2026-07-15 每日 arXiv 资讯¶

高相关论文 13 篇 · 中相关 55 篇 · 其他 44 篇 · 会议/Seminar 事件 0 条

⭐ 高相关论文（按主题分组）¶

因果推断 (causal_inference, 9 篇)¶

1. 2607.10515 — Proximal Identification and Estimation in Front-Door Causal Structures with Unobserved Confounding of the Mediator¶

作者: Helen Guo, Beatrix Yaxin Wen, Ilya Shpitser
相关性 9/10 · novelty: new_method
摘要: 本文在因果推断的图模型框架下，针对前门准则（front-door criterion）中要求中介变量无混杂这一强假设进行放松。作者允许中介变量存在未观测混杂，同时保留处理变量与结果变量间的任意混杂，前提是观测到中介混杂的负对照（negative control）或代理变量（proxies）。基于近端因果推断（proximal causal inference）的识别策略，提出了三种新的非参数识别公式，将前门效应表达为观测数据分布的函数。估计方面，给出了plug-in估计量和基于影响函数（influence function）的估计量，后者具有双稳健性质（double robustness）和渐近线性性（asymptotic linearity），可通过交叉拟合（cross-fitting）实现n^{-1/2}收敛。模拟实验验证了所提方法在有限样本下的性能。该工作直接拓展了您主要兴趣中proximal CI的识别理论，且其影响函数估计框架与您的semiparametric efficiency理论高度相关。
关键技术: proximal causal inference, front-door criterion, negative control variables, influence function, double robustness, cross-fitting
为什么对您有用: 直接连接您primary interest中的proximal CI和identification theory：本文是proximal框架在前门结构中的新应用，提出了中介混杂存在时的识别策略。从技术武器库看，您可以用very_familiar的nonparametric statistics和minimax bounds来验证其识别公式的sharpness，或用moderately_familiar的semiparametric theory和HOIF来推导更高效的影响函数估计量。中期可做：若想将结果推广到纵向或高维中介设定，需先在moderately_familiar的identification theory上进一步熟悉proximal g-formula的变体。

2. 2607.13334 — Omitted variable bias sensitivity analysis with clustered treatment assignment¶

作者: Anton Strezhnev
相关性 8/10 · novelty: weaker_assumption
摘要: 本文研究在聚类治疗分配（clustered treatment assignment）设定下，线性回归模型中遗漏变量偏倚的敏感性分析问题。Cinelli & Hazlett (2020) 的方法通过两个偏 R² 参数（遗漏混杂因子对治疗和结果的残差解释比例）来参数化偏倚，但该方法在单元级（unit-level）回归与聚类聚合（cluster-aggregated）回归中给出不同结论。作者证明，尽管两种回归在估计治疗效应时数值等价，但单元级回归中的 outcome-confounder 偏 R² 同时包含组间和组内变异，而组内变异与组级遗漏混杂因子无关，因此不应影响偏倚评估。通过引入 Pearson 偏 η 替代偏 R²，并修正稳健值（robustness value）和极端情景分析，恢复了两种分析层次之间的等价性。文章建议在聚类治疗分配中始终包含聚类平均协变量作为回归元（Mundlak, 1978），并警示直接以单元级协变量为基准进行敏感性分析可能产生误导。该工作直接关联您对因果推断中敏感性分析的兴趣，特别是 clustered observational designs 下的识别与偏倚量化问题。
关键技术: sensitivity analysis, omitted variable bias, partial R², clustered treatment assignment, Mundlak regression, robustness value
为什么对您有用: 直接连接到您 primary interest 中的因果推断敏感性分析子方向，特别是 clustered observational designs 下的偏倚量化。您的 technical arsenal 中 'estimation theory in causal inference'（very_familiar）可直接用于理解其偏 R² 参数化框架，而 'identification theory in causal inference'（moderately_familiar）可用于评估其识别假设的合理性。中期可做：若想将敏感性分析扩展到非线性模型（如 IV 或 mediation），需先在 'semiparametric theory' 上长肌肉。

3. 2607.12855 — Higher-order Spillover Effects Under Partial Interference¶

作者: Qixiang Xu, Laura Forastiere
相关性 8/10 · novelty: new_method
摘要: 本文在部分干扰（partial interference）框架下，研究网络因果推断中高阶溢出效应的识别与估计问题。传统方法通常假设干扰仅来自一阶邻居（neighborhood interference assumption），这在许多实际场景中过于严格。作者放宽该假设，允许个体的潜在结果受更广“干扰集”（interference set）中所有单元处理状态的影响，例如通过社区检测或有限网络路径可达的单元集合。在此广义干扰假设下，定义了从h阶邻居（h-order neighbors）出发的溢出效应因果估计量，并引入两个不同伯努利分布分别对h阶邻域和干扰集内其余单元的处理分配进行随机化。理论部分推导了错误指定干扰集或暴露映射函数（exposure mapping function）时的偏差，并提出了Horvitz-Thompson、Hajek估计量及相应的加权回归估计量。模拟实验评估了OLS估计量在错误假设下的偏差，以及所提估计量在不同干扰场景和随机图上的表现。实证部分应用于洪都拉斯一项两阶段随机试验，评估母婴健康干预的溢出效应。该文对您可能有用：它直接连接您primary interest中的因果推断（网络干扰下的identification与estimation），且其加权回归估计量的构造可结合您very_familiar的estimation theory in causal inference进行深入分析。
关键技术: Horvitz-Thompson estimator, Hajek estimator, weighted regression estimator, exposure mapping function, partial interference, Bernoulli randomization
为什么对您有用: 本文直接切入您primary interest中的因果推断子方向——网络干扰下的溢出效应识别与估计，特别是高阶干扰的设定与您关注的proximal CI和IV方法有潜在交叉。技术上，您very_familiar的estimation theory in causal inference（如Horvitz-Thompson、Hajek估计量的偏差-方差分析）可直接用于评估本文估计量的有限样本性质，或推导更紧的minimax界。中期可做：若想将本文的加权回归估计量扩展到半参数效率框架（如DML），需先在moderately_familiar的semiparametric theory上长肌肉，特别是推导其高效影响函数。

4. 2607.11694 — Calibrated Horizon-Weighted Local Projection Designs for Markov Switchbacks¶

作者: Makoto Nakakita, Teruo Nakatsuma
相关性 8/10 · novelty: new_method
摘要: 本文研究马尔可夫切换实验（Markov switchback experiments）中的时间分配设计，目标是对动态局部投影（local projection）参数进行有效推断。作者提出了一种校准选择器（calibrated selector），在实验前根据用户指定的估计量和报告对象，从可行的持久性参数中选择能最小化协方差、HAC、残差自助法或实现调度风险的参数。在平衡同方差马尔可夫基准下，由于滞后分配信息矩阵具有AR(1)-Toeplitz结构且逆矩阵为三对角阵，可得到闭式解，从而将局部投影的加权信息映射为持久性推荐。实际应用中，基准协方差可替换为残差化、序列相关、试点校准或随机化风险。通过半合成的Low Carbon London数据评估，利用真实半小时基线动态和已知注入响应，检验了协方差计算在现实负荷自协方差下的表现，并识别了何时应使用校准协方差选择替代同方差马尔可夫公式。该工作为纵向因果推断中的实验设计提供了实用工具，尤其适用于需要局部投影估计的动态处理效应场景。
关键技术: local projection, Markov switchback experiments, calibrated selector, AR(1)-Toeplitz matrix, HAC inference, randomization-based inference
为什么对您有用: 本文直接关联您对纵向因果推断（longitudinal causal inference）的兴趣，特别是动态处理效应估计中的实验设计问题。您武器库中的非参数统计和因果推断估计理论可用于分析其校准选择器的有限样本性质，而您对M估计理论的熟悉程度足以理解其协方差估计的渐近行为。中期可做：若想将本文的校准框架推广到更一般的非马尔可夫分配机制，需先在您 moderately_familiar 的识别理论（identification theory）上进一步积累。

5. 2607.10755 — When Screening Misleads: A Robust Mendelian Randomization Test for Reliable Causal Discovery¶

作者: Litao Jia, Bo Chen
相关性 8/10 · novelty: new_method
摘要: 本文研究孟德尔随机化（MR）中常见的“先筛选后检验”做法导致的假阳性膨胀问题。当暴露和结局变量从大量候选者中筛选时，经典MR比率估计量因选择效应而严重扭曲第一类错误率。作者提出一种稳健的MR检验方法，在无因果效应时无论是否经过关联筛选都能保持正确的第一类错误率。该方法利用正交评分思想构造检验统计量，使其与筛选步骤渐近独立。此外，方法可整合既往关联研究的汇总统计量以提高因果效应检测的统计功效。模拟实验验证了该方法相比经典MR在控制假阳性方面的显著优势。该工作对您可能有用：它直接关联您因果推断中IV方法的兴趣，且其“筛选后推断”的偏差校正思路可迁移至您熟悉的proximal CI或mediation设定中的类似问题。
关键技术: Mendelian Randomization, post-selection inference, type I error control, orthogonal score, summary statistics integration
为什么对您有用: 直接连接您primary interest中的因果推断（IV方法）和hypothesis testing。该文处理的是MR中一个实际且被忽视的选择偏差问题，其正交评分构造思路可迁移至您熟悉的proximal CI或mediation设定中的post-selection inference。武器库中'nonparametric statistics'和'estimation theory in causal inference'足以理解核心机制，属于立即可做的follow-up：可尝试将类似的正交化策略推广到您更熟悉的连续暴露或高维工具变量场景。

6. 2607.10276 — Bayesian Robustness Values for Modern Causal Panel Estimators via Riesz Representations¶

作者: Makoto Nakakita, Takahiro Hoshino
相关性 8/10 · novelty: new_method
摘要: 本文为现代因果面板估计量（合成双重差分、矩阵补全、固定效应插补、组-时间平均处理效应）开发了一套敏感性分析工作流。核心方法是将Riesz表示遗漏变量偏误界与部分R²稳健性值结合，并区分两条报告路径：路径A直接给出加性/投影混杂的敏感性剖面（结果侧和Riesz侧部分R²），路径B仅在基准协变量满足诊断条件时作为辅助数据使用，否则其主要作用是降级。作者推导了各估计量特有的Riesz诊断量，并厘清哪些是固定权重、目标层或第一阶段条件性的（而非正则化训练映射的全导数）。蒙特卡洛压力测试区分了校准基准设定与主导失败、粗alpha侧基准、基准依赖、噪声协变量和集中SDID权重等情形。在加州烟草控制面板中，SDID估计值为-15.60包/人，修正有限供体安慰剂推断给出标准误9.49和add-one p=0.051；重拟合权重有限差分审计将路径A的零化稳健性值从0.054降至0.045，低个位数结论不变。县级最低工资应用将同一剖面用于多队列交错面板。本文对您有用：它直接连接您对因果推断中敏感性分析的兴趣，特别是面板数据设定下的稳健性值方法，且其Riesz表示技术工具与您熟悉的非参数统计和估计理论高度相关。
关键技术: Riesz representation, partial R² robustness value, synthetic difference-in-differences, matrix completion, fixed-effect imputation, omitted-variable bias bounds
为什么对您有用: 本文直接连接您对因果推断中敏感性分析的兴趣，特别是面板数据设定下的稳健性值方法。其Riesz表示技术工具与您非常熟悉的非参数统计和估计理论高度相关，您可以用minimax bound视角验证其声称的sharpness是否紧。中期可做：需先在moderately_familiar的identification theory上长肌肉（面板因果identification条件）。

7. 2607.12140 — Causal Graphs, Markov Properties and Do-calculus for Stochastic Differential Equations¶

作者: Philip Boeken, Joris M. Mooij
相关性 8/10 · novelty: new_theory
摘要: 本文为随机微分方程（SDE）系统建立了图形化因果模型的理论基础。研究问题是在连续时间动态系统中，如何定义因果图、马尔可夫性质以及do-calculus。作者首先给出了因果SDE系统的适定性条件（Lipschitz半鞅SDE类），确保观测分布和干预分布良定义。核心结果包括：基于σ-分离的马尔可夫性质，以及针对样本路径层面干预的do-calculus。对于加性噪声SDE，即使系统存在循环，也证明了更强的d-分离马尔可夫性质。作为do-calculus的推论，得到了图的显式因果解释：有向路径缺失意味着因果效应缺失。进一步引入时间分裂系统，用于处理子采样时间序列、连续时间Granger非因果性和局部独立性。最后讨论了基于约束的因果发现算法（PC、FCI、CCD、CCI）如何直接适用于该框架。对您而言，本文为纵向因果推断（您的primary interest）提供了连续时间视角下的严格图形化工具，尤其适用于流行病学队列研究中连续监测数据的因果结构学习。
关键技术: σ-separation Markov property, do-calculus for SDEs, Lipschitz semimartingale SDEs, time-split systems, continuous-time Granger causality, constraint-based causal discovery
为什么对您有用: 本文直接连接您的primary interest中的纵向因果推断——为连续时间动态系统提供了图形化因果模型，这是传统离散时间DAG的推广。您的技术武器库中'identification theory in causal inference'（moderately_familiar）可直接用于理解其do-calculus的适用条件，而'nonparametric statistics'（very_familiar）可用于评估其σ-分离马尔可夫性质在非参数检验中的可操作性。中期可做：需先在moderately_familiar的'identification theory in causal inference'上长肌肉，特别是理解连续时间干预的识别条件如何与离散时间proximal CI框架衔接。

8. 2607.12622 — Orthogonal Integrated Conditional Moment Tests for Treatment Effect Heterogeneity¶

作者: Haokun Lu, Xiaojun Song
相关性 8/10 · novelty: new_method
摘要: 本文在无混淆假设下，针对由给定协变量子向量定义的子总体，提出了一种非参数积分条件矩（ICM）检验，用于检验处理效应异质性。原假设被重新表述为基于Neyman正交得分（Neyman-orthogonal score）的条件矩约束，该正交性降低了经验过程对 nuisance 参数估计的一阶敏感性。检验统计量构造为标记经验过程的连续泛函。作者建立了从可行估计到 oracle 估计的一致逼近，并推导了检验统计量在原假设和固定备择下的渐近性质。进一步证明该检验对以 \(n^{-1/2}\) 速率收敛到原假设的局部备择具有非平凡功效，并开发了易于实现的多重自助法（multiplier bootstrap）进行可行推断。文章还扩展至参数CATE设定的检验以及内生处理变量与二元工具变量的情形。最后，通过孕期吸烟对婴儿出生体重影响的实证研究展示了方法的应用。该工作直接连接您的因果推断（异质性检验）与半参效率理论（正交得分）兴趣，其正交化思路可迁移至您熟悉的proximal CI框架下的敏感性分析。
关键技术: Neyman-orthogonal score, integrated conditional moment test, marked empirical process, multiplier bootstrap, local alternatives n^{-1/2} rate
为什么对您有用: 直接连接您的 primary interest 中因果推断的异质性检验与半参效率理论。正交得分技术是您 moderately_familiar 的 semiparametric theory 的具体应用，可尝试将其推广至 proximal CI 设定下的异质性检验。中期可做：需先在 semiparametric theory 上巩固正交得分与 influence function 的构造。

9. 2607.10558 — Local Asymptotic Power of Honest Confidence Intervals¶

作者: Hugo Freeman
相关性 8/10 · novelty: new_theory
摘要: 本文研究在存在不可检验偏倚时，'诚实'置信区间（bias-aware/honest CI）的局部渐近功效。设定为DiD、IV、RD和因子模型等常见因果推断场景，其中偏倚界（bias bound）与抽样率（sampling rate）的相对速率决定了功效的三个区间：偏倚界比标准误消失更快时，保守性渐近无成本；两者同阶时，功效损失为有界显式量；偏倚界主导时（典型参数速率下），诚实检验的局部功效趋于零，即无法拒绝局部备择假设。通过极小化极大论证，证明该功效损失是诚实性本身固有的，而非特定构造的缺陷；标准bias-aware区间是率最优的。更一般地，任何宽度收缩不够快的置信区间在其覆盖集合内部无局部功效，至多在边界处有单侧功效。部分识别是该论证的极限情形。模拟和两个实证应用展示了三个区间。实用建议：在报告bias-aware区间时，同时报告功效'死区'的半宽度。
关键技术: bias-aware confidence intervals, local asymptotic power, minimax lower bound, partial identification, honest inference
为什么对您有用: 直接连接到您的主要兴趣——因果推断中的敏感性分析和识别假设检验。本文的极小化极大论证与您熟悉的minimax bounds工具高度契合，可用来检验您自己工作中bias-aware区间的功效性质。中期可做：将本文的局部功效分析框架推广到proximal causal inference设定中，需先在identification theory上巩固（moderately_familiar）。

非参数 / 半参数 (nonparam_semipara, 1 篇)¶

1. 2607.13170 — On Rates Attainable under Random Design: A Negative Answer to a Problem of Robins¶

作者: P. M. Aronow, Patrick Lopatto
相关性 9/10 · novelty: sharper_rate
摘要: 本文否定地回答了 Robins 关于随机设计下非参数回归中常数条件方差估计的一个猜想。设定为：回归函数属于 s-Hölder 类，设计密度有界且远离零，条件误差方差为常数但误差分布可依赖于设计，且四阶矩一致有界。对于任意 s>1 和维度 d>4s，作者证明了极小化均方根误差的下界为 n^{-β}，其中 β = [d(3s+1)+8s] / [(d+2s)(d+4)]。这一下界严格慢于 Robins 猜想的 n^{-4s/(d+4s)}，从而表明该猜想中的速率并非一致可达。证明技术结合了构造性先验分布、Fano 引理以及高维非参数下界工具。该结果对您可能有用：它直接关联到非参数统计中的 minimax 速率理论，并且其下界构造方法可迁移至您熟悉的 minimax 下界技术（very_familiar 项），用于检验其他半参数问题的 sharpness。
关键技术: minimax lower bound, Fano's inequality, Hölder class, random design nonparametric regression, conditional variance estimation
为什么对您有用: 本文直接关联到您的 primary interest 中的非参数统计与 minimax 下界理论。您可以用 very_familiar 中的 minimax 下界技术（如 Fano 引理、构造先验）来验证该下界是否紧，或将其推广到其他半参数设定（如条件方差函数本身为光滑函数的情形）。中期可做：若想将结果推广到更一般的半参数效率界问题，需先在 moderately_familiar 的半参数理论上长肌肉。

