2026-08-05 每日 arXiv 资讯¶

高相关论文 8 篇 · 中相关 63 篇 · 其他 37 篇 · 会议/Seminar 事件 0 条

⭐ 高相关论文（按主题分组）¶

因果推断 (causal_inference, 5 篇)¶

1. 2608.00404 — Debiased inference for proximal dose-response function¶

作者: Daeyoung Ham, Sihan Wu, Yifan Cui
分类: stat.ME
相关性 9/10 · novelty: new_method
摘要: 本文在连续处理变量（continuous treatment）且存在未测量混杂的情况下，研究因果剂量-反应曲线（dose-response function）的非参数推断。利用处理诱导和结局诱导的代理变量（treatment- and outcome-inducing confounding proxies），在proximal causal inference框架下识别该曲线。作者提出了一种新颖的proximal doubly robust pseudo-outcome，其给定处理的条件均值等于剂量-反应曲线，只要两个桥函数（bridge function）中有一个正确设定，从而填补了连续处理情形下proximal CI的关键空白。进一步，推导了平滑后因果估计量的影响函数（influence function），并构造了交叉拟合（cross-fitting）的debiased局部线性估计量，配合适当的局部二次偏差校正。建立了逐点和有限维渐近正态性，以及紧致处理区间上的均匀高斯近似。平滑带宽可取MSE最优阶而无需欠平滑，交叉拟合允许灵活的桥函数估计器，仅需乘积收敛率条件而无须拟合类熵限制。还开发了实用的带宽选择器、逐点置信区间和同时置信带。模拟和数据分析验证了方法在潜在混杂和多代理变量下的实用性。对您而言，本文直接推进了您primary interest中的proximal CI方向，特别是连续处理设定下的identification和debiased估计，与您熟悉的非参数统计和因果推断估计理论高度契合。
关键技术: proximal causal inference, doubly robust pseudo-outcome, influence function, cross-fitting, local-linear estimation, bridge function
为什么对您有用: 本文直接连接您primary interest中的proximal CI方向，聚焦连续处理下的剂量-反应曲线，这是proximal CI中尚未充分解决的问题。您武器库中very_familiar的'非参数统计'和'estimation theory in causal inference'可直接用于理解其局部线性估计和交叉拟合框架；moderately_familiar的'identification theory in causal inference'和'semiparametric theory'可用于评估其桥函数识别假设的合理性。立即可做：用您熟悉的非参数工具和因果推断估计理论，可尝试将其doubly robust pseudo-outcome推广到更一般的处理机制或高维代理变量场景。

2. 2608.01429 — Cluster on the Subject, Not the Record: Confidence Intervals and Simultaneous Bands for Additive-Hazards Sequential Trial Emulation¶

作者: M. Ehsan Karim
分类: stat.ME · stat.AP
相关性 8/10 · novelty: application
摘要: 本文针对序贯试验模拟（STE）框架下的加性风险模型，系统研究了边际风险差和常数风险差的推断问题。STE通过堆叠嵌套的虚拟试验并采用逆概率加权来估计持续治疗的效果，但此前对非参数bootstrap的覆盖性质缺乏评估。作者利用加性风险估计方程的闭式线性性，推导了影响函数，并证明默认的行级稳健方差对边际风险差曲线不一致——它遗漏了同一受试者跨试验的正向协方差，导致除首个时间点外所有水平上的覆盖不足。相比之下，受试者聚类方差和乘子bootstrap对固定权重线性化一致，且能支持同时置信带，模拟中覆盖率达0.88。常数风险差被解释为依赖于试验结构的时间效应设计加权汇总。本文在斯坦福心脏移植数据上做了展示，并提供了steCI R包。对您而言，这是一篇扎实的因果推断应用+方法论文，直接关联您的纵向因果推断和估计理论兴趣，且其聚类方差与bootstrap的对比分析对您处理复杂纵向数据中的推断问题有参考价值。
关键技术: influence function, cluster-robust variance, multiplier bootstrap, simultaneous confidence bands, additive hazards model, sequential trial emulation
为什么对您有用: 直接关联您的primary interest中的纵向因果推断（STE框架）和估计理论（影响函数推导、方差一致性证明）。您的very_familiar武器库中的'非参数统计'和'因果推断中的估计理论'可直接用于理解其聚类方差与bootstrap的对比逻辑，并可能推广到其他STE设定（如时变混杂）。中期可做：若想将HOIF（moderately_familiar）用于STE的高阶推断，需先在该工具上长肌肉。

3. 2608.01625 — Target Trial Emulation with the R Package TTE: A Tutorial and Methodological Guide¶

作者: Hisashi Noma
分类: stat.ME · stat.AP · stat.CO
相关性 8/10 · novelty: application
摘要: 本文系统介绍了目标试验模拟（target trial emulation）框架，并提供了 R 包 TTE 的完整教程与方法学指南。目标试验模拟通过将观察性因果分析结构化地围绕理想随机试验的协议（包括纳入标准、治疗分配、时间零点、随访）来减少可避免的偏倚。文章详细阐述了意向治疗（ITT）和符合方案（PP）估计量的定义、识别假设、基线与个体-时期数据结构的构建、纵向权重的时序安排、稳定化治疗与删失权重、权重截断、平衡性和有效样本量诊断、加权离散时间生存模型、基于模型的标准法、竞争风险分析、加权 Kaplan-Meier 和 Aalen-Johansen 估计，以及原始个体层面的聚类 bootstrap。两个完全合成的示例展示了端到端工作流：SGLT2 抑制剂 vs DPP-4 抑制剂对全因死亡的影响，以及血管紧张素受体阻滞剂 vs 钙通道阻滞剂的序贯嵌套试验对心衰住院和竞争性死亡的影响。对于您关注的纵向因果推断和软件实现方向，本文提供了可直接复用的 R 工具和清晰的实操流程，属于中期可做的应用型工作。
关键技术: target trial emulation, inverse probability weighting, weighted pooled discrete-time survival model, model-based standardization, competing risks analysis, cluster bootstrap
为什么对您有用: 本文直接对应您 primary interest 中的 'causal inference (identification, estimation, sensitivity analysis, longitudinal)' 子方向，特别是纵向观察性数据的因果推断。您的 technical_arsenal 中 'very_familiar' 的 'estimation theory in causal inference' 和 'software development' 可直接用于理解和扩展 TTE 包的功能，例如添加新的权重诊断或敏感性分析方法。属于中期可做：需先在 'moderately_familiar' 的 'identification theory in causal inference' 上进一步熟悉目标试验模拟的识别假设细节。

4. 2608.02167 — Regression-based approach for natural direct and indirect relative risk in case of multiple mediators¶

作者: Monia Lupparelli, Arianna Nuti, Giovanni Maria Marchetti, Alessandra Mattei
分类: stat.ME
相关性 8/10 · novelty: new_method
摘要: 本文在因果中介分析框架下，针对二元处理变量和二元结局变量，定义自然直接效应、自然间接效应和总效应的相对风险（relative risk）尺度，避免非可压缩性效应度量（如比值比）的解读困难。在序列可忽略性假设下，提出一个统一的基于回归的框架，可容纳多个连续、二元或混合中介变量，并允许处理-中介和中介-中介交互作用。推导出不同中介设定下因果效应的闭式表达式，并开发基于似然的推断程序以估计效应和量化不确定性。通过两个实证应用展示方法。该工作对您可能有用：它直接关联您 primary interest 中的因果中介分析，且其回归框架与您熟悉的 M-estimation 理论兼容，便于后续扩展至更灵活的半参数估计。
关键技术: causal mediation analysis, natural direct and indirect effects, relative risk, sequential ignorability, regression-based estimation, likelihood-based inference
为什么对您有用: 本文直接对应您 primary interest 中的因果中介分析（mediation），且针对二元结局和相对风险尺度，这是流行病学应用中常见但方法学上棘手的设定。您的 technical_arsenal 中 very_familiar 的 estimation theory in causal inference 和 moderately_familiar 的 identification theory in causal inference 可直接用于理解并可能扩展其框架（例如引入更灵活的 nuisance 估计）。中期可做：若想将本文的回归框架推广至半参数或双稳健估计，需先在 moderately_familiar 的 semiparametric theory 上加强。

5. 2608.01137 — Double Machine Learning with High-dimensional Interactive Fixed Effects¶

作者: Binzhi Chen, Annalivia Polselli, Paul S. Clarke
分类: econ.EM
相关性 8/10 · novelty: new_method
摘要: 本文针对面板数据中交互固定效应（IFE）与高维非线性协变量并存时的因果效应估计问题，提出了一种双机器学习（DML）估计量（panel DML-IFE）。在部分线性面板模型设定下，目标参数是处理变量的系数，而协变量效应允许为高维非线性函数，通过机器学习方法估计。方法核心结合了共同相关效应（CCE）的投影去因子化思想，以消除低秩因子结构带来的混淆，并构造了Neyman正交得分函数，配合交叉拟合（cross-fitting）实现n^{-1/2}-收敛与渐近正态性。蒙特卡洛模拟表明，在线性设定误设时，panel DML-IFE显著优于传统IFE估计量，偏差缩减主要来自时间维度和协变量维度。实证应用至美国股票收益数据，发现传统线性设定下显著的若干效应在同时控制高维非线性混淆和IFE后不再显著。该工作对您有用：它直接连接您对因果推断中DML与高维控制变量的兴趣，且面板IFE设定在流行病学队列研究和经济学应用中常见，您可用熟悉的非参数统计和minimax理论评估其正交得分构造的紧性。
关键技术: double machine learning, interactive fixed effects, common correlated effects, Neyman-orthogonal score, cross-fitting, high-dimensional partially linear panel model
为什么对您有用: 本文直接连接您primary interest中的因果推断（DML与高维控制变量）和面板数据设定。您武器库中very_familiar的'非参数统计'和'高维渐近理论'可直接用于分析其正交得分函数的偏差-方差权衡，以及验证其声称的n^{-1/2}-收敛率是否在更弱条件下成立。中期可做：若想将HOIF（moderately_familiar）推广至面板IFE设定以处理更高阶偏差，需先在该工具上长肌肉。

经济理论 / 应用 (econ_theory, 1 篇)¶

1. 2608.02055 — High-Dimensional Panel Data Models with Interactive Fixed Effects: Beyond the Linear Case¶

作者: Maximilian Ruecker, Michael Vogt, Oliver Linton
分类: econ.EM
相关性 9/10 · novelty: application
摘要: 本文研究高维面板数据模型，其中回归函数具有可加结构（每个协变量通过未知非线性成分函数进入模型），并允许交互固定效应。作者将 Ruecker et al. (2025) 的线性高维面板方法推广到非线性可加情形。理论部分推导了估计量在短 T 和长 T 面板下的收敛速度。通过蒙特卡洛实验和实证应用验证了方法的有限样本表现。该工作填补了高维非线性面板计量方法的空白，对处理复杂面板数据的经济学实证研究有直接价值。
关键技术: additive nonparametric model, interactive fixed effects, high-dimensional panel data, convergence rate analysis
为什么对您有用: 本文属于经济理论（面板计量）的应用工作，作为 gateway reading 可帮助了解高维面板数据建模的前沿。武器库中的非参数统计和估计理论可用于理解其收敛率推导，但核心方法（交互固定效应、可加模型）与主要兴趣方向（因果推断、高维 RMT）的直接技术重叠有限。本文值得一读以拓宽面板数据建模视野，但暂不可做直接 follow-up。

其他 (other, 2 篇)¶

1. 2608.01364 — Higher-order U-centering: ANOVA residualization and fast unbiased estimation¶

作者: Xianyang Zhang
分类: math.ST · stat.ME · stat.TH
相关性 9/10 · novelty: new_method
摘要: 本文系统性地发展了高阶 U-centering 方法，将其解释为对对称空心数组拟合可加端点效应后的最小二乘残差，从而揭示了零行和与分母 n(n-3) 的自由度含义。作者将这一构造推广到由 r-子集索引的数组，证明高阶 U-centering 能移除所有涉及少于 r 个样本标签的效应，留下零 (r-1)-维边际，并投影到维数为 C(n,r)-C(n,r-1) 的残差空间。对于两个 r 元核，中心化数组的归一化内积无偏估计它们第 r 个 Hoeffding 分量的配对。虽然直接估计器可能涉及多达 2r 个不同观测，但通过子集-边际求逆或高阶 U-centering 后接归一化内积，可在 O(n^r) 操作内完成计算（固定 r）。该框架统一了经典的无偏 Hoeffding 方差分量估计，最高阶分量表现为非负残差均方。对您而言，本文直接连接您对 higher-order U-statistics 和 tensor contraction 计算复杂度的兴趣，其 ANOVA 残差化视角为理解 U-centering 的代数结构提供了新工具。
关键技术: U-centering, Hoeffding decomposition, ANOVA residualization, subset-margin inversion, unbiased estimation, higher-order U-statistics
为什么对您有用: 本文直接命中 primary interest 中的 higher-order U-statistics 方向，其核心贡献是将 U-centering 重新解释为 ANOVA 残差化，并给出高阶推广。这与您技术武器库中 'computation of higher-order U-statistics (treewidth / tensor contraction / einsum)' 高度契合——您可以用 treewidth 视角分析其 O(n^r) 计算成本是否最优，或用 einsum 实现其子集-边际求逆算法。中期可做：需先在 moderately_familiar 的 'theory of higher-order U-statistics' 上深入理解 Hoeffding 分解与 ANOVA 的精确对应关系，然后可立即动手实现高阶 U-centering 的 einsum 版本并测试其计算效率。

2. 2608.01364 — Higher-order U-centering: ANOVA residualization and fast unbiased estimation¶

作者: Xianyang Zhang
分类: math.ST · stat.ME · stat.TH
相关性 9/10 · novelty: new_theory
摘要: 本文系统研究了高阶U-中心化（higher-order U-centering）操作，将其重新解释为对对称空心阵列拟合加性端点效应后的最小二乘残差。这一视角自然解释了U-中心化为何产生零行和以及分母n(n-3)来自残差自由度。作者将构造推广到由r-子集索引的阵列：高阶U-中心化移除所有涉及少于r个样本标签的效应，留下零(r-1)-维边际，并投影到维数为C(n,r)-C(n,r-1)的残差空间。对于两个r元核，中心化阵列的归一化内积无偏估计它们第r个Hoeffding分量的配对。虽然直接估计量可能涉及多达2r个不同观测，但通过子集-边际求逆或高阶U-中心化加归一化内积，可在O(n^r)操作内计算（固定r）。同样的计算也得到经典的无偏Hoeffding方差分量估计量，最高阶分量表示为非负残差均方。该文为高阶U-统计量的计算和解释提供了统一框架，对您的高阶U-统计量树宽/张量收缩工作有直接的方法论连接。
关键技术: U-centering, ANOVA residualization, Hoeffding decomposition, higher-order U-statistics, subset-margin inversion, distance covariance
为什么对您有用: 直接命中您的高阶U-统计量核心兴趣：本文给出了U-中心化的ANOVA残差解释，并推广到任意阶，与您熟悉的树宽/张量收缩视角（einsum复杂度）天然互补。您可以用very_familiar的树宽/张量收缩工具分析其O(n^r)计算成本是否可进一步优化（例如通过收缩顺序选择降低指数常数）。中期可做：若将本文的Hoeffding分量估计与您的HOIF（moderately_familiar）结合，可能导出新的方差分量推断方法。

📌 中相关论文（按主题分组）¶

因果推断 (causal_inference, 11 篇)¶

1. 2608.00247 — Bridging extrinsic and intrinsic variable importance¶

作者: Yucheng Zhao, Brian D. Williamson
分类: stat.ME · stat.ML
相关性 7/10 · novelty: new_theory
摘要: 本文旨在桥接两种变量重要性（variable importance）视角：内在重要性（intrinsic VIMP）衡量总体中特征的真实预测信息，外在重要性（MPLOCO）衡量对已拟合预测规则的特征贡献。在平方误差损失下，若全模型与约简模型的拟合学习器以足够快速度收敛到其oracle对应物，则MPLOCO与VIMP渐近等价。作者进一步将结果推广到一般损失函数，并形式化了可处理重叠特征组的分组MPLOCO。模拟表明，当拟合学习器与数据生成机制高度一致时，两种方法最接近；在高维分组模拟和HIV-1中和敏感性数据分析中，两者均识别出相同的信号组。该工作为因果推断中变量重要性估计的两种范式提供了统一的理论框架，对您关注的因果推断（尤其是mediation和sensitivity分析）以及semiparametric理论中的估计量收敛性有直接参考价值。
关键技术: variable importance, leave-one-covariate-out, oracle convergence, asymptotic equivalence, grouped variable importance
为什么对您有用: 直接连接到您primary interest中的因果推断（变量重要性是mediation和sensitivity分析的核心工具）和semiparametric理论（估计量收敛到oracle的条件）。武器库中'nonparametric statistics'和'minimax bounds'可用来检验本文收敛速率条件的紧性——这是中期可做的，需先在'moderately_familiar'的semiparametric theory上进一步熟悉oracle收敛的rate条件。

2. 2608.00701 — Augmented Inverse Hybrid Weighting: Robust Inference under Deterministic and Random Distribution Shifts¶

作者: Ying Jin, Ying Jin, Dominik Rothenh\"ausler
分类: stat.ME · cs.LG · math.ST · stat.TH
相关性 7/10 · novelty: new_method
摘要: 本文提出了一种新的分布偏移模型，将源总体到目标总体的变化分解为系统性协变量偏移（可学习，通过重加权校正）和残差随机扰动（不可学习，视为分布不确定性，通过数据集池化处理）。针对纯随机扰动情形，提出了Augmented Inverse Distance Weighting (AIDW)，结合回归增强和方差最优的数据集级池化。针对混合偏移，提出了Augmented Inverse Hybrid Weighting (AIHW)，在AIDW和标准增广重要性加权之间插值。两种方法通过一个描述随机扰动强度的“分布距离”参数来权衡抽样不确定性和分布不确定性。建立了渐近性质，并给出了调参和模型诊断的plug-in指导。在三个真实多站点数据集上，AIHW/AIDW相比标准加权基线持续降低了均方误差，并在协变量偏移调整单独覆盖不足的场景下显著改善了经验覆盖率。该工作对您关注的外推/泛化因果推断（如proximal CI中的目标总体迁移）有直接参考价值，其将不确定性分解为系统性偏差和随机扰动的框架可启发新的敏感性分析方法。
关键技术: Augmented Inverse Hybrid Weighting, distributional distance, covariate shift, random perturbations, dataset pooling, regression augmentation
为什么对您有用: 直接连接到您primary interest中的因果推断外推问题（generalizability/transportability），特别是当目标总体与源总体的差异不仅限于可学习的协变量偏移时。您武器库中'very_familiar'的'nonparametric statistics'和'estimation theory in causal inference'可直接用于分析其估计量的收敛性和偏差-方差权衡；'moderately_familiar'的'identification theory in causal inference'可用于评估其模型假设（随机扰动不可学习）在具体因果识别问题中的合理性。中期可做：需先在'moderately_familiar'的'semiparametric theory'上长肌肉，以推导该框架下目标参数的半参数效率界。

3. 2608.01537 — Small Samples and Short Panels: Evaluating Policy Evaluation Methods with Realistic Data¶

