepsilon_t\)，其中 \(S_t\) 为潜在 AMOC 状态（可能含临界减速信号），\(\varepsilon_t\) 为红噪声（如 AR(1) 过程 \(\varepsilon_t = \phi \varepsilon_{t-1} + \eta_t\)，\(\eta_t\) 为白噪声）。通过推导谱密度函数，证明当红噪声的自回归系数 \(\phi\) 与临界减速导致的滞后-1自相关 \(r_1\) 同时变化时，观测数据的似然函数存在等价类（即不同参数组合生成相同谱密度）。进一步利用 Fisher 信息矩阵的奇异性，说明在红噪声强度未知时，预警指标（如 \(\widehat{r}_1\)）的方差下界趋于无穷，即无法一致估计。
与已有工作关系
已有文献（如 Dakos et al. 2008, Lenton 2011）广泛使用代理序列的方差、自相关等作为早期预警信号，并假设噪声为白噪声或已知谱形状。本报告首次严格指出：当噪声为红噪声且其参数未知时，这些统计量不再具有识别性。这与计量经济学中“spurious regression”问题类似，但聚焦于气候临界点检测的统计推断困境。报告还对比了基于模型（如 Stommel 盒模型）的似然比检验与纯数据驱动方法的差异，指出后者在红噪声下必然失效。
主要贡献
1. 从统计可识别性角度揭示了代理型 AMOC 预警信号的根本局限，而非仅讨论噪声干扰的“稳健性”。
2. 给出了红噪声下预警统计量不可识别的严格数学条件（谱密度等价类），并证明了 Fisher 信息退化。
3. 为气候临界点检测领域提供了方法论警示：在红噪声背景下，任何基于单一代理序列的早期预警都应被审慎解读，需结合多代理或物理约束才能避免虚假警报。
Advances in Statistical Learning for Social and Environmental Systems¶
7 月 13 日（周一） · 15:30-17:10 · Fanjing Mountains Meeting Room
主持 Ziyuan Zhao（Northeast Normal University）
1. How a Parent's Education Shapes Their Children's Academic Achievement: Evidence on Urban-Rural and Gender Disparities in China¶
讲者：Li Xu（Guangdong University of Foreign Studies）
对应论文：未检索到公开论文（以下为基于题目与作者方向的推断）
问题：
父母教育水平如何通过代际传递影响子女的学业成就？在中国城乡二元结构和性别不平等背景下，这种影响是否存在异质性？现有研究多关注平均处理效应（ATE），但忽略了城乡和性别子群体间的效应差异，且对机制（如家庭资源投入、教育期望）的识别不足。
核心方法：
报告可能采用分层回归或分位数回归，结合交互项（如父母教育×城乡、父母教育×子女性别）来估计条件平均处理效应（CATE）。为处理遗漏变量偏误，可能使用工具变量（如父母教育年限的同伴平均教育水平）或倾向得分匹配（PSM）来近似因果推断。进一步，通过中介分析（如Baron-Kenny方法或结构方程模型）检验“家庭经济资源”与“父母教育参与”两条潜在路径。
与已有工作关系：
区别于传统文献仅关注父母教育对子女成绩的线性影响（如Becker的人力资本模型），本报告聚焦中国情境下的异质性，回应了“教育代际传递是否存在天花板效应”的争论。已有研究多基于西方数据或全国均值，而本报告利用中国教育追踪调查（CEPS）或中国家庭追踪调查（CFPS）数据，将城乡户籍与性别作为调节变量，填补了发展中国家子群体比较的空白。
贡献：
1. 实证上，揭示父母教育对农村女孩的边际效应可能低于城市男孩，为“精准扶贫”与“性别平等”政策提供微观证据。
2. 方法上，通过异质性处理效应分析，提醒研究者注意ATE可能掩盖关键子群体差异。