数理统计 / 假设检验 (hypothesis_testing, 2 篇)¶

1. 2607.11304 — A Correlation-Free Test for High-Dimensional Elliptical Distributions¶

作者: Wenrui Wu, Bingye Yang, Minghua Deng, Xu Guo
相关性 8/10 · novelty: new_method
摘要: 针对高维椭圆分布拟合优度检验问题，提出一种无需逆协方差矩阵的“无相关”检验方法。该方法基于样本协方差矩阵与零假设下期望协方差矩阵的差异构造检验统计量，通过建立高维高斯逼近理论证明其渐近分布，允许维度 p 随样本量 n 增长至 log p = o(n^{1/14})，且仅需有限矩条件。核心创新在于避免使用样本协方差矩阵的逆，从而克服高维情形下矩阵病态或不可逆的困难。进一步开发了高斯乘子自助法（Gaussian multiplier bootstrap）以逼近检验统计量的分位数，并证明其理论有效性。数值模拟表明该方法在有限样本下表现稳定，对多种备择假设具有良好功效。真实数据应用验证了其实用价值。该检验框架与您在高维假设检验和随机矩阵理论方面的兴趣高度相关，其“无相关”构造思路可能为高维协方差结构检验提供新视角。
关键技术: Gaussian approximation for high-dimensional statistics, Gaussian multiplier bootstrap, elliptical distribution goodness-of-fit test, correlation-free test statistic, high-dimensional central limit theorem
为什么对您有用: 直接对应您在高维统计与假设检验方面的主要兴趣，特别是高维分布拟合优度检验这一经典问题。该文的“无相关”构造避免了逆协方差矩阵，其理论分析（高维高斯逼近、自助法有效性）可借助您非常熟悉的高维渐近理论工具深入理解。中期可做：若想将类似方法推广至其他分布族（如对称或重尾分布），需先在 moderately_familiar 的 M-估计理论中加强，以处理更复杂的估计方程。

2. 2607.12208 — The Benjamini--Hochberg Procedure Can Fail to Control the FDR for Correlated Two-Sided Gaussian Tests¶

作者: Edgar Dobriban
相关性 8/10 · novelty: new_theory
摘要: 本文研究 Benjamini-Hochberg (BH) 程序在相关双尾高斯 p 值下的 FDR 控制问题。构造了一个因子模型，其中 p 值通过双尾高斯检验生成，且存在相关性。在名义水平 α=0.01 下，利用严格的区间算术证明，对于足够大的假设数量，FDR 严格超过 0.0104。这一结果推翻了二十年来广泛认为 BH 程序在正相关下仍能控制 FDR 的猜想。蒙特卡洛实验与理论结果一致。证明由 GPT-5.6 Pro 辅助完成并经作者仔细验证。该工作对您在高维假设检验中的多重比较问题有直接警示意义，尤其是当检验统计量存在相关性时，经典方法的稳健性需要重新审视。
关键技术: Benjamini-Hochberg procedure, false discovery rate, correlated p-values, factor model, interval-arithmetic certificate
为什么对您有用: 该论文直接关联您对假设检验的兴趣，特别是多重比较中 FDR 控制的经典方法。您武器库中的高维渐近理论可用于分析该因子模型下相关结构的精确影响，而 minimax 界工具可帮助量化 FDR 偏离名义水平的程度。中期可做：需先在 moderately_familiar 的 M 估计理论上长肌肉，以处理更一般的相关结构下的 FDR 控制问题。

其他 (other, 1 篇)¶

1. 2607.11256 — A General U-Statistic Framework for High-Dimensional Multiple Change-Point Analysis¶

作者: Bin Liu, Yufeng Liu
相关性 9/10 · novelty: new_method
摘要: 本文针对高维多变点分析，提出一个基于两样本U-统计量的统一框架，可同时处理检验、估计和推断任务。现有方法通常针对特定参数（如均值或方差）或特定任务设计，且依赖分布假设，对重尾数据不稳健。该框架采用滑动窗口内的两样本U-统计量，通过灵活选择核函数来适应一般参数的结构变化（如方差变化或稳健统计量）。检验方面，构造基于L∞范数的统计量，结合高维乘子bootstrap程序，在稀疏备择下达到minimax最优功效。估计方面，先构建变点个数和位置的初始估计，再通过U-统计量投影精炼算法（U-PRA）优化，达到minimax最优定位速率，并推导精炼估计量的渐近分布以构建置信区间。数值实验和基因组拷贝数变异数据应用展示了方法的优越性。该工作将高阶U-统计量技术系统引入高维变点问题，对您的高阶U-统计量理论兴趣有直接的方法论连接。
关键技术: two-sample U-statistic, moving window, L-infinity norm statistic, high-dimensional multiplier bootstrap, U-statistic Projection Refinement Algorithm (U-PRA), minimax optimal localization rate
为什么对您有用: 直接连接到您的高阶U-统计量理论兴趣，特别是U-统计量投影精炼算法（U-PRA）与您熟悉的treewidth/tensor contraction视角有潜在交叉——U-PRA的迭代投影步骤可视为一种低秩张量近似，其计算复杂度可用einsum图模型分析。武器库中'computation of higher-order U-statistics (treewidth / tensor contraction / einsum)'可立即用于分析U-PRA的收缩成本，属于立即可做的follow-up。

📌 中相关论文（按主题分组）¶

因果推断 (causal_inference, 10 篇)¶

1. 2607.13883 — Verifying formulas for interventional distributions¶

作者: Francesco Freni, Leonard Henckel, Sebastian Weichwald
相关性 7/10 · novelty: new_theory
摘要: 本文在因果图模型框架下形式化了一个新问题：验证（verification）——给定一个观测分布公式，判断它是否确实识别了目标干预分布。这与传统的识别（identification）问题互补：识别问的是“是否存在某个公式”，而验证问的是“这个公式是否有效”。作者证明，即使使用 sound 且 complete 的识别算法（如 ID 算法），也无法直接解决验证问题。作为第一个实用路线，他们提出了一个 falsifier（反例构造器），并证明在正则指数族模型下，该 falsifier 几乎必然诱导出一个正确的 verifier。基于此 verifier，他们开发了 gateway test，用于找出所有可用于 front-door 公式的 admissible 集合。本文对您可能有用：它直接切入因果推断中 identification 理论的未探索侧面，且验证问题的形式化可能为 sensitivity analysis 和 proximal CI 中的公式选择提供新工具。
关键技术: causal graphical models, identification vs verification, falsifier, regular exponential-family models, front-door formula, admissible sets
为什么对您有用: 本文直接连接您的 primary interest 中 causal inference 的 identification 子方向，提出了一个与经典识别问题互补的验证问题。从技术武器库看，您可以用 very_familiar 的 nonparametric statistics 和 estimation theory 来审视其 falsifier 的统计性质（如一致性、收敛速度），或用 moderately_familiar 的 identification theory 来推广到更复杂的图结构（如 proximal causal inference 中的 negative control 设定）。中期可做：若想将验证框架扩展到非参数模型，需先在 moderately_familiar 的 semiparametric theory 上长肌肉（如处理无限维 nuisance 参数时的验证问题）。

2. 2607.13293 — Average Cause-Specific Hazard: A Censoring-Invariant Measure of Event Burden Under Competing Risks¶

作者: Khondoker Nazmoon Nabi, Xiang Meng, Lu Tian, Jean M Connors, Deb Schrag, Hajime Uno
相关性 7/10 · novelty: new_method
摘要: 在竞争风险（competing risks）框架下，标准累积发生率（CIF）和粗发生率（IR）均受删失时间分布影响，导致组间比较有偏。本文提出平均原因别风险（ACSH），定义为每单位无事件人时的生存加权率，其 estimand 完全由事件时间分布决定，不依赖删失分布。估计采用非参数方法，基于 Kaplan-Meier 权重对原因别风险函数进行加权积分，并推导了渐近正态性及方差估计。两样本比较时，引入 ACSH 差和比作为无需强模型假设的可解释对比量。模拟验证了有限样本性能，CANVAS 试验数据分析展示了方法的应用。该工作对您有用：它直接处理了删失分布依赖性这一因果推断中竞争风险设定的核心问题，且非参数估计器与您的非参数统计和 M-估计理论工具高度契合，可立即用于扩展至更复杂的纵向或 IV 设定。
关键技术: Kaplan-Meier weighting, nonparametric estimation, competing risks, cause-specific hazard, censoring-invariant estimand
为什么对您有用: 直接连接到 primary interest 中的因果推断（竞争风险设定）和 longitudinal 数据。您的 very_familiar 武器库中的非参数统计和 minimax 理论可立即用于分析 ACSH 估计量的收敛速率和效率界，且其删失不变性为敏感性分析提供了新视角。立即可做：用非参数统计工具验证其估计量的 minimax 最优性。

3. 2607.12445 — Does a Developed Comorbidity Index Really Add Value? A Selection-Aware Bootstrap for Post-Selection Concordance¶

作者: M. Ehsan Karim
相关性 7/10 · novelty: new_method
摘要: 本文研究疾病特异性共病指数开发中的模型选择偏差问题。目标是在多个候选模型中选择最优后，声称其区分能力（concordance）优于固定基准（如Charlson评分）时，如何正确构建置信区间。标准乐观校正（如标准bootstrap）仅校正单一模型的过拟合，忽略了从多个候选中选择最优所带来的“赢家诅咒”项，导致置信区间结构性地失准，且样本增大也不收敛。作者提出一种“选择感知bootstrap”：在每个重抽样样本中重新执行“从多个候选选最优”的步骤，同时固定基准模型，从而消除结构性偏差。模拟显示，候选数从1增至100时，标准校正的95%覆盖率从0.94降至0.70，而选择感知区间接近名义水平，且与校准交叉验证区间匹配。该工作直接关联因果推断中的模型选择后推断问题，对您而言，其“选择感知”重抽样思路可迁移至proximal CI或IV中多模型选择后的置信区间校正，且武器库中的非参数统计和因果推断估计理论足以支撑中期拓展。
关键技术: selection-aware bootstrap, winner's curse correction, concordance index, post-selection inference, bootstrap confidence interval
为什么对您有用: 本文直接连接您primary interest中的因果推断（模型选择后推断）和假设检验（置信区间覆盖率的校准）。技术武器库中“非参数统计”和“因果推断估计理论”可立即用于理解其bootstrap机制，而“HOIF”或“semiparametric theory”可中期拓展至更复杂的因果估计量（如DR估计）的模型选择后推断。本文方法学新颖（new_method），但问题设定偏应用，可作为中期可做的follow-up：将选择感知bootstrap推广至因果推断中的变量选择或模型平均场景。

4. 2607.11389 — Robust Subgroup Analysis for Heterogeneous Censored Data¶

作者: Zhaohui Xu, Daoji Li, Zemin Zheng
相关性 7/10 · novelty: new_method
摘要: 本文针对异质性删失数据，在加速失效时间（AFT）模型框架下提出一种稳健的子组分析方法。目标是在不预先知道个体子组归属的情况下，同时识别子组并估计协变量效应。方法上，将逆概率加权（IPW）、M-估计和凹成对融合惩罚（concave pairwise fusion penalization）相结合，以处理删失和异质性。算法方面，开发了RISA-ADMM算法并证明了收敛性。理论部分在温和正则条件下建立了估计量的相合性和渐近性质。模拟和德国信用数据集的应用展示了方法的稳健性。对您而言，本文的IPW+融合惩罚思路可迁移至因果推断中的异质性处理效应（HTE）估计，特别是删失结局下的子组发现，与您的因果推断和M-估计兴趣直接相关。
关键技术: inverse probability weighting, concave pairwise fusion penalization, M-estimation, accelerated failure time model, ADMM algorithm
为什么对您有用: 本文连接您的因果推断兴趣中的异质性处理效应（HTE）和删失数据问题。技术武器库中，M-估计理论（moderately_familiar）可直接用于理解其估计方程和融合惩罚的渐近性质，而逆概率加权是您very_familiar的因果推断工具。中期可做：将本文的融合惩罚框架与您的HOIF（Higher-Order Influence Functions）结合，发展删失结局下HTE的debiased ML估计。

作者: Weitao Cheng, Yilin Li, Yong Wang, Nian Si
相关性 7/10 · novelty: new_method
摘要: 本文研究在线平台分享功能对用户参与度的因果效应估计，核心挑战在于分享行为会通过社交网络产生多轮传播的“飞轮效应”，导致经典 A/B 测试的无干扰假设被违反。目标 estimand 是分享诱导的全局处理效应（global treatment effect），即处理对总参与度的平均因果效应。作者提出一个基于流量平衡恒等式的估计量，将分享诱导的参与度解释为几何放大过程，利用平台已有的归因日志得到闭式传播调整项，从而处理多轮扩散带来的干扰。在温和条件下，建立了估计量的一致性，并开发了用于流程验证的 A/A 测试程序。模拟表明，该方法相比差分估计量和一阶调整方法显著降低偏差，A/A 测试能控制名义第一类错误。最后在真实大规模在线平台上进行了实证分析。该工作对您有用：它处理了因果推断中一个实际且棘手的干扰问题（网络干扰下的多轮传播），与您 primary interest 中的因果推断（尤其是纵向/网络设定）直接相关，且其基于流量平衡的识别策略可能启发您在高阶 U-统计量或 semiparametric 框架下设计更一般的估计量。
关键技术: flow-balance identity, geometric amplification process, A/A testing, network interference, causal estimation under interference
为什么对您有用: 本文直接连接您的 primary interest 中的因果推断，特别是网络干扰下的处理效应估计，这是您关注的纵向/传播设定。您的 technical_arsenal 中 very_familiar 的“estimation theory in causal inference”和“nonparametric statistics”可直接用于分析其估计量的偏差-方差权衡或提出更稳健的调整方法。中期可做：若想将本文的几何放大思想推广到更一般的网络结构（如异质传播率），需先在 moderately_familiar 的“identification theory in causal inference”上长肌肉，理解更复杂的识别条件。

6. 2607.13862 — Estimation and Inference for Latent Dual Networks Using High-Dimensional IV Screening¶

作者: Arturas Juodis, George Kapetanios, Vasilis Sarafidis
相关性 7/10 · novelty: new_method
摘要: 本文针对高维面板网络模型中的潜在双重网络结构，提出了一种新的估计与推断方法。该框架允许结果变量同时受到正向（强化）和负向（竞争/替代）交互渠道的影响，无需预先指定网络结构即可从观测数据中识别并估计网络。核心方法是通过一个序贯工具变量筛选（IV screening）程序恢复网络结构。理论方面，作者建立了精确的支持恢复（exact support recovery）性质和oracle等价的后选择推断（oracle-equivalent post-selection inference）。实证部分应用于美国企业杠杆率数据，揭示了企业财务决策中同时存在强化和替代交互效应。该方法将高维IV与网络结构学习结合，对您关注的因果推断（特别是IV方法）和面板数据中的交互效应识别有直接参考价值。
关键技术: high-dimensional IV screening, sequential variable selection, exact support recovery, oracle post-selection inference, panel network models, latent dual networks
为什么对您有用: 本文直接连接您的primary interest中的'causal inference (IV)'和'high-dimensional statistics'子方向。您武器库中'high-dimensional asymptotics'和'estimation theory in causal inference'两项very_familiar工具可直接用于分析其IV筛选程序的渐近性质，例如检验其support recovery条件是否可放松。中期可做：若想将此类序贯IV筛选推广到proximal causal inference的negative control设定，需先在moderately_familiar的'identification theory in causal inference'上长肌肉。

7. 2607.12219 — Partial Identification with Multiple Nonlinear Measurements of a Latent Regressor¶

作者: Burhan Ogut, Michelle Yin
相关性 7/10 · novelty: new_method
摘要: 本文研究潜变量回归中的部分识别问题，当潜变量仅能通过多个非线性测量观测时，目标为结构系数（structural coefficient）。作者通过要求共识测量函数为线性，并约束各源测量函数相对于斜率的曲率异质性上界，将结构系数限定在一个闭式区间内。该区间以对称的跨源估计量为中心，半宽为曲率上界的二阶量且达到该阶下的sharp界。当测量源数≥4时，曲率上界可通过分裂工具辅助回归从联合分布中估计，结合Imbens-Manski置信区间与Stoye临界值可在曲率类上实现均匀覆盖，包括点识别边界。应用部分使用2015-2024年美国社区调查面板（888万人-年观测）匹配6个AI暴露测量指标，发现语言模型指标与Webb专利文本指标在2022年后就业系数符号相反，最终5个保留源给出载荷不变的共识系数-0.239，部分识别半宽仅为点估计的1.23%。本文对您的主要兴趣——因果推断中的部分识别与测量误差问题——有直接连接，其利用多个非线性测量进行部分识别的框架可迁移至proximal causal inference中negative control变量的设定。
关键技术: partial identification, measurement error, latent variable regression, split-instrument auxiliary regression, Imbens-Manski confidence intervals, curvature bound
为什么对您有用: 本文直接连接您的主要兴趣——因果推断中的部分识别与测量误差问题。其利用多个非线性测量进行部分识别的框架可迁移至proximal causal inference中negative control变量的设定，且您武器库中'identification theory in causal inference'（moderately_familiar）可直接用于评估该框架在proximal设定下的可扩展性。中期可做：需先在moderately_familiar的identification theory上巩固，再考虑将曲率上界估计方法推广至proximal g-formula。

8. 2607.10246 — Inference for Fixed Effects Estimators when Panels are Unbalanced¶

