跳转至

2026-08-06 每日 arXiv 资讯

  • 高相关论文 5 篇 · 中相关 28 篇 · 其他 19 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. 2608.02924 — Calibrated Bayesian Inference for Stochastic Intervention Effects

  • 作者: Tyler M. Schmidt, Nathan B. Wikle
  • 分类: stat.ME · math.ST · stat.ML · stat.TH
  • 相关性 8/10 · novelty: new_method
  • 摘要: 本文针对随机干预效应（stochastic intervention effects）的贝叶斯推断校准问题，提出一种简单的后处理校正方法，可应用于后验样本而不改变先验或拟合算法。作者证明，对于一大类随机干预（包括独立于观测治疗过程的干预、增量倾向评分干预及新提出的幂倾斜干预），校正后的后验满足半参数 Bernstein-von Mises 定理，从而实现渐近有效推断和频率置信区间的渐近有效覆盖。核心理论贡献包括为 SoftBART 模型建立新条件，使其支持随机干预效应的校准贝叶斯推断。模拟显示，校正方法相比未校正贝叶斯分析减少了偏差并改善了覆盖，与频率学派方法竞争力相当。该方法通过估计在假设改变他汀类药物接受几率下 LDL 胆固醇的变化进行实证说明。对您而言，本文连接了因果推断中的随机干预识别与半参数效率理论，且其校准思路可直接迁移至您熟悉的 proximal CI 或 IV 设定下的贝叶斯推断问题。
  • 关键技术: semiparametric Bernstein-von Mises theorem, post-processing calibration, SoftBART, stochastic intervention effects, incremental propensity score interventions
  • 为什么对您有用: 本文直接连接您的 primary interest 中的因果推断（随机干预效应）和效率理论（半参数 Bernstein-von Mises 定理）。您可以用 very_familiar 的 minimax bounds 和 estimation theory 来验证其声称的渐近效率是否紧，或将其后处理校准思路推广到 proximal CI 框架下的贝叶斯推断。中期可做：需先在 moderately_familiar 的 semiparametric theory 上进一步熟悉 influence function 的贝叶斯对应。

2. 2608.03133 — As Good as it Gets: Bounds for Oracle Time-Varying Treatment Strategies

  • 作者: Zach Shahn
  • 分类: math.ST · stat.TH
  • 相关性 8/10 · novelty: new_theory
  • 摘要: 本文在时间动态治疗策略（DTR）设定下，将点暴露情形下关于“oracle策略”（即基于个体未观测潜在结果选择最优治疗）性能的sharp界推广到纵向数据。对于二元结局，下界即为基于观测历史的最优治疗策略所能达到的期望结局；对于连续结局，下界可能严格大于基于观测协变量的最大可达到值。作者还给出了连续结局下oracle潜在结果CDF的界。方法核心是反事实推理和潜在结果框架下的识别分析，不涉及具体估计量或渐近理论。主要贡献是理论上的识别边界刻画，为理解DTR优化的上限提供了基准。对您而言，本文是纵向因果推断中识别理论的一个干净扩展，连接了您的primary interest中的“longitudinal”和“identification theory”子方向；武器库中“identification theory in causal inference”可直接用于理解其边界推导逻辑，但本文无新估计方法或渐近结果，属于理论边界刻画，中期可做：若想将其边界转化为可估计量，需在“semiparametric theory”上补足效率界工具。
  • 关键技术: dynamic treatment regimes, sharp bounds, oracle strategy, potential outcomes, longitudinal causal inference
  • 为什么对您有用: 本文直接连接您的primary interest中的“longitudinal”和“identification theory”子方向，是纵向DTR识别边界的理论扩展。武器库中“identification theory in causal inference”可完全覆盖其推导逻辑，但本文无估计量或渐近结果，属于纯识别理论。中期可做：若想将边界转化为可估计量（如用DML或sieve估计），需先在“semiparametric theory”上长肌肉。

3. 2608.03133 — As Good as it Gets: Bounds for Oracle Time-Varying Treatment Strategies

  • 作者: Zach Shahn
  • 分类: math.ST · stat.TH
  • 相关性 8/10 · novelty: weaker_assumption
  • 摘要: 本文在时间动态治疗策略（DTR）的因果推断框架下，将点暴露设定中关于“oracle 最优治疗规则”性能的 sharp 界推广到纵向设定。目标 estimand 是 oracle 策略（基于个体未观测的潜在结果或“响应类型”选择最佳治疗）所能达到的期望结果的下界。对于二元结果，该下界恰好等于基于观测历史的最优治疗规则所达到的期望结果；对于连续结果，下界可能严格大于基于观测协变量的最大价值。文章还给出了连续结果下 oracle 潜在结果 CDF 的界。理论工具主要涉及潜在结果框架下的反事实推理和单调性假设，未使用复杂的半参数估计或影响函数。对您而言，本文连接了因果推断中 DTR 优化与 sensitivity analysis 的边界，但方法学 novelty 有限，属于 weaker_assumption 类工作，适合作为纵向因果推断中“最优策略可识别性”的补充阅读。
  • 关键技术: dynamic treatment regimes, sharp bounds, oracle treatment rule, potential outcomes, response types
  • 为什么对您有用: 本文直接关联 primary interest 中的 causal inference 子方向（纵向设定下的 DTR 优化与 bound）。技术武器库中 very_familiar 的 estimation theory in causal inference 可用来评估其 bound 的 sharpness 是否可被现有半参数方法（如 DML）达到。中期可做：若想将 bound 转化为可估计量，需先在 moderately_familiar 的 semiparametric theory 上长肌肉（具体为 influence function 的推导与 cross-fitting 估计）。

4. 2608.03847 — Identification and Information after Nuisance Projection

  • 作者: Ulrich Hounyo
  • 分类: econ.EM · math.ST · stat.AP · stat.ME · stat.TH
  • 相关性 8/10 · novelty: new_method
  • 摘要: 本文研究线性面板 IV 在去除固定效应、潜因子或高维控制变量（即 nuisance projection）后的识别与推断问题。核心设定是：在二维相依（two-way dependence）的 panel 中，先对一方程进行 nuisance projection（如 within 变换或因子吸收），再估计结构参数。文章提出三个关键量：projected Jacobian 决定哪些结构方向仍可识别；projected-score law 决定估计精度；在 Gaussian 固定秩 strata 上，二者结合为 Projected Information Matrix。理论贡献包括：推导弱识别极限（含维度特定信息累积）、可行的因子转移条件、识别稳健检验、非 Gaussian 交互极限的 bootstrap 程序，以及对投影后谱、秩、子空间和信息矩阵的推断。模拟显示，原始一阶段 F 统计量超过 500 仍可能支持错误符号，而投影诊断能揭示弱有效信息。在国际货币应用中，常见投影显著衰减了外国产出持续性，而 Gaussian 参考 Anderson-Rubin 集仍无界。本文对您有用之处在于：它直接连接了您 primary interest 中的 IV 识别与 sensitivity analysis，且其 projected-score 框架可与您 moderately_familiar 的 semiparametric theory 中的 influence function 投影技术对话，是中期可做的延伸方向。
  • 关键技术: projected Jacobian, projected-score law, Projected Information Matrix, weak-identification limits, identification-robust tests, factor-transfer conditions
  • 为什么对您有用: 本文直接连接您 primary interest 中的 IV 识别与 sensitivity analysis，特别是 nuisance projection 后识别信息的损失与诊断。您的 technical_arsenal 中 very_familiar 的 estimation theory in causal inference 可直接用于理解其 projected Jacobian 与 projected-score law 的构造；moderately_familiar 的 semiparametric theory 中的 influence function 投影技术可用来分析其 projected Information Matrix 的效率含义。中期可做：将本文的 projected-score 框架与您熟悉的 higher-order U-statistics 的 tensor 视角结合，分析 panel IV 中 nuisance 维度对识别精度的组合影响。