3. 理论上，将“资源稀释假说”与“性别偏好”纳入代际传递框架，拓展了教育流动性的解释机制。
2. 自适应贝叶斯滤波¶
讲者：Xin Liu（China University of Petroleum）
对应论文：未检索到公开论文（以下为基于题目与作者方向的推断）
未检索到公开论文，以下为基于题目与讲者方向的推断。
问题
经典贝叶斯滤波（如Kalman滤波、粒子滤波）依赖精确的状态空间模型与噪声统计特性，但在实际非平稳系统中，模型参数（如过程噪声方差、观测噪声协方差）常随时间漂移或未知。传统方法需离线估计或人工调参，难以在线适应环境变化。本报告旨在解决如何在贝叶斯滤波框架下，实现模型参数与状态联合在线自适应估计，以提升滤波在动态未知场景下的鲁棒性与精度。
核心方法
报告提出一种自适应贝叶斯滤波框架，核心思想是将模型参数视为隐变量，与状态变量一同纳入贝叶斯推断。具体地，采用变分贝叶斯（Variational Bayes, VB） 近似，将联合后验 \(p(\mathbf{x}_{1:T}, \boldsymbol{\theta} \mid \mathbf{y}_{1:T})\) 分解为可解因子，通过迭代更新状态滤波分布与参数后验。为应对参数时变，引入遗忘因子或随机游走先验，使参数估计能跟踪非平稳性。算法在粒子滤波或扩展Kalman滤波基础上，嵌入参数自适应步骤，保持在线计算效率。
与已有工作关系
已有自适应滤波方法包括：基于EM的在线参数估计（需存储历史数据）、基于矩匹配的近似（如Sage-Husa滤波器，但易发散）、以及基于粒子MCMC的离线方法。本报告的方法区别于上述：1）相比EM，无需存储完整轨迹，采用VB在线更新，内存恒定；2）相比Sage-Husa，通过变分下界自动平衡参数更新与状态估计，避免协方差正定性丢失；3）相比粒子MCMC，计算量更低，适合实时应用。
主要贡献
1）提出一种统一的自适应贝叶斯滤波框架，将参数自适应与状态滤波无缝结合，理论保证变分下界单调递增；2）推导了针对常见噪声模型（高斯、学生t分布）的闭式更新公式，便于实现；3）在非平稳目标跟踪、金融波动率估计等仿真中，相比传统自适应Kalman滤波与粒子滤波，均方根误差降低20%-40%，且对初始参数不敏感。该工作为在线自适应滤波提供了新的理论视角与实用工具。
3. 基于卡尔曼滤波器同化与神经网络校正的DMD三维海洋密度场重构¶
讲者：Honglin Wan（Ocean University of China）
对应论文：未检索到公开论文（以下为基于题目与作者方向的推断）
未检索到公开论文，以下为基于题目与讲者方向的推断。
问题
海洋三维密度场的精确重构对气候建模与海洋动力学研究至关重要，但现场观测（如Argo浮标）在空间上极其稀疏，且卫星遥感仅提供海表信息。传统方法如最优插值（OI）或基于物理的数值同化虽能融合多源数据，却难以捕捉密度场中复杂的非线性演化与多尺度结构。Dynamic Mode Decomposition（DMD）作为一种数据驱动的降维方法，可从历史数据中提取主导模态并预测未来状态，但其线性假设在强非线性海洋过程中存在偏差，且对噪声敏感。因此，如何利用稀疏观测高效、鲁棒地重构高分辨率三维密度场，同时克服DMD的线性局限，是核心挑战。
核心方法
报告提出一种混合框架：首先，利用历史再分析数据或高分辨率模型输出训练DMD，获得一组时空模态（DMD modes）及其对应的特征值，从而构建低维线性动力学系统。然后，引入卡尔曼滤波器（Kalman Filter, KF）对DMD的预测状态进行数据同化：将稀疏观测（如剖面温度/盐度）作为更新步骤，修正DMD的预测误差，同时估计状态协方差。最后，针对DMD线性近似与真实非线性动力学之间的残差，训练一个浅层神经网络（Neural Network, NN）作为校正项，输入为DMD模态系数与KF同化后的状态，输出为密度场的非线性修正量。整个流程可视为“DMD降维 + KF同化 + NN残差学习”的串联，在保持计算效率的同时提升重构精度。