作者: Daniel Czarnowske, Amrei Stammann
相关性 7/10 · novelty: new_method
摘要: 本文研究非平衡面板数据中双向固定效应M估计量的渐近性质。在横截面单元数和时间期数同时增长的渐近框架下，允许选择过程是确定性的、随机的或混合的，且仅施加条件均值限制。未校正的估计量是渐近正态的但非零中心，存在 incidental parameter 偏差和反馈偏差，后者可由结果方程中的预确定回归量和预确定选择过程共同导致。作者提出了去偏估计量，同时处理这两种偏差来源，无需事先知道哪些回归量或选择成分是预确定的。理论结果包括渐近正态性和一致性方差估计，并通过蒙特卡洛模拟验证了有限样本表现。该工作对您可能有用：它直接关联因果推断中面板数据处理的识别与估计问题，尤其是您熟悉的非参数统计和估计理论可用于分析其偏差校正机制。
关键技术: two-way fixed effects M-estimator, incidental parameter bias, feedback bias, debiased estimator, unbalanced panel, asymptotic normality
为什么对您有用: 本文直接关联您 primary interest 中的因果推断（面板数据固定效应估计）和估计理论。您非常熟悉的非参数统计和 minimax 界工具可用于分析其偏差校正的收敛速率是否最优；同时，其去偏思路与您 moderately_familiar 的 semiparametric theory 中的 debiased ML 有技术共鸣。中期可做：若想将本文的偏差校正推广到更一般的因果参数（如动态处理效应），需先在 moderately_familiar 的 identification theory 上加强。

9. 2607.13564 — Manipulation testing based on Benford's Law for discrete scores¶

作者: Roy Cerqueti, Marco Ventura
相关性 6/10 · novelty: new_method
摘要: 本文在断点回归设计（RDD）的框架下，针对离散得分变量（running variable）的操纵检测问题，提出基于本福特定律（Benford's Law, BL）的检验方法。传统McCrary型密度检验依赖对称性假设且需手动选择带宽，可能遗漏系统性不平衡。作者将BL从数字层面推广到概率层面，构造了两个互补的检验统计量，并引入一种与BL一致的带宽选择方法。该方法将密度分解为方向性分量，能定位操纵的具体来源，弥补了标准框架的盲区。实证应用展示了该诊断框架相比传统方法的额外保护价值。对您而言，本文是RDD中一个新颖的预处理诊断工具，与您因果推断（尤其是断点设计）的兴趣直接相关，且其带宽选择思路可迁移至您熟悉的非参数统计工具。
关键技术: Benford's Law, Regression Discontinuity Design, manipulation testing, density-based test, bandwidth selection
为什么对您有用: 本文直接关联您primary interest中的causal inference（RDD的操纵检验），且其带宽选择方法可被您very_familiar的非参数统计工具（如核密度估计的带宽选择）所理解和改进。目前属于中期可做：需先在moderately_familiar的identification theory中理解RDD的识别假设与操纵检验的衔接，但核心统计工具已在武器库中。

10. 2607.10613 — Network-Adjusted GMM Estimation under Network Uncertainty¶

作者: Tadao Hoshino
相关性 6/10 · novelty: new_method
摘要: 本文针对社会互动模型中观测网络与真实交互网络可能不一致的问题，提出了一种网络调整广义矩估计（NA-GMM）方法。NA-GMM 是一种带惩罚的 GMM 方法，允许对观测到的交互矩阵元素进行修改以改善矩条件的拟合，并通过惩罚项限制调整幅度以避免过度调整。该方法不旨在估计真实网络本身，而是收敛到一个伪真参数。在线性空间自回归模型下，作者证明了 NA-GMM 估计量在一般矩误设定下对伪真参数具有一致性和渐近正态性。进一步，固定权重的 NA-GMM 估计量相比传统 GMM 具有偏差缩减性质。实证部分使用美国县级 COVID-19 感染数据展示了方法的实用性。该工作对您在因果推断中处理网络结构不确定性（如 IV 或中介分析中的网络误设定）有直接参考价值。
关键技术: penalized GMM, network adjustment, pseudo-true parameter, spatial autoregressive model, bias reduction
为什么对您有用: 本文直接关联您的 primary interest 中的因果推断（IV、中介分析）——当网络结构作为工具变量或中介变量时，观测网络与真实网络的偏差会导致估计偏误，NA-GMM 提供了一种处理此类不确定性的框架。您的 technical_arsenal 中 'estimation theory in causal inference' 和 'identification theory in causal inference' 可立即用于理解其伪真参数识别策略，并评估其偏差缩减性质是否可迁移至您的 IV 或中介设定。中期可做：若想将 NA-GMM 推广至非线性因果模型（如带有未观测混杂的 IV），需先在 moderately_familiar 的 'semiparametric theory' 上提升，以处理更复杂的矩条件。

高维统计 / 随机矩阵 (high_dim_rmt, 1 篇)¶

1. 2607.10500 — Adaptable Regularized CCA Tests for Independence of High-Dimensional Random Vectors¶

作者: Haoran Li
相关性 7/10 · novelty: new_method
摘要: 本文针对高维随机向量之间的独立性检验问题，在典型相关分析（CCA）框架下引入岭正则化和主成分降维，以稳定经典检验统计量在高维下的表现。根据降维后的维度，作者分别提出了正则化似然比检验和正则化最大根检验，以适应不同的检验场景。文章建立了所提程序在原假设和代表性备择假设下的渐近行为，并开发了数据驱动的正则化参数选择方法。大量模拟研究展示了该方法在广泛设定下的良好有限样本性能。该工作直接关联到您在高维统计和假设检验方面的兴趣，特别是正则化CCA在高维独立性检验中的应用，其理论分析（渐近分布、备择假设下的行为）与您熟悉的minimax界和高维渐近工具高度契合。
关键技术: ridge regularization, canonical correlation analysis (CCA), principal component dimension reduction, regularized likelihood ratio test, regularized largest-root test, data-driven regularization parameter selection
为什么对您有用: 直接连接到您的高维统计和假设检验兴趣，特别是高维随机向量独立性检验这一具体子方向。您熟悉的minimax界和高维渐近工具可直接用于分析该方法的理论性质（如检验功效的minimax最优性、正则化参数选择的最优率）。中期可做：需先在moderately_familiar的semiparametric theory上长肌肉，以处理正则化参数选择的理论证明（涉及经验过程或渐近展开）。

非参数 / 半参数 (nonparam_semipara, 3 篇)¶

1. 2607.10230 — Nonparametric estimation of the diffusion coefficient of an ergodic diffusion process on non-compact supports under Osgood's conditions¶

作者: Eddy-Michel Ella-Mintsa
相关性 7/10 · novelty: new_method
摘要: 本文研究遍历扩散过程平方扩散系数的非参数估计，设定在非紧支撑上且漂移和扩散系数属于比Hölder连续函数空间更大的函数空间（满足Osgood条件）。估计量通过投影到有限维空间构造，避免了维数截断。建立了非自适应估计量的风险界，并给出了有界和无界扩散系数的显式收敛速度。通过模型选择程序（基于Talagrand不等式推导风险界）实现了自适应估计。数值模拟验证了理论结果。该工作对您在高维统计和半参数理论中的非参数估计方法有参考价值，特别是投影估计和模型选择的技术细节。
关键技术: projection estimator, Talagrand's inequality, model selection, risk bounds, ergodic diffusion
为什么对您有用: 本文属于非参数统计与半参数理论方向，直接对应您primary interests中的非参数估计理论。您武器库中'非参数统计'和'minimax bounds for estimation problems'两项very_familiar工具可直接用于分析其收敛速度是否最优。中期可做：若将投影基函数推广到更一般的sieve空间，需先熟悉您moderately_familiar中的'semiparametric theory'。

2. 2607.13182 — Bandwidth-free nonparametric density estimation for grouped data¶

作者: Furkan Danisman, Hanna Jankowski, Camila P. E. de Souza
相关性 6/10 · novelty: new_method
摘要: 本文针对分组数据（grouped data）——即仅知各区间内观测频数、原始个体数据不可得——提出了一种无需带宽的非参数密度估计方法。该方法基于对数凹（log-concave）密度假设，通过均值调整（mean-adjusted log-concave, MALC）来适应分组数据的区间截断结构，从而避免传统核密度估计对带宽选择的依赖。MALC 估计器通过最大化分组数据的似然函数（在 log-concave 约束下）实现，计算上可转化为凸优化问题。模拟实验覆盖多种分布、样本量和区间宽度，结果显示 MALC 在均方积分误差（MISE）上优于传统直方图和核密度估计，尤其对中等分组数（如 10-20 个区间）表现稳健。该方法的理论贡献在于将 log-concave 密度估计推广到分组数据设定，并证明了估计量的存在性和一致性（在区间宽度趋于零时）。对您而言，该工作连接了非参数密度估计与分组/聚合数据这一实际场景，其“无需调参”的特性在流行病学或经济学的汇总数据（如普查区间、保密数据）中具有直接应用价值。
关键技术: log-concave density estimation, grouped data likelihood, convex optimization, nonparametric density estimation without bandwidth
为什么对您有用: 本文直接关联您的 primary interest 中的非参数统计与估计理论，特别是处理分组/聚合数据这一实际约束。您的武器库中“非参数统计”和“M-estimation 理论”可直接用于分析该估计量的收敛速率和渐近分布（例如，log-concave MLE 在分组数据下的 minimax 界是否与原始数据一致）。中期可做：若想将 MALC 扩展到高维或因果推断中的密度比估计，需先在 moderately_familiar 的“semiparametric theory”上提升（如处理 nuisance 函数的收敛速率）。

3. 2607.14064 — Minimax Theory of Likelihood-Based Deep Learning for Speckle Regression¶

作者: Soham Jana
相关性 6/10 · novelty: new_theory
摘要: 本文研究乘性散斑噪声（speckle noise）下非参数回归函数的极小极大估计理论。与加性噪声不同，乘性散斑噪声使回归函数在条件均值下不可识别，因此传统基于最小二乘的深度学习方法失效。作者提出基于似然的深度神经网络（DNN）估计器，在同时包含乘性散斑噪声和加性高斯噪声的模型下，建立了估计误差的有限样本上界，并推导了非参数函数恢复的极小极大下界，两者在样本量的对数因子意义下匹配。令人惊讶的是，这些极小极大率与纯加性高斯噪声下的非参数回归率（至多相差对数因子）一致，表明乘性散斑噪声并未本质增加估计难度。数值实验验证了所提DNN去斑方法的一致性。该结果对您在高维统计和非参数理论方面的兴趣有直接连接，特别是其极小极大下界推导技术可迁移至您熟悉的非参数极小极大界框架。
关键技术: minimax lower bound, nonparametric regression, deep neural network estimator, likelihood-based estimation, multiplicative noise model, finite-sample upper bound
为什么对您有用: 本文直接连接您的主要兴趣：非参数与半参数理论中的极小极大估计问题，以及高维统计中的稀疏特征设定。您武器库中'非参数统计'和'极小极大界'两项very_familiar工具可直接用于理解其下界构造和上界证明，中期可做的是将乘性噪声模型扩展至您熟悉的因果推断设定（如proximal CI中的测量误差问题），需先在moderately_familiar的'identification theory'上长肌肉。

数理统计 / 假设检验 (hypothesis_testing, 12 篇)¶

1. 2607.12853 — Hash-augmented adaptive multilevel splitting Monte Carlo algorithm for accurate estimation of two-sample permutation test p-values¶

作者: Nikita Golikov, Vladimir Sukhov, Gennady Korotkevich, Alexey Sergushichev
相关性 7/10 · novelty: new_method
摘要: 本文针对非参数置换检验中极小p值估计精度差的问题，提出了一种基于哈希增强的自适应多级分裂蒙特卡洛算法。传统蒙特卡洛方法在估计极小p值时相对误差大，影响多重假设检验校正。作者以Kolmogorov-Smirnov检验和Mann-Whitney U检验为例，揭示了检验统计量离散性带来的陷阱并给出了解决方案。算法通过自适应多级分裂策略和哈希技术，实现了对任意小p值的准确估计，并提供了有效的置信区间。与精确算法对比验证了估计精度。作者提供了Python包hamstest实现，支持用户自定义统计量。该工作对您在高维假设检验和置换检验的精确计算方面有直接参考价值，特别是处理离散统计量时的技巧可迁移至您的U-统计量检验问题。
关键技术: adaptive multilevel splitting, Monte Carlo p-value estimation, hash-augmented sampling, permutation test, discrete test statistic
为什么对您有用: 本文直接关联您对假设检验的兴趣，特别是置换检验中极小p值的精确估计问题。您的技术武器库中'非参数统计'和'高维渐近理论'可用于分析该算法的收敛性和误差界，而'高阶U-统计量的计算'经验可帮助评估算法在复杂统计量下的计算成本。中期可做：将自适应多级分裂思想推广到您熟悉的U-统计量检验中，需先在'moderately_familiar'的'高阶U-统计量理论'上加强离散分布下的分析能力。

2. 2607.12132 — Extracting Bayesian Evidence from Frequentist p-Values¶

作者: Frederik Aust, Samuel Pawel, Eric-Jan Wagenmakers
相关性 7/10 · novelty: application
摘要: 本文重新审视了 Jeffreys 在 1930 年代提出的近似 Bayes 因子 (JAB)，该近似仅需 p 值和有效样本量 n_eff，即可在单位信息先验下将频率学派 p 值与客观 Bayes 因子联系起来。作者澄清了 JAB 的核心假设与边界条件，并通过 704 个 t 检验和 39 个比例比较的实证研究，证明 JAB 对客观 Bayes 因子的近似效果极佳。关键发现是：p 值所隐含的证据强度强烈依赖于 n_eff——传统上对 p 值的口头标签（如 .001 < p < .01 对应“强惊讶”）仅在 n_eff ≈ 8 时与 Bayes 因子分级一致；样本量更大时，相同 p 值对应更弱的证据。在中到大型样本中，p > .10 可能构成对 H0 的中等甚至强证据。JAB 提供了一种廉价、对样本量敏感的 p 值补充工具，仅需常规报告统计量即可计算，且在可选停止下仍然有效。该工作对您可能有用：它直接关联到您对假设检验的兴趣，特别是 p 值与证据强度的关系，以及如何在高维或复杂设定下校准检验的结论。
关键技术: Jeffreys's Approximate Bayes factor (JAB), unit-information prior, Bayes factor vs. p-value calibration, effective sample size (n_eff), objective hypothesis testing
为什么对您有用: 本文直接连接您对假设检验的兴趣，特别是 p 值与证据强度的校准问题。您武器库中的 minimax bounds 和 high-dimensional asymptotics 可用于分析 JAB 在高维或复杂模型下的行为（例如，n_eff 的定义与估计误差的权衡）。中期可做：需先在 moderately_familiar 的 M-estimation theory 上长肌肉，以处理非 i.i.d. 或半参数设定下 n_eff 的推广。

3. 2607.13761 — Nonstandard likelihood-ratio limits under semidefinite rank constraints¶

作者: Didier Concordet
相关性 7/10 · novelty: new_theory
摘要: 研究问题：在正半定矩阵的秩约束假设检验中，原假设是分层的——最大允许秩的点构成正则边界层，而更低秩的点是奇异的。因此，仅用顶层stratum的chi-bar-square校准无法描述整个复合原假设，尤其是当秩在局部n^{-1/2}尺度上发生变化时。方法核心：在profile掉正则nuisance参数后，推导出一个共同的约化高斯实验，适用于所有固定原假设秩和所有局部秩转移。在顶层stratum上恢复经典的chi-bar-square分布；在更低秩上，极限通常涉及向非凸秩约束半定集的投影。主要理论结果：在各向同性假设下，顶层stratum的分布是所有固定原假设stratum和所有局部原假设秩转移中最不利的（least favourable）；在任意各向异性下，当active corank为1时也证明了相应的转移优势。最后，在顶层stratum上获得了极限分布及其临界值的条件形状导数。对您可能有用：该工作直接关联您对假设检验（尤其是非标准极限分布）的兴趣，其分层原假设和局部秩转移的分析框架可迁移到高维统计中协方差结构检验问题。
关键技术: likelihood-ratio test, semidefinite rank constraint, chi-bar-square distribution, stratified null hypothesis, local rank transition, least favourable calibration
为什么对您有用: 直接连接到您对假设检验的兴趣，特别是非标准极限分布问题。该文的分层原假设和局部秩转移分析框架，可用您非常熟悉的minimax bounds工具来验证其声称的least favourable性质是否紧，或在高维协方差结构检验中推广。中期可做：需先在moderately_familiar的semiparametric theory上长肌肉（profile nuisance参数的技术），但核心检验思想与您的武器库高度匹配。

4. 2607.13209 — A unified approach for testing in Hilbert spaces on incomplete data¶

作者: Daniel Gaigall, Philipp Wübbolding
相关性 7/10 · novelty: new_method
摘要: 本文研究在可分离 Hilbert 空间中基于不完全观测数据的统计检验问题，数据维度可能很大甚至无限。该框架涵盖高维随机向量缺失条目、部分观测随机过程等实际场景。作者识别出不完全数据中的独立同分布结构，从而能够利用大数定律和中心极限定理等经典工具进行分析。提出了一种统一的检验概念，适用于拟合优度、对称性、齐性和独立性等多种检验问题，并以正态性拟合优度检验为例进行了具体说明。理论贡献在于将 Hilbert 空间中的检验方法推广到缺失数据等不完全观测情形，为高维和函数型数据的统计推断提供了新途径。对您而言，本文连接了高维统计和假设检验两个主要兴趣方向，其处理不完全数据的一般性框架可能启发您在高维因果推断或 U-统计量检验中处理缺失数据问题。
关键技术: Hilbert space testing, incomplete data, high-dimensional inference, functional data analysis, central limit theorem in Hilbert spaces
为什么对您有用: 本文直接关联您的 primary interest 中的 hypothesis testing 和 high-dimensional statistics。其处理不完全观测数据的统一框架，可迁移至您非常熟悉的 nonparametric statistics 和 high-dimensional asymptotics 领域，用于处理因果推断中缺失协变量或部分观测结局的检验问题。目前属于中期可做：需先在 moderately_familiar 的 semiparametric theory 上加强，以将本文的 Hilbert 空间检验思想与您已有的因果推断工具结合。

5. 2607.12830 — MixCIT: A Kernel Based Local-Polynomial Debiased Test for Conditional Independence on Mixed-Type Data¶