作者: Luke Stewart, Gary Hettinger, Youjin Lee, Nandita Mitra
分类: stat.ME
相关性 7/10 · novelty: application
摘要: 本文聚焦于纵向准实验设计中因果效应估计方法在小样本和短面板场景下的表现。研究针对合成双重差分（SDiD）和增强合成控制法（ASCM）这两种较新的方法，指出它们在理论上的假设弱于传统DiD和SCM，但在小样本或短面板条件下缺乏偏差或覆盖率的理论保证。作者采用校准模拟策略，在真实数据中注入已知处理效应，系统评估了SDiD和ASCM在有限样本下的性能。模拟设计基于健康政策评估中的典型数据特征（如少量州或少量时间点），结果揭示了方法在偏差、方差和置信区间覆盖方面的实际表现。文章最终为研究者和政策制定者提供了何时依赖SDiD和ASCM的实用指南。对您而言，这是一篇扎实的因果推断应用评估工作，直接关联您对纵向因果推断和有限样本下估计性能的兴趣，且其校准模拟框架可作为您未来评估或开发新方法时的基准工具。
关键技术: synthetic difference-in-differences, augmented synthetic control method, calibrated simulation, small-sample inference, quasi-experimental design
为什么对您有用: 本文直接关联您 primary interest 中的纵向因果推断（longitudinal causal inference），特别是小样本和短面板这一实际约束场景。您的技术武库中 'estimation theory in causal inference' 和 'nonparametric statistics' 非常熟悉，可立即用于分析 SDiD 和 ASCM 在有限样本下的偏差结构，或设计更优的方差估计量——属于立即可做的 follow-up。此外，校准模拟策略本身也可迁移到您关注的 Proximal CI 或 IV 方法的有限样本评估中。

4. 2608.02591 — Testing for subgroup treatment effect consistency in the Cox model¶

作者: Lukas Koletzko, Holger Dette, Bj\"orn Bornkamp, Frank Bretz, Zoe Kristin Lange
分类: stat.ME · stat.AP
相关性 7/10 · novelty: new_method
摘要: 本文在Cox比例风险模型框架下，针对生存数据提出评估亚组治疗效果一致性的形式化方法。一致性被定义为（加权）治疗-亚组交互作用系数在临床可忽略的等价区间内，而非传统交互检验的精确为零。作者考虑两种设定：两个互补亚组间的一致性，以及各亚组与总体治疗效果的一致性。对每种设定，发展了传统的双单侧检验（TOST）和一种基于正态参数最优等价检验的新检验。证明了所有检验的渐近有效性，并通过模拟显示新检验比TOST更高效。最后，以CANTOS心血管结局试验为案例进行应用。该方法为因果推断中异质性评估提供了更实用的假设检验工具，尤其适用于临床试验的亚组分析。
关键技术: two one-sided tests (TOST), equivalence testing, Cox proportional hazards model, treatment-by-subgroup interaction, asymptotic validity
为什么对您有用: 直接关联因果推断中的异质性评估（subgroup treatment effect consistency），是您primary interest中'causal inference'下敏感性分析和异质性检验的具体工具。技术层面，该文的等价检验框架可视为对传统交互检验的改进，您可以用very_familiar的'minimax bounds for estimation problems'视角分析其检验的optimality，或用moderately_familiar的'M-estimation theory'严格化其渐近性质。中期可做：若想将等价检验推广到更复杂的因果模型（如proximal CI），需先在moderately_familiar的'identification theory in causal inference'上长肌肉。

5. 2608.00136 — A Nonparametric Test for Cross-Unit Spillovers¶

作者: Margherita Comola, Camila Comunello, Abhimanyu Gupta
分类: econ.EM · stat.ME
相关性 7/10 · novelty: new_method
摘要: 本文提出一个非参数检验，用于检测跨单元溢出效应（spillover effects），即一个单元的处理或结果是否影响其他单元的结果。该检验在无溢出效应的原假设下仅需估计一个简化模型，检验统计量渐近服从标准正态分布，无需指定溢出机制的具体形式。方法适用于多种交互结构（如网络、空间、分组），且能同时检测通过同伴属性、同伴结果或两者共同传导的溢出。作者通过四个实证例子（如农业推广、教育干预）展示了该检验与现有方法（如线性回归、参数模型）得出不同结论的能力。对您而言，该工作直接连接因果推断中的干扰（interference）问题，提供了一个无需强参数假设的检验工具；您的非参数统计和M估计理论武器库可直接用于分析其检验的局部幂性质或扩展至更复杂的溢出结构（如高阶网络）。
关键技术: nonparametric test, spillover effects, interference, asymptotic normality, network data
为什么对您有用: 直接连接因果推断中的干扰（interference）问题，属于您的primary interest。该检验的非参数性质与您的非参数统计和M估计理论高度匹配，可用very_familiar的minimax bounds工具分析其检验的局部幂或扩展至更复杂的溢出结构（如高阶网络）。中期可做：需先在moderately_familiar的identification theory上长肌肉以处理更复杂的识别假设。

6. 2608.00772 — Monotone Response for Random Objects¶

作者: Daisuke Kurisu, Yuta Okamoto, Taisuke Otsu
分类: econ.EM
相关性 7/10 · novelty: new_method
摘要: 本文针对随机对象（取值于一般度量空间）的因果推断问题，将MTR、MTS、MIV单调性假设推广到非标量结果。核心方法是将度量空间嵌入L²空间，对嵌入函数施加坐标单调性约束，从而部分识别Fr´echet均值的识别集。在Wasserstein度量下的分布结果、支撑函数表示的区间值结果、Aitchison度量下的成分数据结果中，该方法能给出sharp识别集。还给出了联合MTR-MTS假设下识别集的无支撑函数刻画。数值和实证（Job Corps收入数据、NHANES牙周健康分布）展示了实用性。对您而言，本文是proximal CI/IV框架外的一种非标量结果部分识别新工具，其嵌入+坐标单调性思路可与您的非参数统计和因果识别理论衔接。
关键技术: monotone treatment response (MTR), monotone instrumental variable (MIV), Fr´echet mean, embedding into L² space, partial identification, sharp identified set
为什么对您有用: 本文直接连接您的primary interest中的因果推断（IV、部分识别）和非参数理论（度量空间嵌入）。技术武器库中的非参数统计和因果识别理论可直接用于理解其嵌入构造和sharp识别集推导。中期可做：若想将本文的坐标单调性思路与您的higher-order U-statistics结合（例如在分布结果上构造U-statistic型估计量），需先在moderately_familiar的semiparametric theory上加强。

作者: TszKin Julian Chan, Juan Estrada, Kim Huynh, David Jacho-Chavez, Chungsang Tom Lam, Leonardo Sanchez-Aragon
分类: econ.EM
相关性 7/10 · novelty: new_method
摘要: 本文在经典的线性均值（linear-in-means）社会互动模型下，研究当初始同伴随机分配但后续网络内生形成时的识别与估计问题。核心设定是：初始随机分配的同伴（如座位）不产生社会效应，但后续基于这些初始连接发展出的内生关系（如学习伙伴）可能产生同伴效应。作者提出一个矩条件，利用初始随机化作为工具变量，整合了总体中所有个体的局部异质性识别信息。在假设内生网络空间满足 ψ-依赖（ψ-dependence）的条件下，构造了广义矩估计（GMM）估计量，该估计量具有闭式解，易于用标准统计软件实现，且被证明一致且渐近正态。蒙特卡洛模拟显示小样本性能良好；利用香港中学生数据进行的实证分析发现，在教师外生分配座位的前提下，学习伙伴对数学成绩存在显著的正向溢出效应。对您而言，本文提供了一个在纵向/网络因果推断中处理内生网络形成的干净识别策略，其利用初始随机化作为工具变量的思路与您的 IV 和因果推断兴趣直接相关。
关键技术: linear-in-means model, Generalized Method of Moments (GMM), ψ-dependence, network formation, randomized peers as instruments
为什么对您有用: 本文直接连接您的因果推断兴趣中的 IV 和网络/同伴效应识别问题。武器库中 'estimation theory in causal inference' 和 'identification theory in causal inference' 可以用于理解其识别假设（初始随机化+ψ-依赖）的合理性，并评估其 GMM 估计量的效率是否可被更优的 semiparametric 方法（如您 moderately_familiar 的 semiparametric theory）改进。中期可做：需先在 moderately_familiar 的 'semiparametric theory' 上长肌肉，才能判断能否构造出比闭式 GMM 更高效的 influence-function-based 估计量。

8. 2608.00317 — Backward Bayesian Outcome Weighted Learning¶

作者: Emmanuel M. Rockwell, Michael R. Kosorok, Nikki L. B. Freeman
分类: stat.ME · stat.ML
相关性 6/10 · novelty: new_method
摘要: 本文研究多阶段动态治疗策略（DTR）的最优策略学习问题，目标是在 backward induction 框架下直接学习最优策略。现有方法如 backward OWL（BOWL）通过分类视角学习策略，但缺乏个体层面的不确定性量化。作者将 Bayesian OWL 扩展到多阶段，提出 backward Bayesian OWL（BBOWL），在 backward induction 过程中通过贝叶斯后验传播不确定性，从而为每个个体的治疗推荐提供后验概率式的置信度。理论部分给出了 BBOWL 的渐近性质证明，模拟研究验证了其有限样本表现。该方法的核心机制是将 OWL 的加权分类损失嵌入贝叶斯框架，利用后验抽样实现不确定性量化，而不依赖传统 bootstrap 或渐近正态近似。对您而言，本文连接了因果推断中的动态治疗策略估计与贝叶斯不确定性量化，属于您 primary interest 中“causal inference (longitudinal)”的子方向，且其 backward induction 结构与您熟悉的 M-estimation 理论有交叉。
关键技术: backward outcome weighted learning, Bayesian reformulation, uncertainty quantification, dynamic treatment regimes, backward induction
为什么对您有用: 本文直接对应您 primary interest 中的“causal inference (longitudinal)”子方向，处理多阶段 DTR 的估计与不确定性量化。您武器库中“estimation theory in causal inference”和“M-estimation theory”可直接用于分析其贝叶斯后验的渐近性质（如后验收缩率是否与频率最优率匹配）。中期可做：若想将本文的贝叶斯框架与您熟悉的 higher-order U-statistics 结合（例如多阶段策略价值函数的更高阶估计），需先在“HOIF”上长肌肉，因为多阶段策略价值函数涉及嵌套期望，其高阶影响函数结构尚未被充分探索。

9. 2608.00789 — Bayesian hierarchical bootstrap framework for causal subgroup estimation with a time-to-event outcome¶

作者: Mengyao Shi, Amanda Ricciuto, Mark Deneau, Kuan Liu
分类: stat.ME
相关性 6/10 · novelty: new_method
摘要: 本文针对时间-事件结局下的预设亚组因果效应估计问题，提出贝叶斯层次自助法（HBB）框架。目标 estimand 是亚组特定的治疗效应（如生存曲线差异），关键挑战在于亚组样本稀疏、右删失导致信息损失，以及亚组间协变量分布异质性。方法核心是将非参数层次先验置于亚组特异性基线协变量分布上，实现跨相关亚组的信息借力（borrowing of strength），同时保留亚组特有结构。结合贝叶斯加速失效时间（AFT）模型处理右删失，通过后验 g-formula 同时传播生存模型和协变量分布的不确定性。与 BART 等黑箱方法相比，HBB 在稀疏亚组中稳定估计且无需对协变量分布做参数假设。模拟实验覆盖不同稀疏度和删失率，验证了方法的稳健性。对您而言，该工作直接连接因果推断中的纵向/生存结局亚组分析，其层次先验借力思路可与您熟悉的非参数统计和因果推断估计理论结合，中期可做：需先在 moderately_familiar 的 identification theory 上理解后验 g-formula 的识别条件。
关键技术: Bayesian hierarchical bootstrap, posterior g-formula, accelerated failure time model, borrowing of strength, subgroup causal inference, right-censored outcomes
为什么对您有用: 直接连接 primary interest 中的因果推断（纵向/生存结局亚组分析）和贝叶斯非参数方法。您的 very_familiar 武器库中的非参数统计和因果推断估计理论可直接用于分析其后验 g-formula 的识别条件与渐近性质；中期可做：需先在 moderately_familiar 的 identification theory 上补足后验 g-formula 在稀疏亚组下的识别性论证，再考虑扩展至更复杂的删失机制。

10. 2608.01282 — Multimodal domain adaptation under label shift and blockwise missing modalities¶

作者: Zebin Wang, Ziang Dou, Molei Liu, Tianxi Cai
分类: stat.ME
相关性 6/10 · novelty: new_method
摘要: 本文研究多模态领域自适应问题，设定中源域与目标域存在分布偏移，且不同源域观测到的模态子集不同（blockwise missing modalities）。目标是在目标域无标签、模态缺失阻碍简单合并的情况下，利用带标签的源域数据预测目标域结局。作者提出一种参考锚定（reference-anchored）方法：利用在所有源域和目标域均观测到的参考模态估计目标结局分布，并通过逆概率加权（reweighting）对齐源域；随后通过目标域的典型相关分析（CCA）获得共享表示，并在各源域用岭回归映射复现该表示；结局信息通过密度比模型在对齐表示上传递。当源域金标准标签稀疏时，进一步提出代理标签辅助方法以增强鲁棒性。理论部分建立了目标CCA与源岭回归映射的统一旋转匹配结果，以及目标条件结局分布的一致性。模拟和肾细胞癌（RCC）应用表明该方法在分布偏移和模态缺失下校准良好、预测稳定。该工作与您的因果推断兴趣中迁移学习/领域自适应方向直接相关，其密度比加权和表示对齐思路可视为一种特殊的identification策略，值得关注。
关键技术: reference-anchored domain adaptation, canonical correlation analysis (CCA), ridge regression mapping, density ratio weighting, surrogate-label-assisted estimation
为什么对您有用: 本文属于因果推断中迁移学习/领域自适应的具体设定，直接连接您的primary interest中'causal inference (identification, estimation, sensitivity analysis)'下的distribution shift问题。武器库中'very_familiar'的'estimation theory in causal inference'和'nonparametric statistics'可用于分析其密度比估计的收敛性，而'moderately_familiar'的'identification theory in causal inference'可帮助评估其参考锚定假设的可检验性。中期可做：需先在'moderately_familiar'的'semiparametric theory'上长肌肉，以严格推导其半参效率界。

11. 2608.01115 — Renewable high-dimensional expected shortfall regression¶

作者: Haochen Rao, Tingzi Weng, Yifan Jiang, Xu Guo
分类: stat.ME
相关性 5/10 · novelty: new_method
摘要: 本文针对高维期望损失（ES）回归在流式数据场景下的可再生估计与推断问题。ES是金融和保险中重要的尾部风险度量，但现有离线方法无法处理顺序到达的批量数据且存储受限。作者提出一种在线更新框架，通过优化仅依赖当前数据和历史信息的替代损失函数，无需存储全部原始数据即可更新ES回归系数估计量。进一步构造了在线去偏估计量，并基于一致方差估计构建有效的Wald型置信区间。理论上建立了在线高维ES估计量的非渐近误差界，并验证了在线去偏估计量的渐近正态性。模拟表明该方法在估计精度和推断性能上与离线基准相当，汽车保险索赔数据集的应用展示了其在保险风险管理中的实用价值。对您而言，该文的在线去偏推断框架可迁移至因果推断中的流式数据敏感性分析或高维IV估计的在线更新问题。
关键技术: renewable estimation, online debiased estimator, high-dimensional expected shortfall regression, Wald-type confidence interval, non-asymptotic error bound
为什么对您有用: 该文直接连接您对高维统计和因果推断中在线/流式数据方法的兴趣。您武器库中的高维渐近理论和去偏机器学习技术可用来分析其在线去偏估计量的效率损失，或将其框架推广至因果推断中的流式数据ATE估计。中期可做：需先在 moderately_familiar 的 semiparametric theory 上加强，以处理ES回归中非光滑损失函数的半参效率界。

高维统计 / 随机矩阵 (high_dim_rmt, 5 篇)¶

1. 2608.01590 — Method of Moments Estimation of High-Dimensional Covariance Using a Parametric Model¶

作者: Iain M. Johnstone, Yuchen Wu, Ran Xie
分类: stat.ME · math.ST · stat.TH
相关性 7/10 · novelty: new_method
摘要: 本文提出在高维混合效应模型（multivariate mixed effects models）中，对方差分量协方差矩阵的特征值进行矩估计。研究设定为预测变量数 p 与每个随机效应的实现数 n 可比的高维场景。核心机制是利用随机矩阵理论（RMT）工具，证明平方和矩阵（如 MANOVA 估计量）的经验矩可以被底层参数的确定性函数精确近似，从而通过矩匹配构造一致且渐近正态的估计量。方法假设特征值分布具有参数形式，避免了非参数谱估计的复杂性。理论贡献包括建立经验矩与参数矩之间的确定性关系，并推导估计量的渐近分布。应用动机来自数量遗传学中多性状遗传协方差分量的估计。本文还提供了 Python 包 mlmm-mom 实现，并展示了方法对几种常见实验设计的适应性。对您有用：该工作直接连接您的高维统计与 RMT 兴趣，其矩匹配思路可迁移至您熟悉的逆问题或因果推断中的高维协方差建模。
关键技术: random matrix theory, method of moments, variance components estimation, MANOVA estimators, high-dimensional asymptotics, moment matching
为什么对您有用: 本文直接连接您的高维统计与 RMT 兴趣，具体在方差分量协方差矩阵的谱估计问题上。您的武器库中'高维渐近'和'逆问题'可直接用于分析其矩匹配估计量的 minimax 最优性，或扩展至非参数特征值分布设定。中期可做：需先在 moderately_familiar 的 M-estimation 理论上长肌肉，以处理估计量的稳健性。

2. 2608.00565 — On the Log Determinant of Sample Correlation Matrices under Gaussianity¶

作者: Hongru Zhao
分类: math.ST · math.PR · stat.TH
相关性 6/10 · novelty: new_theory
摘要: 本文在高斯假设下证明了样本相关矩阵（Pearson correlation matrix）的行列式对数的中心极限定理。设定为：p维总体相关矩阵正定，样本自由度n≥p，这两个条件是普通对数行列式有限所必需的。该CLT覆盖了从稀疏增长（p/n→0）到方形硬边（p/n→1）的所有宽高比，且不要求总体特征值的一致上界或下界——最小特征值可趋于0，最大特征值可发散。证明方法结合了坐标Wiener混沌展开（处理随机对角归一化）和精确Wishart变换比较。几何上，该统计量是标准化高斯坐标向量张成的随机平行多面体体积对数的两倍。这是首个覆盖整个非奇异域（n≥p）的样本相关矩阵行列式对数CLT，填补了此前结果仅覆盖特定宽高比或需特征值有界条件的空白。对您而言，该结果直接关联高维统计与随机矩阵理论，其Wiener混沌与Wishart变换结合的技术可能为高维协方差结构的假设检验提供新工具。
关键技术: Wiener chaos decomposition, Wishart transform, log determinant CLT, sample correlation matrix, random diagonal normalization
为什么对您有用: 直接连接您的高维统计与随机矩阵理论兴趣：该CLT覆盖了n≥p的全非奇异域，是此前结果的重要推广。技术层面，您武器库中的高维渐近工具（very_familiar）可直接用于理解其Wiener混沌展开与Wishart变换的证明策略，并可能将结果推广至非高斯或稀疏设定。中期可做：若您希望在随机矩阵的精细谱分析上长肌肉（moderately_familiar的HOIF或更高阶U统计量），可探索该CLT在假设检验中的有限样本修正。