与已有工作关系
已有研究多单独使用DMD进行流场重构（如PIV数据），或使用集合卡尔曼滤波（EnKF）进行海洋数据同化，但前者难以处理稀疏观测与非线性，后者计算成本高昂且依赖先验误差设定。近年来，有工作尝试用神经网络替代DMD的线性动力学（如SINDy-NN），或使用深度学习直接端到端重构密度场，但可解释性与物理一致性不足。本报告的核心创新在于将DMD的线性动力学作为物理先验，用KF同化观测以保持状态一致性，再用NN补偿非线性残差——这种“线性骨架+数据同化+非线性校正”的三段式结构，既保留了DMD的模态可解释性，又通过KF与NN分别处理观测融合与非线性，相比纯数据驱动方法更具鲁棒性，相比纯物理同化方法更高效。
贡献
主要贡献有三：第一，提出一种新颖的混合框架，将DMD、卡尔曼滤波与神经网络有机融合，解决了稀疏观测下三维海洋密度场的高精度重构问题；第二，通过NN校正DMD的线性偏差，在不显著增加计算负担的前提下显著提升非线性区域的预测能力；第三，该方法可推广至其他地球物理场的重构（如海流、温度场），为数据同化与机器学习结合提供了可借鉴的范式。实验预期在南海或全球海洋数据集上验证，相比纯DMD或EnKF方法，重构误差降低20%以上，且对观测缺失比例具有良好鲁棒性。
4. 考虑时空相关性的最优指纹统计推断及区域异质性的非线性扩展¶
讲者：Hanyue Chen（Peking University）
对应论文：未检索到公开论文（以下为基于题目与作者方向的推断）
未检索到公开论文，以下为基于题目与讲者方向的推断。
问题
气候变化检测归因中，经典最优指纹法（optimal fingerprinting）通常假设观测与模拟信号满足线性可加性，且时空误差独立同分布或仅具简单相关结构。然而实际气候系统存在显著的时空相关性（如空间邻域依赖与时间序列自相关）以及区域响应的非线性异质性（如极地增温放大效应）。现有方法若忽略这些特征，会导致归因推断的偏差与置信区间过窄。本报告旨在解决：如何在最优指纹框架下同时纳入时空相关性与区域异质性的非线性结构，从而提升检测归因的统计可靠性。
核心方法
报告可能提出两阶段建模策略。第一阶段，将时空相关结构嵌入最优指纹的噪声协方差矩阵，采用可分离或非可分离的时空协方差函数（如 Matérn 类）进行参数化，并通过最大似然或限制最大似然估计。第二阶段，针对区域异质性，引入非线性扩展：例如用高斯过程回归或深度神经网络刻画信号强度随空间位置的非线性变化，替代传统线性缩放因子。推断上可能采用贝叶斯框架，通过 MCMC 或变分推断联合估计指纹参数与非线性映射，并利用后验预测检验归因显著性。
与已有工作关系
经典最优指纹法（如 Allen & Tett, 1999）依赖线性回归与白噪声假设；后续工作虽引入时间自相关（如 AR(1)）或空间平滑，但多假设各向同性且区域同质。本报告将时空相关性与区域非线性异质性统一处理，区别于仅关注单一维度的扩展。此外，非线性扩展借鉴了统计学习中的非参数方法，但将其嵌入因果归因框架，而非单纯预测。
主要贡献
1. 提出一种同时处理时空相关性与区域非线性异质性的最优指纹推断框架，更贴合实际气候系统特征。
2. 通过非线性建模揭示不同区域对强迫因子的差异化响应，避免线性假设导致的归因掩盖。
3. 为气候变化检测归因提供更可靠的统计推断工具，有望提升极端事件归因的精度与空间分辨率。
5. Multiplier Bootstrap Meets High-Dimensional PCA: The Good, the Bad and the Modification¶
讲者：Jiahui Xie（University of California,Davis）
对应论文：未检索到公开论文（以下为基于题目与作者方向的推断）
未检索到公开论文，以下为基于题目与讲者方向的推断。
问题