作者: Mengxiao Gao, Kyra Gan, Promit Ghosal
相关性 7/10 · novelty: new_method
摘要: 本文提出 MixCIT，一种针对混合类型数据（离散+连续）的条件独立性检验方法。核心思想是构造基于图的检验统计量：在由离散变量精确匹配、连续变量 k-近邻匹配构成的复合邻域内，比较响应变量的核相似性。当所有条件变量均为离散时，原始统计量即可使用；但只要有一个连续条件变量，就必须采用局部多项式 debiased 变体来消除局部平滑偏差。作者严格证明了该统计量在所有数据类型组合下的渐近零分布，并给出了局部备择下维数无关的 n^{-1/4} 检测阈值，避免了高维几何估计器的相变问题。算法复杂度接近二次，且通过解析图校准绕开了全局核方法的三次瓶颈。对您而言，该工作将条件独立性检验推广到了实际数据中常见的混合类型场景，其局部多项式 debiasing 技巧与您熟悉的非参数统计和假设检验方向直接相关。
关键技术: conditional independence testing, graph-based test statistic, local polynomial debiasing, k-nearest neighbor matching, asymptotic null distribution, dimension-free detection threshold
为什么对您有用: 该工作直接连接您的 primary interest 中的 hypothesis testing 和非参数统计。其核心挑战——混合类型数据下的条件独立性检验——是因果发现和变量选择的基础问题，而您武器库中的 minimax bounds 和 nonparametric statistics 可以直接用于分析其检测阈值的紧性。中期可做：若想将类似局部多项式 debiasing 技巧推广到您 moderately_familiar 的 HOIF 框架中，需要先在 semiparametric theory 上长肌肉。

6. 2607.11719 — A uniform relative deviation inequality for VC-subgraph classes¶

作者: François Portier
机构: École Nationale de la Statistique et de l'Analyse de l'Information
相关性 7/10 · novelty: sharper_rate
摘要: 本文针对 VC-subgraph 类函数提出了一种新的 Bernstein 型相对偏差不等式。该不等式是非渐近的，包含显式常数，并以概率水平进行相对归一化。证明方法基础，结合了融入相对归一化的新对称化原理与最大次高斯不等式，无需浓度或熵积分论证。应用于核密度估计时，该不等式给出了估计量与平滑密度之间同时关于实线上所有点和所有正带宽的位置与带宽自适应误差界。当特化为集合类时，该技术改进了 Anthony 和 Shawe-Taylor (1993) 经典相对偏差 Vapnik-Chervonenkis 不等式中的常数，将右尾不等式中的因子 4 S_A(2n) 降至 S_A(2n)，左尾不等式降至 3 S_A(2n)。该结果对您在高维统计与非参数理论中处理均匀收敛速度问题具有直接参考价值，特别是其相对归一化技巧可应用于您熟悉的 minimax 界推导。
关键技术: Bernstein-type deviation inequality, VC-subgraph classes, symmetrization principle, maximal sub-Gaussian inequality, relative normalization, kernel density estimation
为什么对您有用: 本文属于 hypothesis_testing 方向，直接关联您 primary interest 中的数学统计与假设检验。其相对偏差不等式是您非常熟悉的非参数统计与 minimax 界工具箱中的核心工具，可用于改进您在高维渐近分析中的均匀收敛结果。中期可做：该文的对称化技巧可尝试推广到您 moderately_familiar 的高阶 U-统计量理论中，以得到更紧的偏差界。

7. 2607.12369 — Nonparametric Multi Change Point Detection for Markov Chains via Adaptive Clustering¶

作者: Imon Banerjee, Jiaqi Lei, Sanjay Mehrotra
相关性 6/10 · novelty: new_method
摘要: 本文研究离线多变化点检测问题，目标是在非独立同分布（Markov链）数据序列中准确识别分布变化的时间点。核心设定是数据来自一个再生Markov链，不假设独立同分布，这比传统变化点检测更贴近实际序列数据。方法上，作者将Rademacher复杂度理论（针对Markov链的最新进展）与自适应聚类（adaptive clustering via penalisation）相结合，先推导出Markov链经验分布的Dvoretzky-Kiefer-Wolfowitz型不等式，再基于此不等式设计聚类算法来恢复变化点。理论贡献在于：该算法在Markov设定下达到的变化点检测速率与已知i.i.d.数据的最优速率一致，从而证明了速率的紧性。最后讨论了计算复杂度。对您而言，本文的Rademacher复杂度工具和自适应聚类框架可直接迁移到您熟悉的非参数统计与高维渐近分析中，且变化点检测与因果推断中的纵向数据分段分析有潜在联系。
关键技术: Rademacher complexity for Markov chains, Dvoretzky-Kiefer-Wolfowitz inequality, adaptive clustering via penalisation, offline change point detection, nonparametric estimation
为什么对您有用: 本文直接连接您的primary interest中的hypothesis testing和nonparametric statistics，具体子方向是变化点检测在非i.i.d.数据上的理论保证。技术武器库中very_familiar的nonparametric statistics和high-dimensional asymptotics可直接用于理解其Rademacher复杂度推导和速率紧性论证，属于立即可做的范畴。此外，变化点检测与您关注的纵向因果推断（如分段ATE估计）有潜在接口，值得展开读。

8. 2607.13852 — A Frequentist Approach to Change Point Detection: Methods and Applications¶

作者: Debanjana Datta
相关性 6/10 · novelty: application
摘要: 本文研究函数型时间序列中的变点检测问题，允许观测在稀疏和密集支撑上变化。目标是在均值漂移和过程波动性两种设定下识别变点位置。方法基于最大化给定其他参数条件下变点的条件概率，属于一种条件似然或贝叶斯启发式的频率学派方法。作者证明了所提估计量的一致性。该方法不依赖特定的分布假设，适用于函数型数据。实证部分展示了在合成数据和实际数据上的表现。对您而言，本文的变点检测框架可连接到高维统计中的假设检验问题，但方法学新颖性有限，主要是应用导向。
关键技术: change point detection, functional time series, conditional probability maximization, consistency
为什么对您有用: 本文属于假设检验方向，但方法学贡献较浅（主要是条件概率最大化加一致性证明），与您的高维统计或U-统计量兴趣无直接技术交集。作为gateway reading价值不高，因为未涉及您武器库中的核心工具（如minimax界、U-统计量投影）。暂不可做：核心机器（函数型数据变点检测的特定概率工具）不在武器库中。

9. 2607.11130 — New Equivalence Tests for Approximate Independence in Contingency Tables¶

作者: Vladimir Ostrovski
相关性 5/10 · novelty: new_method
摘要: 本文针对二维列联表中的近似独立性提出新的等价检验方法。等价检验的目标是验证两个分类变量是否“足够接近”独立（而非精确独立），这在精确卡方检验因大样本而过于敏感时尤为有用。检验统计量基于列联表单元格的观测频数与期望频数之差，临界值通过渐近理论计算。为提高有限样本表现，作者引入bootstrap校准，并开发了边界点估计器以保证bootstrap的统计效率和计算可行性。通过不同表尺寸的模拟比较了检验的表现，并在真实数据集上进行了应用。检验方法已实现为R包并开源。对您而言，本文在假设检验框架下处理了“近似”而非“精确”零假设的问题，与您对数学统计和假设检验的兴趣直接相关，且bootstrap校准技术可迁移至您熟悉的非参数统计场景。
关键技术: equivalence testing, bootstrap calibration, boundary point estimation, contingency table, asymptotic critical values
为什么对您有用: 本文直接连接您对假设检验的兴趣，特别是处理“近似独立性”而非精确独立性的检验问题，这在大型列联表中具有实际意义。您武器库中“非参数统计”和“高维渐近理论”可直接用于分析bootstrap校准的收敛性质或扩展至稀疏高维表。中期可做：若想将等价检验思想推广至条件独立性检验（如因果推断中的敏感性分析），需先在“半参数理论”上提升（moderately_familiar）。

10. 2607.13173 — Overlapping window tests for correlation and trend¶

作者: Abbas Alhakim
相关性 5/10 · novelty: new_method
摘要: 本文提出一个用于构建和分析重叠滑动窗口统计量的通用框架，目标是在时间序列中检测相关性和趋势。对于固定窗口大小，重叠块构成一个马尔可夫链，任何中心化窗口统计量的渐近方差由该链的协方差算子决定。利用其谱结构，作者将窗口函数空间正交分解为与不同重叠水平对应的分量，从而得到“增量依赖信息”的自然定义：即扩大窗口时新引入的信息部分。文中给出了提取这些分量的显式程序，并应用于两类例子：相关性检测中使用对称多项式窗口函数并识别其信息投影部分；趋势检测中分析局部秩统计量并分离最大新引入滞后的贡献。例子还展示了不同统计量可能具有不同的局部检测尺度，包括非经典尺度。该框架还导出一个增量信息的定量度量，可用于评估窗口增大时捕获的新依赖结构，并指导尺度选择。整体上，本文为设计重叠窗口检验及其渐近正态化和局部行为推导提供了系统方法。
关键技术: overlapping sliding-window statistics, Markov chain covariance operator, spectral decomposition of window functions, incremental dependence information, symmetric polynomial window functions, localized rank-based statistics
为什么对您有用: 本文直接关联您的假设检验兴趣，特别是时间序列中依赖结构的检测方法。您武器库中的非参数统计和渐近理论可直接用于理解其正交分解和渐近方差推导，而高阶U统计量的计算视角（树宽/张量收缩）可能为分析多项式窗口函数的计算成本提供新思路。中期可做：若想将框架扩展到更复杂的依赖结构（如长记忆过程），需先在M估计理论或半参数理论上提升。

11. 2607.10905 — A Beta-Based Heteroskedasticity-Consistent Covariance Matrix Estimator¶

作者: Marina O. Cunha, Francisco Cribari-Neto, Pedro R. D. Marinho
相关性 4/10 · novelty: new_method
摘要: 本文提出一种新的异方差一致性协方差矩阵估计量（HC estimator），用于OLS回归的稳健推断。现有HC估计量（如HC0–HC4）均基于杠杆值（leverage）的某种确定性调整函数，但调整因子在杠杆极端分布时可能过度膨胀，导致有限样本性能下降。作者提出用Beta分布拟合样本杠杆值的经验分布，然后基于拟合的Beta参数构造数据驱动的调整因子，使调整量自动适应杠杆结构。该估计量在保持渐近一致性的同时，通过Monte Carlo模拟展示了更准确的有限样本推断和置信区间覆盖率。实证应用进一步验证了其在存在强影响观测时的优势。配套R包hcinfer已开源发布。对您而言，该工作属于假设检验中稳健标准误的经典问题，与您的hypothesis testing兴趣直接相关，且其“用参数分布拟合杠杆”的思路可作为您在高维或U统计量背景下设计自适应调整因子的参考。
关键技术: heteroskedasticity-consistent covariance matrix, leverage-based adjustment, Beta distribution fitting, finite-sample inference, Monte Carlo simulation
为什么对您有用: 直接连接您的hypothesis testing兴趣，具体是OLS回归中异方差稳健推断的经典问题。您的technical_arsenal中'nonparametric statistics'和'high-dimensional asymptotics'可用来分析该Beta调整估计量的渐近性质（如能否推广到高维p>n情形），或与您熟悉的minimax bound框架对比其有限样本最优性。中期可做：需先在moderately_familiar的'M-estimation theory'上熟悉杠杆值与影响函数的关系，才能将该调整思路推广到更一般的M估计框架。

12. 2607.11092 — A Tractable Pseudo-Metric on Non-Parametric Exponential Statistical Manifolds via SPD Geometry¶

作者: Amit Vishwakarma, K. S. Subrahamanian Moosath
相关性 4/10 · novelty: new_method
摘要: 本文针对非参数统计流形上分布间距离计算的根本困难，提出一个可计算的伪度量框架。核心思路是两阶段：首先将任意分布通过矩匹配投影到有限维指数族（投影是多对一的，因此得到的是伪度量而非真度量）；然后将该指数族通过增广充分统计量的期望外积嵌入到对称正定矩阵流形中，该嵌入是光滑微分同胚。由此诱导的拉回度量与Fisher-Rao度量相差一个涉及充分统计量三阶联合累积量的显式修正项；对高斯族该修正项为零，退化为Calvo-Oller嵌入。利用矩阵流形上的仿射不变黎曼度量，可得到伪度量的闭式下界，直接由样本矩计算。应用于两样本检验时，检验统计量具有仿射不变性且无需带宽等连续调参参数，临界值通过置换获得。本文方法将非参数流形上的无限维问题转化为有限维矩阵流形上的可计算问题，对您而言，其两样本检验框架与您的高维统计和假设检验兴趣直接相关，且嵌入技术可能为您的U-统计量计算提供新的几何视角。
关键技术: exponential statistical manifold, symmetric positive definite (SPD) matrix embedding, moment-matching projection, affine-invariant Riemannian metric, permutation test
为什么对您有用: 本文直接关联您的假设检验兴趣，提出了一种无需调参的两样本检验方法，其核心是几何嵌入技巧。从武器库看，您对非参数统计和高维渐近非常熟悉，可以立即评估该伪度量在您熟悉的高维设定下的检验功效和计算成本（立即可做）。此外，该嵌入与矩阵流形几何的联系，可能为您的U-统计量计算（树宽/张量收缩）提供新的几何正则化思路，属于中期可做的方向。

统计计算 / 算法 (stat_computing, 5 篇)¶

1. 2607.12387 — Hierarchical Bayesian inversion using the Karhunen-Loève expansion with analytical eigenpairs of the squared exponential kernel¶

作者: Tatsuya Shibata, Michael Conrad Koch, Kazunori Fujisawa
相关性 6/10 · novelty: new_method
摘要: 本文针对层次贝叶斯反演中高斯随机场先验的协方差超参数（标准差、相关长度）不确定性，提出一种基于平方指数核解析特征对的Karhunen-Loève（KL）展开方法。传统KL展开需在每次超参数更新时数值求解积分特征值问题（IEVP），计算成本高昂；本文利用平方指数核下高斯加权IEVP的解析解，构建解析KL展开，避免了重复数值求解。解析KL展开适用于任意域和维度，但不再具有传统KL展开的均方最优性；为此，作者通过优化高斯权重函数的标准差来最小化截断误差。一维和二维数值实验表明，该选择策略在实际应用中精度足够。此外，解析KL展开支持闭式微分，可与HMC高效结合用于后验采样。该方法在稳态Darcy流模型的水力传导率反演中成功应用，使用弱信息超先验。对您而言，本文展示了统计计算中如何用解析技巧加速贝叶斯反演，与您的统计计算兴趣（数值方法）直接相关，且其解析KL展开的构造思路可迁移到其他核函数或高维问题。
关键技术: Karhunen-Loève expansion, squared exponential kernel, analytical eigenpairs, Gaussian-weighted integral eigenvalue problem, Hamiltonian Monte Carlo, hierarchical Bayesian inversion
为什么对您有用: 本文属于统计计算（数值方法）方向，直接对应您的primary interest中的统计计算子项。其核心贡献——用解析特征对替代数值求解IEVP——是一种计算加速技巧，您可以用very_familiar的软件开发和high-dimensional asymptotics工具来评估其计算复杂度与精度权衡。中期可做：若想推广到其他核（如Matern），需先在moderately_familiar的M-estimation理论中熟悉谱分解的渐近性质。

2. 2607.10817 — An Efficient Bayesian Framework for Uncertainty Quantification in Nonlinear Imaging Inverse Problems¶

作者: Anuj Abhishek, Sakshi Arya, Madhu Gupta
相关性 6/10 · novelty: new_method
摘要: 本文针对非线性成像逆问题（定量光声断层扫描 QPAT 和电阻抗断层成像 EIT）中的贝叶斯不确定性量化，提出了一种计算高效的框架。传统贝叶斯方法需用 MCMC 采样，每次迭代求解 PDE，在大规模成像问题中计算成本极高。作者基于两阶段 pushforward 方法，先为辅助变量构造一个后验有闭式解的贝叶斯回归问题，再通过确定性重建映射将该后验推送到未知参数上，完全避免了 MCMC 采样。给出了严格的测度论解释，证明诱导后验可视为贝叶斯后验，并推导了 QPAT 和 EIT 的后验收缩率。数值实验表明，该方法在显著降低计算成本的同时，能提供准确的参数重建和可靠的区间估计。对您而言，本文属于统计计算中“计算-精度权衡”的典型案例，展示了如何用解析后验替代 MCMC 来加速 PDE 反问题，与您对统计计算（数值方法、算法）的兴趣直接相关。
关键技术: pushforward Bayesian inference, two-stage methodology, posterior contraction rates, nonlinear inverse problems, PDE-constrained inversion
为什么对您有用: 本文属于统计计算方向，直接对应您 primary interest 中的“statistical computing (numerical methods, algorithm)”。核心方法（pushforward 后验 + 闭式解替代 MCMC）是您 very_familiar 中“inverse problems with random noise”和“software development”可以攻克的：您可以用已有的非参数统计和逆问题工具分析其后验收缩率是否最优，或尝试将两阶段框架推广到其他 PDE 反问题（如扩散光学层析）。中期可做：需先在 moderately_familiar 的“semiparametric theory”上长肌肉，以理解其测度论基础并验证收缩率证明的严谨性。

3. 2607.12502 — Symbolic Weak-form Recovery of 2-D Stochastic Generators¶

作者: Sai Sathvik Gullipalli, Eshwar R A
相关性 5/10 · novelty: new_method
摘要: 本文研究从二维轨迹数据中恢复伊藤生成元（漂移与扩散张量）的符号化弱形式估计方法。针对漂移项信噪比低、双变量弱设计可能病态、无约束张量估计不保证正定性等困难，提出WG-SINDy估计器。核心机制包括：协方差形状空间核、岭稳定局部多项式投影、自适应LASSO/STLSQ变量选择、每分量可行对角GLS一步修正，以及通过PSD投影-乔列斯基分解加各向同性收缩强制正定性。在29个二维合成系统上评估，19个满足声明的恢复契约，中位中心网格漂移误差0.204、张量误差0.0397，非对角扩散张量余弦中位0.997。所有结果均为合成数据上的样本内诊断，不声称通用或真实数据恢复能力。对您而言，该工作展示了统计计算中处理病态逆问题与结构约束估计的实用策略，与您在高维统计和逆问题方面的兴趣直接相关。
关键技术: weak-form SINDy, local polynomial projection, ridge stabilization, adaptive LASSO, feasible GLS, PSD projection via Cholesky
为什么对您有用: 本文属于统计计算方法论文，直接对应您primary interest中的'statistical computing (numerical methods, algorithm)'。其核心挑战——低信噪比下的漂移恢复、病态弱设计、正定性强制——与您'very_familiar'中的'inverse problems with random noise'和'high-dimensional asymptotics'高度吻合。您可立即用非参数统计和minimax界工具分析其估计量的收敛速率是否最优；中期可尝试将PSD投影策略推广到更高阶张量估计（连接您的higher-order U-statistics工作）。