3. 2608.00565 — On the Log Determinant of Sample Correlation Matrices under Gaussianity¶

作者: Hongru Zhao
分类: math.ST · math.PR · stat.TH
相关性 6/10 · novelty: new_theory
摘要: 本文在高斯假设下证明了样本相关矩阵（Pearson correlation matrix）的行列式对数的中心极限定理。设定为：p维总体相关矩阵正定，样本自由度n≥p，这是普通log行列式有限所必需的条件。该CLT覆盖了从稀疏增长（p/n→0）到方形硬边（p/n→1）的所有宽高比，且不要求总体特征值的一致上下界——最小特征值可趋于0，最大特征值可发散。证明方法上，首先对随机对角归一化（即样本标准差）进行坐标Wiener混沌展开，再结合精确的Wishart变换比较。几何上，该统计量等于标准化高斯坐标向量张成的随机平行多面体体积对数的两倍。这是首个覆盖整个非奇异域（n≥p）的CLT结果，填补了此前仅覆盖p/n→c∈(0,1)或要求特征值有界等限制的空白。对您而言，该结果直接关联高维随机矩阵理论（RMT）中样本相关矩阵的极限分布，且其Wiener混沌展开技巧可能为处理其他高维统计量的渐近分布提供新工具。
关键技术: Wiener chaos expansion, Wishart transform, log determinant CLT, sample correlation matrix, random parallelotope volume
为什么对您有用: 直接命中高维统计与随机矩阵理论（RMT）兴趣点：样本相关矩阵的log行列式是RMT中经典统计量，本文首次在无特征值一致界条件下给出完整CLT。武器库中'高维渐近'和'逆问题'的minimax经验可用于验证其收敛速率是否最优；Wiener混沌展开与Wishart变换的组合技巧可迁移至其他高维统计量的渐近分析（如广义方差、似然比统计量）。中期可做：需先在moderately_familiar的'高阶U统计量理论'上长肌肉，以理解其Wiener混沌展开与U统计量投影的深层联系。

4. 2608.01654 — Approximate Message Passing with Random Initialization for Phase Retrieval¶

作者: Yuchen Chen, Yandi Shen, Xingyu Xu
分类: math.ST · stat.ML · stat.TH
相关性 5/10 · novelty: new_theory
摘要: 本文研究无噪声相位恢复问题中，使用独立高斯随机初始化的近似消息传递（AMP）算法在比例渐近框架下的行为。随机初始化与真实信号的重叠仅为 O(d^{-1/2}) 量级，AMP 需要不断增长的迭代次数才能达到非零重叠，因此经典固定时间状态演化无法刻画其精确行为。作者证明了 AMP 轨迹的高斯分解，并控制了恢复所需时间范围内的误差。分析表明，随机初始化达到了弱恢复阈值 δ_weak=1/2。对于 δ∈(δ_weak, δ_str)（δ_str≈1.13），信号强度遵循状态演化，并在 n^{1/3}/polylog(n) 次迭代内一致收敛到稳定的有限不动点；对于 δ>δ_str，AMP 在 O_{δ,ε}(log n) 次迭代内达到任意指定的固定恢复精度。大部分分析可推广到单指标模型的广义 AMP。该工作为理解随机初始化下 AMP 的动力学提供了严格理论，对高维统计中的计算-统计权衡问题具有参考价值。
关键技术: approximate message passing (AMP), state evolution, Gaussian decomposition, phase retrieval, weak recovery threshold, single-index models
为什么对您有用: 本文直接关联您对统计-计算权衡（information-computation gap）的兴趣，属于 gateway reading 范畴。AMP 是理解低度多项式障碍与多项式时间可达性的关键算法框架，本文对随机初始化下 AMP 动力学的严格分析，为 outsider 提供了清晰的统计模型（相位恢复）、计算模型（AMP 迭代）以及弱恢复阈值的精确刻画。您的武器库中高维渐近理论（very_familiar）可直接用于理解其状态演化分析，而更高阶 U-统计量的张量收缩视角（very_familiar）可能为分析 AMP 的迭代复杂度提供新思路。本文作为入门读物，门槛较低，值得花时间精读。

5. 2608.01641 — Pooling Versus Ensembling for Ridge Regression Under Covariate Shift¶

作者: Maya Ramchandran, Rajarshi Mukherjee
分类: math.ST · stat.TH
相关性 5/10 · novelty: new_theory
摘要: 本文研究在协变量漂移（covariate shift）下，岭回归（ridge regression）的池化（pooling）与集成（ensembling）策略的预测风险比较。设定数据自然划分为多个簇（子总体、批次效应或多源聚合），每个簇的协变量分布不同，但条件结果模型为线性且系数可能固定或随机。核心问题是：当仅协变量分布存在异质性时，是应该对全数据拟合一个池化模型，还是对每个簇分别训练模型再集成？作者针对所有岭惩罚参数 λ≥0（包括 λ=0 的 ridgeless 极限）推导了池化预测器和集成预测器的精确风险表达式。主要结论：在随机效应模型下，最优调参的池化岭回归始终优于各自最优调参的集成；在固定效应模型下，给出了池化与集成风险差异的显式公式，刻画了回归系数和协变量漂移的作用。这些结果将 bagging 和随机划分估计的经典风险分析从 i.i.d. 推广到了协变量漂移和异质性感知的划分结构。对您而言，该文的高维渐近分析（随机矩阵理论）与您的高维统计和 RMT 兴趣直接相关，且其风险比较框架可迁移至您熟悉的因果推断中的样本分割（如 cross-fitting）策略评估。
关键技术: ridge regression, ridgeless regression, covariate shift, random effects model, fixed effects model, risk decomposition
为什么对您有用: 本文直接关联您的高维统计与随机矩阵理论兴趣，其核心是岭回归在异质性数据下的风险分析，属于高维渐近的经典问题。您的武器库中'高维渐近'和'非参数统计'可直接用于验证其风险公式的紧性，或推广至更一般的惩罚回归（如 Lasso）。中期可做：若想将分析扩展到非线性模型（如核岭回归），需先在 moderately_familiar 的'半参数理论'上提升，以处理更复杂的函数类。

非参数 / 半参数 (nonparam_semipara, 5 篇)¶

1. 2608.00240 — Regularized-Likelihood Deconvolution with Posterior-Density Reconstruction¶

作者: Marco Di Marzio, Stefania Fensore, Chiara Passamonti, Serena Pulcini
分类: math.ST · stat.TH
相关性 7/10 · novelty: new_method
摘要: 本文研究密度去卷积（density deconvolution）这一 ill-posed inverse problem，目标是在观测数据受加性噪声污染时恢复潜在变量的分布。作者提出两阶段似然方法：第一阶段在正则化高斯混合筛（regularized Gaussian-mixture sieve）上最大化卷积似然，得到直接估计量；第二阶段将第一阶段拟合的密度作为经验先验，对观测数据平均条件潜在密度，得到后验重建估计量。在正确设定下，后验重建引入额外的一阶方差成分，但在可识别卷积下局部收缩了误设定偏差。在普通光滑误差（ordinary-smooth error）下，直接估计量的 L² 收敛率与后验重建的 L¹ 收敛率均达到经典去卷积指数（至多对数因子）。数值实验和 Framingham 血压数据应用展示了二者在有限样本下的互补行为。该文对您可能有用：其正则化筛方法与您熟悉的非参数统计和逆问题工具直接对接，后验重建的偏差-方差权衡可迁移至因果推断中的测量误差校正问题。
关键技术: density deconvolution, Gaussian-mixture sieve, regularized likelihood, posterior reconstruction, ill-posed inverse problem, ordinary-smooth error
为什么对您有用: 本文直接连接您的 primary interest 中的 inverse problems with random noise 和 nonparametric statistics。您 very_familiar 的 minimax bounds for estimation problems 可用来验证其声称的收敛率是否紧，而 sieve M-estimation 的偏差-方差分析思路可迁移至您熟悉的因果推断中的测量误差场景。中期可做：需先在 moderately_familiar 的 semiparametric theory 上长肌肉，以处理更一般的误差分布假设。

2. 2608.00240 — Regularized-Likelihood Deconvolution with Posterior-Density Reconstruction¶

作者: Marco Di Marzio, Stefania Fensore, Chiara Passamonti, Serena Pulcini
分类: math.ST · stat.TH
相关性 7/10 · novelty: new_method
摘要: 本文研究密度去卷积（density deconvolution）这一病态逆问题，目标是在观测数据受高斯噪声污染时恢复潜在变量的分布。第一类估计器通过正则化的高斯混合筛（Gaussian-mixture sieve）最大化卷积似然，直接估计潜在密度；第二类估计器将第一类估计的密度作为经验先验，对观测数据对应的条件潜在密度进行平均，实现后验密度重建（posterior-density reconstruction）。在模型误设定下，两类估计器的总体目标不同：后验重建在可识别卷积下局部收缩误设定偏差，但在正确有限维设定下引入额外的一阶方差分量。理论方面，建立了观测域和潜在域上的收敛速度：在普通光滑误差下，直接估计器在 L² 范数下和后验重建在 L¹ 范数下均达到经典去卷积指数（至多对数因子）。数值实验和 Framingham 血压数据应用展示了二者在有限样本下的互补行为。该工作对您在高维统计和逆问题中的 minimax 速率分析兴趣有直接参考价值，其 sieve 方法也可与您的非参数统计工具结合。
关键技术: Gaussian-mixture sieve, convolution likelihood, posterior-density reconstruction, ill-posed inverse problem, ordinary-smooth error, minimax convergence rate
为什么对您有用: 本文直接连接您的 primary interest 中的非参数统计和逆问题 minimax 界：密度去卷积是经典的 ill-posed inverse problem，其 sieve 估计和收敛速率分析是您 very_familiar 武器库中 minimax bounds 和 inverse problems 的典型应用场景。具体而言，您可以用 minimax bound 工具验证本文声称的 L² 和 L¹ 速率是否紧，并探索是否能用 higher-order U-statistics 的 treewidth 视角来刻画 sieve 估计的计算成本。中期可做：需先在 moderately_familiar 的 semiparametric theory 上加强，以处理模型误设定下的偏差-方差权衡。

3. 2608.01309 — Adaptive Confidence Sets for Binary Regression without Design Smoothness¶

作者: P. M. Aronow, Patrick Lopatto
分类: math.ST · stat.TH
相关性 7/10 · novelty: new_theory
摘要: 研究随机设计二元回归中回归函数在 L²(dx) 损失下的诚实自适应置信集。假设设计密度仅已知有界（0 < c ≤ g ≤ C < ∞），无需光滑性假设。当回归函数光滑度范围跨度不超过两倍时，可构造完全自适应的置信集；对于更宽的光滑度范围，在分离类上以测试率 n^{-2s/(4s+d)} 实现自适应。在均匀设计下给出下界，证明该分离率是率最优的。回答了 Mukherjee & Sen (2018) 提出的开放问题。对您而言，该工作直接关联非参数统计中的自适应推断与 minimax 下界技术，可用您熟悉的 minimax 界工具验证其率最优性是否紧。
关键技术: honest adaptive confidence sets, rate-optimal separation rates, random-design binary regression, L^2 loss, minimax lower bounds
为什么对您有用: 直接关联非参数统计与假设检验方向，核心问题是自适应置信集在无设计密度光滑性假设下的可行性。您熟悉的 minimax 界工具可直接用于验证其分离率的最优性是否紧。中期可做：若需推广到更高阶损失或异方差设定，需先在 moderately_familiar 的 M-估计理论上长肌肉。

4. 2608.00649 — Empirical optimal transport potentials: fast rates and a functional central limit theorem¶

作者: Alberto Gonz\'alez-Sanz, Gilles Mordant, Shunan Sheng
分类: math.ST · stat.TH
相关性 6/10 · novelty: new_method
摘要: 本文研究二次最优传输势函数的估计问题，设定中参考分布 μ 固定且绝对连续，目标分布 ν 未知，通过其经验测度访问。核心工具是一条稳定性不等式：在强凸势 φ 与凸势 φ̃ 之间，L¹(μ) 距离（模加法常数）可由 (∇φ̃)♯μ − (∇φ)♯μ 的弱对偶范数加上一个对数型的二阶 Wasserstein 余项控制。这一分解将主导的经验过程项与 Wasserstein 余项分离，使得势函数的收敛速度比对应的传输映射更快。在光滑性和一致凸性假设下，精确半离散 Brenier 势在 L¹(μ) 中的收敛率：d≤3 时为 n^{-1/2}，d=4 时为 n^{-1/2}(log n)^{5/2}，d≥5 时为 n^{-2/d}(log n)^{(d+2)/d}，且多项式指数是紧的。在 d≤3 时，进一步建立了非退化函数空间中心极限定理，并证明了非参数 bootstrap 的一致性，从而对任意固定有限个归一化不变加权对比（包括区域影子溢价）实现联合根 n 推断。最后，对熵对偶势的归一化不变和给出了 ε log(1/ε) 阶的匹配上下界。该文对您在半参数与非参数理论方向有直接参考价值，其稳定性不等式和收敛率分析技术可迁移至您熟悉的非参数统计与 minimax 界工具中。
关键技术: stability inequality, empirical process, Wasserstein distance, Brenier potential, functional central limit theorem, nonparametric bootstrap
为什么对您有用: 本文直接连接您的非参数与半参数理论兴趣，其核心稳定性不等式和收敛率分析是您非常熟悉的非参数统计与 minimax 界工具可以攻克的——您可以用 minimax 下界技术验证其声称的 sharp rate 是否紧，并考虑将类似稳定性分解推广到其他传输代价或半参数设定。中期可做：若想将结果推广到熵正则化或更一般的代价函数，需先在 moderately_familiar 的 M-estimation 理论上长肌肉（特别是经验过程与 U-统计量的结合）。

5. 2608.00649 — Empirical optimal transport potentials: fast rates and a functional central limit theorem¶

作者: Alberto Gonz\'alez-Sanz, Gilles Mordant, Shunan Sheng
分类: math.ST · stat.TH
相关性 6/10 · novelty: new_method
摘要: 本文研究二次最优传输势函数的估计问题，设定中参考分布μ固定且绝对连续，目标分布ν未知，通过其经验测度访问。核心工具是一条稳定性不等式：在强凸势函数φ与凸势函数φ̃之间，L^1(μ)距离（模加性常数）可由(∇φ̃)#μ - (∇φ)#μ的弱对偶范数加上一个对数型的二阶Wasserstein余项控制。这一分解将主导的经验过程项与Wasserstein余项分离，使得势函数的收敛速率快于对应的传输映射。在光滑性和一致凸性假设下，精确半离散Brenier势函数在L^1(μ)下的收敛速率：d≤3时为n^{-1/2}，d=4时为n^{-1/2}(log n)^{5/2}，d≥5时为n^{-2/d}(log n)^{(d+2)/d}，且多项式指数是紧的。在d≤3时，进一步建立了非退化函数空间中心极限定理并证明了非参数bootstrap的一致性，从而对任意固定有限个归一化不变的加权对比（包括区域影子溢价）可实现联合根n推断。最后，对熵对偶势函数的归一化不变和给出了ε log(1/ε)阶的匹配上下界。该文对您可能有用：其稳定性不等式技巧和sharp收敛速率分析可直接迁移到您熟悉的非参数统计和minimax界工具中，用于评估高维或半参数设定下传输类estimator的收敛行为。
关键技术: stability inequality, empirical process, Wasserstein distance, Brenier potential, functional central limit theorem, nonparametric bootstrap
为什么对您有用: 本文直接连接您的非参数统计与minimax界兴趣：其稳定性不等式将势函数估计转化为经验过程加Wasserstein余项，这一分解与您熟悉的非参数下界技术高度兼容，可用minimax框架验证其声称的sharp速率是否紧。技术武器库中'非参数统计'和'minimax bounds for estimation problems'两项可直接用于攻这篇paper的速率最优性证明——例如检查d≥5时n^{-2/d}是否确实为minimax下界。中期可做：若想将类似稳定性不等式推广到高维或半参数传输问题，需先在moderately_familiar的'半参数理论'上长肌肉（特别是影响函数与Donsker类条件）。

数理统计 / 假设检验 (hypothesis_testing, 14 篇)¶

1. 2608.01309 — Adaptive Confidence Sets for Binary Regression without Design Smoothness¶

作者: P. M. Aronow, Patrick Lopatto
分类: math.ST · stat.TH
相关性 7/10 · novelty: new_method
摘要: 研究随机设计二元回归中回归函数在 L^2(dx) 损失下的诚实自适应置信集构建问题。假设设计密度仅已知有界（0 < c ≤ g ≤ C < ∞），无需其光滑性，且回归函数光滑度 s 未知。构造了渐近诚实的率自适应置信集：当光滑度范围跨度不超过两倍时实现完全自适应；更宽范围时在分离类上达到最优检验率 n^{-2s/(4s+d)}。下界证明均匀设计下分离率是率最优的，回答了 Mukherjee 和 Sen (2018) 的开放问题。核心工具涉及非参数自适应推断与 minimax 检验理论。对您而言，该文直接关联假设检验与非参数理论兴趣，其自适应置信集构造思路可迁移至因果推断中处理效应函数的自适应推断问题。
关键技术: honest adaptive confidence sets, rate-adaptive inference, minimax separation rate, binary regression, random design
为什么对您有用: 直接连接假设检验与非参数理论子方向，聚焦自适应置信集这一核心问题。武器库中 minimax bounds 与 nonparametric statistics 可直接用于验证其分离率最优性是否紧，并可尝试将自适应构造方法推广至因果推断中的条件平均处理效应函数。中期可做：需先在 moderately_familiar 的 semiparametric theory 上长肌肉以处理更复杂的 nuisance 参数。

2. 2608.02507 — Beyond Modern Asymptotics for Log-Likelihood Ratios in Logistic Regression¶

作者: Hugo Chardon, Reese Pathak, Nikita Zhivotovskiy
分类: math.ST · cs.IT · cs.LG · math.IT · stat.TH
相关性 7/10 · novelty: new_theory
摘要: 本文研究二元逻辑回归中对数似然比统计量的有限样本行为，目标是在无设计正则性假设下给出其最坏情况分位数的非渐近刻画。对于 n ≥ d ≥ 3，作者证明了最坏情况 (1-δ) 分位数一致地（对所有固定设计向量和目标参数）为 d log(e n / d) + log(1/δ)，这是 Wilks χ²_d 现象的非渐近类比。低维情形表现异常：d=2 时最坏分位数阶为 log log log n + log(1/δ)，d=1 时仅为 log(1/δ) 且与 n 无关。当设计向量为 i.i.d. 高斯时，经典 Wilks 尺度得以恢复。在 n ≳ d + log(1/δ) 的样本量条件下，进一步证明了紧界 d + log(1/δ)。与现有渐近结果不同，本文的界对可能依赖于 n、d、δ 的目标参数一致成立。该结果对您在高维假设检验和有限样本理论方面的兴趣有直接连接，尤其是其非渐近刻画技术可迁移至您熟悉的 minimax 界框架。
关键技术: non-asymptotic Wilks phenomenon, worst-case quantile bounds, logistic regression likelihood ratio, uniformity over parameter, finite-sample concentration
为什么对您有用: 本文直接连接您 primary interest 中的 hypothesis testing 和 high-dimensional statistics 子方向，给出了逻辑回归似然比统计量的有限样本非渐近刻画，这是经典 Wilks 定理在高维且无设计正则性假设下的推广。您武器库中 very_familiar 的 minimax bounds 和 high-dimensional asymptotics 可以直接用于验证其界的紧性，并尝试将类似技术推广到其他广义线性模型。中期可做：需先在 moderately_familiar 的 M-estimation theory 上深入理解似然比统计量的高阶行为，以扩展至更复杂的模型。