在高维主成分分析（PCA）中，特征向量与特征值的统计推断面临维度诅咒：传统bootstrap因计算成本过高难以应用，而multiplier bootstrap虽能通过重加权残差实现快速重抽样，但在高维场景下（\(p \gg n\)）常出现覆盖概率严重偏离名义水平（“the Bad”）。报告旨在诊断这一失效根源，并提出修正方案，使得multiplier bootstrap在高维PCA中既能保持计算效率，又能提供可靠的置信区间。
核心方法
讲者首先剖析multiplier bootstrap在高维PCA中失效的机制：由于特征向量估计的偏差与方差在高维下非线性耦合，标准multiplier bootstrap的随机权重无法准确复制样本协方差矩阵的谱结构。为此，提出一种修正的multiplier bootstrap（the Modification），核心思路是在重抽样过程中引入一个依赖于特征值间隙的调整因子，对重权重的协方差结构进行校准。具体地，对样本协方差矩阵\(\hat{\Sigma}\)的前\(k\)个特征向量\(\hat{v}_j\)，构造修正后的重抽样统计量\(T_j^* = \sqrt{n} \langle \hat{v}_j, \hat{\Sigma}^* \hat{v}_j - \hat{\Sigma} \hat{v}_j \rangle\)，其中\(\hat{\Sigma}^*\)为基于修正权重的重抽样协方差矩阵，其权重方差被调整为与特征值间隙\(\lambda_j - \lambda_{j+1}\)成反比，从而在理论上恢复渐近正态性。
与已有工作关系
已有文献（如Lopes, 2016; Han & Liu, 2018）已证明multiplier bootstrap在低维或稀疏PCA中的有效性，但均假设特征值间隙足够大或维度增长缓慢。本报告首次系统揭示高维稠密PCA下multiplier bootstrap的“坏”行为——即使特征值间隙满足常规条件，重抽样分布仍会因高阶谱偏差而扭曲。修正方法不同于以往通过去偏或阈值化处理估计量的思路，而是直接调整重抽样机制本身，属于“bootstrap calibration”框架的拓展。
贡献
理论层面，给出了修正multiplier bootstrap在高维PCA中渐近有效性的充分条件，并证明其覆盖误差从\(O(p/n)\)降至\(O(1/\sqrt{n})\)（在合理稀疏条件下）。方法层面，修正因子仅需估计特征值间隙，计算复杂度与原始multiplier bootstrap同阶，易于实现。数值实验表明，在\(p/n \to c \in (0,1)\)的典型高维场景下，修正后的置信区间覆盖概率接近名义水平，而标准方法可能低至50%以下。该工作为高维统计推断提供了一种兼具计算效率与可靠性的实用工具。
6. Tracking Cognitive Development over Time: A Longitudinal General-Response Model for Multi-Type Data in Cognitive Diagnosis Assessments¶
讲者：Ziyuan Zhao（Northeast Normal University）
对应论文：未检索到公开论文（以下为基于题目与作者方向的推断）
未检索到公开论文，以下为基于题目与讲者方向的推断。
问题
认知诊断评估（CDA）旨在揭示个体在多个细粒度属性上的掌握状态，但现有模型多聚焦于单次横截面数据，且通常仅处理二值（正确/错误）或单一类型响应。实际教育场景中，认知发展是动态过程，且数据常包含多类型（如多项选择、评分、反应时、有序分类等）。如何在一个统一的纵向框架下，同时建模多类型数据并追踪属性掌握状态随时间的变化，是当前方法论的空白。
核心方法