4. 2607.10735 — GNet: A scalable and flexible Gaussian process network with nonparametric neurons¶

作者: Mengyang Gu
相关性 4/10 · novelty: minor
摘要: 本文提出 GNet，一种可扩展且灵活的 Gaussian process 网络，其非参数激活函数由 Gaussian process 建模。为降低计算和存储成本，引入了联合逆 Kalman 滤波器（jointly inverse Kalman filter），该算法无需显式构造协方差矩阵即可加速模型训练和预测，并具有梯度闭式表达式。在统一优化框架下，GNet 在非线性函数预测、真实数据非参数回归以及经典密度泛函理论中高维输入的一体直接相关函数预测等任务上表现出竞争力。该工作主要贡献在于计算效率的提升，而非因果推断或高维统计的新理论。对您而言，本文展示了如何将 Kalman 滤波思想用于加速 GP 计算，这与您统计计算（numerical methods, algorithm）的兴趣直接相关，但方法学 novelty 有限，属于计算技巧的工程改进。
关键技术: Gaussian process network, jointly inverse Kalman filter, nonparametric activation function, closed-form gradient, scalable GP inference
为什么对您有用: 本文属于统计计算方向，与您 primary interest 中的 statistical computing（numerical methods, algorithm）直接相关。您武器库中 very_familiar 的软件开发和 high-dimensional asymptotics 可用于分析该算法的计算复杂度与收敛性，但核心 Kalman 滤波技巧并非您当前工具集的重点。本文可作为 gateway reading 了解 GP 网络加速的最新进展，但暂不可做——因为缺乏与您核心武器（如 U-statistics、minimax bound）的直接接口。

5. 2607.12629 — Bivariate Isotonic Regression by Dynamic Programming¶

作者: Pedro Afonso Fernandes
相关性 4/10 · novelty: new_method
摘要: 本文将 Rote (2019) 的动态规划框架从一元保序回归扩展到二元情形，核心贡献是提出了一种基于反对角线遍历（anti-diagonal traversal）的算法，能够在 O(n^2) 时间内精确求解二元保序回归问题（即最小化平方误差下的二维单调回归）。该算法避免了传统保序回归中常用的 PAVA 或凸优化方法，而是利用动态规划的最优子结构性质，通过逐条反对角线递推实现全局最优解的计算。作者在经典的棒球数据集上进行了应用，展示了 salary 与 hits、runs batted in 之间的单调关系。从统计计算的角度看，该工作提供了一个精确而非近似的求解器，对于需要保序约束的统计模型（如非参数回归、单调性假设下的因果推断）具有潜在价值。对您而言，本文属于统计计算中的算法设计，虽然不直接涉及您核心的高维或因果推断理论，但动态规划与反对角线遍历的策略可能对您熟悉的 tensor contraction / einsum 计算中的顺序优化有启发——两者都涉及在网格或张量结构上寻找最优遍历路径。
关键技术: dynamic programming, anti-diagonal traversal, bivariate isotonic regression, exact algorithm
为什么对您有用: 本文属于统计计算方向，与您 primary interest 中的 statistical computing 直接相关。虽然算法本身不涉及高维或因果推断，但其动态规划与反对角线遍历的思路可能启发您熟悉的 tensor contraction / einsum 计算中的路径优化问题——两者都涉及在网格或张量结构上寻找最优遍历顺序。目前属于暂不可做：核心机器（动态规划在保序回归中的具体应用）不在您的武器库里，但可作为 gateway reading 了解该领域的基本思路，不推荐花时间精读全文。

天体统计 (astrostats, 10 篇)¶

1. 2607.13236 — Rigidity spectra and onset geometry of the two largest Forbush decreases of solar cycle 25 from visibility-graph curvature¶

作者: D. Sierra-Porta
相关性 6/10 · novelty: application
摘要: 本文应用网络几何诊断工具——自然可见图（NVG）的节点 Forman-Ricci（FR）曲率——分析太阳活动周 25 中两次最大 Forbush 下降（FD）：2024 年 5 月 Gannon 风暴和 2025 年 6 月事件。利用 6 个 NM64 中子监测站 30 分钟分辨率的 NMDB 记录（截止刚度 R_c ≈ 0–7 GV），发现 FD 起始时节点 FR 曲率出现尖锐、一致的极小值，起始-平静中位曲率比值为 2.5–5.2（Gannon）和 3.3–8.2（2025 年 6 月）。通过保留完整自相关结构的块置换检验，所有 24 个站-相位组合的起始信号 p ≤ 2×10⁻³（检验下限），|z| = 4.7–23.7。该信号对 FR 曲率的边加权和滑动窗口（6–24 小时）图构建稳健，且幅度盲（水平可见图）对照证实其特异性源于下降的幅度几何。节点 FR 曲率的效果量几乎是 NVG 度序列的两倍（平均 Cliff's δ 0.89 vs 0.54），因为它编码了两跳（邻居度）结构。通过 Dorman 耦合函数折叠站幅度，得到 FD 谱指数 γ = 0.80（Gannon）和 0.50（2025 年 6 月），A₁₀ = 11.2% 和 18.8%：更深的事件谱更硬。在 12 个站-事件对中，曲率极值与 FD 幅度呈 |F_min| ∝ A^{0.57}（Spearman ρ = 0.75）。这些结果确立了局部图曲率作为 FD 形态的紧凑、刚度分辨描述符。
关键技术: visibility graph, Forman-Ricci curvature, block-permutation test, Dorman coupling function, network geometry
为什么对您有用: 本文属于 astrostatistics 的 gateway reading：它清晰展示了天文学家如何将网络几何工具（图曲率）应用于宇宙射线数据，并给出了完整的数据结构（NMDB 记录、截止刚度、时间分辨率）和模型侧（NVG 构建、置换检验、耦合函数）。作为统计学家，武器库中的非参数统计（块置换检验）和软件工具可直接复现其分析流程；但核心机器（Forman-Ricci 曲率、可见图理论）不在当前武器库中，属于暂不可做方向。不过本文是极好的入门读物，值得花时间读全文以理解天文学中图方法的应用场景。

2. 2607.10983 — Fast(er)PM and Moving Mesh: JAX-native Geometric Multigrid Methods¶

作者: Benjamin Horowitz
相关性 6/10 · novelty: application
摘要: 本文提出一个基于 JAX 的几何多重网格求解器，用于粒子-网格 (PM) 模拟中的泊松方程求解。在固定笛卡尔网格上，FFT 求解器因全局通信和对称性限制而效率下降，而多重网格可作为通信避免的替代方案。作者利用时间步之间的时间相干性，采用热启动 Chebyshev 多重网格作为缺陷校正方法，显著减少 V-cycle 次数，在大网格尺寸下相比分布式 FFT 实现最高两倍的 GPU 时间节省。进一步，该方法被嵌入可微移动网格 PM 框架，处理由自适应坐标变形产生的变系数曲线泊松方程，该方程无法通过 FFT 对角化求解。该方法在保持 JAX 可编译、自动微分数组工作流的同时，将力分辨率集中在非线性结构区域。本文对您作为统计计算和天体统计的入门读者非常友好：它清晰阐述了模拟数据生成中的计算瓶颈（泊松求解器），并展示了多重网格这一经典数值方法在现代可微编程框架中的实用价值。
关键技术: geometric multigrid, Chebyshev acceleration, defect correction, moving mesh, particle-mesh simulation, JAX automatic differentiation
为什么对您有用: 本文属于 astrostatistics 的 gateway reading：它清晰阐述了天体物理模拟中泊松求解的计算挑战（FFT 的全局通信瓶颈 vs. 多重网格的局部性优势），并展示了 JAX 自动微分框架如何使传统数值方法可微。您的武器库中 'software development' 和 'inverse problems with random noise' 可直接用于理解其数值框架，但核心的 'geometric multigrid' 和 'Chebyshev acceleration' 属于 moderately_familiar 之外的新工具——暂不可做直接 follow-up，但作为入门读物值得花时间读全文，以评估是否值得将多重网格纳入您的统计计算工具箱。

3. 2607.13113 — Deep Simulation-Based Inference for Inhomogeneous Bivariate Log-Gaussian Cox Processes¶

作者: Qihan Zou, Yan Wang, Tingjin Chu, Zhendong Huang
相关性 5/10 · novelty: application
摘要: 本文针对非齐次双变量对数高斯 Cox 过程，提出一种计算高效的模拟推断方法。该方法采用两步估计：第一步用经典 Poisson 估计处理一阶参数（强度函数中的协变量系数），第二步用神经网络进行模拟推断估计潜场参数。通过分离估计，降低了高维参数估计的复杂度，并避免了在存在协变量时模拟推断方法需要指定过宽参数范围的问题。方法引入二维图像作为网络输入，使模型能直接学习空间结构信息。模拟实验显示潜场参数估计准确，并在大猩猩数据集上展示了实际应用。对您而言，这是一篇将神经网络模拟推断与空间点过程结合的入门级应用文章，可作为了解 astrostatistics 中模拟推断方法的阅读材料。
关键技术: simulation-based inference, neural network, Log-Gaussian Cox process, two-step estimation, spatial point process
为什么对您有用: 本文属于 astrostatistics 方向的 gateway reading，适合作为统计学家进入该领域的入门读物。文章清晰阐述了数据侧（空间点过程、协变量、潜场）和模型侧（两步估计、神经网络模拟推断），问题本身（空间点过程的参数估计）有统计方法改进空间。武器库中的非参数统计和软件工具足以支撑理解，但核心方法（神经网络模拟推断）不在当前武器库中，属于暂不可做方向，不过作为入门阅读值得花时间了解。

4. 2607.12953 — Fast and accurate bandpass integration of complex SEDs with neural networks¶

作者: L. A. Bianchi
相关性 5/10 · novelty: application
摘要: 本文提出一种基于神经网络的快速带通积分方法，用于计算复杂光谱能量分布（SED）在给定滤波器通带下的积分值。由于积分算子的非局部性保证了目标函数的平滑性，神经网络能够高效逼近该映射。作者开发了Python包pyfine（FINE: Fast Function Interpolation via NEural NEtworks），将方法封装为易用工具。通过两个测试案例（分别含3个和9个自由参数）验证了精度与计算性能：最大相对残差分别低至0.002%和0.08%，且运行时间比优化多线程的暴力积分快两个数量级。该方法特别适用于SED函数形式计算昂贵的情形。对您而言，这是一篇优秀的入门级天文统计文献，清晰展示了数据侧（SED参数化、噪声结构）和模型侧（神经网络逼近积分算子）的设定，且提供了可复现的软件工具。
关键技术: neural network approximation, bandpass integration, spectral energy distribution (SED), Python package pyfine
为什么对您有用: 本文属于astrostats方向的gateway reading：它清晰阐述了天文学中SED带通积分的科学问题、数据结构和计算瓶颈，且不预设天文学术语，适合统计学家入门。您的武器库中'软件工程'和'非参数统计'可直接用于复现或改进其神经网络逼近策略（例如用更紧的minimax界分析其逼近误差），但核心天文学背景知识（SED物理模型、滤波器响应函数）需要额外学习，因此属于'中期可做'——需先在moderately_familiar的'非参数统计'上巩固神经网络逼近理论。

5. 2607.12396 — Demystifying image-recovery from radio interferometers: toward a multiscale predictive model¶

作者: Dan Miao, Guang-Xing Li
相关性 5/10 · novelty: application
摘要: 射电干涉阵因缺失短基线而丢失大尺度弥散辐射，导致气体质量低估和恒星形成效率等关键指标偏差。现有方法依赖计算密集的模拟观测来量化这种尺度依赖的损失，缺乏解析的图像域框架。本文提出约束扩散分解（CDD）方法，将输入图像分解为n个连续尺度空间分量，并应用于阿塔卡马大型毫米/亚毫米波阵列（ALMA）对英仙座分子云的模拟观测。研究发现干涉仪的空间滤波响应可数学解耦：尺度依赖的流量恢复分数遵循一维误差函数（erf），紧凑结构被有效恢复，而延展辐射随尺度接近最大可恢复尺度单调衰减。CDD-erf框架直接在图像域预测干涉滤波后的图像，绕过可见度模拟，为模型与干涉观测之间提供了定量桥梁。对您而言，这是一篇优秀的入门级天文统计读物，清晰展示了射电天文中一个具体的数据缺失问题及其解析建模思路，适合了解天文数据结构和分析挑战。
关键技术: Constrained Diffusion Decomposition, scale-space decomposition, erf-based recovery function, image-domain prediction, mock observation bypass
为什么对您有用: 本文属于astrostats的gateway-reading范畴：(1) 清晰阐述了射电干涉阵的数据缺失问题（短基线缺失导致大尺度结构丢失）和现有方法的计算瓶颈，适合作为统计学家进入天文数据分析的入门读物；(2) 武器库中的非参数统计和逆问题经验可用于理解其尺度分解和解析建模思路，但核心是天文物理而非统计方法创新；(3) 值得花时间读全文，因为其问题设定（尺度依赖的观测损失）和解析近似思路对统计学家有启发，且数据结构和噪声模型交代清楚。

6. 2607.12900 — Establishing baseline model performances for optical turbulence forecasting¶

作者: M. De Sepibus, E. Masciadri, C. Weinberger, C. Veillet, S. Ragland
机构: Arcetri Astrophysical Observatory · Adaptive Design Association · Large Synoptic Survey Telescope Corporation
相关性 4/10 · novelty: application
摘要: 本文旨在为光学湍流（OT）预报建立基线模型性能阈值，以评估更复杂方法的相对改进。研究聚焦于两类基线方法：参数在定义时间尺度上的平均值预报，以及参数在定义时间尺度上的时间演化预报。作者利用来自甚大望远镜（VLT）和大双筒望远镜（LBT）站点多年丰富统计样本的数据集，计算了关键天文气候和大气参数的基线性能。结果表明，每种参考方法的预测性能依赖于观测站点、预报参数、预报时间尺度和预报类型，因此无法用绝对术语量化OT预报的性能。本文为天文台站选择或评估预报模型提供了必要的参考基准，对您作为统计学家进入天文统计学领域是一篇很好的入门读物，清晰展示了数据结构和评估框架。
关键技术: baseline models, numerical weather prediction, optical turbulence forecasting, adaptive optics
为什么对您有用: 本文属于天文统计学（astrostats）的入门级读物，清晰阐述了OT预报的问题设定、数据来源（VLT/LBT多年统计样本）和评估框架（基线模型），适合作为统计学家了解该领域的起点。您的武器库（非参数统计、高维渐近理论）虽不直接用于本文的简单基线方法，但足以支撑您理解其数据结构和评估逻辑，并思考更复杂的统计模型（如时空建模、机器学习）如何改进预报。值得花时间阅读全文以建立领域背景。

7. 2607.12805 — Enhanced wavefront sensing for the Roman Coronagraph Instrument: Gaussian probes and compact model validation¶

作者: Lukas Delaye, Iva Laginja, Pierre Baudoz, Axel Potier, Johan Mazoyer, Raphaël Galicher et al.
相关性 4/10 · novelty: application
摘要: 本文针对 Roman 空间望远镜的日冕仪仪器，研究增强型波前传感与控制模式。核心问题是：在闭环焦平面波前传感中，用高斯型探针替代名义探针来估计电场，能否扩展线性工作区间、允许更高探针幅度，从而提升信噪比、缩短曝光时间、加速暗孔收敛，并将可观测恒星极限从 V~4 推至 V~5。方法上，作者使用无噪声紧凑软件模型进行数值仿真，对比高斯探针与名义探针的性能。仿真结果支持高斯探针在信噪比和收敛速度上的优势。该模式已被日冕仪社区参与计划的硬件工作组选为 2027 年初在 Roman 上首次技术演示的内容。对您而言，这是一篇典型的 astrostatistics 入门级读物：问题设定清晰（波前传感与控制），数据侧（焦面图像、探针模式）和模型侧（电场估计、线性化近似）都有明确交代，适合作为了解空间望远镜统计信号处理问题的起点。
关键技术: focal-plane wavefront sensing, Gaussian probes, electric field estimation, closed-loop control, numerical simulation
为什么对您有用: 本文属于 astrostatistics 的 gateway reading。它清晰阐述了空间望远镜日冕仪中一个具体的统计信号处理问题——电场估计的探针设计，数据侧（焦面图像、探针模式）和模型侧（线性化近似、信噪比分析）都有明确交代，适合作为了解该领域的入门读物。您的武器库中 nonparametric statistics 和 estimation theory 足以理解其核心方法，但该领域特有的光学系统模型和硬件约束是您目前不熟悉的，因此属于暂不可做——缺的是光学系统建模和波前传感的领域知识。不过，如果您想进入 astrostatistics 方向，本文是值得花时间读全文的入门材料。

8. 2607.11825 — WALOP-South: a four camera one shot imaging polarimeter for the PASIPHAE survey. Paper III -- PSF modelling¶