5. 2608.03881 — Difference-in-differences with "bad controls"

  • 作者: Carolina Caetano, Brantly Callaway, Stroud Payne, Hugo Sant'Anna
  • 分类: econ.EM
  • 相关性 8/10 · novelty: new_method
  • 摘要: 本文研究双重差分（DiD）框架中，当平行趋势假设需在协变量上条件成立、但这些协变量本身可能受处理影响（即“坏控制变量”）时的识别与估计问题。作者首先指出，简单丢弃坏控制变量通常不可取，并系统推导了仅以坏控制变量的预处理值作为条件变量的充分条件，这自然导向 Callaway & Sant'Anna (2021) 的估计量。其次，在协变量无混淆性假设下，提出了基于插补和双/去偏机器学习（DML）的估计量，以恢复处理组平均处理效应（ATT）。方法被扩展到交错处理采纳场景，并给出了识别假设的预检验程序。实证部分以工作置换对收入的影响为例展示了方法的应用。对您而言，本文是因果推断中“坏控制变量”这一经典难题的系统性处理，直接关联您的 primary interest 中的 DiD 和 identification theory，且 DML 估计量的使用与您的 efficiency theory 兴趣点相通。
  • 关键技术: difference-in-differences, bad controls, double/debiased machine learning, parallel trends conditioning on covariates, staggered treatment adoption
  • 为什么对您有用: 本文直接切入您 primary interest 中因果推断的 DiD 识别问题，特别是“坏控制变量”这一长期困扰实证研究者的设定。您武器库中 very_familiar 的 estimation theory in causal inference 和 moderately_familiar 的 identification theory 可直接用于理解并评估其识别条件是否可放松或检验。中期可做：若想将本文的 DML 估计量与您熟悉的 higher-order U-statistics 结合（例如构造高阶影响函数以提升收敛速率），需先在 moderately_familiar 的 HOIF 上长肌肉。

📌 中相关论文（按主题分组）

因果推断 (causal_inference, 4 篇)

1. 2608.03200 — Generalized propensity score weighting for functional causal inference framework

  • 作者: Simone Ciardulli, Nicole Fontana, Simone Vantini, Francesca Ieva
  • 分类: stat.ME · stat.AP
  • 相关性 7/10 · novelty: application
  • 摘要: 本文在功能性数据（functional data）的因果推断框架下，将暴露变量、协变量和结局变量均视为连续域上的函数，目标是在观测研究中估计边际因果效应。作者提出了一种广义倾向得分加权（generalized propensity score weighting）方法，通过消除时变处理与观测混杂之间的依赖关系来实现协变量平衡。权重估计问题被转化为一个光滑无约束优化对偶形式，提升了计算可扩展性。该方法可自然扩展到时变协变量和纵向结局设定，通过函数对函数边际结构模型（function-on-function marginal structural model）估计因果效应曲面。与现有方法相比，该方法在协变量平衡、估计精度和计算效率上均有改进。应用于UK Biobank数据，估计了BMI轨迹对2型糖尿病风险及后续糖化血红蛋白轨迹的因果效应。对您而言，本文是功能性数据因果推断的入门级方法学工作，与您primary interest中的因果推断（尤其是纵向设定）直接相关，但方法学新颖性有限（主要是将现有加权框架扩展到函数型数据）。
  • 关键技术: functional propensity score, covariate balancing weighting, function-on-function marginal structural model, dual optimization, smooth unconstrained optimization
  • 为什么对您有用: 本文直接连接您的primary interest中的因果推断（纵向设定），将传统倾向得分加权扩展到函数型数据。您的武器库中'估计理论在因果推断中的应用'（very_familiar）可直接用于分析其权重估计的渐近性质，但功能性数据的函数空间结构（如Hilbert空间）可能需要额外熟悉。中期可做：若您想在功能性因果推断方向深入，需先在moderately_familiar的'因果推断中的识别理论'上补足函数型处理的识别条件。

2. 2608.03224 — Evaluating Treatment Effects using Group Testing with Retesting of Positive Groups

  • 作者: Aye Aye Maung, Qi Zheng
  • 分类: stat.ME · stat.AP
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文在群体检测（group testing）设计中引入因果推断框架，目标是估计平均处理效应（ATE），其中个体水平的结局变量通过混合样本的检测结果间接观测。传统群体检测方法仅能进行关联分析，无法处理基线混杂。作者将逆概率加权（IPW）直接嵌入到混合样本的伪似然函数中，构造了一个无偏的伪得分函数，并证明了在该框架下得到的plug-in估计量的一致性和渐近正态性。模拟实验表明，该方法能有效消除由混杂带来的选择偏差，恢复真实的ATE，而传统的未加权混合模型则无法做到。最后，作者使用CDC美国流感疫苗有效性网络的真实观测数据展示了该方法作为估计和诊断工具的实用性。对您而言，本文提供了一个在资源受限的流行病学监测场景下（如大规模筛查）进行因果推断的新思路，直接连接了您的因果推断（IPW、混杂调整）和流行病学应用兴趣。
  • 关键技术: inverse probability weighting, pseudo-likelihood, group testing, plug-in estimator, asymptotic normality
  • 为什么对您有用: 本文直接连接您的因果推断（IPW、混杂调整）和流行病学应用兴趣，属于应用型方法论文献。从武器库看，您对IPW和M-estimation理论（moderately_familiar）已足够理解其核心估计框架，但群体检测的似然结构（基于混合样本的伪似然）是您不熟悉的设定，需要先熟悉该领域的检测概率模型。因此属于中期可做：需先在moderately_familiar的M-estimation理论中补充群体检测的似然构造知识，才能评估该方法在更复杂因果参数（如IV、mediation）下的扩展性。

3. 2608.03607 — Beyond Predicting Responses: Conformal Inference for Latent Distributional Parameters

  • 作者: Minxing Zheng, Wenbin Zhou, Shixiang Zhu
  • 分类: stat.ME
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文提出 LatentCP，一种无先验的共形推断框架，用于为不可观测的潜在分布参数构建不确定性集合。设定中，每个实例有一个控制观测响应分布的潜在参数，但该参数在历史与未来实例中均不可观测；仅能利用观测到的 context-response 对和一个已知的前向模型。方法首先在可观测响应空间构造一个共形预测集，然后根据每个候选潜在参数诱导的响应分布赋予该集合的概率来反演保留候选参数。该反演过程无需潜在标定标签、唯一逆映射或潜在混合分布知识，即可提供有限样本边际覆盖保证。由于潜在集效率对响应空间误覆盖率呈非单调依赖，作者进一步引入多水平程序，聚合多个响应集上的归一化不兼容性得分，并通过独立调优样本选择聚合分布。在合成实验中，LatentCP 在弱前向可识别性、观测非可识别性以及潜在异质性和多模态下维持名义潜在覆盖，而经验贝叶斯、似然法和代理标签共形方法则严重欠覆盖。在加州野火真实数据集上，该方法为潜在火强度产生空间自适应的不确定性集合。独立调优提高了效率，多水平聚合在不同响应水平包含互补信息时进一步带来增益，且不牺牲有效性。该框架与因果推断中潜在结果/反事实的不确定性量化问题高度相关，特别是当处理变量或中介变量不可观测时，可借鉴其反演思路。
  • 关键技术: conformal prediction, inverse problem, latent variable model, multilevel aggregation, finite-sample coverage
  • 为什么对您有用: 直接连接到 primary interest 中的 causal inference 子方向——潜在分布参数的不确定性量化与因果推断中反事实/潜在结果的不确定性量化在结构上同构（forward model 对应结构因果模型，latent parameter 对应潜在结果或处理效应）。武器库中 very_familiar 的 nonparametric statistics 和 estimation theory in causal inference 可直接用于分析该反演过程的识别条件与效率；moderately_familiar 的 identification theory 可用来刻画 forward model 的弱可识别性对覆盖率的精确影响。中期可做：需先在 moderately_familiar 的 semiparametric theory 上长肌肉，以将该共形反演框架与半参数效率界结合，推导最优响应集选择策略。