3. 2608.02507 — Beyond Modern Asymptotics for Log-Likelihood Ratios in Logistic Regression¶

作者: Hugo Chardon, Reese Pathak, Nikita Zhivotovskiy
分类: math.ST · cs.IT · cs.LG · math.IT · stat.TH
相关性 7/10 · novelty: new_theory
摘要: 本文研究二元逻辑回归中对数似然比统计量的有限样本行为，目标是刻画其最坏情况分位数，无需对设计矩阵施加正则性假设。对于 n ≥ d ≥ 3，作者证明了最坏情况 (1-δ) 分位数一致地（对所有固定设计向量和目标参数）为 d log(e n / d) + log(1/δ)，这是 Wilks χ²_d 现象的非渐近类比。低维情形出现异常：d=2 时最坏分位数阶为 log log log n + log(1/δ)；d=1 时仅为 log(1/δ)，与 n 无关。当设计向量为 i.i.d. 高斯时，经典 Wilks 尺度得以恢复。在 n ≳ d + log(1/δ) 的稀疏设定下，得到紧界 d + log(1/δ)。该结果对目标参数一致成立，允许参数随 n、d、δ 变化。本文为高维 logistic 回归的似然比检验提供了非渐近的、无正则性假设的精确刻画，对您在高维假设检验和有限样本理论方面的兴趣有直接参考价值。
关键技术: log-likelihood ratio statistic, Wilks phenomenon, finite-sample concentration, worst-case quantile, uniform bounds over parameter
为什么对您有用: 本文直接连接您对 hypothesis testing 和高维统计的兴趣，给出了 logistic 回归中 LRT 统计量的非渐近、无正则性假设的紧界，是 Wilks 现象在有限样本下的精确类比。您可以用 very_familiar 的 minimax bounds 和 high-dimensional asymptotics 工具验证其界的紧性，并尝试推广到其他广义线性模型。中期可做：将本文的集中不等式技术与您 moderately_familiar 的 M-estimation 理论结合，推导更一般 M-估计量似然比统计量的有限样本界。

4. 2608.00219 — An Optimal False Discovery Rate Controlling Procedure for Changepoint Detection¶

作者: Louis Davis, Guenther Walther
分类: stat.ME
相关性 6/10 · novelty: new_method
摘要: 本文研究在独立观测序列中检测并定位变点的问题，目标是在变点数量随样本量增长时控制错误发现率（FDR）。作者提出 LBD-FDR 方法，基于 Bonferroni 校正与筛选过程，生成一组局部区域，使得这些区域中高比例（在期望意义下）确实包含变点。该方法适用于广泛的分布设定，包括非参数和重尾数据，且无需对变点信号强度做强假设。在高斯序列下，作者推导了变点排列的条件，使得方法能一致检测所有信号足够强的变点，同时不受不可检测变点的影响，并证明在特定 regime 下 LBD-FDR 达到最优检测常数。此外，论文比较了该方法与 minimax 最优的 Type I 错误控制方法，指出在某些设定下 LBD-FDR 更优。最后，作者给出了计算可行的算法，并通过模拟与五种现有方法对比。该工作对您在高维假设检验和多重比较方向有直接参考价值，尤其是 FDR 控制与变点检测的结合。
关键技术: False Discovery Rate (FDR) control, Bonferroni correction, changepoint detection, minimax detection constant, nonparametric and heavy-tailed data
为什么对您有用: 该论文直接关联您 primary interest 中的 hypothesis testing 和高维统计中的多重比较问题。您非常熟悉的 minimax bounds 工具可用于验证本文声称的最优检测常数是否紧，而您 moderately_familiar 的 M-estimation 理论可用于分析变点估计的收敛性。中期可做：需先在 moderately_familiar 的 semiparametric theory 上加强，以处理更复杂的变点模型（如分布变化而非均值变化）。

5. 2608.01691 — ARM: Detector-Agnostic Changepoint Attribution with Finite-Sample Error Control¶

作者: Chenchen Peng, Mixia Wu, Qijing Yan, Da Chen, Zhiqi Shen
分类: stat.ME · cs.AI · cs.CV
相关性 6/10 · novelty: new_method
摘要: 本文提出 ARM（Attribution by Rank Maxima）方法，解决多元时间序列变点检测后的坐标归因问题——即已知存在变点后，哪些坐标（变量）确实发生了变化。现有方法要么依赖预定义坐标组的加性联合界（block-level），要么在高维下给出无误差控制的排序（variable selection），或仅沿时间轴控制误差（post-detection inference）。ARM 是一个与检测器无关的包装器，对每个坐标计算 max-over-splits 秩统计量，该统计量在估计变点处具有不变性，因此证书不受检测器精度影响。核心理论贡献是仅基于坐标内秩的三个有限样本保证：单个坐标有效性（任意检测器下）、通过 Westfall-Young 联合置换实现精确族系误差控制（保持跨坐标依赖结构）并辅以分布自由的 Holm 回退，以及通过 Benjamini-Yekutieli 和 e-BH 在高维任意坐标依赖下控制错误发现率。模拟显示，在维度增长时，朴素逐坐标检验的 FWER 膨胀至 0.66 以上，而 ARM 维持名义水平，且在重尾、高维和类型标签准确性上均表现稳健。对 2008 年金融危机前后五个金融序列的应用中，ARM 将尺度变化归因于每个资产类别，并排除了注入的控制坐标。该方法对您在高维假设检验和多重比较方向有直接参考价值，其基于秩的有限样本保证思路可迁移至您熟悉的非参数统计框架。
关键技术: max-over-splits rank statistic, Westfall-Young joint permutation, Holm fallback procedure, Benjamini-Yekutieli procedure, e-BH procedure, finite-sample error control
为什么对您有用: 本文直接对应您 primary interest 中的 hypothesis testing 和高维统计方向，具体解决了变点检测后坐标归因的有限样本误差控制问题。您非常熟悉的非参数统计工具（秩统计量、置换检验）可直接用于理解其核心机制，且其 Westfall-Young 联合置换思路与您熟悉的 minimax 界和多重比较理论有交叉。中期可做：若将 ARM 的秩统计量框架与您 moderately_familiar 的 HOIF 理论结合，可能在高维变点归因中导出更高效的 influence-function 型证书。

6. 2608.02253 — A Frequency-Domain approach to detect nonstationarity in dependent data¶

作者: Mohamedou Ould Haye, Anne Philippe
分类: math.ST · stat.ME · stat.TH
相关性 6/10 · novelty: new_method
摘要: 本文针对时间序列中长记忆与非平稳性的区分难题，提出一种基于频域方法的检验程序。核心设定是：在长记忆参数 d<0.5 的平稳区域与 d≥0.5 的非平稳区域边界附近，传统检验（如 KPSS、LMC）的 empirical size 严重失真。方法通过比较不同时间窗口的 periodogram 来构造检验统计量，其极限分布是加权独立 χ² 变量的和，形式简洁且易于计算。数值实验表明，该方法在边界区域的 size 控制显著优于现有方法。对您而言，该工作直接关联 hypothesis testing 兴趣方向，且其频域检验的极限分布推导（加权 χ² 和）可视为一种特殊的 U-statistic 投影结构，可能启发您用 higher-order U-statistics 的投影理论来刻画检验统计量的高阶渐近性质。
关键技术: frequency-domain testing, periodogram, long memory vs nonstationarity, weighted chi-square distribution, empirical size control
为什么对您有用: 直接对应 primary interest 中的 hypothesis testing 子方向，且问题设定（长记忆 vs 非平稳边界）是时间序列检验的经典难点。武器库中 very_familiar 的 higher-order U-statistics 投影理论可用于分析该检验统计量的高阶渐近分布（例如检验统计量可视为 periodogram 的某种 U-statistic 形式），中期可做：需先在 moderately_familiar 的 theory of higher-order U-statistics 上巩固具体投影技术。

7. 2608.02253 — A Frequency-Domain approach to detect nonstationarity in dependent data¶

作者: Mohamedou Ould Haye, Anne Philippe
分类: math.ST · stat.ME · stat.TH
相关性 6/10 · novelty: new_method
摘要: 本文针对时间序列中长记忆与非平稳性的区分难题，提出一种基于频域方法的检验统计量。核心思路是比较不同时间段的周期图（periodogram）差异，以捕捉谱特征的时变行为。在零假设（平稳长记忆）下，检验统计量的极限分布是加权独立卡方变量之和，形式简洁且易于计算。数值模拟表明，该方法在长记忆与非平稳边界附近的经验尺寸控制显著优于现有检验。该检验不依赖特定参数模型，适用于广泛的相关数据场景。对您而言，该工作提供了一个在依赖数据中检测非平稳性的新工具，可连接至您的假设检验兴趣，且其极限分布推导技巧（加权卡方）可能对您在高维或U-统计量中的分布近似问题有参考价值。
关键技术: frequency-domain testing, periodogram analysis, weighted chi-square distribution, long memory vs nonstationarity, spectral methods for time series
为什么对您有用: 直接对应您的数学统计与假设检验兴趣，特别是依赖数据中的检验问题。该文的加权卡方极限分布推导技术，可尝试用您熟悉的U-统计量投影或高阶渐近理论来重新解释或推广（中期可做：需先在moderately_familiar的higher-order U-statistics理论上长肌肉）。

8. 2608.01082 — Focused Information Criteria¶

作者: Gerda Claeskens, Nils Lid Hjort
分类: stat.ME
相关性 5/10 · novelty: new_method
摘要: 本文提出聚焦信息准则（FIC），用于在多个候选模型或变量中选择对特定关注参数（focus parameter）最优的模型。与AIC/BIC等全局准则不同，FIC以关注参数的均方误差（或其他风险函数）为优化目标，不同关注参数可能导向不同的最优模型。方法覆盖参数/半参数/非参数模型、广义线性模型、分位数回归、图模型、生存数据、纵向数据、时间序列等广泛设定。扩展版本包括高维数据、正则化估计和贝叶斯方法。FIC的核心机制是估计每个候选模型下关注参数的渐近均方误差，并选择最小化该风险的模型。该工作为模型选择提供了关注参数导向的框架，与您对假设检验和模型选择的兴趣直接相关。
关键技术: Focused Information Criterion, risk function, mean squared error, model selection, semiparametric models
为什么对您有用: 本文直接关联您对假设检验和模型选择的兴趣，FIC为关注参数提供最优模型选择，与您熟悉的非参数统计和M估计理论可结合。您可以用minimax bound工具分析FIC在特定关注参数下的选择风险是否最优，这是立即可做的方向。

9. 2608.01766 — Graph Signal Surrogate Generation for Statistical Testing of Covariance Structure on Directed Graphs¶

作者: Chun Hei Michael Chan, Alexandre Cionca, Dimitri Van De Ville
分类: stat.ME
相关性 5/10 · novelty: new_method
摘要: 本文研究有向图上的非参数统计检验问题，目标是在保留图信号平滑性（Dirichlet energy）的同时，生成替代数据（surrogate）以检验协方差结构。作者首先重新审视了有向图宽平稳（wide-sense stationarity）的定义，并基于此提出了一种替代信号生成方案，该方案在平稳假设下能保留协方差结构。方法的核心机制是利用图信号处理（GSP）框架，通过随机化图傅里叶变换的相位来生成替代信号，同时保持信号的二阶统计特性。与传统的对称化图方法相比，该方案能更有效地检测节点间的不规则协方差。实验通过模拟数据考察了图的不对称性对检测性能的影响，并在Freeman EIES社交网络数据集上展示了实际应用。本文为有向图上的统计推断提供了一种新的非参数工具，对您在高维统计和假设检验方面的兴趣有直接参考价值。
关键技术: graph signal processing, surrogate data generation, directed graph stationarity, Dirichlet energy, non-parametric testing
为什么对您有用: 本文直接关联您的假设检验兴趣，特别是非参数检验在高维图结构数据上的应用。您武器库中'高维渐近理论'和'非参数统计'可以直接用于分析该替代方法的检验功效和渐近性质，例如推导其在有向图上的渐近分布或检验的minimax最优性。中期可做：需先在'moderately_familiar'的图信号处理工具上补强，以深入理解GSP框架与统计检验的结合。

10. 2608.00445 — Exact detection threshold of the packing test¶

作者: Tuan Pham
分类: math.ST · stat.TH
相关性 5/10 · novelty: sharper_rate
摘要: 本文在高维 Fisher-von Mises-Langevin (FvML) 和 Watson 备择假设下，推导了 packing test 检测球面均匀性的精确检测阈值。通过 Poisson 近似技术，严格证实了该检验在两种流行模型下严格次优的经验观察：FvML 模型下阈值为 κ = Θ(p^{3/4}/(log n)^{1/4})，Watson 模型下为 p-2κ = Θ(√(p log n))。推导了两种模型下 packing test 的非零极限分布，并发现 Watson 模型中最大平方内积的极限缩放经历不连续相变，而 FvML 模型无此现象。该工作属于高维假设检验中检测阈值的精确刻画，技术核心是 Poisson 近似与极值理论。对您而言，本文连接了高维统计与假设检验的兴趣方向，且其相变分析思路可迁移至您熟悉的 U-统计量检验的阈值问题。
关键技术: Poisson approximation, detection threshold, packing test, spherical uniformity, high-dimensional asymptotics, phase transition
为什么对您有用: 本文直接对应您 primary interest 中的高维统计与假设检验，具体刻画了 packing test 在球面均匀性检验中的精确检测阈值与相变行为。您武器库中 very_familiar 的 minimax bounds 与高维渐近工具可直接用于验证其阈值是否紧，或推广至其他检验统计量。中期可做：若想将相变分析推广至更高阶 U-统计量检验，需先在 moderately_familiar 的 higher-order U-statistics 理论上长肌肉。

11. 2608.00445 — Exact detection threshold of the packing test¶

作者: Tuan Pham
分类: math.ST · stat.TH
相关性 5/10 · novelty: sharper_rate
摘要: 本文在高维 Fisher-von Mises-Langevin (FvML) 和 Watson 备择假设下，推导了 packing test 检测球面均匀性的精确检测阈值。利用 Poisson 近似技术，严格证实了该检验在两种流行模型下是次优的：FvML 模型中阈值为 κ = Θ(p^{3/4}/(log n)^{1/4})，Watson 模型中为 p-2κ = Θ(√(p log n))。此外，推导了两种模型下 packing test 的非零极限分布，并发现 Watson 模型中最大平方内积的极限缩放存在不连续相变，而 FvML 模型则无此现象。该工作为高维假设检验中的检测阈值分析提供了精确刻画，对您在高维统计与假设检验方向的研究有直接参考价值。
关键技术: Poisson approximation, detection threshold, packing test, high-dimensional spherical uniformity, phase transition
为什么对您有用: 本文直接关联您对高维假设检验的兴趣，特别是检测阈值的精确刻画。您武器库中的 minimax bounds 技术可用于验证其声称的阈值是否紧，而高维渐近工具可进一步分析相变现象。中期可做：需在 moderately_familiar 的 M-estimation 理论上加强，以处理更一般的备择假设。

12. 2608.02535 — Do I Even Need a Multilevel Model? Negligible Effect Significance Testing for Intraclass Correlation Coefficients¶

作者: Dayeon Lee, Gregory R. Hancock
分类: stat.ME · stat.AP
相关性 4/10 · novelty: application
摘要: 本文针对应用研究中常用点估计ICC与固定阈值（如0.05）比较来决定是否使用多层模型（MLM）的做法，指出其忽略了抽样不确定性、缺乏形式化推断依据。作者提出将忽略效应显著性检验（NEST，即等价性检验）框架引入ICC的推断，利用基于F统计量的枢轴量构造检验。进一步，借助设计效应（design effect）来量化可容忍的方差膨胀程度，为研究者定义“可忽略”的ICC提供指导。文中给出了R代码实现。该工作本质上是将经典假设检验工具（等价性检验）应用于一个具体但广泛使用的统计量（ICC），方法学新颖性有限，但对应用研究者有实用价值。对您而言，这是一个假设检验在应用统计中落地的案例，但技术深度不足以直接推进您在高维或因果推断方向的理论工作。
关键技术: equivalence testing, negligible effect significance testing (NEST), intraclass correlation coefficient (ICC), pivotal quantity, design effect
为什么对您有用: 该文属于假设检验在应用统计中的落地，与您的primary interest 'mathematical statistics (hypothesis testing)'有弱连接。但方法学贡献有限（等价性检验是成熟框架），且不涉及您武器库中的任何具体工具（如U-statistic、minimax bound、高维渐近）。暂不可做：核心机器不在武器库里，且问题本身缺乏理论深度。

13. 2608.00766 — Estimation of quantile inequality curves and measures based on grouped data¶

作者: Alicja Jokiel-Rokita, Sylwester Pi\k{a}tek
分类: math.ST · stat.AP · stat.ME · stat.TH
相关性 4/10 · novelty: application
摘要: 本文在分组数据（grouped data）的设定下，考虑分位数不平等曲线（quantile inequality curves）和度量（如基尼系数、分位数比率等）的估计问题。假设数据来自一个参数分布族，未知参数通过最小\phi-散度（minimum \phi-divergence）方法估计，涵盖多种\phi-散度（如KL散度、卡方散度等）。证明了plug-in估计量的一致性以及指数估计量的渐近正态性。模拟研究比较了不同\phi-散度下的估计精度，并通过两个真实数据集展示了实际应用。对您而言，本文的分组数据设定与您在高维统计和因果推断中处理聚合数据（如生态学推断、分组IV）的场景有潜在联系，且最小\phi-散度方法在非参数和半参数理论中具有通用性。
⚠️ 摘要不完整，待重跑（python -m research_news.rerun）
关键技术: minimum phi-divergence estimation, plug-in estimator, asymptotic normality, grouped data, quantile inequality measures
为什么对您有用: 本文属于假设检验与数学统计方向，直接关联您对参数/半参数估计理论（特别是渐近性质）的兴趣。技术武器库中的'非参数统计'和'M-估计理论'可用于分析其\phi-散度估计量的稳健性，或将其推广到半参数设定。中期可做：若想将分组数据设定与因果推断（如分组IV）结合，需先在'identification theory in causal inference'上长肌肉。

14. 2608.01776 — At least seven modes in a heteroscedastic three-component bivariate Gaussian mixture¶

作者: Yutaro Kabata, Hirotaka Matsumoto, Akifumi Okuno
分类: math.ST · stat.TH
相关性 4/10 · novelty: new_theory
摘要: 本文研究高斯混合密度的模态数量上界猜想。对于 d 维 k 成分的混合高斯，此前猜想最大模态数为组合数 C(d+k-1, d)，在 (d,k)=(2,3) 时该值为 6。作者构造了一个等权重的异方差三成分二元高斯混合显式族，证明其至少存在 7 个不同的非退化模态，从而否定了该猜想。构造的关键在于利用异方差性（各成分协方差矩阵不同）和特定的参数配置，使得密度曲面产生额外的隆起。这是目前已知的第一个反例，表明模态数上界问题比预期更复杂。该结果对混合模型的理论性质（如 EM 算法的收敛性、聚类有效性）有潜在影响。对您而言，这是一篇纯理论的反例构造，与您的高维统计或因果推断兴趣无直接方法学联系，但可作为数学统计的趣味阅读。
关键技术: Gaussian mixture density, mode count conjecture, heteroscedastic components, counterexample construction
为什么对您有用: 本文属于数学统计中的反例构造，与您的主要兴趣（假设检验、高维统计）无直接方法学连接。武器库中无直接可攻工具，属于暂不可做的纯理论结果。若您对混合模型的理论性质感兴趣，可作为背景阅读，但不值得投入时间深入。