作者: Indrajit Paul, Kishan Deka, Tuhin Ghosh, Siddharth Maharana, A. N. Ramaprakash, Ramya M. Anche et al.
相关性 4/10 · novelty: application
摘要: 本文为PASIPHAE巡天项目中的WALOP-South成像偏振仪开发了一种基于polar shapelet的PSF建模与测光框架。Polar shapelet由Gauss-Hermite或Gauss-Laguerre多项式构造的正交基函数构成，能紧凑高效地表示局域PSF。作者利用Zemax模拟图像，用少量shapelet系数即可一致地重建PSF在CCD上的空间变化。为模拟真实星像，引入随机亚像素偏移，并通过两步迭代法交替估计PSF模型和亚像素质心偏移。对目标暗星进行PSF测光，表明可实现约0.15%的测光精度，且重建的PSF模型可适应不同视宁度条件，满足PASIPHAE巡天的偏振科学需求。作为一篇仪器与数据处理方法论文，它清晰展示了天文数据生成与噪声结构，对统计学家是很好的入门读物。
关键技术: polar shapelets, Gauss-Hermite polynomials, PSF photometry, sub-pixel centroid estimation, Zemax simulation
为什么对您有用: 本文属于astrostats gateway-reading范畴：它清晰阐述了天文数据侧（CCD图像、PSF空间变化、亚像素偏移）和模型侧（shapelet基函数、迭代估计），不预设天文学术语，适合统计学家入门。您的武器库中'非参数统计'和'逆问题'可直接用于理解shapelet基函数的逼近性质与PSF反卷积的ill-posedness；但核心仪器细节（Zemax模拟、偏振测量）不在您的技术栈内，因此暂不可做。值得花时间读全文以了解天文数据处理的典型挑战。

9. 2607.11006 — Synthesis imaging with a lunar orbit array: III. Augmented lagrangian Multiplier Imaging using Gradient descent Optimization (AMIGO)¶

作者: Meng Zhou, Furen Deng, Yidong Xu, Xuelei Chen
相关性 4/10 · novelty: application
摘要: 本文针对月球轨道射电干涉阵列（如 DSL/Hongmeng 任务）的全天成像问题，提出了一种新的成像算法 AMIGO。地面 30 MHz 以下射电观测受电离层和射频干扰严重，月球轨道阵列可避开这些干扰，但带来全天视场和动态三维基线的新挑战，导致传统干涉成像计算成本极高。AMIGO 将小批量梯度下降（MBGD）与增广拉格朗日乘子（ALM）技术结合：MBGD 降低计算复杂度和内存需求，使大规模数据处理可行；ALM 灵活融入非负天空温度、先验角功率谱等物理先验，并通过可调停止准则定量控制先验强度。算法在真实 DSL 轨道构型生成的模拟可见度数据上验证，展示了不同频率和空间分辨率下的重建天图。结果表明该方法为月球轨道阵列的全天成像提供了计算上可行的框架。对您而言，这是一篇典型的 astrostatistics 入门级方法论文，清晰展示了射电干涉成像的逆问题结构（数据生成模型、噪声、先验），适合作为了解该领域统计计算挑战的窗口。
关键技术: Mini-Batch Gradient Descent, Augmented Lagrangian Multiplier, interferometric imaging, inverse problem with physical priors, computational feasibility for large-scale data
为什么对您有用: 本文属于 astrostatistics 的 gateway reading：它清晰阐述了射电干涉成像的统计模型（可见度数据生成、噪声结构）和计算挑战（全天视场、动态基线导致的高维逆问题），对统计学家友好。您的武器库中 'inverse problems with random noise' 和 'software development' 可直接用于理解其算法框架，但核心成像机制（干涉测量、uv 覆盖）需要额外学习。值得花时间读全文以评估该领域是否值得进入。

10. 2607.10637 — Detector-level simulation closure of radio air-shower reconstruction with fixed equal-prior geomagnetic templates¶

作者: Xin Xu, Pengfei Zhang, Fufu Yang
相关性 4/10 · novelty: application
摘要: 本文针对自主无线电阵列的空气簇射重建问题，提出了一种探测器级模拟闭合测试方法。研究使用ZHAireS模拟的触发ADC迹线，而非理想电场脚印，来重建方向、能量和质量标签。几何重建基于电压幅度和站点时序，随后通过RF链反演将ADC迹线限制在50-200 MHz频段，并简化为以射电核心为中心的簇射平面中的地磁峰值幅度。能量估计采用固定等先验的铁和质子模板族均值拟合，既不使用模拟的原初标签，也不依赖经验幅度或天顶角标度。在972个事件包中，711个通过了共同的重建质量门控，其平均分数能量残差在原始噪声加权、原始硬去噪等权和清洁参考分支中分别为+1.20%、+0.55%和-0.10%，事件间散布约14.25%-14.51%。中位真值开角残差为0.050°，但能量残差存在天顶角依赖性（60°-70°约-8%到80°-85°约+11%），边缘仓偏差更大。该工作为选定的模拟事件包建立了内部一致的重建基线，但并非部署阵列的分辨率或曝光量。作为天体统计学的入门读物，本文清晰展示了射电天文学中信号处理与统计推断的衔接点，适合了解该领域的数据结构（ADC迹线、RF链、模板拟合）和常见问题（选择效应、天顶角依赖偏差）。
关键技术: ZHAireS simulation, RF chain inversion, template fitting with fixed equal prior, geomagnetic peak amplitude, ADC trace processing
为什么对您有用: 本文属于天体统计学（astrostatistics）的入门级读物，清晰展示了射电天文学中从ADC迹线到物理量重建的完整数据管道和统计推断流程。研究者作为该领域的外行，可通过本文了解天体物理数据的结构（噪声、选择效应、模板拟合）和核心统计问题（偏差校正、天顶角依赖的系统误差）。武器库中的非参数统计和估计理论可用于分析其模板拟合的偏差-方差权衡，但本文本身是应用导向，暂不可做直接的方法学跟进——核心机器（射电信号处理、RF链建模）不在武器库中。值得花时间阅读全文以建立领域直觉。

经济理论 / 应用 (econ_theory, 4 篇)¶

1. 2607.10519 — Dynamically Consistent Statistical Decisions¶

作者: Cheaheon Lim, Yechan Park
相关性 7/10 · novelty: new_theory
摘要: 本文在计量经济学框架下研究统计决策规则的动态一致性（dynamic consistency）问题。作者指出，基于事前（ex ante）准则（如最小化最大遗憾 minimax regret）的决策规则在观察到数据实现后，研究者可能希望偏离其临时（interim）建议，从而产生动态不一致性。为此，本文提出并公理化了两类最优性准则，能够产生动态一致的决策规则。核心方法涉及对决策规则的时间一致性进行形式化分析，并利用公理化方法刻画满足动态一致性的准则类。理论结果通过经济学的典型设定（如处理效应估计、政策选择）加以说明。对您而言，本文属于经济理论方向的应用性工作，可作为了解动态一致性在统计决策中角色的入门读物，但方法学工具（公理化决策理论）与您的技术武器库（非参数统计、因果推断）距离较远，暂不可直接迁移。
关键技术: dynamic consistency, minimax regret, axiomatic decision theory, ex ante vs interim optimality
为什么对您有用: 本文属于经济理论方向的应用性工作，连接您的 secondary interest 中的经济理论（模型与因果推断应用）。作为 gateway reading，本文清晰阐述了动态一致性问题及其在统计决策中的重要性，但核心方法（公理化决策理论）不在您的技术武器库中（缺少决策理论公理化工具），因此暂不可做。若您未来希望进入经济理论中的决策理论方向，本文是好的入门读物，但当前不值得花时间深读全文。

2. 2607.13879 — Global factors for local shocks in a data-scarce environment: with an application to regional fiscal multipliers in Italy¶

作者: Giuseppe Cavaliere, Luca Fanelli, Marco Mazzali
相关性 6/10 · novelty: new_method
摘要: 本文提出一种适用于面板数据且存在强截面相关、动态异质性和外部工具变量稀缺环境下的结构性向量自回归（SVAR）方法。具体地，为每个截面单元设定一个因子增强的proxy-SVAR（proxy-FA-SVAR），利用非政策变量的因子汇总截面信息。政策冲击的效应通过最小距离方法估计单元特定的政策反应函数来间接恢复。识别依赖于非政策冲击的全局工具变量，即从政策和非政策变量的因子SVAR内部构建的、对所有面板单元共同的代理变量。这些全局工具可与从辅助单元级SVAR构建的局部（异质性）工具互补使用，使模型过度识别并可检验。作者以意大利NUTS-2区域年度数据估计政府支出乘数为例展示该方法。对您而言，本文展示了在数据稀缺环境下结合因子模型与工具变量进行因果识别的实用策略，其识别策略和估计框架对您感兴趣的流行病学队列研究或经济应用中的因果推断有参考价值。
关键技术: proxy-SVAR, factor-augmented SVAR, minimum distance estimation, external instruments, panel data, overidentification test
为什么对您有用: 本文属于经济理论应用方向，直接连接您的secondary interest。其核心方法——在面板数据中结合因子模型与proxy-SVAR进行因果识别——对您感兴趣的流行病学或应用因果推断工作有借鉴意义。您的武器库中'identification theory in causal inference'（moderately_familiar）可直接用于理解其识别策略，而'high-dimensional asymptotics'（very_familiar）可用于分析因子估计的渐近性质。作为gateway reading，本文清晰展示了经济应用中处理数据稀缺和工具变量不足的实用框架，值得花时间阅读全文以获取可迁移的分析思路。

3. 2607.12568 — Interpreting (and testing) factor loadings¶

作者: A. Montañés, E. Ruiz
相关性 5/10 · novelty: application
摘要: 本文研究动态因子模型（DFM）中因子载荷的推断问题。在宏观经济与金融数据中，主成分（PC）估计的载荷常用于解释潜在因子，但其有限样本下的渐近近似效果不佳，尤其当横截面维度不够大时，基于HAC协方差估计的置信区间和检验存在严重扭曲。作者提出两种修正方法：一是采用HAR（异方差自相关稳健）推断来改进协方差矩阵估计；二是引入子抽样（subsampling）程序以考虑因子估计本身的不确定性，从而校正载荷估计的MSE。模拟实验表明，所提方法在有限样本下显著优于传统渐近近似。实证部分以美国各州经济收敛为例，展示了修正推断的实际价值。本文属于应用计量经济学工作，方法学创新有限，但对因子载荷的统计推断提供了实用的有限样本修正策略。
关键技术: Dynamic Factor Models, Principal Components, HAC estimation, HAR inference, subsampling
为什么对您有用: 本文属于经济理论（econ_theory）的gateway reading，适合作为计量经济学中因子模型推断的入门读物。研究者若对高维统计中的因子模型感兴趣，可借此了解主成分载荷推断的有限样本问题，但武器库中的非参数统计和minimax理论可直接用于分析其修正方法的理论性质（如子抽样带宽选择的最优性）。中期可做：需先在moderately_familiar的M-estimation理论上长肌肉，才能将HAR推断推广到更一般的半参数设定。

4. 2607.11268 — Can looser ties sustain marriage? A dynamic matching model of specialisation and divorce¶

作者: Stefan Hubner, Jan Kabatek
相关性 4/10 · novelty: application
摘要: 本文利用荷兰一项临时降低离婚成本但保留同意要求的政策改革，研究离婚成本对婚姻稳定性、家庭专业化及总体福利的影响。作者将基于全国行政数据估计的离婚风险嵌入一个动态结构匹配模型，其中个体反复匹配并选择婚姻角色。通过拟合模型与均衡匹配分布随时间的变化，使用一种新颖的计算方法识别结构参数。与高成本反事实相比，发现离婚成本降低时更多夫妇选择结婚，因为结婚率的上升超过了离婚率的上升。由于家庭专业化得以维持，总体福利上升。该文对您作为经济学理论（应用、数据集、因果推断）的次要兴趣有直接关联，展示了如何利用准实验变异和结构模型进行政策评估。
关键技术: dynamic structural matching model, divorce hazard estimation, population-level administrative data, counterfactual simulation, computational identification
为什么对您有用: 本文属于经济学理论（应用、数据集、因果推断）的次要兴趣，提供了一个利用准实验变异和结构模型进行政策评估的完整范例。您的武器库中'因果推断的估计理论'和'软件发展'可直接用于复现或扩展其计算识别方法，但核心的动态匹配模型和结构估计技术属于中等熟悉领域，需要先熟悉动态结构估计才能动手。因此，本文适合作为中期可做的入门读物，值得花时间阅读全文以了解其数据和分析流程。

其他 (other, 10 篇)¶

1. 2607.11345 — Towards a Geometric Characterization of Multiverse Analysis¶

作者: Giovanni Saraceno, Antonio Calcagnì
相关性 6/10 · novelty: new_method
摘要: 本文提出一个分布几何框架来刻画多重宇宙分析（multiverse analysis）中不同分析规范之间的不确定性结构。传统方法首先生成多重宇宙，再通过决策表、规范曲线或模型权重等标量输出进行汇总，但这种方式可能掩盖推断不确定性在规范间的分布。作者将每个可接受的分析规范表示为共同目标输出空间上的一个概率分布，定义分布间的距离，从而诱导出几何结构，使得多重宇宙可以通过局部邻域、直径、Fréchet 重心和离散度等几何量来研究。数值例子和一个真实案例展示了该方法如何通过同时保留效应变异和不确定性变异来补充现有的多重宇宙汇总方法。该工作属于统计方法论的范畴，但更偏向于稳健性分析和敏感性分析，而非因果推断或高维统计的核心方向。
关键技术: multiverse analysis, distributional geometry, Fréchet barycentre, Wasserstein distance, sensitivity analysis
为什么对您有用: 本文属于稳健性分析/敏感性分析的范畴，与您的主要兴趣（因果推断中的敏感性分析）有间接关联，但方法核心是分布几何而非因果识别或效率理论。您的武器库中非参数统计和因果推断的估计理论可用于理解其分布距离的估计性质，但本文并未涉及因果识别或高维问题，因此属于边缘相关。暂不可做：核心机器（分布几何与Fréchet均值）不在武器库中，且与您的主要研究方向距离较远。

2. 2607.13850 — Bias Correction for Relative Importance Measures via Doubly Stochastic Reallocation¶

作者: Tien-En Chang, Argon Chen
相关性 5/10 · novelty: new_method
摘要: 本文研究线性模型中预测变量相对重要性（RI）的度量问题。General Dominance (GD) 是广泛使用的基准，但需评估 2^p-1 个子模型，计算成本随预测变量数 p 增长而剧增。正交化-再分配度量（ORM）如 Relative Weights (RW) 和 Green-Carroll-DeSarbo 度量（GCD）通过将重要性分配给正交化后的预测变量再重新分配给原始变量，提供了高效替代方案。然而，RW 存在“拉平问题”（压缩变量间重要性差异），GCD 存在“先验偏差”（在观测响应前系统性地偏向某些变量）。作者证明该偏差由再分配矩阵的行和决定，并在复合对称假设下将 GCD 和 RW 的再分配与 GD 基准联系起来，形式化地揭示了 RW 的拉平问题本质上是相对于基准的过度收缩。为纠正 GCD 偏差，作者提出将再分配矩阵映射为双随机矩阵，采用交替投影法（MAP）和 Sinkhorn-Knopp（SK）算法实现，得到 GCD-MAP 和 GCD-SK 两种修正度量。模拟表明 GCD-SK 有效消除了结构性行和偏差，显著优于 GCD，并在第一主成分占主导时通常优于 RW。本文对您作为统计计算和假设检验方向的研究者，其核心贡献在于提出了一种基于矩阵投影的偏差校正方法，但问题设定（线性模型变量重要性排序）与您的主要兴趣（因果推断、高维统计、U-统计量）关联较弱，属于方法学上的边缘交叉。
关键技术: doubly stochastic matrix, Sinkhorn-Knopp algorithm, method of alternating projections, relative importance measures, orthogonalization-reallocation
为什么对您有用: 本文属于统计计算与变量选择交叉领域，与您的主要兴趣（因果推断、高维统计、U-统计量）关联较弱。其核心方法（双随机矩阵投影）虽可视为一种数值优化技术，但问题设定（线性模型变量重要性排序）并非您当前研究重点。作为 gateway reading 价值有限：本文未涉及您武器库中的非参数统计、minimax 界或高阶 U-统计量等核心工具。暂不可做——核心机器（变量重要性排序的特定框架）不在您的武器库中，且与您的主要研究方向距离较远。

3. 2607.13112 — Anchored Geodesic Analysis for Multivariate Extremes¶

作者: Alberto Quaini, Chen Zhou
相关性 5/10 · novelty: new_method
摘要: 本文提出锚定测地线成分分析（AGCA），一种针对多元极值角分布（定义在正单位球面上）的降维方法。AGCA 通过约束大子球面通过一个选定的参考方向（默认锚点为完全相依）来近似角变化，在 bounded sine-squared geodesic loss 下，总体与经验问题等价于锚定切向离差二阶矩矩阵的特征分析。该方法产生的得分、载荷、残差风险和解释变异量等汇总统计量，能描述对基准的偏离，且对近轴极端值仍有良好定义。低秩 AGCA 重建支持尾部模拟：有界 Lipschitz 泛函和齐次尾部得分（包括投资组合封顶超额和风险价值）的误差界可由 AGCA 残差风险显式给出。作者建立了 oracle 和 rank-Pareto AGCA 汇总量的 top-k 相合性，以及一个 oracle 中心极限定理，其协方差与来自极限角分布的独立样本相同。在日度股票组合损失数据中，AGCA 发现了集中的基准相对尾部方向：十个成分解释了约 91% 的锚定变异，并以约 1.25% 的平均相对误差近似封顶超额和归一化风险价值汇总量。本文对您的主要兴趣（高维统计、非参数理论）有间接参考价值，其降维思路和相合性分析框架可启发高维极值问题的统计推断方法设计。
关键技术: anchored geodesic component analysis, angular law of extremes, eigenanalysis of second-moment matrix, bounded sine-squared geodesic loss, top-k consistency, oracle central limit theorem
为什么对您有用: 本文属于多元极值统计的降维方法，与您的高维统计兴趣有间接关联，但核心工具（测地线分析、极值角分布）不在您的技术武器库中，属于暂不可做方向——缺乏极值理论（如 max-stable processes、angular measure）的熟悉度。作为 gateway reading，本文对非极值专家较为友好，但方法学 novelty 有限（本质是球面上的 PCA 变体），不值得花时间精读全文。

4. 2607.11558 — Modeling Time-course Gene Expression Data through Bayesian Partition Functional Principal Component Analysis¶