4. 2608.02909 — When Predictions Become Regressors: A Split-Sample Correction for Biases in Downstream Inference

  • 作者: Nathan Canen, Ted Enamorado
  • 分类: econ.EM · stat.ML
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文关注预测生成变量（如LLM或ML模型输出的测量）作为回归解释变量时产生的测量误差偏差问题。目标是在下游线性回归中一致估计系数，设定中预测变量是真实潜在变量的带误差代理。核心方法是将原始数据随机分割为独立子样本，在每个子样本上分别训练预测模型，得到多个独立测量，然后以这些独立测量作为工具变量（IV）进行估计。该方法本质上是多测量IV估计的一种变体，利用了split-sample构造的独立性来消除经典测量误差导致的衰减偏差。模拟显示，即使在中等样本量（n≈500）下，该方法也能将偏差控制在真实值附近，而朴素回归的偏差可高达50%以上。实证部分复现了两个政治学应用：德国议会中性别化语言对立法结果的影响，以及中国政治风险对扶贫项目的影响。对您而言，该文提供了一个在因果推断中处理预测变量测量误差的实用工具，尤其适用于您primary interest中的IV和mediation设定，且split-sample思想与cross-fitting有技术亲缘性。
  • 关键技术: split-sample IV, measurement error correction, prediction-generated regressors, multiple independent measures, instrumental variables
  • 为什么对您有用: 直接连接到primary interest中的因果推断（IV和测量误差）子方向。武器库中'very_familiar'的'estimation theory in causal inference'可以立即用于分析该方法的渐近方差和最优分割比例；'moderately_familiar'的'identification theory in causal inference'可用于检查其识别假设（如独立测量条件）在更复杂设定（如动态处理）下是否成立。立即可做：用您熟悉的因果推断估计理论推导该IV估计量的半参效率界，并与传统两阶段最小二乘对比。

高维统计 / 随机矩阵 (high_dim_rmt, 3 篇)

1. 2608.03832 — Reduced-rank Generalized Bilinear Models

  • 作者: Kevin S. Kapner, Jeffrey W. Miller
  • 分类: stat.ME
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文针对高维基因组数据分析中广义双线性模型（GBM）在样本协变量数量大时统计与计算效率下降的问题，提出降秩广义双线性模型（RR-GBM）。核心思想是对样本系数矩阵施加低秩约束，从而在参数数量与模型灵活性之间取得平衡，避免全秩模型过参数化。方法上，RR-GBM通过奇异值分解或核范数正则化实现低秩估计，并开发了一种数据稀疏化（data thinning）技术用于秩的选择，无需交叉验证。模拟研究表明，当真实系数矩阵为低秩或近似低秩时，RR-GBM在估计精度和计算速度上均优于标准GBM。在胰腺癌Perturb-seq数据应用中，RR-GBM不仅提供了更稳定的效应估计，还通过低秩分解实现了协变量与特征间关系的可视化。对您而言，该工作涉及高维统计中的降维与低秩建模，与您的高维统计和统计计算兴趣直接相关，其数据稀疏化模型选择策略可能迁移至您熟悉的U-统计量或因果推断中的高维协变量调整问题。
  • 关键技术: reduced-rank regression, generalized bilinear model, data thinning, low-rank matrix estimation, singular value decomposition
  • 为什么对您有用: 本文属于高维统计中的低秩建模方法，直接连接您的高维统计与统计计算兴趣。技术层面，您非常熟悉的非参数统计与高维渐近理论可用于分析RR-GBM的估计误差与秩选择的一致性；其数据稀疏化模型选择策略可能迁移至您熟悉的U-统计量计算中的模型选择问题。中期可做：若想将低秩思想推广至因果推断中的高维工具变量或中介分析，需先在中等熟悉的半参数理论上加强，特别是处理低秩约束下的识别条件。

2. 2608.02922 — Spectral clustering of network time series via the sample covariance matrix

  • 作者: Brendan Martin, Joshua Agterberg, Mihai Cucuringu, Alessandra Luati, Francesco Sanna Passino
  • 分类: math.ST · stat.ME · stat.TH
  • 相关性 6/10 · novelty: new_theory
  • 摘要: 本文研究网络时间序列的社区检测问题，其中依赖结构由未观测的随机块模型（SBM）决定。目标是通过观测到的多元时间序列的样本协方差矩阵进行谱聚类，以恢复潜在社区结构。核心方法是将谱聚类直接应用于样本协方差矩阵，而非传统的邻接矩阵。理论贡献在于建立了精确恢复的充分条件，恢复速率显式依赖于网络规模、样本长度、块间分离度和数据依赖程度。关键技术工具包括经典和细粒度矩阵扰动理论在相依数据下的扩展，以及随机矩阵理论中的谱分析。主要结果表明，即使邻接矩阵不可观测，基于样本协方差矩阵的谱聚类也能实现精确社区恢复。该理论为相依数据下的矩阵扰动分析提供了新见解，可能对高维时间序列的因果推断和假设检验有启发。
  • 关键技术: spectral clustering, sample covariance matrix, stochastic blockmodel, matrix perturbation theory, community detection, dependent data
  • 为什么对您有用: 本文连接您的高维统计与随机矩阵理论兴趣，具体在相依数据下样本协方差矩阵的谱性质分析。您武器库中的高维渐近理论和矩阵扰动工具可直接用于验证其恢复速率是否紧，或扩展至更一般的相依结构。中期可做：需先在 moderately_familiar 的 M-估计理论上长肌肉，以处理非参数化的块结构。

3. 2608.02922 — Spectral clustering of network time series via the sample covariance matrix