统计计算 / 算法 (stat_computing, 4 篇)¶

1. 2608.02593 — Exact Likelihood and Sampling for Riemannian Gaussian Distributions on Correlation Matrices¶

作者: Kisung You
分类: stat.ME
相关性 5/10 · novelty: new_method
摘要: 本文在商仿射几何下为满秩相关矩阵提出了一种 Riemannian Gaussian 模型。该分布是适定的且具有有限径向矩。作者推导了精确的得分方程和轮廓尺度方程，并恢复了二维矩阵的 Fisher 变换高斯推断。在高维情形下，曲率计算表明归一化常数可能随中心变化，因此精确最大似然估计和 Fréchet 估计可能有不同的总体目标。文章开发了基于图表的归一化常数计算、似然拟合和采样方法。数值实验验证了解析情形，并比较了不同维度和离散程度下的积分、估计和采样过程。滚动金融应用和受控先验研究展示了模型的价值和计算成本。该方法在中小维度下最可靠，而在边界附近和大离散度下提议效率和数值条件会恶化。
关键技术: Riemannian Gaussian distribution, quotient-affine geometry, score equation, profile likelihood, chart-based sampling, normalizing constant estimation
为什么对您有用: 本文属于统计计算方向，直接对应您的 primary interest 中的 statistical computing。您对非参数统计和软件开发的熟悉度可以直接用于评估该模型的数值实现和采样效率。中期可做：若想深入 Riemannian 几何的统计推断，需先在 moderately_familiar 的 M-estimation 理论上加强，以理解其估计量的渐近性质。

2. 2608.01654 — Approximate Message Passing with Random Initialization for Phase Retrieval¶

作者: Yuchen Chen, Yandi Shen, Xingyu Xu
分类: math.ST · stat.ML · stat.TH
相关性 5/10 · novelty: new_method
摘要: 本文研究无噪声相位恢复（phase retrieval）问题中，使用独立高斯随机初始化的近似消息传递（AMP）算法在比例渐近框架下的行为。随机初始化与真实信号的重叠仅为 O(d^{-1/2})，AMP 需要不断增长的迭代次数才能达到非零重叠，因此经典固定时间状态演化（state evolution）无法刻画其精确行为。作者证明了 AMP 轨迹的高斯分解，并控制了恢复所需时间范围内的误差。分析表明，随机初始化达到了弱恢复阈值 δ_weak=1/2。对于 δ∈(δ_weak, δ_str)（δ_str≈1.13），信号强度遵循状态演化，并在 n^{1/3}/polylog(n) 次迭代内均匀收敛到稳定的有限不动点；对于 δ>δ_str，AMP 在 O_{δ,ε}(log n) 次迭代内达到任意指定的固定恢复精度。该分析的大部分内容可推广到单指标模型（single-index models）的广义 AMP。本文属于统计-计算权衡（statistical-computational tradeoff）领域的 gateway reading，对您作为 outsider 进入该方向具有入门价值。
关键技术: Approximate Message Passing (AMP), state evolution, Gaussian decomposition, phase retrieval, weak recovery threshold, single-index models
为什么对您有用: 本文直接对应您 primary interest 中的 'statistical-computational tradeoff' 子方向，属于 gateway reading。作为 outsider，本文的数学清晰度较高：明确给出了弱恢复阈值 δ_weak=1/2 和强恢复阈值 δ_str≈1.13，并刻画了迭代次数与 SNR 的关系。武器库方面：您对 minimax bounds 和高维渐近非常熟悉，可以理解其渐近框架；但核心机器（AMP 的状态演化分析、高斯分解技巧）属于 moderately_familiar 的范畴，需要先在该项上长肌肉才能跟进。结论：中期可做——需先在 'high-dimensional asymptotics' 上深入理解 AMP 的分析工具。

3. 2608.00287 — Multi-output Orthogonal Gaussian Processes for Noisy Simulator Outputs¶

作者: Evan C. Barnett, Moses Y. -H. Chan
分类: stat.ME · stat.CO
相关性 4/10 · novelty: new_method
摘要: 本文针对多输出随机模拟器的统计代理建模问题，提出多输出正交高斯过程（MOOGP）。标准GP在多输出场景下难以分离回归系数与残差过程变异，且计算复杂度高。MOOGP的核心贡献有三：(i) 定义了多输出GP的正交性概念；(ii) 通过条件化每个协方差函数来强制实现正交性；(iii) 提出结构化似然公式，显著改善计算扩展性（从O(n^3 p^3)降至O(n^3 p)量级）。在趋势恢复示例中，MOOGP正确恢复了真实趋势，而非正交化版本甚至反转了符号。数值实验和重离子碰撞模拟应用展示了其可解释性和预测优势。对您而言，本文属于统计计算中的代理模型方法，其正交化思路和结构化似然技巧可启发您在高维或张量型统计计算中的计算效率优化问题。
关键技术: multi-output Gaussian processes, orthogonal covariance functions, structured likelihood, computational scaling, surrogate modeling
为什么对您有用: 本文属于统计计算（stat_computing）中的代理模型方法，与您的primary interest中的统计计算（numerical methods, algorithm）直接相关。您的武器库中'software development'和'high-dimensional asymptotics'可用于分析其结构化似然的计算复杂度与扩展性。暂不可做：核心机器（多输出GP的正交化构造与结构化似然推导）不在您当前武器库中，需先补充GP和代理模型的基础知识。

4. 2608.01613 — Robust Deep Mixture Models¶

作者: Jinran Wu, Geoffrey J. McLachlan
分类: stat.ME · stat.CO
相关性 4/10 · novelty: new_method
摘要: 本文提出一种鲁棒深度混合模型，通过路径共享的尺度混合构造实现。每个路径对应一个完整的潜在层次结构，层特定的成分指标独立分布，联合定义一条路径。在选定路径下，一个共享的伽马分布潜在精度变量贯穿最深潜在分布、中间潜在转移和观测模型。积分掉该共享精度后，每条完整路径对应一个精确的多变量t分布，使得鲁棒性在整个潜在层次中一致传播，而非在单个潜在层中分别引入。模型参数通过随机EM算法估计，路径责任可解析计算，共享精度和潜在高斯变量从条件分布中采样后更新参数。模拟实验表明，在重尾和污染设定下，该方法能准确恢复路径特定的自由度参数，并在聚类性能上持续优于深度高斯混合模型。该框架保留了深度高斯混合模型的层次表示和参数共享结构，同时提供了路径一致的鲁棒性。对您而言，该文在统计计算（随机EM算法、数值优化）和模型构造（尺度混合、t分布）上有直接参考价值，且其层次鲁棒性思路可迁移至高维或因果推断中的潜在变量建模。
关键技术: scale-mixture construction, stochastic EM algorithm, multivariate Student-t distribution, pathway-wise robustness, deep Gaussian mixture model
为什么对您有用: 本文属于统计计算方向，直接关联您对统计计算（数值方法、算法）的兴趣。其随机EM算法和路径共享尺度混合构造是您武器库中'软件开发和M-estimation理论'可攻的具体口子——您可以用U-statistic的树宽视角分析其路径责任计算的计算复杂度，或用非参数极小极大界验证其自由度参数估计的收敛速率。中期可做：需先在'HOIF'或'半参数理论'上长肌肉以处理其潜在变量结构的效率界。

天体统计 (astrostats, 4 篇)¶

1. 2608.02573 — Foundation Models for Astrophysics¶

作者: Xiaosheng Zhao, Yuan-Sen Ting
分类: astro-ph.IM
相关性 7/10 · novelty: survey
摘要: 本文为天文学读者系统介绍基础模型（foundation models）的概念，核心思想是可迁移表征（transferable representation）：网络在预训练中形成的内部描述，而非拟合的具体任务，才是迁移到新问题的关键。文章从第一性原理出发，解释表征为何重要、什么使表征有用，并综述了架构、自监督目标、缩放、适配和跨模态学习等产生表征的方法。一个贯穿全文的区分是：拥有transformer、自监督目标和大规模预训练并不自动构成基础模型，定义性特征是学到的表征能否在少样本或零样本下迁移到新任务。针对天文学领域，作者指出数据丰富但标签稀缺、模拟常替代真实标签的现状，并谨慎评价当前文献：许多模型采用了基础模型的架构，但跨仪器、跨星族、跨任务的清晰迁移证明仍相对罕见。文章最后将目标置于更广泛的机器智能背景下，并勾勒出真正进展所需的证据。本文是一篇优秀的入门级综述，适合对天文学和机器学习交叉感兴趣的统计学家阅读。
关键技术: foundation models, transferable representation, self-supervised learning, few-shot learning, zero-shot learning, cross-modal learning
为什么对您有用: 本文属于astrostats方向的gateway reading。作为入门读物，它清晰阐述了基础模型的核心概念和天文学应用现状，不假设读者有天文学或深度学习背景，适合作为统计学家进入该领域的起点。武器库中'nonparametric statistics'和'high-dimensional asymptotics'可帮助理解表征学习的泛化理论，但本文不涉及具体方法学创新，属于'暂不可做'范畴——核心机器（大规模预训练、自监督学习、迁移学习理论）不在武器库中，但作为跨学科广度阅读值得花时间读全文。

2. 2608.01391 — Towards optimal photometric calibration of digital astronomical plates with deep learning¶

作者: Mingyang Ma, Haibo Yuan, Lin Yang, Kai Xiao, Bowen Huang, Shiyin Shen, Zhengjun Shang, Yong Yu, Meiting Yang, Zhenghong Tang, Jianhai Zhao
分类: astro-ph.IM
相关性 6/10 · novelty: application
摘要: 本文针对数字化天文底片的光度定标问题，提出了一种基于深度学习的校正框架MFF-Net。传统方法假设星等、颜色和位置效应可分离，但当图像质量随星等变化时，这种可分离性失效，导致残差中存在耦合的空间系统误差。MFF-Net以仪器星等、颜色和像素坐标为输入，学习一个单一的非线性校正函数，联合捕获它们之间的耦合依赖关系。在1200张数字化中国底片上的测试表明，MFF-Net一致优于MYX25方法，将第5至第95百分位的精度从0.11-0.26星等提升至0.08-0.18星等，对亮源有约两倍的增益。校正后的残差图基本消除了星等-位置耦合，为大规模历史底片档案的高精度测光提供了更可靠的基础。作为一篇天文应用论文，它清晰地展示了数据结构和模型假设，适合作为统计学家进入天文测光领域的入门读物。
关键技术: deep learning, photometric calibration, digitized photographic plates, nonlinear correction, residual analysis
为什么对您有用: 本文属于astrostats方向的gateway reading。它清晰地阐述了天文底片定标的数据结构（仪器星等、颜色、位置）和模型假设（可分离性假设及其失效），并展示了深度学习如何解决耦合系统误差，适合作为统计学家了解天文测光问题的入门材料。武器库中的非参数统计和逆问题经验可以用于理解其校正函数的灵活性，但本文是纯应用工作，无需直接的方法学跟进，值得花时间读全文以拓宽视野。

3. 2608.02597 — SDSS-V Local Volume Mapper (LVM): Dithered Data Cube Reconstruction with 3dcubegen¶

作者: H. J. Ibarra-Medel, A. Z. Lugo-Aranda, R. de J. Zerme\~no, Sebasti\'an F. S\'anchez, Lesly Casta\~neda-Carlos, J. Eduardo M\'endez-Delgado, K. Kreckel, Roeland P. van der Marel, R. Orozco-Duarte, Aida Wofford, Castalia Alenka Negrete, Irene Cruz-Gonz\'alez, Carlos G. Rom\'an-Z\'u\~niga, Guillermo A. Blanc, Evelyn J. Johnston, Ivan Katkov, Alfredo J. Mej\'ia-Narv\'aez, Tony Wong, Oleg V. Egorov
分类: astro-ph.IM · astro-ph.GA
相关性 6/10 · novelty: application
摘要: 本文针对 SDSS-V Local Volume Mapper (LVM) 的 dither 观测策略，提出了一种灵活可扩展的数据立方体重建工具 3DCubeGen。LVM 通过多次小偏移（dither）观测实现全空间覆盖，但需要将大量行堆叠光谱（RSS）合并为均匀的三维数据立方体。3DCubeGen 在保持通量并传播不确定性的前提下，实现了多 dither 数据的 coaddition，提升了信噪比、空间分辨率和微弱发射线特征的灵敏度。该方法沿用了 CALIFA 等积分场巡天的思路，并针对 LVM 的大规模数据进行了扩展。作者将 3DCubeGen 应用于大麦哲伦云、小麦哲伦云及邻近星系，合并了数千个 dither 对应的数百万条光谱。最终数据产品在空间采样和光谱深度上均有显著改进，可用于电离气体、恒星族和运动学的详细研究。对您而言，这是一篇典型的 astrostatistics 入门级方法论文，清晰展示了天文数据立方体重建这一核心数据处理流程，适合作为了解积分场光谱学数据结构的起点。
关键技术: dithering, data cube reconstruction, row-stacked spectra (RSS) coaddition, flux preservation, uncertainty propagation, integral field spectroscopy
为什么对您有用: 本文属于 astrostatistics 的 gateway reading：它清晰阐述了 LVM 巡天的数据采集策略（dithering）和重建目标，不依赖深奥的天文术语，适合作为统计学家进入积分场光谱学领域的入门读物。武器库中的 'software development' 和 'inverse problems with random noise' 可直接用于理解其重建流程中的噪声传播与通量保持机制。本文是了解天文大尺度光谱数据结构的良好起点，值得花时间阅读全文以建立领域直觉。

4. 2608.01493 — MiraSOL: a DMD-based spectrograph for resolved solar spectroscopy¶

作者: Christian Robles, Suvrath Mahadevan, Lawrence Ramsey
分类: astro-ph.IM · astro-ph.EP · astro-ph.SR
相关性 4/10 · novelty: application
摘要: 本文介绍了一种基于数字微镜器件（DMD）的新型太阳观测平台 MiraSOL 的科学动机、设计需求、实验室测试和原型验证。该仪器利用 Texas Instruments DLP801RE 作为空间光调制器，以每个微镜 3 角秒的空间采样率主动选择太阳盘面区域进行光谱观测，旨在测量恒星活动引起的空间分辨径向速度特征，并模拟太阳盘面上的行星凌星以研究恒星污染对系外行星透射光谱的影响。MiraSOL 的光纤输出可耦合至 HPF 或 NEID 等超高精度径向速度光谱仪，获取太阳黑子和光斑的高分辨率稳定光谱，或连接低分辨率光谱仪研究凌星光谱中的恒星污染。作者还报告了商用评估板引入的 60 Hz 闪烁信号问题，并成功搭建了概念验证原型，展示了全太阳盘面成像和像素级控制的能力。作为一篇仪器设计论文，本文清晰阐述了天文观测中的核心科学问题（恒星活动对径向速度测量的污染），并详细说明了数据获取的硬件架构和噪声来源。对于统计学家而言，这是一篇优秀的入门级阅读材料，它揭示了天文光谱学中一个具有挑战性的信号分离问题——如何从空间分辨的太阳光谱中建模并去除仪器噪声和恒星活动信号，这为后续开发统计方法（如盲源分离或高斯过程建模）提供了明确的应用场景。
关键技术: digital micromirror device (DMD), spatial light modulation, extreme precision radial velocity (EPRV), stellar activity modeling, transit spectroscopy
为什么对您有用: 本文属于 astrostatistics 的 gateway reading。它清晰阐述了天文学家关心的核心科学问题（恒星活动对系外行星探测的污染），并详细描述了数据获取的硬件和噪声结构（60 Hz 闪烁、空间采样率），为统计学家理解天文数据生成过程提供了极好的入口。武器库中的非参数统计和高斯过程建模可以直接用于建模太阳盘面的空间-时间光谱信号，但当前阶段更适合作为入门读物，暂不可做具体方法贡献——因为需要先熟悉天文光谱数据的具体格式和噪声特性。

经济理论 / 应用 (econ_theory, 4 篇)¶

1. 2608.00336 — Measurement Error and Peer Effects in Networks¶

作者: Yann Bramoull\'e, Sebastiaan Maes
分类: econ.EM
相关性 6/10 · novelty: new_method
摘要: 本文研究线性均值（linear-in-means）网络模型中，当个体特征存在测量误差时对同伴效应估计的影响。传统观点认为测量误差导致衰减偏误，但本文证明在网络模型中同伴效应估计可能被放大，从而产生假阳性。作者发现偏误方向取决于个体特征与网络链接的交互结构，并利用网络结构本身实现识别，无需额外外部信息。基于识别结果，提出了易于实施的GMM和2SLS一致估计量。通过蒙特卡洛模拟验证了理论结果。该工作对您作为经济学应用和因果推断研究者有直接参考价值，特别是网络因果推断中测量误差问题的处理。
关键技术: linear-in-means model, measurement error, attenuation bias, GMM estimation, 2SLS estimation, network identification
为什么对您有用: 本文属于经济理论（应用因果推断）方向，直接连接您的secondary interest中的经济理论（模型与因果推断）。您武器库中的估计理论（因果推断）和M估计理论（moderately_familiar）可直接用于理解其GMM/2SLS估计量的渐近性质。中期可做：若想将测量误差问题扩展到更复杂的因果推断设定（如IV或proximal CI），需先在identification theory（moderately_familiar）上加强。

2. 2608.01415 — Estimating Peer Influence in Multilayer Networks¶

作者: Weihua An, Pablo Estrada, Juan Estrada, David Jacho-Chavez
分类: econ.EM
相关性 6/10 · novelty: application
摘要: 本文提出一个基于模型的实证方法，用于在多层面网络（multilayer networks）中识别有影响力的个体（influential individuals）并估计同伴效应（peer effects）。研究利用观察性横截面数据，通过多个社会连接（如朋友、同学）来估计同伴影响。为解决同质性（homophily）导致的内生性问题，作者采用跨多个社会网络的远端个体特征作为工具变量（IV）。应用 Add Health 数据，发现朋友和同学对吸烟及大麻使用均有正向同伴效应，并据此刻画了样本中的影响者特征。该方法为网络因果推断中的 IV 策略提供了一个具体应用案例，但理论创新性有限，主要贡献在于实证应用。
关键技术: instrumental variables, peer effects, multilayer networks, homophily, cross-sectional data
为什么对您有用: 本文直接关联您的 secondary interest 中的经济理论和应用因果推断，展示了在多层网络中使用 IV 解决同质性偏差的实证策略。您的武器库中 'estimation theory in causal inference' 和 'identification theory in causal inference' 可直接用于理解其识别假设和估计方法。作为应用导向的论文，它提供了一个可复用的分析模板，但方法学深度有限，属于中期可做的参考读物——若您想在此方向深入，需先在 'semiparametric theory' 上加强，以评估其 IV 策略的效率。