作者: Marion Kerioui, Daniel Temko, Shahin Tavakoli, Hélène Ruffieux
相关性 5/10 · novelty: application
摘要: 本文针对高维生物标志物（如基因表达）随时间重复测量的纵向数据，提出了一种贝叶斯模型——分区函数主成分分析（PFPCA）。该模型同时完成三个任务：降维、量化个体间变异、以及发现共享的时序结构。PFPCA 将混合模型与组内多元函数主成分分析相结合，通过均值场变分推断联合估计函数主成分载荷、个体水平得分、组分配和分区大小。模拟实验表明，联合推断在恢复真实分区和潜在函数结构上显著优于两步法基线（最困难设定下，PFPCA 正确分区率为 27%，基线仅 1%）。应用于 H3N2 流感病毒感染者的纵向基因表达数据，PFPCA 识别出具有协同激活模式的基因群，并揭示了与免疫应答动态和症状状态相关的时序特征。本文方法学 novelty 程度中等，核心贡献在于将聚类与 FPCA 联合建模，而非提出全新的统计理论。
关键技术: Bayesian mixture model, functional principal component analysis, mean-field variational inference, joint clustering and dimension reduction
为什么对您有用: 本文属于应用统计方法，与您的主要兴趣（因果推断、高维统计、U-统计量）无直接技术重叠。但作为流行病学纵向数据分析的案例，它展示了如何用贝叶斯变分法处理高维时序生物标志物，对您 secondary interest 中的流行病学应用方向有一定参考价值。武器库中 'nonparametric statistics' 和 'high-dimensional asymptotics' 可帮助理解其 FPCA 的收敛性质，但核心的变分推断与您的工具链距离较远，属于暂不可做方向。

5. 2607.10634 — When Does Survey-Aware Cross-Validation Matter? The ICC, Not the Design Effect¶

作者: M. Ehsan Karim, Md Belal Hossain
相关性 5/10 · novelty: application
摘要: 本文研究复杂抽样调查（分层、整群、不等权）中交叉验证的适用性问题。标准K折交叉验证假设观测可交换，但调查数据因聚类和加权结构违反该假设，可能导致模型评估偏差。作者提出两个廉价诊断指标——结果变量的组内相关系数（ICC）和初步线性预测器的ICC——用于在模型验证前判断是否需要采用尊重调查设计的“调查CV”。通过模拟阳性对照实验，发现当ICC升高时，朴素交叉验证对新聚类的性能估计过于乐观，而聚类级折叠保持诚实。在三个国家健康调查数据集（慢性疼痛、糖尿病、青少年自杀倾向预测）中，使用惩罚回归、随机森林和未惩罚比较器进行实证，诊断指标正确预测了结果：所有案例中两种CV方案无实际大小差异，且唯一排除零的区间显示悲观而非乐观。论文还指出分层CV在公开使用设计中常不可行，并给出后备方案层次，同时记录了权重处理错误产生的量级伪影远超折叠方案效应。对您而言，本文虽非直接的方法学贡献，但其诊断思路和实证框架对您从事流行病学应用研究（secondary interest）时处理复杂调查数据具有参考价值，尤其是ICC作为判断聚类泄露风险的工具可迁移至您的因果推断敏感性分析中。
关键技术: intraclass correlation (ICC), survey cross-validation, cluster-level folds, design effect, penalized regression, random forest
为什么对您有用: 本文属于流行病学应用（secondary interest），提供了处理复杂调查数据中交叉验证偏差的实用诊断工具。您的武器库中'非参数统计'和'因果推断估计理论'可用于评估其ICC诊断的统计性质（如阈值选择），但核心问题（调查设计效应与模型评估）与您的主要兴趣方向（因果推断、高维统计）交叉有限。暂不可做：本文的实证导向和调查抽样框架不在您当前武器库的核心射程内，但可作为流行病学应用方向的入门读物，帮助理解调查数据中的聚类结构如何影响模型评估。

6. 2607.11378 — An Operator-Theoretic Analysis of Nonlinear Filtering under Model Misspecification¶

作者: Fabián González, Ömer Deniz Akyildiz, Dan Crisan, Joaquín Míguez
相关性 5/10 · novelty: new_theory
摘要: 本文在贝叶斯滤波框架下研究模型设定错误（misspecified dynamics）对非线性滤波的影响。设定中，最优滤波器由真实动态的预测算子 K_t 驱动，而近似滤波器使用扰动算子 ŷK_t，两者共享相同的观测更新算子 U_t。作者将观测视为随机变量而非固定实现，从而得到最优滤波器均值测度的线性递推，并将滤波误差分解为预测算子收缩性与累积模型偏差两部分。在适当的收缩性假设下，推导出最优滤波器与错误设定滤波器之间误差的显式上界，该上界将初始条件误差与动态失配 ŷK - K 的扰动分离，且累积误差稳定于由 Dobrushin 系数决定的稳态水平。文中给出可验证假设的分析实例，例如转移函数有界且转移噪声属于椭圆对称分布族（包括高斯、t 分布、拉普拉斯）时，滤波误差如理论预测稳定。该结果对您而言属于方法论外围，但其中对算子收缩性与误差传播的分离分析思路，可能对您在高维统计或因果推断中处理模型误设时的误差传播问题有间接启发。
关键技术: Bayesian filtering, predictive operator, Dobrushin coefficient, model misspecification, elliptically symmetric distributions
为什么对您有用: 本文属于非线性滤波的理论分析，与您的 primary interests（因果推断、高维统计、U-统计量）无直接重叠。但其中对模型误设下误差传播的算子理论分析，可能对您在高维或因果推断中处理模型误设时的误差传播问题有间接启发。武器库中 nonparametric statistics 和 high-dimensional asymptotics 的误差分析经验可部分迁移，但核心机器（滤波算子、Dobrushin 系数）不在您的武器库中，属于暂不可做方向。

7. 2607.13243 — MCMC Methods for Parameter Inference in Structurally Nonidentifiable Models¶

作者: Xuyuan Wang, Donglin Han, Michael Y. Li
相关性 4/10 · novelty: new_method
摘要: 本文研究结构不可识别 ODE 模型的参数推断问题。结构不可识别指不同参数值产生完全相同的模型输出，导致参数空间中存在低维流形上的观测等价解。针对此问题，作者提出两种利用结构可识别性分析的 MCMC 方法：第一种是几何 MCMC，在不可识别流形内部及之间构造提议分布；第二种是伪边际 MCMC，在可识别参数组合空间上推断并重构完整参数。两种方法均能正确逼近后验分布，且在标准条件下具有遍历性。数值实验表明，相比标准 MCMC，新方法在采样效率和收敛速度上有显著提升。该工作对您的主要兴趣（因果推断中的参数识别、高维统计中的流形结构）有间接启发，但核心方法（ODE 模型的结构可识别性分析）与您的技术武器库（非参数统计、U-统计量、因果推断）距离较远，属于方法学应用型工作。
关键技术: Structural identifiability analysis, Geometric MCMC, Pseudo-marginal MCMC, ODE models, Parameter inference on manifolds
为什么对您有用: 本文属于方法学应用型工作，与您的主要兴趣（因果推断、高维统计）无直接技术重叠。您的武器库中'非参数统计'和'高维渐近'可帮助理解其流形推断的几何直觉，但核心的 ODE 结构可识别性分析不在您的技术范围内。作为 gateway reading 价值有限：本文未涉及统计-计算权衡、高阶 U-统计量或半参数效率理论。暂不可做——缺少 ODE 模型的结构可识别性分析工具。

8. 2607.12809 — Accounting for Preferential Sampling Using a Constructed Covariate¶

作者: Andreia Monteiro, Isabel Natário, Ivone Figueiredo, Paula Simões
机构: University of Minho · University of Lisbon · Universidade Nova de Lisboa · Portuguese Sea and Atmosphere Institute · Military University
相关性 4/10 · novelty: application
摘要: 该文研究地理统计学中的 preferential sampling（偏好采样）问题，即采样位置与潜在空间过程存在随机依赖，例如渔业调查中倾向于在预期渔获量高的地点采样，导致估计偏差。作者提出一种基于最近邻观测平均距离的构造协变量（constructed covariate），将其纳入标准地统计模型以捕获采样位置与空间变量的依赖关系。若该协变量能充分解释依赖，则可直接使用传统推断方法，无需构建更复杂的模型（如共享潜在过程模型）。通过涵盖多种采样场景和空间配置的模拟研究，以及葡萄牙渔业上岸数据和加利西亚铅污染生物监测两个真实数据集，验证了该方法能显著降低偏好采样带来的偏差。文章还讨论了实际应用中的挑战和局限性。对您而言，该文属于应用导向的方法学工作，但偏好采样本质上是一种选择性偏差（selection bias），与因果推断中的 selection on unobservables 有概念联系，可作为跨领域方法参考。
关键技术: preferential sampling, constructed covariate, geostatistical model, nearest neighbor distances, simulation study
为什么对您有用: 本文属于应用统计方法，与您的主要兴趣（因果推断、高维统计等）无直接技术重叠。偏好采样问题在概念上与因果推断中的选择偏差（selection bias）有相似性，但方法工具（地统计模型、构造协变量）不在您的技术武器库中。作为 gateway reading 价值有限：问题设定对统计学家可理解，但方法学新颖性不高（构造协变量思路较朴素），且未涉及您熟悉的 minimax 理论或 U-统计量工具。暂不可做——核心机器（空间统计模型、偏好采样理论）不在武器库中，且该方向与您的主要研究路径距离较远。

9. 2607.12841 — The exact region determined by Kendall's tau, Spearman's footrule and Blomqvist's beta¶

作者: Jacob Israel Orenday Lares, Marcus Rockel
相关性 4/10 · novelty: new_theory
摘要: 本文在二元 copula 类上精确刻画了 Kendall's tau、Spearman's footrule 与 Blomqvist's beta 三者联合取值区域 Ω_{τ,φ,β}。主要结论是：该区域完全由已知的 (φ,β)-区域和 (τ,φ)-区域决定，一旦 footrule 固定，Blomqvist's beta 对 Kendall's tau 的取值不再施加额外限制。证明是构造性的：利用 M 的 shuffle 族实现 (φ,β)-区域下边界上 Kendall's tau 的极值，通过序数和对这些族进行扩展，并利用 concordance 函数的双仿射性质填充垂直纤维。进一步证明了 Ω_{τ,φ,β} 是凸集，具有矩形固定-footrule 截面，并识别了关于 τ=φ 的仿射对称性，计算得到其体积为 31/40。该结果属于 copula 理论中秩相关度量联合可行域的组合几何刻画，与您的主要研究方向（因果推断、高维统计、U-统计量等）无直接方法学关联。
关键技术: copula theory, Kendall's tau, Spearman's footrule, Blomqvist's beta, shuffle of M, ordinal sum
为什么对您有用: 本文属于纯 copula 理论中的组合几何结果，与您的主要兴趣（因果推断、高维统计、U-统计量、半参效率理论）无直接方法学连接。武器库中无对应工具可攻该问题。暂不可做。

10. 2607.11246 — Weak Information Geometry: Riemannian Structures from Distributional Inference Functions and Stein Discrepancies¶

作者: Rodrigo Labouriau
相关性 4/10 · novelty: new_theory
摘要: 本文提出弱信息几何（Weak Information Geometry）框架，将参数统计模型视为黎曼流形的条件从经典Fisher-Rao设定扩展到更广的类。核心思想是：用缓增分布空间S'(R^k)中的分布表示律，而用仪器（instrument）——正Schwartz核、弱正则推断函数或弱Stein表示——从律中提取信息。任何具有满秩灵敏度和正定变异性的仪器都诱导出参数空间上的Godambe信息矩阵G = S^T V^{-1} S，这是一个黎曼度量；当得分是容许仪器时，Fisher-Rao流形被精确恢复，且所有Godambe度量在Loewner序下被Fisher度量控制。论文给出五个超出Fisher-Rao类的例子：Cantor分布的位置模型（无似然、无得分、无Fisher信息）、均匀尺度模型（参数依赖支撑）、移位指数模型（基于变换的推断）、分层有限混合（有偏得分），以及由α-稳定噪声驱动的晶格随机热方程（动态例子，其闭式弱Godambe信息以离散拉普拉斯谱隙决定的速率稳定）。二次Stein散度诱导相同局部几何，再生核构造生成几何层级。由于没有规范仪器，模型承载一族Godambe度量；文章讨论了其推断、诊断、几何和计算角色，并显示弱推断分离（非信息性）在几何上表现为Godambe度量的块对角性。本文是纯理论几何统计工作，与您的主要兴趣方向（因果推断、高维统计、U-统计量等）无直接方法学连接，但弱信息几何框架可能为半参数效率理论中的信息损失度量提供新视角。
关键技术: Godambe information, weak inference function, Stein discrepancy, tempered distributions, Riemannian geometry of statistical models, reproducing kernel Hilbert space
为什么对您有用: 本文属于统计基础理论，与您的主要兴趣方向（因果推断、高维统计、U-统计量、半参数效率）无直接方法学连接。弱信息几何框架可能为半参数效率理论中的信息损失度量提供新视角，但核心机器（缓增分布、Schwartz核、Godambe度量）不在您的技术武器库中，且论文未涉及您熟悉的minimax界、U-统计量或因果推断设定。因此，本文暂不可做——缺乏连接您现有工作的具体口子，且需要大量几何统计背景才能跟进。

🗂 其他论文（仅 LLM 评分，未生成摘要）¶

未生成中文摘要的论文，按 LLM 评分由高到低排列，仅保留评分与简评，便于回溯查全。一般为相关性低于展示阈值者；个别历史页也含当时因单日摘要上限未展开的高分篇目（评分仍清楚标着）。

1. 2607.13197 — funFMC: Overlapping Clustering for Functional Data¶

作者: Abhiti Mishra, Kean Ming Tan, Tailen Hsing
机构: University of Michigan
相关性 3/10
评分理由: 函数数据的重叠聚类，与研究者兴趣领域无关。

2. 2607.12521 — Modification and extension of the Bayesian clinical trial design using external data for single-arm and hybrid-controlled trials¶

作者: Wataru Murasaki, Tomohiro Ohigashi, Ryota Ishii, Kazushi Maruo, Masahiko Gosho
相关性 3/10
评分理由: Bayesian clinical trial design; applied work in a secondary area (epidemiology) but lacks non-trivial statistical methodology relevant to primary interests.

3. 2607.12184 — Fitting Generalized Linear Mixed-Effects Models using lme4¶

作者: Anna Ly, Rune Haubo Bojesen Christensen, Douglas Bates, Martin Maechler, Benjamin M. Bolker
相关性 3/10
评分理由: This is a software documentation paper for lme4, which is a standard tool but not a novel methodological contribution in the researcher's areas.

4. 2607.10324 — Graph statistics: An emerging discipline in non-Euclidean data analysis¶

作者: Rongling Wu, Shing-Tung Yau
相关性 3/10
评分理由: Overview of graph statistics; too broad and not directly relevant to primary interests.

5. 2607.13667 — On the existence and non-existence of centres of mass on Hilbert spheres¶

作者: Shahin Tavakoli
相关性 3/10
评分理由: Centres of mass on Hilbert spheres are a pure geometry topic with no clear link to the researcher's interests.

6. 2607.11023 — Regret-weighted Bayes Fusion for Distributed Experimental Design¶

作者: Nagananda K G, Lav R. Varshney, Pramod R. Varshney
相关性 3/10
评分理由: Unrelated to primary interests; experimental design with Bayes fusion is not in the researcher's focus areas.

7. 2607.13759 — Time preference effects in forecasting¶

作者: Yannick Hoga, Niklas V. Lehmann
相关性 3/10
评分理由: Focuses on forecasting incentives and time preference, unrelated to primary or secondary statistical interests.

8. 2607.10943 — It Takes Two to Tango, but More to Assess Systemic Risk: Credit Networks Through the Lens of Hypergraphs¶

作者: Federico D. Forte
相关性 3/10
评分理由: Hypergraph credit network analysis, tangential to primary interests; no clear statistical methodology overlap.

9. 2607.14014 — phoptic -- a Python package for reducing astronomical images¶

作者: Zackery A. Irving, Noel Castro Segura, Diego Altamirano, Federico Vincentelli, Angel Castro, Romina P. Petrucci et al.
相关性 3/10
评分理由: Astronomy software pipeline, but too generic and lacks statistical depth for a gateway reading.

10. 2607.12908 — Updates to the WFC3/IR Photometric Stability Stellar Cluster Study¶

作者: Ky Huynh, Varun Bajaj
相关性 3/10
评分理由: Astronomy calibration paper; simple linear trend estimation, no novel statistical methodology or clear data exposition for outsiders.

11. 2607.12898 — Astra: an open-source fully autonomous robotic observatory control software¶

作者: Peter P. Pedersen, David Degen, Lionel Garcia, Urs Schroffenegger, Daniel Sebastian, Sebastián Zúñiga-Fernández et al.
相关性 3/10
评分理由: Software engineering paper with no statistical or causal inference content; tangential to interests.

12. 2607.12757 — A genetic algorithm for peer-review panel composition¶

作者: Ferdinando Patat
相关性 3/10
评分理由: Optimization problem with no statistical or causal inference; tangential to interests.

13. 2607.12609 — PSRDISP: A novel approach to modeling dispersive processes in single-pulsar noise analysis using epoch-wise dispersion measures¶

作者: Churchil Dwivedi, Abhimanyu Susobhanan
相关性 3/10
评分理由: 涉及高斯过程建模，但主题为脉冲星计时，与主要统计兴趣关联弱。

14. 2607.13264 — Evaluation of Circular Logistic Regression Models with Asymmetric Link Functions¶

作者: Feridun Tasdan
相关性 2/10
评分理由: 方向数据的逻辑回归，与研究者兴趣领域无关。

15. 2607.12991 — Factorial clinical trials in the presence and absence of plausible statistical interactions between treatment factors. A historical review of the methodological literature¶

作者: Rebecca E. A. Walwyn, Pritaporn Kingkaew, Alan A. Montgomery, Alexandra Wright-Hughes, Steven G. Gilmour
相关性 2/10
评分理由: Historical review of factorial trial design; unrelated to primary interests in causal inference or mathematical statistics.

作者: Jiangang Han
相关性 2/10
评分理由: LLM reliability is unrelated to the researcher's primary or secondary interests.