  • 作者: Brendan Martin, Joshua Agterberg, Mihai Cucuringu, Alessandra Luati, Francesco Sanna Passino
  • 分类: math.ST · stat.ME · stat.TH
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文研究网络时间序列中的社区检测问题，其依赖结构由未观测的随机块模型（SBM）决定。目标是通过观测到的多元时间序列的样本协方差矩阵来恢复潜在社区结构。核心方法是谱聚类：对样本协方差矩阵进行特征分解，并利用K-means对特征向量聚类。理论贡献在于证明了在适当的条件下，谱聚类能够实现社区的精确恢复（exact recovery）。恢复速率显式依赖于网络规模、样本长度、块间分离度和数据依赖程度。该结果扩展了经典和精细化的矩阵扰动理论到相依数据场景，具有独立的方法论价值。对您而言，本文展示了高维随机矩阵理论（Marchenko-Pastur律、特征向量扰动界）在时间序列社区检测中的新应用，连接了您的高维统计与随机矩阵理论兴趣，且其扰动理论扩展可能为您的U-统计量或因果推断中的相依数据分析提供新工具。
  • 关键技术: spectral clustering, sample covariance matrix, stochastic blockmodel, matrix perturbation theory, exact recovery, dependent data
  • 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（RMT）兴趣，具体展示了样本协方差矩阵特征向量在相依数据下的扰动界，这是RMT的核心工具。您的武器库中'高维渐近理论'和'逆问题'可直接用于理解其扰动界的紧性，而'高阶U-统计量'的树宽视角或可分析其谱聚类算法的计算成本（如特征分解的复杂度）。中期可做：需先在moderately_familiar的'半参数理论'上长肌肉，以处理更一般的相依结构假设。

非参数 / 半参数 (nonparam_semipara, 2 篇)

1. 2608.02914 — Survival Isotonic Distributional Regression

  • 作者: Martin Bladt, Alexander Henzi, Bram van den Heuvel, Johanna Ziegel
  • 分类: math.ST · stat.TH
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文提出 Survival-IDR (S-IDR)，一种在右删失结局下估计条件生存分布的非参数方法，扩展了 Isotonic Distributional Regression (IDR) 框架。S-IDR 无需调参，可处理连续、离散及部分有序协变量。首先研究直接 Kaplan-Meier 适配 IDR 的估计量：它在条件结局满足风险率序时达到 minimax 一致收敛率，但该限制源于 Kaplan-Meier 估计量在非 i.i.d. 样本上不满足 Cauchy 均值性质。基于此诊断构造 S-IDR，该估计量仅在条件结局随机占优假设下即一致收敛，当条件 CDF 光滑性已知时达到 minimax 率，并支持已知的 cross-threshold PAVA 加速算法。进一步将 S-IDR 嵌入分布单指标框架进行基准测试，并在肝移植等待名单管理的 MELD 评分验证案例中应用。对您而言，本文的非参数单调约束估计方法与您熟悉的非参数统计和 minimax 界工具直接相关，且其诊断性分析思路（从 Kaplan-Meier 的失效机制出发构造新估计量）对您在高维或因果推断中处理删失数据具有启发意义。
  • 关键技术: Isotonic Distributional Regression, Kaplan-Meier estimator, minimax rate, stochastic dominance, PAVA acceleration, distributional single-index model
  • 为什么对您有用: 本文直接连接您的非参数统计兴趣，特别是单调约束下的条件分布估计。您可以用非常熟悉的 minimax 界工具验证其声称的收敛率是否紧，并考虑将 S-IDR 的诊断思路（从估计量的代数性质失效出发构造新方法）迁移到因果推断中的删失问题（如右删失下的 ATE 估计）。中期可做：需先在 moderately_familiar 的 semiparametric theory 上长肌肉，以处理更复杂的因果 estimand 与删失机制的交互。

2. 2608.02914 — Survival Isotonic Distributional Regression

  • 作者: Martin Bladt, Alexander Henzi, Bram van den Heuvel, Johanna Ziegel
  • 分类: math.ST · stat.TH
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文提出 Survival-IDR (S-IDR)，一种在右删失结局下估计条件生存分布的非参数方法，扩展了 Isotonic Distributional Regression (IDR) 至删失数据。S-IDR 无调优参数，可处理连续、离散及部分有序协变量。首先分析直接 Kaplan-Meier 适应 IDR 的局限性：仅在条件结局满足风险率序时达到 minimax 一致率；诊断发现 Kaplan-Meier 估计量在非 i.i.d. 样本上不满足 Cauchy 均值性质。S-IDR 仅需条件结局的随机占优假设即可达到一致估计，在已知条件 CDF 光滑度时达到 minimax 率，并支持跨阈值 PAVA 加速算法。在分布单指标框架下进行基准测试，并在肝移植等待名单管理的 MELD 评分验证案例中应用。该方法对您可能有用：其无参数、保序回归的思路与您的非参数统计和半参理论兴趣直接相关，且右删失设定在流行病学队列研究中常见。
  • 关键技术: Isotonic Distributional Regression, Kaplan-Meier estimator, minimax rate, stochastic dominance, PAVA acceleration, distributional single-index model
  • 为什么对您有用: 本文直接连接您的非参数统计兴趣，特别是保序回归在删失数据下的 minimax 理论。技术武器库中'非参数统计'和'minimax bounds'可立即用于分析 S-IDR 的率最优性是否紧；'M-estimation theory'可中期用于推导其影响函数或渐近分布。立即可做：用 minimax bound 验证其声称的率是否紧。

数理统计 / 假设检验 (hypothesis_testing, 5 篇)

1. 2608.03889 — Confidence Horizons

  • 作者: Chase Mathis, Ian Waudby-Smith
  • 分类: stat.ME · math.ST · stat.ML · stat.TH
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文提出“置信水平线”（confidence horizons）的概念，在有限时间水平（finite horizon）下构建大样本任意有效推断（anytime-valid inference）方法，以克服经典置信序列（confidence sequences）因无限时间水平而导致的保守性。核心思想是：若实验因预算、伦理等约束存在最大时间点，则放弃无限时间有效性可换取更紧的区间。方法上，作者将问题与Pocock、O'Brien-Fleming、Wang-Tsiatis等经典组序贯边界（group sequential boundaries）建立显式联系，并推导出关键统计量的闭式渐近分位数，避免了传统组序贯方法中反复数值积分。在自适应Neyman分配下的序贯随机化实验中，展示了该方法用于处理效应估计的实例。对您而言，该工作为假设检验与因果推断中的序贯监测提供了更紧的有限样本工具，尤其适用于纵向因果推断中需要提前停止的实验设计。
  • 关键技术: anytime-valid inference, confidence sequences, group sequential boundaries, closed-form asymptotic quantiles, adaptive Neyman allocation
  • 为什么对您有用: 本文直接关联您primary interest中的假设检验与纵向因果推断：它改进了序贯监测的紧致性，可应用于您关注的因果推断中处理效应估计的实时分析。从武器库看，您对非参数统计和高维渐近的熟悉度足以理解其渐近理论，但核心的任意有效推断（如e-process、martingale）属于moderately_familiar领域，需先补足该工具才能直接动手改进。中期可做：需先在moderately_familiar的M-estimation或识别理论中融入martingale视角。

2. 2608.02929 — Weighted k-Sample Kolmogorov-Smirnov, Cramer-von Mises, and Anderson-Darling Tests for Assessing Covariate Balance

  • 作者: Ariel Linden
  • 分类: stat.ME
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文针对加权分布检验中仅限两组比较的局限，将 Kolmogorov-Smirnov、Anderson-Darling 和 Cramer-von Mises 检验推广到任意 k≥2 个加权组。利用已有的 k 样本推广形式和共享的置换推断程序，每个统计量在 k=2 时精确退化为两样本版本。配套的事后两两比较程序提供了四种多重比较校正方法，在整体检验拒绝后定位具体差异组。在 k=3 的四场景模拟中，第一类错误接近名义水平，且两样本时建立的比较优势得以保持：KS 对中心位置差异最灵敏，AD 对尾部差异最灵敏，AD 和 CvM 对弥散差异表现相当。整体检验功效低于对应的两样本设定，原因并非差异被稀释，而是增加组数放大了零分布本身，因此当怀疑特定组不平衡时，事后两两比较往往是更灵敏的工具。该方法已实现为 Stata 命令 kstest、adtest 和 cvmtest。
  • 关键技术: k-sample distributional tests, permutation inference, weighted empirical distribution, multiple comparison adjustment, post-hoc pairwise testing
  • 为什么对您有用: 本文直接关联您对假设检验的兴趣，特别是分布检验在因果推断中协变量平衡评估的应用。您熟悉的非参数统计和 minimax 理论可用于分析这些检验在加权设定下的功效边界，而您对 higher-order U-statistics 的掌握（特别是树宽/张量收缩视角）可用来刻画 k 样本检验统计量的计算复杂度——这是中期可做的方向，需先在 moderately_familiar 的 higher-order U-statistics 理论上长肌肉。