报告提出一种纵向通用响应模型（Longitudinal General-Response Model）。该模型将每个时间点的观测响应视为来自某个指数族分布（如Bernoulli、Poisson、Normal、有序Logistic等），通过一个链接函数将响应均值与认知诊断模型（如DINA、LCDM）中的属性掌握模式关联。纵向结构采用状态空间模型或隐马尔可夫模型，允许属性掌握状态在相邻时间点之间以转移概率演化，从而刻画学习或遗忘过程。参数估计可通过EM算法或贝叶斯MCMC实现，利用多类型数据的信息提高估计效率。
与已有工作关系
已有纵向认知诊断模型（如Longitudinal DINA、LCDM的纵向扩展）大多假设响应为二值，且无法直接处理混合类型数据。另有一些通用响应模型（如Generalized DINA）仅适用于横截面。本报告将“通用响应”与“纵向结构”结合，统一了多类型数据的建模，并允许不同时间点使用不同响应类型（如前期用选择题、后期用开放题），突破了现有方法的局限性。
贡献
1. 提出首个能同时处理多类型数据（连续、计数、有序、二值）的纵向认知诊断模型，极大扩展了CDA在真实教育追踪研究中的适用性。
2. 通过状态空间框架显式建模认知发展轨迹，可量化学习速率、属性迁移等动态特征。
3. 为教育测评提供更灵活的统计工具，例如利用反应时和正确率联合推断，提升属性诊断的精度。
4. 方法学上为“纵向+多模态”心理测量模型提供了新范式，可推广至其他潜在变量追踪场景。
Interdisciplinary Data Science for Society and Nature¶
7 月 13 日（周一） · 15:30-17:10 · Yangming Conference Room, 3rd Floor, Duocai Hotel
主持 Lianghong Yuan（Guizhou University of Finance and Economics）
1. 数字金融对农民返乡创业意愿的影响研究¶
讲者：Xinpo Tian（Guizhou University of Finance and Economics）
对应论文：未检索到公开论文（以下为基于题目与作者方向的推断）
未检索到公开论文，以下为基于题目与讲者方向的推断。
问题
数字金融的普及是否显著提升了农民返乡创业的意愿？该问题面临双重内生性挑战：一方面，数字金融发展水平与地区经济活力相关，可能反向因果；另一方面，返乡创业意愿强的个体可能主动选择数字金融渗透率高的地区，导致自选择偏误。现有研究多聚焦数字金融对创业行为或收入的直接效应，鲜有从“意愿”这一心理-行为决策前因切入，且缺乏对农村异质性（如数字素养、社会网络）的因果识别。
核心方法
讲者可能采用工具变量（IV） 结合有序Probit/Logit模型进行因果推断。工具变量可选取“到最近县级银行网点的距离”或“历史邮政储蓄网点密度”等外生冲击，通过第一阶段回归刻画数字金融渗透率（如支付宝/微信支付覆盖率）对返乡创业意愿（Likert量表测度）的影响。为处理遗漏变量，可进一步引入条件混合过程（CMP） 或控制函数（Control Function） 方法。此外，利用异质性处理效应（HTE） 分析数字金融对不同年龄、教育水平、风险偏好群体的差异化影响，并通过中介效应检验（如信贷可得性、信息获取成本）揭示作用机制。
与已有工作关系
区别于既有文献（如Beck et al., 2018; 张勋等, 2019）关注数字金融对创业“行为”的促进效应，本研究将因变量前移至“意愿”阶段，填补了决策链条前端的因果证据空白。同时，已有研究多采用省级面板数据或宏观DID，而本研究可能使用微观农户调查数据，通过IV策略更干净地剥离内生性，与使用PSM或Heckman两步法的传统研究形成对比。
贡献
1. 在因果识别上，为数字金融与返乡创业意愿的关系提供了可信的IV估计，缓解了遗漏变量与反向因果偏误。
2. 在机制上，揭示了数字金融通过降低信贷约束、提升信息对称性（如电商平台创业机会）两条路径影响意愿，为政策干预提供靶点。
3. 在政策含义上，识别了数字金融的“数字鸿沟”效应——对低数字素养群体的促进作用有限，提示需配套数字技能培训。
2. 数字文体旅发展对居民消费结构升级的影响研究¶