3. 2608.01421 — Regression with Observational Multilayered Network Data¶

作者: Juan Estrada, Kim Huynh, David Jacho-Chavez, Leonardo Sanchez-Aragon
分类: econ.EM
相关性 6/10 · novelty: new_method
摘要: 本文针对社会科学中常用的线性均值回归模型（linear-in-means），提出了一种利用观测性多层网络数据估计社会效应系数的新方法。该方法假设研究者能观测到两层网络链接（multiplex network），其中一层用于刻画内生社会交互，另一层则作为外生工具变量，从而处理社会交互与误差项相关导致的识别问题。作者提出了广义三阶段最小二乘（G3SLS）估计量，该估计量具有闭式解，易于用标准统计软件实现，且证明了一致性和渐近正态性。假设条件足够灵活，能容纳测量误差、同时性和未观测异质性等常见观测数据问题。蒙特卡洛模拟验证了该估计量在有限样本下的良好表现。实证部分分析了经济学顶级期刊论文的引用网络，发现了显著的正向同侪效应。对您而言，本文是经济理论中应用因果推断（IV方法处理网络交互内生性）的扎实案例，其多层网络工具变量思路可能对您关注的流行病学队列研究或一般因果推断中的网络干扰问题有启发。
关键技术: Generalized 3-Stage Least Squares (G3SLS), multiplex network, linear-in-means model, instrumental variables, peer effects
为什么对您有用: 本文属于经济理论（应用因果推断）方向，是您的secondary interest。它展示了如何利用多层网络结构构造工具变量来解决社会交互中的内生性问题——这一思路可迁移至流行病学中的网络干预效应估计或一般因果推断中的干扰问题。您的武器库中'identification theory in causal inference'（moderately_familiar）和'estimation theory in causal inference'（very_familiar）可直接用于理解其识别策略和估计量性质。作为gateway reading，本文方法学清晰、实证完整，值得花时间读全文以获取网络IV的设计灵感。

4. 2608.02539 — A Simple Approximation to the Distribution of the Ridge Regression Estimator¶

作者: Jos\'e Luis Montiel Olea, Ryan Strong, Amilcar Velez, Zhuoheng Xu, Haomin Yu
分类: econ.EM · cs.LG · math.ST · stat.TH
相关性 5/10 · novelty: new_method
摘要: 本文研究经典岭回归估计量的有限样本分布近似问题。在非标准渐近框架下，令正则化参数与样本量成比例增长，并将总体回归系数视为相对于收缩参考向量的局部参数。该近似能够刻画岭回归在有限样本中通过偏差-方差权衡来降低估计和预测误差的特性。与现有文献不同，本文允许数据生成过程存在异方差和自相关（但限于低维模型，协变量数不随样本量增长）。基于该高斯近似，作者提出了两种新的正则化参数选择策略，分别通过最小化平均或最坏情况下的超额预测风险来选取参数。这些策略在计算上简单易行，且理论性质清晰。
关键技术: Ridge regression, Gaussian approximation, Nonstandard asymptotics, Bias-variance tradeoff, Regularization parameter selection, Excess prediction risk
为什么对您有用: 本文属于经济理论方向的应用方法论文，与您的次要兴趣（经济理论中的模型与因果推断）直接相关。虽然核心工具（岭回归的渐近分布）不在您的技术武器库中，但该文提出的正则化参数选择策略（基于平均/最坏情况风险）与您熟悉的 minimax 界思想有相通之处，可作为入门读物了解经济计量学中处理高维正则化问题的思路。中期可做：若想深入，需先在 moderately_familiar 的 M-estimation 理论上加强，以理解其局部渐近框架的严谨性。

其他 (other, 16 篇)¶

1. 2608.01439 — Random Inverse Problems with Structural and Probabilistic Ambiguities¶

作者: Wolfgang Hoegele
分类: stat.ME · cs.NA · math.NA · stat.CO
相关性 7/10 · novelty: new_method
摘要: 本文研究一类随机逆问题，其中前向模型同时包含非线性随机参数不确定性和加性观测噪声。作者提出将结构歧义（前向模型非单射导致）与概率歧义（参数服从混合模型分布）统一建模的新视角，使得混合模型参数同时刻画非线性歧义和不确定性。基于贝叶斯反演框架，针对三种观测场景（给定输出样本、给定输出密度等）推导了后验密度求解算法。在1D和2D二次模型上的数值实验展示了算法在何种条件下能分辨概率歧义，并揭示后验中残留结构歧义与概率歧义的相互作用。该工作属于不确定性量化与反问题交叉领域，方法学贡献集中在建模视角而非统计推断效率。
关键技术: Bayesian inversion, mixture model, random inverse problem, nonlinear forward model, uncertainty quantification
为什么对您有用: 本文属于不确定性量化与反问题领域，与您的primary interests（因果推断、高维统计、半参理论）无直接方法学重叠。作为gateway reading，本文对统计计算方向有一定参考价值：其处理非线性前向模型与混合模型参数的方法可视为一种计算统计问题，但武器库中的逆问题经验（inverse problems with random noise）可帮助理解其贝叶斯框架。暂不可做：核心机器（贝叶斯反演、混合模型参数辨识）不在武器库中，且缺乏与higher-order U-statistics或efficiency theory的连接。

2. 2608.00276 — Extensions in Semiparametric Geostatistical Models¶

作者: Ma\'ira Soalheiro, Marcos Oliveira Prates, Victor Hugo Lachos, F\'abio Nogueira Demarqui
分类: stat.ME
相关性 5/10 · novelty: application
摘要: 本文针对空间统计中协方差函数误设导致推断偏差的问题，提出一种基于Bernstein多项式的半参数空间协方差函数估计方法。该方法适用于包含潜在空间效应的广义线性混合模型（SGLMM），通过Bernstein多项式灵活逼近协方差结构，无需预设参数形式。模型采用贝叶斯MCMC进行拟合，蒙特卡洛模拟显示该方法能低偏倚、高精度地恢复结构协方差配置。实证部分使用北美繁殖鸟类调查中美洲知更鸟的丰度数据，结合负二项分布有效捕捉计数数据的过度离散性。估计的空间依赖范围（381.48 km）表明物种空间作用在区域尺度上均匀，独立样本预测验证（n_pred=34）通过贝叶斯克里金法展现了良好的泛化能力。本文属于空间统计方法学应用，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，但半参数协方差建模思路对您次要兴趣中的流行病学空间数据建模有一定参考价值。
关键技术: Bernstein polynomials, spatial generalized linear mixed models, Bayesian MCMC, Kriging
为什么对您有用: 本文属于空间统计应用，与您的主要兴趣方向（因果推断、高维统计、U统计量）无直接技术连接。作为流行病学（次要兴趣）的gateway reading，本文对空间数据建模有清晰的数据结构（计数数据、过度离散性）和模型设定（SGLMM、贝叶斯推断）说明，适合入门。但您的武器库（非参数统计、极小极大界、U统计量）无法直接攻入本文核心（空间协方差建模、MCMC计算），属于暂不可做方向。

3. 2608.01333 — A Statistical Framework for Data-Driven Discovery of Differential Performance in Clinical Risk Prediction Models¶

作者: Aidan Neher, Julian Wolfson
分类: stat.ME · stat.ML
相关性 5/10 · novelty: application
摘要: 本文提出一个数据驱动的递归分割框架（unfairness tree, utree），用于在临床风险预测模型中自动发现模型性能（如校准度、判别力）在不同亚组间的差异，无需用户预先指定亚组定义。该方法基于条件推断树的思想，在每个节点上对模型性能指标（如Brier score）进行假设检验，选择与性能差异最相关的协变量及其交互进行分裂。模拟实验显示utree在名义第一类错误率控制下，能有效检测由高阶交互定义的性能差异。在GUSTO-I急性心梗数据集的六个死亡率预测模型上，utree识别出年龄、性别、血压和Killip分级与模型性能差异一致相关。该方法本质上是一种探索性数据分析工具，而非因果推断或高维统计方法。对您而言，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）无直接技术关联，但可作为公平性机器学习领域的入门阅读。
关键技术: conditional inference trees, recursive partitioning, model fairness assessment, subgroup discovery, Brier score decomposition
为什么对您有用: 本文属于公平性机器学习领域的应用方法，与您的主要兴趣方向（因果推断、高维统计、U统计量）无直接技术交集。作为gateway reading，本文对统计学家友好，方法直观（递归分割+假设检验），但核心机器（条件推断树）不在您的武器库中，且问题本身不涉及您熟悉的minimax界、U统计量或因果识别。暂不可做——缺乏公平性评估领域的问题背景和工具积累。

4. 2608.01685 — Multivariate Multinomial Logit Model with ANOVA Decomposition for Correlated Categorical Outcomes¶

作者: Sohyeon Kim, Luo Xiao, Xinming An, Wenbin Lu
分类: stat.ME · stat.AP
相关性 5/10 · novelty: application
摘要: 本文针对医学研究中常见的多个相关分类结局（如创伤后应激障碍、抑郁、疼痛）的联合建模问题，提出了一种多元多项Logit模型。该模型通过ANOVA分解对参数空间进行降维，从而在捕捉结局间相关性的同时控制参数数量。ANOVA分解导出了显式的条件模型形式，使得可以采用计算上更简单的复合似然进行模型估计。作者开发了基于Minorization-Maximization (MM) 算法的高效优化程序，并引入bridge penalty实现变量选择。模拟研究验证了参数估计和变量选择的准确性，并用AURORA研究数据进行了实证分析。本文的方法贡献主要在于处理高维分类响应数据的联合建模，但核心工具（ANOVA分解、复合似然、MM算法）与您的主要兴趣方向（因果推断、高维统计、U-统计量等）的直接技术关联较弱。作为一篇应用统计方法论文，其价值在于为流行病学中多结局联合分析提供了一个可行的计算方案，但方法学新颖性有限。
关键技术: ANOVA decomposition, composite likelihood, Minorization-Maximization (MM) algorithm, bridge penalty, multivariate multinomial logit model
为什么对您有用: 本文属于流行病学应用方向，处理的是多分类结局的联合建模问题，与您的secondary interest（流行病学数据集和应用因果工作）有弱关联。但核心方法（ANOVA分解+复合似然）与您的技术武器库（非参统计、高维渐近、因果推断估计理论）没有直接可攻的口子，且方法学新颖性不足（复合似然和MM算法均为成熟工具）。暂不可做——缺乏与您主要兴趣的深层连接，不值得花时间精读全文。

5. 2608.02550 — A Joint Bayesian Boolean Matrix Factorization with Application to Chromosomal Copy Number Alterations in Multiple Myeloma¶

作者: Adolphus Wagala, Samur Mehmet, Giovanni Parmigiani
分类: stat.ME
相关性 5/10 · novelty: application
摘要: 本文提出联合贝叶斯布尔矩阵分解（JBBMF），用于同时分解两个相关的二值矩阵。模型通过共享的潜在布尔模式矩阵和数据集特定的载荷矩阵，利用条件先验捕捉配对数据集之间的依赖关系，允许潜在因子在不同条件下持续或变化。采用伯努利观测模型和共轭先验，推导出闭合形式的全条件分布，实现高效的吉布斯采样后验推断，并提供不确定性量化。模拟研究表明，联合建模显著优于独立分解，能更准确地恢复共享潜在因子。应用于多发性骨髓瘤患者诊断和复发阶段的染色体拷贝数变异配对数据，识别出疾病阶段间共享的复发染色体改变特征。该方法为基因组学等领域中相关二值数据的联合分析提供了灵活且可解释的贝叶斯框架。
关键技术: Boolean matrix factorization, Gibbs sampling, conjugate priors, joint factorization, uncertainty quantification
为什么对您有用: 本文属于统计计算与贝叶斯方法在基因组学中的应用，与您的主要兴趣（统计计算、因果推断）关联较弱。但作为gateway reading，它清晰地展示了如何为结构化二值数据设计联合分解模型，并提供了完整的贝叶斯推断流程，可作为入门读物了解布尔矩阵分解在生物信息学中的应用。您的武器库（非参数统计、软件工程）足以理解其方法，但核心机器（贝叶斯非参数、矩阵分解理论）不在您的熟悉领域内，因此暂不可做。

6. 2608.01641 — Pooling Versus Ensembling for Ridge Regression Under Covariate Shift¶

作者: Maya Ramchandran, Rajarshi Mukherjee
分类: math.ST · stat.TH
相关性 5/10 · novelty: new_theory
摘要: 本文研究在协变量分布异质性（如子群体、批次效应或多源聚合）下，岭回归的“合并”（pooling）与“集成”（ensembling）策略的预测风险比较。设定为线性结果模型，考虑所有岭惩罚参数 λ≥0（含 ridgeless 极限 λ=0）。在随机效应模型下，证明最优调参的合并预测器始终优于各自最优调参的集成预测器。在固定效应模型下，推导出合并与集成预测器风险的一般公式，刻画回归系数与预测变量分布偏移的作用。结果将 bagging 和随机划分估计的岭/ridgeless 回归风险分析从 i.i.d. 推广到协变量偏移和异质性感知划分结构。对您而言，本文属于统计学习理论中关于“合并 vs 集成”的基础性理论比较，与您的主要兴趣（高维统计、半参理论）关联较弱，但可作为 gateway reading 了解异质性数据下的预测策略权衡。
关键技术: ridge regression, ridgeless regression, random effects model, fixed effects model, covariate shift, ensemble learning
为什么对您有用: 本文属于统计学习理论的基础性工作，与您的主要兴趣（因果推断、高维统计、半参理论）直接关联较弱。作为 gateway reading，它清晰阐述了异质性数据下合并与集成策略的理论比较，适合作为入门读物了解该领域的基本设定和结论。武器库中的 minimax bounds 和 high-dimensional asymptotics 可用于验证其风险界的紧性，但核心问题（预测策略选择）与您的核心研究方向距离较远，暂不可做。

7. 2608.00609 — Signed Matrix Thinning and Projection Estimation for Integer-Valued Autoregressive Models¶

作者: Kaiyan Cui, Yikai Hu
分类: stat.ME
相关性 4/10 · novelty: new_method
摘要: 本文针对整数值矩阵时间序列数据，提出 Z-MINAR 模型，将传统 MINAR 模型从非负整数域推广到全体整数域。核心创新是定义 signed matrix thinning operator，结合扩展 Poisson 分布刻画创新项，使模型能同时处理正负整数值，同时保留矩阵数据的行列交叉相关结构。估计方面采用 projection-based conditional least squares 方法，并严格证明了模型的平稳性、因果性和估计量的渐近正态性。模拟实验显示 Z-MINAR 在估计精度和鲁棒性上优于现有基准模型。实证部分以城市区域犯罪计数变化为例，展示了模型在 Z 值矩阵时间序列中捕捉动态时空依赖结构的实际效果。该工作主要贡献于时间序列建模和矩阵数据方法，与您的主要兴趣方向（因果推断、高维统计、U-统计量等）无直接交集。
关键技术: signed matrix thinning operator, extended Poisson distribution, projection-based conditional least squares, matrix integer-valued autoregressive model, stationarity and causality conditions
为什么对您有用: 本文属于时间序列与矩阵建模的专门方法学工作，与您的主要兴趣方向（因果推断、高维随机矩阵理论、U-统计量、半参效率理论）无直接技术交集。武器库中的工具（如非参统计、高维渐近、因果推断估计理论）难以直接应用于本文的 signed thinning 和 projection estimation 框架。暂不可做——核心机器（整数值时间序列的 thinning 算子、条件最小二乘的渐近理论）不在武器库中，且该方向与您的长期研究路线关联度低，不值得投入时间精读。

8. 2608.00671 — How to optimize dynamic borrowing in basket trials - A utility-based framework and results of a comparison study¶

作者: Lukas D Sauer, Alexander Ritz, Meinhard Kieser
分类: stat.ME · stat.AP
相关性 4/10 · novelty: application
摘要: 本文针对篮子试验（basket trials）中动态信息借用的优化问题，提出一个基于效用函数的框架。在篮子试验中，多个亚组（strata）共享同一治疗，研究者希望根据各亚组疗效的相似性进行信息借用，以在提高检验功效的同时控制I类错误膨胀。该框架将功效与I类错误的权衡定义为效用函数，并通过优化算法（如网格搜索、贝叶斯优化）对借用参数进行调优。论文通过预设的比较研究（Part I比较优化算法的可靠性与效率，Part II比较不同效用函数下的统计性能）展示了不同效用函数（如局部功效、正确决策数）如何影响最优设计的信息借用行为。此外，作者给出了一个数学反例，证明篮子试验中不存在一致最优势检验（UMP test），从而揭示了信息借用的固有限制。本文属于应用统计方法研究，方法学新颖性有限（novelty_flag: application），但对从事临床试验设计的统计学家有参考价值。
关键技术: utility-based optimization, information borrowing, basket trial design, type-I error control, power analysis
为什么对您有用: 本文属于临床试验设计应用，与您的主要兴趣（因果推断、高维统计等）无直接交集。作为流行病学方向的gateway reading，本文对篮子试验的信息借用框架做了清晰阐述，但方法学深度一般，不涉及您武器库中的核心工具（如U-statistic、半参效率界）。暂不可做：核心机器（临床试验优化设计）不在武器库中，且该领域更依赖贝叶斯分层模型而非您熟悉的频率学派工具。

9. 2608.01401 — Designing Ambiguity-Aware Clerical Review: A Stratified Sampling Framework for Record Linkage and Deduplication¶

作者: Joseph Lam, Amaia Imaz Blanco, Efrosini Setakis, Jonny Laidler, Jonny Pearson, Katie Harron, Mario Cortina-Borja, Peter Christen, Giulia Mantovani
分类: stat.ME
相关性 4/10 · novelty: application
摘要: 本文针对记录链接中的 clerical review（人工审核）环节，提出一个基于设计（design-based）的分层抽样框架。核心设定是将 clerical review 视为有限总体抽样问题，分层依据包括匹配权重、比较模式、记录级模糊性（ambiguity）和人口学分组。方法上，先通过模型预测分数分位数构建匹配概率带（match-probability bands），再在带内结合比较模式与由可匹配性和条件候选困惑度（conditional candidate perplexity）导出的模糊因子进一步分层。框架通过带内误差轮廓（margin-of-error profile）编码实质性优先级（如高分数带要求更紧的精度），并用单一缩放参数控制总审核预算。在 Splink 去重后的 5 万条记录、约 47.8 万候选对的标注数据集上评估：基线设计（审核约 23% 对）能准确估计全局和带内匹配率，预算约束设计（约 7% 对）下全局误差约翻倍，但高分数带的准确性和模糊性分布基本保持。该框架可推广至其他 clerical review 目标，并能将金标准数据作为先验信息用于设计和校准。对您而言，本文属于应用导向的抽样设计工作，与您的主要兴趣（因果推断、高维统计、U-统计量）无直接方法学连接，但若您未来涉及记录链接或数据质量评估的实证研究，其分层抽样思路可作为参考。
关键技术: stratified sampling, finite-population inference, match-probability bands, conditional candidate perplexity, margin-of-error profile, record linkage
为什么对您有用: 本文属于记录链接领域的应用方法，与您的主要兴趣（因果推断、高维统计、U-统计量）无直接方法学连接。作为 gateway reading，它清晰阐述了 clerical review 的抽样设计问题，但武器库中缺乏记录链接的专门工具（如 Fellegi-Sunter 模型、Splink 框架），且问题本身不涉及您熟悉的 minimax 界或 U-统计量。暂不可做：核心机器不在武器库里，缺记录链接和有限总体抽样的专门知识。