3. 2608.03088 — A New Approach to Goodness of Fit for Ergodic Markov Processes

  • 作者: Vance Martin, Yoshihiko Nishiyama, John Stachurski, Yiran Xie
  • 分类: stat.ME · q-fin.ST
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文针对遍历马尔可夫过程提出了一种新的基于密度的拟合优度检验。原假设指定一个模型类，检验判断是否存在某个模型使得其平稳密度与数据匹配，无需指定备择假设。该方法无需估计平滑参数，且对 1/√n 局部备择具有非平凡功效。核心机制可能基于经验过程或 U-统计量来构造检验统计量，避免了核密度估计等非参数平滑步骤。理论结果包括检验的渐近分布和局部功效分析。该工作为计量经济学和金融建模中的模型检验提供了新视角，对您在高维统计和假设检验方向的研究有参考价值。
  • 关键技术: goodness-of-fit test, ergodic Markov process, density-based test, local alternatives, empirical process
  • 为什么对您有用: 本文直接关联您对假设检验的兴趣，特别是针对时间序列数据的拟合优度检验。您武器库中的非参数统计和高维渐近理论可用于分析该检验统计量的渐近性质，例如检验功效的 minimax 分析。中期可做：需要先在 moderately_familiar 的 M-估计理论上提升，以处理 Markov 过程的依赖结构。

4. 2608.03081 — A Proof of the Convergence a Lipschitz Upper Confidence Bound

  • 作者: Gregory Keslin
  • 分类: math.ST · stat.TH
  • 相关性 4/10 · novelty: minor
  • 摘要: 本文在非参数回归框架下，针对 Lipschitz 参数的估计问题，提出了一种通过假设检验反演构造一致下置信界的方法。核心设定是设计点个数趋于无穷时，检验能渐近概率为1地识别任何被低估的 Lipschitz 常数。收敛性证明依赖于一致大数定律（ULLN），并分析了有界和无界重复采样下的 discrepancy 度量。该方法本质上是将假设检验与置信区间构造相结合，属于经典的非参数推断技术。主要理论结果是检验的渐近一致性，但未涉及收敛速率或最优性。对您而言，本文是假设检验在非参数设定下的一个干净应用，但方法学新颖性有限，且与您核心关注的高阶U统计量或因果推断方向无直接连接。
  • 关键技术: Uniform Law of Large Numbers, hypothesis test inversion, Lipschitz parameter estimation, confidence bound construction
  • 为什么对您有用: 本文属于假设检验在非参数设定下的应用，与您的 primary interest 'mathematical statistics (hypothesis testing)' 有弱连接。但方法学贡献较浅（仅证明一致性，无速率或最优性），且未涉及您武器库中的高阶U统计量或 minimax 界等工具。暂不可做：核心机器（如高阶U统计量、semiparametric efficiency）在此问题中无直接用武之地，且问题本身的新颖性不足以支撑 follow-up。

5. 2608.03081 — A Proof of the Convergence a Lipschitz Upper Confidence Bound

  • 作者: Gregory Keslin
  • 分类: math.ST · stat.TH
  • 相关性 4/10 · novelty: new_method
  • 摘要: 本文研究 Lipschitz 参数的估计问题，通过构造假设检验的反向置信下界来估计 Lipschitz 常数。核心设定是：在给定设计点集上，观测值满足 Lipschitz 条件，目标是构造一个一致的下置信界。方法上，作者利用 Uniform Law of Large Numbers 分析有界和无界重复采样下的 discrepancy 度量，证明当设计点数量趋于无穷时，检验能以渐近概率 1 正确识别任何低估的 Lipschitz 常数。主要理论结果是收敛性证明，依赖于 ULLN 和概率不等式。该工作为非参数函数类的正则性参数估计提供了假设检验框架，对您在高维统计和非参数理论中处理 Lipschitz 类函数的 minimax 界或自适应估计可能具有参考价值。
  • 关键技术: Uniform Law of Large Numbers, hypothesis test inversion, Lipschitz parameter estimation, confidence bound construction, discrepancy metric analysis
  • 为什么对您有用: 本文直接关联到您的 hypothesis testing 兴趣，特别是非参数设定下正则性参数的检验问题。武器库中 very_familiar 的 nonparametric statistics 和 minimax bounds 可直接用于分析该检验的 minimax 最优性（例如 Lipschitz 常数估计的 minimax 率是否被该检验达到）。中期可做：若想将框架推广到更高阶光滑性（如 Hölder 类），需先在 moderately_familiar 的 M-estimation theory 上长肌肉。

统计计算 / 算法 (stat_computing, 4 篇)

1. 2608.03449 — Fast covariance-free spatiotemporal modeling via coarse-to-fine learning

  • 作者: Daisuke Murakami
  • 分类: stat.ME · stat.CO
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文提出了一种无协方差函数的时空建模框架 CF-STM，将粗到细空间建模扩展到时空设定。核心思想是用多尺度局部加权模型表示潜在空间过程，并通过局部中心的状态空间模型独立建模时间依赖，从而避免传统协方差函数带来的计算瓶颈。该方法在蒙特卡洛实验中与可扩展时空模型相比，预测性能相当但计算成本显著降低。应用于东京都市圈长期住宅地价数据，展示了灵活捕捉复杂时空模式的能力。该方法对您作为统计计算方向的研究者可能有用，尤其是其无协方差设计思路可与您熟悉的软件开发和计算效率优化经验结合。
  • 关键技术: coarse-to-fine spatial modeling, state-space model, multiscale locally weighted model, covariance-free spatiotemporal modeling, R package spCF
  • 为什么对您有用: 本文属于统计计算方法论文，直接对应您的 primary interest 中的 statistical computing。其无协方差框架在计算效率上的创新，可与您 very_familiar 的软件开发和计算优化经验结合，评估其算法复杂度或扩展性。作为 gateway reading，本文方法清晰、实现完整（有 R 包），适合快速理解并判断是否可迁移到您关注的时空因果推断或高维设定中。中期可做：需先在 moderately_familiar 的 M-estimation 理论上理解其多尺度加权模型的估计性质。

2. 2608.02769 — DAIF: A Data-Driven Intermediate Fusion Framework for Multimodal Supervised Learning via Approximate Message Passing