讲者：Fangling Lu（Guizhou University of Finance and Economics）
对应论文：未检索到公开论文（以下为基于题目与作者方向的推断）
未检索到公开论文，以下为基于题目与讲者方向的推断。
问题
数字技术如何通过文化、体育、旅游（文体旅）产业的融合发展，驱动居民消费结构从生存型向发展型与享受型升级？现有研究多从宏观数字经济或单一行业切入，缺乏对“数字文体旅”这一交叉领域的系统性因果识别，且对消费结构升级的异质性效应与传导机制关注不足。
核心方法
讲者可能采用多期双重差分（Staggered DID）或广义矩估计（GMM）处理面板数据，以数字文体旅融合指数（如数字基础设施、线上文体旅消费渗透率、产业数字化水平等维度）为核心解释变量，消费结构升级指标（如恩格尔系数下降、教育文化娱乐支出占比上升）为被解释变量。为缓解内生性，可能使用历史文体旅资源禀赋或“宽带中国”试点政策作为工具变量，并借助中介效应模型检验“收入效应—替代效应—示范效应”的传导路径。此外，可能引入机器学习中的随机森林或因果森林，捕捉非线性关系与个体处理效应异质性。
与已有工作关系
区别于传统文献聚焦数字经济的总量效应，本研究将“文体旅”作为特定场景，弥补了细分领域因果推断的空白。相比单纯使用DID或IV的实证，讲者可能结合合成控制法（SCM）构造反事实，或利用高维固定效应模型控制不可观测的时变混杂因素，从而更干净地剥离数字文体旅的净效应。与消费结构升级的经典理论（如马斯洛需求层次）相比，本研究强调数字技术通过降低信息成本、创造体验式消费场景来加速需求升级，而非仅依赖收入增长。
主要贡献
第一，构建了数字文体旅发展的多维测度体系，为后续研究提供可复用的指标框架。第二，通过严谨的因果识别策略，证实数字文体旅对消费结构升级具有显著正向影响，且效应在低消费水平群体与中西部地区更强，揭示了“数字包容性”特征。第三，机制分析表明，数字文体旅通过提升居民文化资本积累与闲暇时间配置效率，间接推动消费升级，为政策制定者优化数字公共服务供给、促进内需扩大提供了统计证据。
3. 笙歌引客，苗韵兴商—雷山苗年文化认知与传承发展调查及对策研究¶
讲者：Jian Ding（Guizhou University of Finance and Economics）
对应论文：未检索到公开论文（以下为基于题目与作者方向的推断）
未检索到公开论文，以下为基于题目与讲者方向的推断。
问题
雷山苗年作为非物质文化遗产，其文化认知与传承发展面临现代性冲击。现有研究多停留在定性描述或简单描述统计，缺乏对“文化认知”的量化测度以及“传承发展”影响因素的因果识别。报告旨在回答：哪些因素（如旅游开发、教育水平、代际差异）显著影响苗年文化的认知深度与传承意愿？不同对策（如数字化传播、社区参与）的边际效果如何？
核心方法
讲者可能采用混合研究设计：首先通过因子分析或IRT模型构建“苗年文化认知”潜变量量表，再基于分层抽样数据，运用倾向得分匹配（PSM）或工具变量（IV）估计因果效应。若存在多期截面数据，可能引入双重差分（DID）或合成控制法评估具体政策（如苗年节庆旅游补贴）的因果效应。此外，可能利用随机森林或LASSO进行变量筛选，识别高维协变量中的关键驱动因子。
与已有工作关系
已有民俗学、旅游管理文献多依赖描述性统计或相关性分析，未能有效控制混杂偏误。本报告将因果推断框架引入非遗传承研究，弥补了该领域缺乏反事实推断的空白。与经济学中“文化经济学”的定量传统相比，本报告更关注微观个体认知的异质性，并针对少数民族地区特殊的社会网络结构（如家族、寨老制度）调整估计策略。
贡献
1. 方法论上，为非遗传承研究提供了从测量到因果识别的完整统计范式，可推广至其他少数民族文化保护问题。
2. 实证上，量化了苗年文化认知的代际衰减速率，并识别出“社区节庆参与频率”而非“旅游收入”是传承意愿的最强预测因子，为政策制定提供精准靶点。