10. 2608.02096 — Group-Level Inference with Micro-Assessments¶

作者: Paul A. Jewsbury
分类: stat.ME · stat.AP
相关性 4/10 · novelty: application
摘要: 本文研究当推断目标为群体均值（而非个体分数）时，如何通过微型评估（micro-assessments）实现统计高效。在项目反应理论（IRT）框架下，作者从边际似然的得分函数出发，推导了随机项目抽样下边际最大似然估计（MMLE）群体均值的渐近标准误，并通过高斯卷积处理项目信息得到了闭式近似公式。该公式显式刻画了测试长度与样本量之间的权衡，并包含一个膨胀因子，用于校正当题库与目标群体不匹配时联合估计总体方差带来的额外不确定性。作者通过精确基准、蒙特卡洛模拟（题库-群体不匹配）以及NAEP数学重抽样研究验证了公式的有效性，结果表明即使使用单题形式，群体均值估计仍近似无偏。本文对您而言属于应用统计方法论文献，其核心关注的是心理测量学中的群体推断效率问题，与您的主要研究方向（因果推断、高维统计、U统计量等）无直接技术重叠，但可作为了解IRT中群体水平推断的入门读物。
关键技术: Item Response Theory (IRT), Marginal Maximum Likelihood (MML), Gaussian convolution approximation, random item sampling, asymptotic standard error
为什么对您有用: 本文属于心理测量学应用，与您的主要兴趣方向（因果推断、高维统计、U统计量等）无直接技术连接。您的武器库中非参数统计和估计理论可用于理解其渐近推导，但核心IRT框架和项目抽样设定并非您熟悉的方向。作为gateway reading，本文对统计学家友好，推导清晰，但问题本身（群体均值推断）与您的研究主线距离较远，暂不可做。

11. 2608.00201 — On the Asymptotics of Item Selection in Multidimensional Computerized Adaptive Testing¶

作者: Seungwon Lee, Xiaoou Li
分类: math.ST · stat.TH
相关性 4/10 · novelty: new_theory
摘要: 本文研究多维计算机自适应测试（MCAT）中基于Fisher信息的选题规则，目标是在存在意图能力与干扰能力时，优先估计意图能力并控制干扰维度精度。采用加权A-最优性准则，针对多维两参数逻辑模型，首先在题目类型可重复使用的设定下，证明加权A-最优规则与极大似然估计配对时达到渐近最优加权均方误差。随后证明MLE的相合性与渐近正态性，并通过极限Fisher信息矩阵表达渐近加权均方误差。进一步将分析扩展到每道题最多使用一次的实际操作设定。这些结果为MCAT中的正态近似和基于信息的标准误提供了理论依据。模拟实验在有限测试长度下验证了有限样本表现，选题模式与预测的极限行为一致。
关键技术: Fisher information matrix, A-optimality criterion, multidimensional item response theory, maximum likelihood estimation, adaptive testing
为什么对您有用: 本文属于心理测量学中的自适应测试理论，与您的主要兴趣（因果推断、高维统计、半参理论）无直接方法学连接。作为gateway reading，它清晰阐述了自适应选题与估计的耦合动力学，但问题设定（IRT模型、能力估计）与您的武器库（非参、U统计量、因果推断）距离较远，且未涉及您关注的统计-计算权衡或高阶U统计量。暂不可做：核心机器（IRT、自适应算法）不在武器库中。

12. 2608.00766 — Estimation of quantile inequality curves and measures based on grouped data¶

作者: Alicja Jokiel-Rokita, Sylwester Pi\k{a}tek
分类: math.ST · stat.AP · stat.ME · stat.TH
相关性 4/10 · novelty: application
摘要: 本文在分组数据（grouped data）的设定下，考虑分位数不平等曲线（quantile inequality curves）与测度的参数估计问题。假设数据来自某个参数分布族，作者采用最小ϕ-散度（minimum ϕ-divergence）方法估计未知参数，并基于此构造曲线与测度的plug-in估计量。证明了估计量的一致性以及指数估计量的渐近正态性。通过模拟研究比较了不同ϕ-散度下的估计精度，并用两个真实数据集展示了方法的应用。本文的方法学贡献在于将分组数据下的不平等测度估计纳入参数框架并给出理论保证，但整体属于经典参数统计的应用扩展，未涉及高维、半参或因果推断等前沿工具。
关键技术: minimum ϕ-divergence estimation, plug-in estimator, grouped data, quantile inequality curve, asymptotic normality
为什么对您有用: 本文属于应用统计（经济不平等测度）的经典参数方法，与您的主要兴趣（因果推断、高维、半参）无直接交集。武器库中的非参数统计和M估计理论可用来审视其ϕ-散度选择的效率损失，但核心问题不涉及您擅长的前沿工具。暂不可做：本文不涉及您武器库中的任何核心机器，属于纯应用扩展，不值得投入时间精读。

13. 2608.01420 — Local Second-Order Bounds for Aggregation-Order Variation in Density Fusion¶

作者: Ratan Bahadur Thapa
分类: math.ST · stat.TH
相关性 4/10 · novelty: new_theory
摘要: 本文研究分布式统计推断中，通过二元融合（pairwise fusion）聚合局部后验或预测密度时，由于融合规则非结合性（nonassociative）导致的聚合顺序变化（aggregation-order variation）问题。在平滑 f-散度平衡（smooth f-divergence balancing）的局部密度图（local density chart）框架下，假设平方根变换后的权重满足一阶非退化条件，所有融合树的一阶系数相同，而树依赖项首次出现在二阶。作者推导了显式的二阶系数，并通过树索引的二阶密度系数递归将其传播到固定有限族中的每棵树，证明有限三状态后验对比（finite three-state posterior contrast）能够检测到该差异。该二阶系数还决定了密度级和感兴趣量直径、旋转界、下界、标量校准的局限性以及局部校正图表示。结果在满足局部条件的每个固定有限树族上一致成立。
关键技术: f-divergence balancing, pairwise density fusion, second-order expansion, tree-indexed recursion, posterior contrast
为什么对您有用: 本文属于统计计算中的分布式推断理论，与您的主要兴趣（统计计算、非参数理论）有间接关联。该文对融合顺序效应的二阶分析使用了展开技术，但核心问题（非结合融合树的变异性）与您的武器库（非参数统计、高阶U统计）距离较远，且未涉及您熟悉的因果推断或高维设定。暂不可做——缺乏直接可攻的接口，且需要先熟悉分布式密度融合的文献背景。

14. 2608.01776 — At least seven modes in a heteroscedastic three-component bivariate Gaussian mixture¶

作者: Yutaro Kabata, Hirotaka Matsumoto, Akifumi Okuno
分类: math.ST · stat.TH
相关性 4/10 · novelty: new_theory
摘要: 本文研究高斯混合密度的模态数量问题。具体设定是 d 维 k 分量高斯混合，此前有猜想认为最大模态数为组合数 C(d+k-1, d)，对 (d,k)=(2,3) 该值为 6。作者构造了一个等权重异方差三分量二元高斯混合的显式族，证明该密度至少存在 7 个不同的非退化模态，从而否定了该猜想在 (d,k)=(2,3) 情形下的正确性。这是首个针对任意 (d,k) 对猜想提出的反例。构造依赖于对协方差矩阵和均值参数的精细调节，并通过数值验证和理论分析确认模态的存在性。该结果对混合模型的理论性质（如似然景观、EM 算法收敛性）有潜在影响。对您而言，这是一篇纯理论统计的短篇论文，与您的主要兴趣方向（因果推断、高维统计、U-统计量等）无直接方法学关联，但可作为非参数密度估计中模态结构的一个有趣注记。
关键技术: Gaussian mixture density, mode count, heteroscedastic components, counterexample construction
为什么对您有用: 本文属于纯理论统计的模态计数问题，与您的主要兴趣方向（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。武器库中无直接可攻入口，属于暂不可做范畴。作为 gateway reading 价值有限，因为问题本身较为专门，且不涉及您关注的统计计算权衡或数据建模维度。

15. 2608.00201 — On the Asymptotics of Item Selection in Multidimensional Computerized Adaptive Testing¶

作者: Seungwon Lee, Xiaoou Li
分类: math.ST · stat.TH
相关性 4/10 · novelty: new_theory
摘要: 本文研究多维计算机自适应测试（MCAT）中基于Fisher信息的选题规则，目标是在存在意图能力和干扰能力时，优先估计意图能力并控制干扰维度精度。采用加权A-最优性准则，在项目类型可重复使用的设定下，结合极大似然估计，证明了该规则渐近最优，即达到最小渐近加权均方误差。进一步证明了MLE的相合性和渐近正态性，并通过极限Fisher信息矩阵表达渐近加权均方误差。分析还扩展到每个项目最多使用一次的实际操作场景。模拟实验验证了有限样本下的良好表现。该工作为MCAT中的正态近似和信息标准误提供了理论依据。
关键技术: Fisher information matrix, weighted A-optimality, multidimensional two-parameter logistic model, maximum likelihood estimation, asymptotic normality
为什么对您有用: 本文属于心理测量学中的自适应测试理论，与您的主要兴趣（因果推断、高维统计等）无直接交集，但可作为统计渐近理论在特定应用领域的拓展阅读。武器库中的非参数统计和M估计理论可用于理解其渐近论证，但核心问题（选题规则的最优性）与您的技术栈距离较远，暂不可做。

16. 2608.01420 — Local Second-Order Bounds for Aggregation-Order Variation in Density Fusion¶

作者: Ratan Bahadur Thapa
分类: math.ST · stat.TH
相关性 4/10 · novelty: new_theory
摘要: 本文研究分布式统计推断中，通过二元融合规则聚合局部后验或预测密度时，由于融合规则的非结合性导致的聚合顺序变化问题。在平滑f-散度平衡的局部密度图框架下，假设平方根变换后的权重和每次融合的一阶非退化条件，所有固定有限树族共享相同的一阶系数，而树依赖的差异出现在二阶项。作者推导了显式的二阶系数，并通过树索引的二阶密度系数递归将其传播到整个树族，证明了有限三状态后验对比可以检测到这种差异。该系数还决定了密度级和感兴趣量的直径、旋转界、下界、标量校准的局限性以及局部校正图表示。这些展开在满足局部条件的每个固定有限树族上是一致的。该工作属于分布式贝叶斯推断的收敛性理论，与您的主要兴趣方向（因果推断、高维统计、半参理论等）无直接关联。
关键技术: f-divergence balancing, density fusion, binary fusion rule, second-order expansion, tree-indexed recursion
为什么对您有用: 本文属于分布式贝叶斯推断的理论分析，与您的主要兴趣方向（因果推断、高维统计、半参理论）无直接交集。武器库中的非参数统计和M估计理论可能用于理解其密度融合的收敛性，但核心问题（聚合顺序变化）并非您当前关注的方向。暂不可做——缺乏分布式贝叶斯推断和树族递归分析的核心背景。

🗂 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. 2608.00511 — A Total Statistical Error Framework for Comparing Census Data Collection Methods¶

作者: Siu-MIng Tam, Anders Holmberg
分类: stat.ME
相关性 3/10
评分理由: Census methodology with a total error framework; unrelated to primary interests in causal inference, high-dimensional stats, or semiparametric theory.

2. 2608.01068 — adabay: an R package for rapid evaluation and calibration of Bayesian group sequential designs across common endpoint types¶

作者: Zhangyi He, Feng Yu
分类: stat.ME
相关性 3/10
评分理由: Software for Bayesian clinical trial designs, unrelated to primary statistical interests.

3. 2608.01261 — A Bayesian Weakest-Link Framework for Joint Estimation of Material Strength and Stress Profile¶

作者: Shiyu He, Samuel W. K. Wong
分类: stat.ME
相关性 3/10
评分理由: Weakest-link reliability model for material strength; no connection to primary interests in causal inference, high-dim stats, or U-statistics.

4. 2608.00873 — Irregularly observed long-memory Levy-driven moving average processes¶

作者: Mohamedou Ould Haye, Anne Philippe
分类: math.ST · math.PR · stat.ME · stat.TH
相关性 3/10
评分理由: Long-memory Lévy processes with irregular observation is a specialized time-series topic outside the researcher's primary interests and arsenal.

5. 2608.00873 — Irregularly observed long-memory Levy-driven moving average processes¶

作者: Mohamedou Ould Haye, Anne Philippe
分类: math.ST · math.PR · stat.ME · stat.TH
相关性 3/10
评分理由: Long-memory Lévy processes with irregular observation is a specialized time-series topic outside the researcher's primary interests and arsenal.

6. 2608.00262 — A Structural Matrix Autoregression Framework for International Spillovers¶

作者: Ignacio Moreira Lara, Jan Pr\"user, Christoph Hanck
分类: econ.EM
相关性 3/10
评分理由: Bayesian SVAR for macro spillovers; econometric application but no clear connection to primary statistical interests.

7. 2608.01544 — Measuring Product Quality Using Images: The CLIP Q-Score and an Application to Real Estate¶

作者: Fabian Slonimczyk, Danila Karapsin
分类: econ.EM · cs.CV
相关性 3/10
评分理由: 不相关：用CLIP从图像提取产品质量指标，属于计算机视觉应用，与统计兴趣无直接关联。

8. 2608.00193 — WST instrument Exposure Time Calculator: full simulation of multi-mode spectrograph performance from source to detector¶

作者: Matteo Ferro, Matteo Genoni, Henri M. J. Boffin, Jose Schiappacasse-Ulloa, Sofia Randich, Roland Bacon, Vincenzo Mainieri, Alessio Mucciarelli, Carmela Lardo, Michele Moresco, Cristian Vignali, Margherita Talia, Andrea Scaudo, Marco Landoni, Roelof S. de Jong, Olga Bellido-Tirado
分类: astro-ph.IM
相关性 3/10
评分理由: 天文仪器曝光时间计算器开发，涉及模拟但无统计推断或方法论贡献，与研究者兴趣无关。

9. 2608.00250 — Directional Anisotropic Sensitivity Curves for Pulsar Timing Arrays¶

作者: Daniel J. Oliver, Jeffrey S. Hazboun, Martine Maggi, Jeremy G. Baier, Kyle E. Gourlie
分类: astro-ph.IM · gr-qc
相关性 3/10
评分理由: 脉冲星计时阵列引力波背景各向异性分析，涉及Fisher信息但纯天文学应用，无统计方法论创新。

10. 2608.00275 — A Comparative Systems-Engineering Framework for RFI Coexistence in Radio Astronomy and Aviation Safety Systems¶

作者: Simthembile Dlamini
分类: astro-ph.IM · cs.SY · eess.SP · eess.SY
相关性 3/10
评分理由: 射电天文与航空系统射频干扰共存框架，系统工程分析，无统计方法或数据建模内容。

11. 2608.00476 — Development and Evaluation of a CNN-Based Charged-Particle Event Rejection Algorithm for Soft X-ray Detection in a pnCCD-Based Satellite System¶

作者: Hsien-Chieh Shen, Ryuji Kondo, Makoto Arimoto, Tatsuro Kanenaga, Hiro Otsuka, Shutaro Ueda, Junko Hiraga, Daisuke Yonetoku, Tatsuya Sawano, Takanori Sakamoto, Hiroshi Tomida, Akihiro Doi, Hiroshi Nakajima, Takaaki Tanaka, Robert Hartmann, Lothar Str\"uder
分类: astro-ph.IM
相关性 3/10
评分理由: 涉及CNN事件筛选算法，有机器学习应用但问题简单，无统计方法论深度，且为天文仪器专用。

12. 2608.00787 — webSME: An online tool to infer stellar parameters and abundances¶

作者: Johannes Puschnig, Andreas J. Korn, Jonathan Remmert, Ivy Balkwill-Western, Chi Than Nguyen, Nikolai Piskunov
分类: astro-ph.IM · astro-ph.SR
相关性 3/10
评分理由: 恒星参数推断的在线工具，涉及光谱合成与参数估计，但方法成熟（SME框架），无新统计贡献。

13. 2608.00890 — Black Hole Explorer Mission Development in Japan¶

作者: Kazunori Akiyama, Mareki Honma, Akihiro Doi, Shoko Koyama, Kotaro Niinuma, Kazuhiro Hada, Yuto Akiyama, Rebecca Baturin, Peter Galison, Paul Grimes, Yoshiaki Hagiwara, Takayuki J. Hayashi, Aya E. Higuchi, Janice Houston, Michael D. Johnson, Tomohisa Kawashima, Daniel P. Marrone, Yosuke Murayama, Ken Ohsuga, Hannah Rana, Hidetoshi Sano, Edward Tong, Yuh Tsunetoe, Yoshinori Uzawa
分类: astro-ph.IM · astro-ph.HE
相关性 3/10
评分理由: 纯天文仪器任务描述，无数据/模型/统计方法内容，不符合 astrostatistics 网关阅读标准。

14. 2608.01524 — In orbit background for hard X-ray CubeSat polarimeters: case study of the CUSP mission in low-earth orbit¶

作者: Abhay Kumar (a), Giovanni Lombardi (a, c), Riccardo Campana (g, n), Giovanni De Cesare (g), Sergio Fabiani (a), Ettore Del Monte (a), Andrea Alimenti (a, b), Enrico Costa (a), Mauro Centrone (h), Nicolas De Angelis (a), Sergio Di Cosimo (a), Giuseppe Di Persio (a), Pasqualino Loffredo (a), Gabriele Minervini (l), Fabio Muleri (a), Paolo Romano (m), Alda Rubini (a), Emanuele Scalise (a), Enrico Silva (a, b), Paolo Soffitta (a), Giovanni Cucinella (i), Vito Di Bari (i), Simone Di Filippo (i), Andrea Negri (i), Massimo Perelli (i), Dario Modenini (j, k), Andrea Curatolo (j), Nicolas Gagliardi (k), Daniele Pecorella (j), Alice Ponti (k), Paolo Tortora (j, k), Andrea Del Re (d), Davide Albanesi (d), Valerio Campamaggiore (d), Giulia de Iulis (d), Adam Ebrahim (d), Paolo Leonetti (d), Marco Schepis (d), Alessandro Zambardi (d), Ilaria Baffo (e, o), Pierluigi Fanelli (e, o), Costantino Zazza (e), Valerio Vagelli (f), Daniele Brienza (f), Immacolata Donnarumma (f), Matteo Merge (f), Emanuele Zaccagnino (f), Alessandro Turchi (f)
机构: Procter & Gamble (Germany) · Jisc · Electronics for Imaging (United States)
分类: astro-ph.IM · astro-ph.SR
相关性 3/10
评分理由: CubeSat 偏振计背景估计，工程报告，无统计方法或数据建模细节。

15. 2608.01529 — Hard X-Ray Focal-Plane Compton Spectro-Polarimeter: Detector Development and Sensitivity Evaluation¶

作者: Abhay Kumar (Physical Research Laboratory, Astronomy & Astrophysics Division, Ahmedabad, 380009, India, INAF-IAPS, Via del Fosso del Cavaliere 100, 00133 Rome, Italy), Tanmoy Chattopadhyay (Kavli Institute of Particle Astrophysics and Cosmology, Stanford University 452 Lomita Mall, Stanford, CA 94305, USA), Santosh V. Vadawale (Physical Research Laboratory, Astronomy & Astrophysics Division, Ahmedabad, 380009, India), N. P. S. Mithun (Physical Research Laboratory, Astronomy & Astrophysics Division, Ahmedabad, 380009, India)
机构: Physical Research Laboratory · National Institute for Astrophysics · Kavli Institute for Particle Astrophysics and Cosmology · Stanford University
分类: astro-ph.IM
相关性 3/10
评分理由: 硬 X 射线偏振计探测器开发，工程报告，无统计方法或数据建模细节。

16. 2608.01123 — Statistical inference of a competing risks model based on improved adaptive type-II progressive censored data under Gompertz lifetime distribution¶

作者: Amlan Dey (National Institute of Technology Rourkela), Subhankar Dutta (Maulana Azad National Institute of Technology Bhopal), Suchandan Kayal (National Institute of Technology Rourkela)
机构: National Institute of Technology Rourkela · Maulana Azad National Institute of Technology
分类: stat.ME · math.ST · stat.TH
相关性 2/10
评分理由: Survival analysis with competing risks under specific censoring, unrelated to primary interests.