17. 2607.12299 — Q-SCM: A Quantum-Sequential Choice Model for Driver Mental State Evolution¶

作者: Rulla Al-Haideri, Bilal Farooq, Karim Ismail
相关性 2/10
评分理由: Quantum cognitive model for driver behavior, unrelated to primary or secondary interests.

18. 2607.11961 — KRAFT: A Transaction-Level Dataset for Korean Apartment Sales Integrated with Contextual Indicators¶

作者: Sejin Myung, Hyungjoon Kim
相关性 2/10
评分理由: Dataset paper for Korean apartment sales, no methodological connection to primary interests.

19. 2607.14052 — Update on the Magellan InfraRed Multi-Object Spectrograph (MIRMOS)¶

作者: Maren Cosens, Nicholas P. Konidaris, Gwen C. Rudie, Andrew B. Newman, Leon Aslan, Robert Barkhouser et al.
相关性 2/10
评分理由: Pure instrumentation paper for astronomy, no data analysis or statistical methodology discussed.

20. 2607.14050 — Update on the slicer IFU for the Magellan InfraRed Multi-Object Spectrograph (MIRMOS)¶

作者: Maren Cosens, Patricio Schurter, Nicholas P. Konidaris, Gwen C. Rudie, Andrew B. Newman, Leon Aslan et al.
相关性 2/10
评分理由: Pure instrumentation paper for astronomy, no data analysis or statistical methodology discussed.

21. 2607.13549 — JW-ASTClaw: A Generalizable Multi-Agent Framework for Autonomous Solar Telescope and Its Implementation within Chinese Meridian Project¶

作者: Li-Yue Tong, Jia-Ben Lin, Yuan-Yong Deng, Ying-Zi Sun, Ming-Fu Shao, Hui Wang et al.
相关性 2/10
评分理由: Pure engineering/software paper on telescope control; no statistical methodology or data analysis problem.

22. 2607.12698 — Status and future development of the COSMOCal Project for absolute CMB polarization calibration¶

作者: Silvia Micheli, Alessia Ritacco, Alessandro Carones, Jonathan Aumont, Stefano Berta, Ludovico Bizzarri et al.
相关性 2/10
评分理由: Instrument calibration project; no statistical methodology or data analysis exposition.

23. 2607.12692 — ngVLTI: Cost and Feasibility of a Four-Telescope VLTI Expansion for Milliarcsecond-Scale Imaging¶

作者: Sylvestre Lacour, Johan Kosmalski, Michael Mueller, Célia Desgrange, Oscar Carrión-González, Mathias Nowak et al.
相关性 2/10
评分理由: 纯天文仪器工程论文，与统计兴趣无关。

24. 2607.12492 — Scaling laws for multi-object spectrographs: empirical relationships and the photonic advantage of CAWSMOS¶

作者: Kalaga V. Madhav, Martin M. Roth
相关性 2/10
评分理由: 仪器标度律分析，统计方法简单，非核心兴趣领域。

25. 2607.11865 — Ardua: Unveiling the Baryon Cycle from Stars to the Cosmic Web¶

作者: Carlos J. Vargas, Caroline Kilbourne, Haeun Chung, Erika Hamden, Ralph Kraft, Joseph N. Burchett et al.
相关性 2/10
评分理由: 天文任务概念，无统计方法论或数据建模细节。

26. 2607.11336 — Low-Noise SiPM Light Readout and ASIC-Based Charge Readout of a Liquid Argon Time Projection Chamber for MeV Gamma-Ray Measurements¶

作者: Satoshi Takashima, Hirokazu Odaka, Shota Arai, Kentaro Shirahama, Ryutaro Tatsumi, Hodaka Kawamura et al.
相关性 2/10
评分理由: Instrumentation paper with no statistical or data-analysis content relevant to the researcher's interests.

27. 2607.10845 — GroundBIRD: First On-Sky Responsivity Calibration at the Teide Observatory¶

作者: Alessandro Fasano, Yonggil Jo, Ricardo Tanausú Génova-Santos, Makoto Hattori, Shunsuke Honda, Kenichi Karatsu et al.
相关性 2/10
评分理由: Instrumentation and calibration paper for CMB experiment; no statistical methodology or data analysis exposition.

28. 2607.10124 — SAXO+, the second-stage adaptive optics for SPHERE: NCPA compensation and dark-hole loop with a pyramid wavefront sensor¶

作者: Johan Mazoyer, Charles Goulas, Raphaël Galicher, Axel Potier, Fabrice Vidal, Florian Ferreira et al.
相关性 2/10
评分理由: Adaptive optics calibration paper; highly specialized instrumentation with no statistical or data-analysis content.

29. 2607.10554 — Observation-Level Watermarking and Detection for Tabular Data¶

作者: Dongyu Cui, Xuan Bi
相关性 1/10
评分理由: Watermarking tabular data; unrelated to any primary or secondary interest.

30. 2607.11983 — Removable Defects: The Economics and Limits of Deliberate Deficiency¶

作者: Cheng Qian
相关性 1/10
评分理由: Economics of deliberate deficiency, unrelated to statistical or causal inference interests.

31. 2607.13859 — Fabrication of focusing optics for TA-MOONS: Micro-MOONS¶

作者: Ceiwynn Longworth, Megan Delamer, Suvrath Mahadevan, Joe P. Ninan, Kathleen Gehoski, Krushna Jadhav
相关性 1/10
评分理由: Optics fabrication paper, completely unrelated to statistical interests.

32. 2607.13671 — Proof of concept of heterodyne interferometry at 10.6 um using photonic correlation¶

作者: Tituan Allain, Jean-Philippe Berger, Guillaume Bourdarot, Carlo Sirtori, Hugues Guillet De Chatellus
相关性 1/10
评分理由: Interferometry proof-of-concept, no statistical or data analysis content.

33. 2607.13561 — Design and Implementation of a Microservice-Architecture Master Control System for AIMS¶

作者: Li-Yue Tong, Jia-Ben Lin, Jun-Feng Hou, Yuan-Yong Deng, Dong-Guang Wang, Guang-Qian Liu et al.
相关性 1/10
评分理由: Telescope control system design, unrelated to statistical research interests.

34. 2607.13533 — Scientific-Intention Driven Embodied Intelligent Solar Telescope: Conceptual Design¶

作者: Lin Jiaben, Tong Liyue, Wang Hui, Shao Mingfu, Yang Chen
相关性 1/10
评分理由: Conceptual design paper for telescope hardware/AI; no statistical content or data analysis.

35. 2607.13004 — picoMUX: microcontroller based time-domain multiplexing readout for kilopixel TES arrays¶

作者: Simon Tartakovsky, Alexandre E. Adler, Jason E. Austermann, Steven J. Benton, Shannon M. Duff, Malcolm Durkin et al.
相关性 1/10
评分理由: Hardware electronics paper for CMB TES readout; no statistical analysis or data modeling.

36. 2607.12854 — The MICADO first light imager for the ELT: the SCAO module AIT in France, from the beta flat configuration towards the flat and final configurations¶

作者: Yann Clénet, Vincent Lapeyrère, Eric Gendron, Fabrice Vidal, Frédéric Chapron, Mathieu Cohen et al.
机构: Centre National de la Recherche Scientifique · Université Paris Cité · Sorbonne Université · Sorbonne Paris Cité · Université Paris Sciences et Lettres · Observatoire de Paris · Université Grenoble Alpes · Université Bourgogne Franche-Comté 等
相关性 1/10
评分理由: Instrument integration report; no statistical or methodological content.

37. 2607.12827 — The MICADO first light imager for the ELT: an overview of the RAM analysis and consequent design and maintenance strategy¶

作者: Federico Biondi, Yann Clénet, Patrick Caillier, Veronika Wimmer, Tristan Buey, Luis Neumeier et al.
相关性 1/10
评分理由: Reliability engineering for hardware; unrelated to statistics or causal inference.

38. 2607.12814 — The MICADO first-light imager for the ELT: first steps of the SCAO system MAIT¶

作者: Yann Clénet, Eric Gendron, Fabrice Vidal, Mathieu Cohen, Frédéric Chapron, Arnaud Sevin et al.
相关性 1/10
评分理由: Manufacturing and assembly report; no statistical or methodological relevance.

39. 2607.12494 — Estimation of the laser guide star uplink tip-tilt using aperture size diversity¶

作者: Pierre Jouve, Thierry Fusco, Carlos M. Correia, Cédric Taissir Heritier, Jean-François Sauvage, Benoit Neichel
相关性 1/10
评分理由: 自适应光学工程论文，无统计方法论或数据建模内容。

40. 2607.12426 — The Lightspeed project: high-speed, ultra-low read noise imaging and polarimetry for the Magellan telescopes¶

作者: Christopher Layden, Kevin Burdge, John J. Piotrowski, Gabor Furesz, Juliana Garcia-Mejia, Jack Dinsmore et al.
相关性 1/10
评分理由: 天文探测器硬件设计，无统计内容。

41. 2607.12106 — The Interstellar Laser Beacons Hypothesis and the Cosmic Lighthouses Project¶

作者: Daniel Apai, Chia-Lung Lin, Kevin Wagner
相关性 1/10
评分理由: SETI 概念论文，与统计兴趣无关。

42. 2607.10150 — Exoplanetary Tour Design with Solar Sails: TheAntipodes Results in the GTOC13 Problem¶

作者: Jack Yarndley, Adam Evans, Xingyu Zhou, Minduli Wijayatunga, Cristina Parigini, Roberto Armellin
相关性 1/10
评分理由: Trajectory optimization for a fictional exoplanetary system; unrelated to the researcher's statistical interests.

43. 2607.13358 — Linear motion (R-FLEX) for minature 6.2 mm pitch optical fiber position robots with polar (R-theta) kinematics¶

作者: Nicholas R. Wenner, Joseph H. Silber, Michael S. Schubnell, David J. Schlegel, Robert W. Besuner, William V. Shourt et al.
相关性 0/10
评分理由: Mechanical engineering paper on fiber positioner design; unrelated to statistics.

44. 2607.13258 — MORFEO: Advancing Towards Final Design¶

作者: Lorenzo Busoni, Guido Agapito, Marco Bonaglia, Alfio Puglisi, Marco Xompero, Matteo Aliverti et al.
相关性 0/10
评分理由: Adaptive optics hardware paper for ELT; no statistical methodology or data.

Maintained by 陈星宇 · Homepage · Source on GitHub

2026-07-15 每日 arXiv 资讯¶

⭐ 高相关论文（按主题分组）¶

因果推断 (causal_inference, 9 篇)¶

1. 2607.10515 — Proximal Identification and Estimation in Front-Door Causal Structures with Unobserved Confounding of the Mediator¶

2. 2607.13334 — Omitted variable bias sensitivity analysis with clustered treatment assignment¶

3. 2607.12855 — Higher-order Spillover Effects Under Partial Interference¶

4. 2607.11694 — Calibrated Horizon-Weighted Local Projection Designs for Markov Switchbacks¶

5. 2607.10755 — When Screening Misleads: A Robust Mendelian Randomization Test for Reliable Causal Discovery¶

6. 2607.10276 — Bayesian Robustness Values for Modern Causal Panel Estimators via Riesz Representations¶

7. 2607.12140 — Causal Graphs, Markov Properties and Do-calculus for Stochastic Differential Equations¶

8. 2607.12622 — Orthogonal Integrated Conditional Moment Tests for Treatment Effect Heterogeneity¶

9. 2607.10558 — Local Asymptotic Power of Honest Confidence Intervals¶

非参数 / 半参数 (nonparam_semipara, 1 篇)¶

1. 2607.13170 — On Rates Attainable under Random Design: A Negative Answer to a Problem of Robins¶

数理统计 / 假设检验 (hypothesis_testing, 2 篇)¶

1. 2607.11304 — A Correlation-Free Test for High-Dimensional Elliptical Distributions¶

2. 2607.12208 — The Benjamini--Hochberg Procedure Can Fail to Control the FDR for Correlated Two-Sided Gaussian Tests¶

其他 (other, 1 篇)¶

1. 2607.11256 — A General U-Statistic Framework for High-Dimensional Multiple Change-Point Analysis¶

📌 中相关论文（按主题分组）¶

因果推断 (causal_inference, 10 篇)¶

1. 2607.13883 — Verifying formulas for interventional distributions¶

2. 2607.13293 — Average Cause-Specific Hazard: A Censoring-Invariant Measure of Event Burden Under Competing Risks¶

3. 2607.12445 — Does a Developed Comorbidity Index Really Add Value? A Selection-Aware Bootstrap for Post-Selection Concordance¶

4. 2607.11389 — Robust Subgroup Analysis for Heterogeneous Censored Data¶

5. 2607.10820 — Causal Estimation of Share-Induced Engagement with Flywheel Effects¶

6. 2607.13862 — Estimation and Inference for Latent Dual Networks Using High-Dimensional IV Screening¶

7. 2607.12219 — Partial Identification with Multiple Nonlinear Measurements of a Latent Regressor¶

8. 2607.10246 — Inference for Fixed Effects Estimators when Panels are Unbalanced¶

9. 2607.13564 — Manipulation testing based on Benford's Law for discrete scores¶

10. 2607.10613 — Network-Adjusted GMM Estimation under Network Uncertainty¶

高维统计 / 随机矩阵 (high_dim_rmt, 1 篇)¶

1. 2607.10500 — Adaptable Regularized CCA Tests for Independence of High-Dimensional Random Vectors¶

非参数 / 半参数 (nonparam_semipara, 3 篇)¶

1. 2607.10230 — Nonparametric estimation of the diffusion coefficient of an ergodic diffusion process on non-compact supports under Osgood's conditions¶

2. 2607.13182 — Bandwidth-free nonparametric density estimation for grouped data¶

3. 2607.14064 — Minimax Theory of Likelihood-Based Deep Learning for Speckle Regression¶

数理统计 / 假设检验 (hypothesis_testing, 12 篇)¶

1. 2607.12853 — Hash-augmented adaptive multilevel splitting Monte Carlo algorithm for accurate estimation of two-sample permutation test p-values¶

2. 2607.12132 — Extracting Bayesian Evidence from Frequentist p-Values¶

3. 2607.13761 — Nonstandard likelihood-ratio limits under semidefinite rank constraints¶

4. 2607.13209 — A unified approach for testing in Hilbert spaces on incomplete data¶

5. 2607.12830 — MixCIT: A Kernel Based Local-Polynomial Debiased Test for Conditional Independence on Mixed-Type Data¶

6. 2607.11719 — A uniform relative deviation inequality for VC-subgraph classes¶

7. 2607.12369 — Nonparametric Multi Change Point Detection for Markov Chains via Adaptive Clustering¶

8. 2607.13852 — A Frequentist Approach to Change Point Detection: Methods and Applications¶

9. 2607.11130 — New Equivalence Tests for Approximate Independence in Contingency Tables¶

10. 2607.13173 — Overlapping window tests for correlation and trend¶

11. 2607.10905 — A Beta-Based Heteroskedasticity-Consistent Covariance Matrix Estimator¶

12. 2607.11092 — A Tractable Pseudo-Metric on Non-Parametric Exponential Statistical Manifolds via SPD Geometry¶

统计计算 / 算法 (stat_computing, 5 篇)¶

1. 2607.12387 — Hierarchical Bayesian inversion using the Karhunen-Loève expansion with analytical eigenpairs of the squared exponential kernel¶

2. 2607.10817 — An Efficient Bayesian Framework for Uncertainty Quantification in Nonlinear Imaging Inverse Problems¶

3. 2607.12502 — Symbolic Weak-form Recovery of 2-D Stochastic Generators¶

4. 2607.10735 — GNet: A scalable and flexible Gaussian process network with nonparametric neurons¶

5. 2607.12629 — Bivariate Isotonic Regression by Dynamic Programming¶

天体统计 (astrostats, 10 篇)¶

1. 2607.13236 — Rigidity spectra and onset geometry of the two largest Forbush decreases of solar cycle 25 from visibility-graph curvature¶

2. 2607.10983 — Fast(er)PM and Moving Mesh: JAX-native Geometric Multigrid Methods¶

3. 2607.13113 — Deep Simulation-Based Inference for Inhomogeneous Bivariate Log-Gaussian Cox Processes¶

4. 2607.12953 — Fast and accurate bandpass integration of complex SEDs with neural networks¶

5. 2607.12396 — Demystifying image-recovery from radio interferometers: toward a multiscale predictive model¶

6. 2607.12900 — Establishing baseline model performances for optical turbulence forecasting¶

7. 2607.12805 — Enhanced wavefront sensing for the Roman Coronagraph Instrument: Gaussian probes and compact model validation¶

8. 2607.11825 — WALOP-South: a four camera one shot imaging polarimeter for the PASIPHAE survey. Paper III -- PSF modelling¶

9. 2607.11006 — Synthesis imaging with a lunar orbit array: III. Augmented lagrangian Multiplier Imaging using Gradient descent Optimization (AMIGO)¶

10. 2607.10637 — Detector-level simulation closure of radio air-shower reconstruction with fixed equal-prior geomagnetic templates¶

经济理论 / 应用 (econ_theory, 4 篇)¶

1. 2607.10519 — Dynamically Consistent Statistical Decisions¶

2. 2607.13879 — Global factors for local shocks in a data-scarce environment: with an application to regional fiscal multipliers in Italy¶

3. 2607.12568 — Interpreting (and testing) factor loadings¶

4. 2607.11268 — Can looser ties sustain marriage? A dynamic matching model of specialisation and divorce¶

其他 (other, 10 篇)¶

1. 2607.11345 — Towards a Geometric Characterization of Multiverse Analysis¶

2. 2607.13850 — Bias Correction for Relative Importance Measures via Doubly Stochastic Reallocation¶

3. 2607.13112 — Anchored Geodesic Analysis for Multivariate Extremes¶

4. 2607.11558 — Modeling Time-course Gene Expression Data through Bayesian Partition Functional Principal Component Analysis¶

5. 2607.10634 — When Does Survey-Aware Cross-Validation Matter? The ICC, Not the Design Effect¶

6. 2607.11378 — An Operator-Theoretic Analysis of Nonlinear Filtering under Model Misspecification¶

7. 2607.13243 — MCMC Methods for Parameter Inference in Structurally Nonidentifiable Models¶