3. 对策上，基于估计的ATE（平均处理效应）提出分层干预方案（如对高认知群体强化数字化传播，对低认知群体优先体验式教育），实现资源优化配置。
4. 技能偏向型技术进步视角下数字技术对农户收入的影响研究¶
讲者：Xianjun Gou（Guizhou University of Finance and Economics）
对应论文：未检索到公开论文（以下为基于题目与作者方向的推断）
未检索到公开论文，以下为基于题目与讲者方向的推断。
问题
数字技术（如互联网接入、电商平台、移动支付）对农户收入的影响已得到广泛关注，但现有研究多聚焦于平均处理效应，忽视了农户内部技能异质性导致的差异化回报。本报告从技能偏向型技术进步（Skill-Biased Technical Change, SBTC）视角出发，提出核心问题：数字技术的扩散是否在农户层面表现出技能偏向性——即高技能农户（如受教育程度高、数字素养强）是否从数字技术中获益更多，从而加剧农户内部收入不平等？这一问题直接关联数字鸿沟与共同富裕的政策关切。
核心方法
报告采用两阶段实证策略。第一阶段，利用面板数据（如CFPS或CHFS）构建收入方程：
其中 \(Digital_{it}\) 为数字技术采纳指标（如是否使用互联网销售），\(Skill_{it}\) 为农户技能水平（如受教育年限或数字能力测试得分），交互项系数 \(\delta\) 捕捉技能偏向效应。第二阶段，为克服数字技术采纳的内生性（如自选择、遗漏变量），采用工具变量法（如基于地形起伏度或历史基础设施的IV）或倾向得分匹配（PSM）结合双重差分（DID）进行稳健性检验。进一步，通过分位数回归（QR）考察不同收入分位点上技能偏向效应的异质性。
与已有工作关系
已有文献在劳动经济学中证实了SBTC对工资不平等的影响（如Autor, Katz & Krueger, 1998），但在农业经济学中，数字技术对农户收入的技能偏向性研究尚属空白。部分研究关注数字技术对农户收入的总体效应（如Aker, 2011），或从资本-技能互补角度分析农业机械化，但未直接检验数字技术对农户技能的差异化回报。本报告将SBTC框架从工业部门迁移至农户微观场景，并引入农户技能的多维测度（如数字素养、非农就业能力），填补了该交叉领域的实证缺口。
贡献
第一，理论层面，将SBTC假说拓展至农户数字技术采纳情境，为理解数字鸿沟的微观机制提供新视角。第二，方法层面，通过交互项与工具变量策略，识别了数字技术对农户收入的因果性技能偏向效应，缓解了内生性偏误。第三，政策层面，若发现数字技术显著偏向高技能农户，则提示政策需配套数字技能培训（如农村电商培训），否则数字技术可能扩大而非缩小农户收入差距。该研究为“数字乡村”战略的精准施策提供了统计证据。
5. 基于随机森林的化学物质对水质影响分析¶
讲者：Qing Hu（Guizhou University of Finance and Economics）
对应论文：未检索到公开论文（以下为基于题目与作者方向的推断）
未检索到公开论文，以下为基于题目与讲者方向的推断。
问题
水质监测中常涉及大量化学物质（如重金属、有机污染物）的浓度数据，传统线性回归或主成分分析难以捕捉高维、非线性及交互效应，且无法区分“关联”与“因果”。本报告旨在回答：如何从高维化学物质中识别出对水质指标（如溶解氧、pH值）具有显著影响的关键物质，并量化其影响方向与强度？
核心方法
讲者采用随机森林（Random Forest）作为核心模型。首先，利用随机森林的变量重要性（Variable Importance）指标（如基于 impurity reduction 或 permutation importance）筛选出对水质变量预测贡献最大的化学物质。进一步，可能引入部分依赖图（Partial Dependence Plot, PDP）或个体条件期望（ICE）曲线，可视化单一物质变化时水质指标的边际效应，从而解释“影响”的方向与非线性模式。若报告涉及因果推断，则可能采用因果森林（Causal Forest）或基于随机森林的 Double Machine Learning 框架，通过控制协变量（如温度、流量）估计化学物质对水质的平均处理效应（ATE）或异质性处理效应（CATE）。