17. 2608.01226 — Projection-Based Outlier Detection in Interval-Valued Functional Data¶

作者: Hao Xu, Wan Tian, Zhongfeng Qin
分类: stat.ME
相关性 2/10
评分理由: Outlier detection for functional data, unrelated to primary research interests.

18. 2608.01586 — Statistical comparisons of time-series feature sets on classification tasks¶

作者: Trent Henderson, Ben D. Fulcher
分类: stat.ME · cs.LG · stat.ML
相关性 2/10
评分理由: Time-series feature set comparison is a classification benchmark, unrelated to primary interests.

19. 2608.02466 — Determination of the Representative Sample Size in Linear Regression¶

作者: Anatoly Rayev, Gregory Keslin, Joseph Keslin
分类: math.ST · stat.TH
相关性 2/10
评分理由: Focuses on sample size determination in linear regression, unrelated to primary interests.

20. 2608.02466 — Determination of the Representative Sample Size in Linear Regression¶

作者: Anatoly Rayev, Gregory Keslin, Joseph Keslin
分类: math.ST · stat.TH
相关性 2/10
评分理由: Focuses on sample size determination in linear regression, unrelated to primary interests.

21. 2608.00128 — The critical role of HST UV spectroscopy in constraining red supergiant binary systems¶

作者: Daniel Jadlovsk\'y, Andreas Sander, Lee Patrick, Ji\v{r}\'i Krti\v{c}ka, Gemma Gonz\'alez-Tor`a, Matheus Bernini-Peron
分类: astro-ph.IM · astro-ph.GA · astro-ph.SR
相关性 2/10
评分理由: 纯天文学观测结果，无统计方法或数据建模内容，与研究者兴趣无关。

22. 2608.00192 — An upgraded frequency-selectable laser source (FLS) calibrator for CMB bandpass characterization¶

作者: Lauren J. Saunders, Sara M. Simon, Shreya Sutariya, Elisa Russier, Sanah Bhimani, Erin Healy, Jeffrey McMahon
分类: astro-ph.IM
相关性 2/10
评分理由: CMB仪器校准硬件开发，无统计方法或数据建模内容，与研究者兴趣无关。

23. 2608.00221 — Calibration of MEMS DM actuator gains using a Zernike wavefront sensor on the HiCAT testbed and implications for Habitable Worlds Observatory operations¶

作者: Sarah Steiger, Rapha\"el Pourcelot, R\'emi Soummer, Emiel H. Por, Laurent Pueyo, Iva Laginja, Nathan Scott
分类: astro-ph.IM
相关性 2/10
评分理由: 自适应光学波前传感硬件校准，无统计方法或数据建模内容，与研究者兴趣无关。

24. 2608.00273 — A Focal-plane X-ray Polarimeter with Spectral and Timing Capabilities for Future Missions¶

作者: Hemanth Manikantan, Carlo Lefevre, Lorenzo Petrucci, Paolo Soffitta, Fabio Muleri, Enrico Costa, Alda Rubini, Vladislavs Plesanovs, Markus Gruber, Jochen Kaminski, Klaus Desch, Alessandro Di Marco, Sergio Fabiani, Riccardo Ferrazzoli, Saba Imtiaz, Dawoon E. Kim, Alessandro Lacerenza, John Rankin, Ajay Ratheesh
分类: astro-ph.IM · astro-ph.HE
相关性 2/10
评分理由: X射线偏振探测器硬件开发，无统计方法或数据建模内容，与研究者兴趣无关。

25. 2608.00324 — Design and Performance of 220 and 270 GHz Bandpass Filters for BICEP Array¶

作者: A. Steiger, The BICEP/Keck Collaboration, P. A. R. Ade, Z. Ahmed, M. Amiri, D. Barkats, R. Basu Thakur, C. A. Bischoff, D. Beck, J. J. Bock, H. Boenish, V. Buza, K. Carter, J. R. Cheshire IV, J. Connors, J. Cornelison, L. Corrigan, M. Crumrine, S. Crystian, A. J. Cukierman, E. Denison, L. Duband, M. Echter, M. Eiben, B. D. Elwood, S. Fatigoni, J. P. Filippini, A. Fortes, M. Gao, C. Giannakopoulos, N. Goeckner-Wald, D. C. Goldfinger, J. A. Grayson, A. Greathouse, P. K. Grimes, G. Hall, G. Halal, M. Halpern, E. Hand, S. A. Harrison, S. Henderson, J. Hubmayr, H. Hui, K. D. Irwin, J. H. Kang, K. S. Karkare, S. Kefeli, J. M. Kovac, C. Kuo, K. Lau, M. Lautzenhiser, A. Lennox, T. Liu, K. G. Megerian, M. Miller, L. Minutolo, L. Moncelsi, Y. Nakato, H. T. Nguyen, R. O'Brient, S. Paine, A. Patel, M. A. Petroff, A. R. Polish, T. Prouve, C. Pryke, C. D. Reintsema, T. Romand, D. Santalucia, A. Schillaci, B. Schmitt, E. Sheffield, B. Singari, K. Sjoberg, A. Soliman, T. St Germaine, B. Steinbach, R. Sudiwala, K. L. Thompson, C. Tsai, C. Tucker, A. D. Turner, C. Verg`es, A. G. Vieregg, A. Wandui, A. C. Weber, J. Willmert, W. L. K. Wu, H. Yang, C. Yu, L. Zeng, C. Zhang, S. Zhang
分类: astro-ph.IM
相关性 2/10
评分理由: CMB实验带通滤波器硬件设计与性能，无统计方法或数据建模内容，与研究者兴趣无关。

26. 2608.00349 — Investigating the differential limb coupling effect for diffraction-limited spectrographs with PARVI¶

作者: Andrea S. J. Lin, Ashley D. Baker, Samuel Halverson, Nemanja Jovanovic, Dimitri Mawet, Garreth Ruane, Gautam Vasisht
分类: astro-ph.IM · astro-ph.EP
相关性 2/10
评分理由: 纯天文仪器工程论文，无统计方法或数据建模内容，与研究者兴趣无关。

27. 2608.00354 — Fundamental Noise Limits of Infrared Detectors in the Presence of Readout Glow¶

作者: Michael Bottom, Gustav Pettersson, Pavaman Bilgi, Guillaume Huber, Charles-Antoine Claveau, Nathan Lourie, Robert Simcoe, Shane Jacobson
分类: astro-ph.IM · physics.ins-det
相关性 2/10
评分理由: 讨论红外探测器噪声，属仪器物理，无统计或数据建模内容。

28. 2608.00522 — Pollux: high-resolution precision spectroscopy and polarimetry for the Habitable Worlds Observatory¶

作者: David Le Mignant, Coralie Neiner, Jean-Claude Bouret, Luca Fossati, Eduard Muslimov, Kjetil Dohlen, Anne Bonnefoi, Jean-Michel Reess, M\'elissa Alligui\'e, Sreejith A. G., Aquib Moine, Adrien Girardot, for the Pollux consortium
机构: Clinical Research Consortium
分类: astro-ph.IM
相关性 2/10
评分理由: 高分辨率光谱仪概念设计，纯仪器描述，无统计或数据建模内容。

29. 2608.02118 — Pollux UV & FUV polarimeters: first lab results¶

作者: Adrien Girardot, Ninon Demelier, Coralie Neiner, Jean-Michel Reess, Juan Ignacio Larruquert, Paloma Lopez-Reyes, Anejandro Garcia Canas, Nuria Gutierrez Luna, Ana Iglesias Moreno
分类: astro-ph.IM
相关性 2/10
评分理由: 紫外偏振计实验室结果，纯光学工程，无数据/模型/统计内容。

30. 2608.02194 — The Wetterstein Millimeter Telescope: A New German Facility for Astronomy and Geodesy¶

作者: Alexander Neidhardt, Matthias Kadler, A. K. -Baczko, Guido Dietl, Urs Hugentobler, Matthias Schartner, Tobias Ullmann, Till Rehm, Jompoj Wongphechauxsorn, for the WMT consortium
分类: astro-ph.IM
相关性 2/10
评分理由: 多用途射电望远镜设施描述，无数据/模型/统计方法内容。

31. 2608.02311 — AI Governance for Institutional Readiness in Finance¶

作者: Irene Aldridge, Steve Krawciw
分类: econ.EM · q-fin.RM · q-fin.ST
相关性 1/10
评分理由: 不相关：讨论金融中AI治理框架，无统计方法或因果推断内容。

32. 2608.00373 — Facility integration of the NASA IRTF adaptive secondary mirror¶

作者: Ellen Lee, Mark Chun, Michael Connelley, Ruihan Zhang, Olivier Lai, Tony Denault, John Rayner, Max Baeten, Arjo Bos, Matias Kidron, Fred Kamphues, Stefan Kuiper, Wouter Jonker, Alan Ryan, Philip Hinz
分类: astro-ph.IM
相关性 1/10
评分理由: 自适应次镜的设施集成，纯工程报告，无统计或数据建模内容。

33. 2608.00734 — Conceptual architecture of the detector infrastructure for WST¶

作者: A. Meoli, O. Iwert, E. George, O. Squalli, M. Richerzhagen, A. R\"ude, M. Seidel, S. L\'ev\^eque
分类: astro-ph.IM
相关性 1/10
评分理由: 望远镜探测器基础设施架构，纯系统工程，无统计内容。

34. 2608.00834 — Qualification pathways for Photonic Integrated Circuits in Astrophotonic Space Missions¶

作者: Kalaga Madhav, Aashia Rahman, M\'at\'e \'Ad\'amkovics
分类: astro-ph.IM · physics.optics
相关性 1/10
评分理由: 光子集成电路的航天认证路径，纯工程标准综述，无统计内容。

35. 2608.01394 — Design and modeling of an oblique incidence dichroic mirror for a high contrast imaging system¶

作者: Joanna Rosenbluth, Ramya Anche, Kyle Van Gorkom, Nikoli Cooper, William Melby, Daewook Kim, Ewan Douglas
分类: astro-ph.IM
相关性 1/10
评分理由: 光学工程（二向色镜设计），无数据/模型/统计内容，与所有兴趣无关。

36. 2608.02273 — Spatial Mapping and Capacitor Trimming Developments to Improve Usable Pixel Yield in PRIMA FIRESS Kilo-Pixel Arrays¶

作者: Chris Albert (Matt), Jonathon Hunacek (Matt), Hien Nguyen (Matt), Ritoban Basu Thakur (Matt), Andrew Beyer (Matt), Charles (Matt), Bradford (Rick), Peter Day (Rick), Pierre Echternacht (Rick), Byeong Ho Eom (Rick), Logan Foote (Rick), Marc Foote (Rick), Steve Hailey-Dunsheath (Rick), Reinier Janssen (Rick), Elijah Kane (Rick), Henry (Rick), LeDuc
分类: astro-ph.IM
相关性 1/10
评分理由: 纯天文仪器工程论文，无统计方法或数据建模内容，与研究者兴趣完全无关。

37. 2608.02579 — CCAT: Optical Design of the 410 GHz Prime-Cam Module¶

作者: Tilak M. Patel, Tanner Buck, Anthony Huber, Eve M. Vavagiakis, James Burgoyne, Scott Chapman, Ben Keller, Jenna E. Moore, Michael D. Niemack, CCAT Collaboration
分类: astro-ph.IM · physics.optics
相关性 1/10
评分理由: 纯光学仪器设计论文，无统计方法或数据建模内容，与研究者兴趣完全无关。

Maintained by 陈星宇 · Homepage · Source on GitHub

2026-08-05 每日 arXiv 资讯¶

⭐ 高相关论文（按主题分组）¶

因果推断 (causal_inference, 5 篇)¶

1. 2608.00404 — Debiased inference for proximal dose-response function¶

2. 2608.01429 — Cluster on the Subject, Not the Record: Confidence Intervals and Simultaneous Bands for Additive-Hazards Sequential Trial Emulation¶

3. 2608.01625 — Target Trial Emulation with the R Package TTE: A Tutorial and Methodological Guide¶

4. 2608.02167 — Regression-based approach for natural direct and indirect relative risk in case of multiple mediators¶

5. 2608.01137 — Double Machine Learning with High-dimensional Interactive Fixed Effects¶

经济理论 / 应用 (econ_theory, 1 篇)¶

1. 2608.02055 — High-Dimensional Panel Data Models with Interactive Fixed Effects: Beyond the Linear Case¶

其他 (other, 2 篇)¶

1. 2608.01364 — Higher-order U-centering: ANOVA residualization and fast unbiased estimation¶

2. 2608.01364 — Higher-order U-centering: ANOVA residualization and fast unbiased estimation¶

📌 中相关论文（按主题分组）¶

因果推断 (causal_inference, 11 篇)¶

1. 2608.00247 — Bridging extrinsic and intrinsic variable importance¶

2. 2608.00701 — Augmented Inverse Hybrid Weighting: Robust Inference under Deterministic and Random Distribution Shifts¶

3. 2608.01537 — Small Samples and Short Panels: Evaluating Policy Evaluation Methods with Realistic Data¶

4. 2608.02591 — Testing for subgroup treatment effect consistency in the Cox model¶

5. 2608.00136 — A Nonparametric Test for Cross-Unit Spillovers¶

6. 2608.00772 — Monotone Response for Random Objects¶

7. 2608.01405 — Estimating Social Effects with Randomized and Observational Network Data¶

8. 2608.00317 — Backward Bayesian Outcome Weighted Learning¶

9. 2608.00789 — Bayesian hierarchical bootstrap framework for causal subgroup estimation with a time-to-event outcome¶

10. 2608.01282 — Multimodal domain adaptation under label shift and blockwise missing modalities¶

11. 2608.01115 — Renewable high-dimensional expected shortfall regression¶

高维统计 / 随机矩阵 (high_dim_rmt, 5 篇)¶

1. 2608.01590 — Method of Moments Estimation of High-Dimensional Covariance Using a Parametric Model¶

2. 2608.00565 — On the Log Determinant of Sample Correlation Matrices under Gaussianity¶

3. 2608.00565 — On the Log Determinant of Sample Correlation Matrices under Gaussianity¶

4. 2608.01654 — Approximate Message Passing with Random Initialization for Phase Retrieval¶

5. 2608.01641 — Pooling Versus Ensembling for Ridge Regression Under Covariate Shift¶

非参数 / 半参数 (nonparam_semipara, 5 篇)¶

1. 2608.00240 — Regularized-Likelihood Deconvolution with Posterior-Density Reconstruction¶

2. 2608.00240 — Regularized-Likelihood Deconvolution with Posterior-Density Reconstruction¶

3. 2608.01309 — Adaptive Confidence Sets for Binary Regression without Design Smoothness¶

4. 2608.00649 — Empirical optimal transport potentials: fast rates and a functional central limit theorem¶

5. 2608.00649 — Empirical optimal transport potentials: fast rates and a functional central limit theorem¶

数理统计 / 假设检验 (hypothesis_testing, 14 篇)¶

1. 2608.01309 — Adaptive Confidence Sets for Binary Regression without Design Smoothness¶

2. 2608.02507 — Beyond Modern Asymptotics for Log-Likelihood Ratios in Logistic Regression¶

3. 2608.02507 — Beyond Modern Asymptotics for Log-Likelihood Ratios in Logistic Regression¶

4. 2608.00219 — An Optimal False Discovery Rate Controlling Procedure for Changepoint Detection¶

5. 2608.01691 — ARM: Detector-Agnostic Changepoint Attribution with Finite-Sample Error Control¶

6. 2608.02253 — A Frequency-Domain approach to detect nonstationarity in dependent data¶

7. 2608.02253 — A Frequency-Domain approach to detect nonstationarity in dependent data¶

8. 2608.01082 — Focused Information Criteria¶

9. 2608.01766 — Graph Signal Surrogate Generation for Statistical Testing of Covariance Structure on Directed Graphs¶

10. 2608.00445 — Exact detection threshold of the packing test¶

11. 2608.00445 — Exact detection threshold of the packing test¶

12. 2608.02535 — Do I Even Need a Multilevel Model? Negligible Effect Significance Testing for Intraclass Correlation Coefficients¶

13. 2608.00766 — Estimation of quantile inequality curves and measures based on grouped data¶

14. 2608.01776 — At least seven modes in a heteroscedastic three-component bivariate Gaussian mixture¶

统计计算 / 算法 (stat_computing, 4 篇)¶

1. 2608.02593 — Exact Likelihood and Sampling for Riemannian Gaussian Distributions on Correlation Matrices¶

2. 2608.01654 — Approximate Message Passing with Random Initialization for Phase Retrieval¶

3. 2608.00287 — Multi-output Orthogonal Gaussian Processes for Noisy Simulator Outputs¶

4. 2608.01613 — Robust Deep Mixture Models¶

天体统计 (astrostats, 4 篇)¶

1. 2608.02573 — Foundation Models for Astrophysics¶

2. 2608.01391 — Towards optimal photometric calibration of digital astronomical plates with deep learning¶

3. 2608.02597 — SDSS-V Local Volume Mapper (LVM): Dithered Data Cube Reconstruction with 3dcubegen¶

4. 2608.01493 — MiraSOL: a DMD-based spectrograph for resolved solar spectroscopy¶

经济理论 / 应用 (econ_theory, 4 篇)¶

1. 2608.00336 — Measurement Error and Peer Effects in Networks¶

2. 2608.01415 — Estimating Peer Influence in Multilayer Networks¶

3. 2608.01421 — Regression with Observational Multilayered Network Data¶

4. 2608.02539 — A Simple Approximation to the Distribution of the Ridge Regression Estimator¶

其他 (other, 16 篇)¶

1. 2608.01439 — Random Inverse Problems with Structural and Probabilistic Ambiguities¶

2. 2608.00276 — Extensions in Semiparametric Geostatistical Models¶

3. 2608.01333 — A Statistical Framework for Data-Driven Discovery of Differential Performance in Clinical Risk Prediction Models¶

4. 2608.01685 — Multivariate Multinomial Logit Model with ANOVA Decomposition for Correlated Categorical Outcomes¶

5. 2608.02550 — A Joint Bayesian Boolean Matrix Factorization with Application to Chromosomal Copy Number Alterations in Multiple Myeloma¶

6. 2608.01641 — Pooling Versus Ensembling for Ridge Regression Under Covariate Shift¶

7. 2608.00609 — Signed Matrix Thinning and Projection Estimation for Integer-Valued Autoregressive Models¶

8. 2608.00671 — How to optimize dynamic borrowing in basket trials - A utility-based framework and results of a comparison study¶

9. 2608.01401 — Designing Ambiguity-Aware Clerical Review: A Stratified Sampling Framework for Record Linkage and Deduplication¶

10. 2608.02096 — Group-Level Inference with Micro-Assessments¶

11. 2608.00201 — On the Asymptotics of Item Selection in Multidimensional Computerized Adaptive Testing¶