  • 作者: Sagnik Nandy, Samriddha Lahiry, Pragya Sur, Subhabrata Sen
  • 分类: stat.ME · cs.LG · math.ST · stat.ML · stat.TH
  • 相关性 4/10 · novelty: new_method
  • 摘要: 本文提出 DAIF，一种数据驱动的中间融合框架，用于多模态监督学习中的融合粒度自适应选择。核心挑战在于如何平衡跨模态信息整合与噪声放大，现有方法依赖预定义的早期或晚期融合架构，无法适应模态间的依赖结构。DAIF 在贝叶斯多模态因子模型下，利用随机矩阵理论（RMT）和非参数依赖度量来从数据中学习融合结构。方法首先基于估计的模态间依赖进行聚类，然后对每个聚类执行经验贝叶斯先验估计，并在近似消息传递（AMP）框架下构建去噪器，生成保留模态特异性信号的低维特征。模拟实验在多种依赖结构和信号强度下与基准方法比较，并在 TEA-seq 和 TCGA-BRCA 两个真实多模态数据集上验证了预测性能。该框架将 RMT 和 AMP 引入多模态融合的统计计算问题，对您而言，其核心价值在于展示了 RMT 在高维统计计算中的新应用场景，属于统计计算方向的可读性较好的方法论文献。
  • 关键技术: random matrix theory, approximate message passing (AMP), empirical Bayes, nonparametric dependence measures, multimodal factor model, clusterwise fusion
  • 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 (numerical methods, algorithm)'。核心武器 RMT 和 AMP 均在您的 technical_arsenal 中 'very_familiar' 的 'high-dimensional asymptotics' 和 'inverse problems with random noise' 覆盖范围内，因此您可以立即理解其理论框架。中期可做：若想将 AMP 与您熟悉的 higher-order U-statistics 结合（例如在高阶统计量的计算中引入消息传递加速），需先在 'moderately_familiar' 的 'theory of higher-order U-statistics' 上进一步巩固。

3. 2608.03163 — Estimating the Conditional Forecast-Revision Scale in Sequential Models: Local-Smoothing Limits, Matched Models, and Cost--Accuracy Trade-offs

  • 作者: Hui-Mean Foo, Yuan-chin Ivan Chang
  • 分类: stat.ME · stat.CO
  • 相关性 4/10 · novelty: new_method
  • 摘要: 本文研究时序模型中条件预测-修正尺度（conditional forecast-revision scale）的估计问题，该尺度定义为 Var(E[X_{t+1}|F_t]|F_{t-1}) 的平方根，是衡量历史特定预测更新大小的条件二阶矩。由于涉及两个未知条件均值，该量不可直接观测。作者比较了多种估计器：块自助法、条件方差模型、状态空间模型、两种 O(1) 流式平滑器以及已训练循环网络的遗忘门。误差分解将一步预测误差与条件二阶矩追踪误差分开处理。理论表明，外部调优的仅滞后平滑器在尺度随采样尺度变化时可能不一致，但在慢变假设下达到 T^{-2/3} 均方误差率（对尺度本身为 T^{-1/3}）；正确设定的状态空间估计器通过利用当前状态避免了这一限制。在波动驱动设计中，条件方差模型作为点估计器比块自助法准确百倍以上，但自助法的价值在于提供抽样分布。在状态驱动设计中，只有结构匹配的滤波器能恢复快速变化。训练网络的遗忘门本身不追踪该尺度，但全门向量的监督线性探针可以，说明该尺度可线性解码但非免费获得。这些结果给出了实用规则：识别条件二阶矩结构，匹配估计器，然后选择成本最低的充分方法。对您而言，本文的统计-计算权衡视角（点估计精度 vs 计算成本 vs 分布信息）与您对 computationally constrained statistics 的兴趣直接相关，可作为 gateway reading 理解该领域的问题设定和权衡语言。
  • 关键技术: conditional second moment estimation, block bootstrap, state-space model, streaming smoother, linear probe, error decomposition
  • 为什么对您有用: 本文属于 stat_computing 主题，直接服务于您对 statistical-computational tradeoff 的 gateway reading 需求。文章清晰阐述了不同计算成本（O(1) 流式 vs 块自助法）下估计精度的差异，并给出了选择规则，符合您作为 outsider 的入门要求：问题设定明确（条件二阶矩估计）、计算模型清晰（点估计 vs 分布信息）、权衡显式（成本-精度曲线）。武器库方面，您对 nonparametric statistics 和 minimax bounds 的熟悉可直接用于理解其 T^{-2/3} 率分析；但本文的流式算法和状态空间模型属于 moderately_familiar 的 M-estimation 范畴，需先熟悉时序模型设定。总体为中期可做：需在 M-estimation 上长肌肉以跟进其误差分解框架。

4. 2608.03946 — Resolution-Adaptive Compact-Support Priors for Bayesian Wavelet Denoising

  • 作者: Nilotpal Sanyal
  • 分类: stat.ME
  • 相关性 4/10 · novelty: new_method
  • 摘要: 本文提出一种分辨率自适应的贝叶斯小波去噪方法，针对一维含噪信号。模型采用 spike-and-slab 先验，其中连续 slab 是紧支撑 Wendland 型多项式核与半圆密度的混合，并带有数据自适应的分辨率特定截断尺度。Wendland 分量在零点附近集中质量并在支撑边界光滑消失，半圆分量更分散，使收缩规则在不同分辨率层自适应。在平方误差损失下，推导了后验均值估计量，建立了对称性、有界性、连续性和极限性质，定义了逐点固定超参数偏差、方差和风险，并开发了经验贝叶斯估计程序。Wendland 贡献在 Laplace 工作似然下具有有限和表达式，半圆贡献通过稳定的一维积分评估。模拟使用 Bumps、Blocks、Doppler 和 HeaviSine 信号，将高斯和 Laplace 似然版本与通用阈值、FDR 阈值、交叉验证、SURE、BAMS 和 NLP 方法比较。在高斯误差主模拟中，高斯似然版本在 36 个设计单元中的 26 个（包括所有低 SNR 单元）是最强的非 NLP 方法，且计算轮廓比 Laplace 似然版本更有利。对 2008 年 Chino Hills 地震的加速度迹线分析展示了在选定诊断下快速波动的衰减和主加速度事件的保留。
  • 关键技术: Bayesian wavelet denoising, spike-and-slab prior, Wendland kernel, empirical Bayes, posterior mean estimator
  • 为什么对您有用: 本文属于统计计算中的贝叶斯小波去噪方法，与您的 primary interest 中的 statistical computing 直接相关。您武器库中的 nonparametric statistics 和 software development 可直接用于复现和扩展该方法（例如，将 Wendland 核替换为其他紧支撑基函数，或在高维信号上测试计算效率）。中期可做：若您想深入理解其经验贝叶斯程序的理论性质（如 minimax 最优性），需先在 moderately_familiar 的 M-estimation theory 上加强。

经济理论 / 应用 (econ_theory, 3 篇)

1. 2608.03486 — A fully nonlinear structural vector autoregressive model identified via independent innovation analysis

  • 作者: Savi Virolainen
  • 分类: econ.EM · stat.ME · stat.ML
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文提出一个完全非线性的结构向量自回归（SVAR）框架，其中同期结构映射可以是非线性且非可加的。识别通过利用由观测到的外生变量诱导的结构冲击条件分布的变化来实现：具体地，采用对比学习框架结合指数族假设来恢复冲击。现有独立创新分析结果只能将冲击识别到任意分量可逆变换，本文通过施加结构化指数族规范（充分统计量）将剩余模糊性缩减为每个冲击的单参数变换尺度映射；进一步在逻辑斯蒂规范下，识别被加强到置换和分量符号变化。恢复冲击后，利用前馈神经网络的通用逼近能力估计完全非线性SVAR。实证应用研究美国工业产出对实际油价冲击响应的非对称性，发现冲击符号和经济状态存在适度非对称性。本文对您作为经济理论（应用因果工作）的次要兴趣有直接关联，是理解非线性时间序列因果识别方法的好入门读物。
  • 关键技术: independent innovation analysis, contrastive learning, exponential-family specification, feed-forward neural networks, nonlinear structural VAR
  • 为什么对您有用: 本文属于经济理论（应用因果工作）的gateway reading：它清晰阐述了非线性时间序列因果识别问题，对统计学家友好，不假设深奥的经济学背景。武器库中'非参数统计'和'因果推断中的估计理论'可直接用于理解其识别策略，但核心的对比学习框架和指数族识别机制不在当前武器库中（缺非线性时间序列识别工具），因此暂不可做。不过作为入门读物，值得花时间读全文以拓宽经济因果推断视野。