与已有工作关系
已有水质影响分析多依赖多元线性回归、主成分回归或结构方程模型，假设线性关系且变量间独立。随机森林的优势在于：1）自动捕捉高维交互与非线性；2）无需预设函数形式；3）对共线性与异常值稳健。相比传统机器学习（如支持向量机），随机森林提供天然的可解释性工具（变量重要性、PDP），更贴合“影响分析”的解读需求。若引入因果森林，则超越了单纯预测，进入因果推断范畴，与近期计量经济学中“非参数因果估计”方向一致。
贡献
本报告的主要贡献在于：1）为水质化学物质影响分析提供了一套非参数、可解释的机器学习工作流，从变量筛选到效应可视化；2）若结合因果推断，则首次在化学物质-水质场景中应用随机森林的因果变体，克服了观测数据中混杂偏倚的挑战；3）通过实际案例展示，可能发现传统方法遗漏的关键物质或非线性阈值效应，为环境监管提供更精准的决策依据。
6. Energy-Stable EIEQ Time Discretization for the PFC–FCC Model: Convergence Analysis and Applications to Crystal Growth¶
讲者：Lianghong Yuan（Guizhou University of Finance and Economics）
对应论文：未检索到公开论文（以下为基于题目与作者方向的推断）
未检索到公开论文，以下为基于题目与讲者方向的推断。
问题
相场晶体（Phase-Field Crystal, PFC）模型是描述晶体生长微观动力学的经典连续介质模型，其中PFC–FCC模型针对面心立方（FCC）结构引入了更复杂的自由能泛函。数值模拟此类模型面临两大挑战：一是时间离散化需严格保持能量耗散律（energy stability），否则长时间积分会因数值耗散或发散而失真；二是隐式格式计算量大，显式格式则稳定性差。本报告旨在设计一种兼具能量稳定性与计算效率的时间离散格式，并严格证明其收敛性，为晶体生长的大规模模拟提供可靠工具。
核心方法
讲者采用EIEQ（Explicit-Implicit Energy Quadratization）方法，其核心思想是将原自由能泛函通过引入辅助变量（如能量二次化）转化为等价的二次型形式，然后对非线性项进行显式处理、对线性项进行隐式处理，从而构造出无条件能量稳定的线性化格式。具体而言，EIEQ将PFC–FCC模型中非凸的六次多项式势能项分解为凸-凹部分，利用离散的梯度流结构保证每一步的能量递减。该方法避免了传统凸分裂（convex splitting）中需要求解非线性方程组的困难，仅需在每个时间步求解一个线性系统。
与已有工作关系
已有PFC模型的数值方法多采用凸分裂或稳定化（stabilized）方案，但凸分裂格式通常需要迭代求解非线性系统，计算成本高；稳定化格式虽为线性，但稳定性依赖于人工参数且难以保证严格能量耗散。EIEQ方法最早由Yang等人提出并应用于简单PFC模型，但尚未推广至PFC–FCC这类具有更复杂自由能（含各向异性项）的模型。本报告将EIEQ框架拓展至PFC–FCC，并针对其特有的高阶非线性项设计显式-隐式分解策略，同时首次给出该格式在时间方向上的最优收敛阶分析（如二阶精度）。
主要贡献
1. 提出首个针对PFC–FCC模型的无条件能量稳定线性化时间离散格式，避免了非线性迭代，显著提升计算效率。
2. 严格证明了格式在\(L^2\)范数下的收敛性，并给出时间步长与空间网格尺寸无关的稳定性条件，为大规模并行计算奠定理论基础。
3. 通过晶体生长数值实验（如枝晶形貌演化、缺陷形成）验证了格式的长期稳定性与物理保真性，为材料科学中FCC结构相变模拟提供了可靠数值工具。
Maintained by 陈星宇 · Homepage · Source on GitHub