2. 2608.02943 — Bandwidth-Free Inference for Recursive Nonlinear Impulse Response Functions

  • 作者: Guilherme Vianna
  • 分类: econ.EM · math.ST · stat.TH
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文研究递归非线性脉冲响应函数的推断问题，目标是在有限维非线性结构自回归模型中，对固定正态秩冲击的脉冲响应进行推断。模型假设创新分布具有无约束的连续边际分布，且冲击通过创新秩进行归一化。估计量直接用生成的结构残差的经验分位数替代每个创新分位数函数，并迭代相同的结构转移函数。对于任意固定的响应集合，建立了联合√T渐近线性表示，包含四个组成部分：直接转移估计、转移估计对残差顺序统计量的影响、普通创新分位数估计以及偏移冲击分位数。通过递归投影，分位数项具有残差秩和间距表示，从而无需创新密度估计或分位数平滑即可实现可行推断。进一步刻画了平滑的传播偏差，验证了完全递归残差自举法的有效性，并推导了有限模拟路径的额外协方差贡献，为经验残差版本的正态秩响应提供了无带宽推断。本文对您作为经济理论应用方向的研究者具有参考价值，其无带宽推断方法避免了密度估计的复杂性，且递归自举法可直接应用于宏观经济学中的结构向量自回归分析。
  • 关键技术: recursive nonlinear impulse response, empirical quantile estimation, asymptotic linear representation, residual bootstrap, rank-and-spacing representation
  • 为什么对您有用: 本文属于经济理论应用方向，直接关联您的secondary interest中的经济理论（应用、数据集、因果推断）。本文提出的无带宽推断方法避免了创新密度估计，且递归自举法在宏观经济学结构向量自回归中具有直接应用价值。从技术武器库看，您对非参数统计和估计理论非常熟悉，可以立即用这些工具理解本文的渐近线性表示和自举有效性证明。中期可做：若想将本文方法推广到高维或半参数设定，需先在M估计理论上提升（moderately_familiar）。

3. 2608.03773 — Testing for Smooth Structural Change in Cointegrated Systems

  • 作者: Haofeng Liao, Xing Wang
  • 分类: econ.EM
  • 相关性 4/10 · novelty: new_method
  • 摘要: 本文在协整系统中引入平滑结构变化，假设干预时间已知且干预前协整结构稳定，干预后调整系数和协整向量均随重标时间平滑演化。方法基于向量误差修正模型（VECM），利用核加权局部降秩回归估计时变参数，直接分解 Π(δ)=α(δ)β(δ)' 以区分长期均衡关系和短期调整速度的变化。作者还提出了参数一致性和干预后参数平滑性的两个检验。实证部分以2022年2月24日俄乌战争为干预事件，分析布伦特原油价格、美元/欧元即期汇率和Credit Suisse纳斯达克黄金价格指数之间的协整关系，发现战后协整关系平滑演变而非离散跳跃。对您可能有用：本文属于经济理论的应用因果工作，展示了在已知干预时间下如何用非参数方法（核平滑）处理协整系统的结构变化，可作为进入时间序列因果推断的入门阅读。
  • 关键技术: kernel-weighted local reduced-rank regression, vector error-correction model (VECM), cointegration rank test, smooth structural change, parameter consistency test
  • 为什么对您有用: 本文属于经济理论（secondary interest）的应用因果工作，直接处理干预后的时变参数估计，与您对因果推断中纵向设定和IV的兴趣有概念连接。武器库中'非参数统计'和'估计理论'的核平滑与降秩回归技术可直接用于理解本文方法，但协整系统的单位根和误差修正机制不在当前武器库核心中，属于'暂不可做'——需先补充时间序列协整理论的基础知识。本文作为入门读物清晰易懂，适合花时间读全文以拓宽时间序列因果推断的视野。

流行病学 (epidemiology, 1 篇)

1. 2608.03775 — Multi-Signal Safety Surveillance with Bayesian Latent Factor Modeling and Bias Correction

  • 作者: Ziyang Pan, Fan Bu
  • 分类: stat.ME · stat.AP
  • 相关性 5/10 · novelty: application
  • 摘要: 本文提出一个多信号贝叶斯序贯监测框架，用于在观察性医疗数据中同时监测大量暴露-结果信号的安全性。现有方法要么仅用阴性对照校正残差偏倚，要么仅跨信号借用信息，但无法同时处理两者。该框架在每个分析时间点，通过层次贝叶斯模型从阴性对照结果中学习暴露特异性偏倚分布，并在此基础上用低秩潜在因子模型跨暴露和结果共享信息。随着新数据累积，后验推断被序贯更新，输出多个监测信号的偏倚校正后效应大小。方法在美国大型保险理赔数据库的疫苗安全性监测中进行了实证。对您而言，这是一篇流行病学应用论文，展示了如何将阴性对照（因果推断工具）与贝叶斯因子模型结合用于实际监测，可作为流行病学数据分析和因果推断应用的入门阅读。
  • 关键技术: Bayesian hierarchical model, negative control outcomes, low-rank latent factor model, sequential posterior updating, empirical bias correction
  • 为什么对您有用: 本文属于流行病学应用方向，直接关联您的 secondary interest。它展示了阴性对照在真实监测数据中的使用方式，武器库中的 estimation theory in causal inference 可帮助评估其偏倚校正假设的合理性。作为入门读物，值得花时间读全文以了解流行病学监测的数据结构和分析流程。

其他 (other, 6 篇)

1. 2608.02766 — Conformal confidence intervals with an application to small area estimation

  • 作者: Li-Chun Zhang, Tiziana Tuoto
  • 分类: stat.ME
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文提出一种新的共形推断方法，目标是为样本内未知期望（而非样本外结果）构造具有指定覆盖概率的置信区间。经典共形预测主要针对可交换或i.i.d.设定下的样本外预测区间，而本文将其推广到样本内参数的推断，填补了经典回归与共形推断之间的空白。方法不依赖回归模型的正确设定，在有限样本下即可保证覆盖概率。作者将所提方法应用于小区域估计问题，展示了其在有限样本下的有效性和稳健性。该工作属于共形推断在参数推断方向的方法论扩展，理论贡献在于将共形覆盖保证从预测区间转移到置信区间。对您而言，本文与您的主要兴趣（因果推断中的不确定性量化、半参数推断）有间接关联，但核心方法（共形推断）并非您武器库中的熟悉工具，且小区域估计与您的兴趣方向距离较远。
  • 关键技术: Conformal prediction, conformal confidence intervals, small area estimation, finite-sample coverage, exchangeability
  • 为什么对您有用: 本文属于共形推断的方法论扩展，与您的主要兴趣（因果推断中的不确定性量化、半参数推断）有间接关联，但核心方法（共形推断）并非您武器库中的熟悉工具（very_familiar 中无共形推断）。小区域估计与您的兴趣方向距离较远，且本文未涉及您熟悉的非参数统计、U-统计量或因果推断框架。暂不可做：核心机器（共形推断的交换性论证、分位数回归）不在武器库里，且缺乏与您现有工作的直接连接点。

2. 2608.03757 — A New Look at Gaussian Mixtures in the Presence of Missing-at-Random Responses and Covariates

  • 作者: Hung Tong, Antonio Punzo, Cristina Tortora
  • 分类: stat.ME
  • 相关性 6/10 · novelty: application
  • 摘要: 本文研究在响应变量和协变量均存在随机缺失（MAR）机制下的多元线性回归模型估计问题。采用最大似然（ML）框架，通过条件-边际分解将响应与协变量的联合分布建模为多元高斯分布，这可以视为多元正态分布的一种重参数化。参数估计使用期望最大化（EM）算法，在保留响应与协变量不同角色的同时进行缺失值插补。进一步将该框架扩展到模型聚类场景，考虑多元随机协变量的混合多元线性回归模型，允许在响应和协变量均存在MAR值时进行软聚类。模拟研究和汽车数据集上的应用展示了方法的有效性。本文主要贡献在于提出了一种处理MAR缺失值的通用回归聚类框架，但方法本身基于经典的高斯混合模型和EM算法，理论创新性有限。
  • 关键技术: Expectation-Maximization (EM) algorithm, multivariate Gaussian conditional-marginal factorization, model-based clustering, missing-at-random (MAR)
  • 为什么对您有用: 本文属于应用统计方法论文，与您的主要兴趣（因果推断、高维统计、U-统计量等）无直接交集。方法核心是经典的高斯混合模型和EM算法，不涉及您武器库中的非参数理论、minimax界或因果识别等工具。作为流行病学或经济学应用领域的缺失数据处理参考有一定价值，但方法学新颖度低，暂不可做后续工作。

3. 2608.02923 — Estimating Climate Sensitivity Using Bayesian Model Averaging for CMIP Models

  • 作者: Jitong Jiang, Skylar Shi, Adrian E. Raftery
  • 分类: stat.ME · stat.AP
  • 相关性 5/10 · novelty: application
  • 摘要: 本文针对气候科学中的关键指标——累积CO2排放的瞬态气候响应（TCRE），提出了一种完全基于数据的贝叶斯模型平均（BMA）方法。研究使用CMIP6的37个气候模型，根据它们与观测温度数据的一致性进行加权，从而估计TCRE。与IPCC第六次评估报告（AR6）的估计相比，BMA方法得到的90%置信区间与AR6有大量重叠，但均值更高、标准差更低。该方法通过统计建模使得验证和不确定性分解更加容易，并发现模型参数不确定性是预测方差的主要来源。留一法预测验证表明该方法校准良好。对您而言，这是一篇将经典统计方法（BMA）应用于重要气候科学问题的应用型论文，可作为跨学科阅读的入门材料。
  • 关键技术: Bayesian Model Averaging, CMIP6 climate models, variance decomposition, out-of-sample predictive validation
  • 为什么对您有用: 本文属于general science范畴的gateway reading，适合作为统计学家了解气候科学中关键指标估计的入门读物。文章清晰阐述了数据（37个CMIP6模型）和模型（BMA加权）的结构，并进行了不确定性分解和预测验证，对数据分析和建模维度有明确展示。武器库中的非参数统计和估计理论有助于理解其加权和验证逻辑，但本文不涉及您核心兴趣中的因果推断或高维理论，属于跨学科广度阅读。值得花时间读全文以了解气候科学中的统计实践。

4. 2608.02828 — Proper-score observation-driven filters: local geometry, estimation, and continuous-time limits

  • 作者: Giulia Livieri, Gianluca Palmari
  • 分类: math.ST · math.PR · q-fin.ST · stat.TH
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文提出一类基于适当评分规则（proper scoring rule）的观测驱动滤波器，将传统似然得分更新替换为可微评分规则关于参数的负导数，并引入预设工作族和可预测缩放。条件均值更新可视为条件评分风险的预条件随机梯度，加入自回归项后，中心点由复合平均场的零点决定。作者推导了局部实现损失下降和条件均值收缩结果，并将局部动力学分解为风险曲率和创新变异性，两者在Bartlett恒等式下对对数评分一致，但一般不同，这解释了有界驱动如何限制极端观测对滤波路径的传递。建立了批量最小评分风险估计下静态递归参数的一致性和相依数据夹逼渐近正态性。在高频尺度模型中，中心化更新得到扩散极限，非中心化更新得到平均流极限，局部传递定理给出围绕移动评分风险投影的Ornstein-Uhlenbeck近似。实证部分对国际股票收益进行密度-准则因子分析，评估点-方差损失、VaR覆盖和概率积分变换诊断，不施加通用排序。本文为误设定下的观测驱动滤波提供了基于准则的框架，并明确了估计、局部跟踪和连续时间近似所需的假设。对您而言，本文属于统计计算与时间序列交叉领域，但核心方法（评分规则、随机梯度、扩散极限）与您的主要兴趣方向（因果推断、高维统计）关联较弱，可作为方法学广度阅读。
  • 关键技术: proper scoring rule, observation-driven filter, stochastic gradient descent, diffusion limit, Ornstein-Uhlenbeck approximation, sandwich asymptotic normality
  • 为什么对您有用: 本文属于时间序列滤波与评分规则交叉领域，与您的主要兴趣（因果推断、高维统计、U-统计量）直接关联较弱。作为方法学广度阅读，本文的评分规则框架和扩散极限分析对统计计算方向有一定启发，但武器库中缺乏时间序列滤波和随机微分方程的核心工具，暂不可做。

5. 2608.02828 — Proper-score observation-driven filters: local geometry, estimation, and continuous-time limits

  • 作者: Giulia Livieri, Gianluca Palmari
  • 分类: math.ST · math.PR · q-fin.ST · stat.TH
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文提出一类基于可微适当评分规则（proper scoring rule）的观测驱动滤波器，将传统似然得分更新替换为评分规则关于参数的负导数，并在给定工作族和可预测缩放下定义递归。条件均值更新可视为条件评分风险的预条件随机梯度，加入自回归拉动后，中心点由复合均值场的零点决定。文章推导了局部实现损失下降和条件均值收缩结果，并将局部动力学分解为风险曲率和创新变异性——两者在Bartlett恒等式下对对数评分一致，但一般不同，这解释了有界驱动如何限制极端观测对滤波路径的传递。作者建立了批最小评分风险估计的相合性和相依数据夹逼渐近正态性。在高频尺度模型下，中心化更新得到扩散极限，非中心化更新得到平均流极限，局部传递定理给出围绕移动评分风险投影的Ornstein-Uhlenbeck近似。实证部分对国际股票收益进行密度-准则因子分析，评估点方差损失、VaR覆盖和概率积分变换诊断，不施加统一排序。本文为误设定下的观测驱动滤波提供了一个基于准则的框架，并明确了估计、局部跟踪和连续时间近似所需的假设。对您而言，本文属于统计计算与时间序列交叉的方法论工作，与您的主要兴趣（因果推断、高维统计）关联较弱，但评分规则框架和相依数据渐近理论对您的中等熟悉领域（M估计理论）有参考价值。
  • 关键技术: proper scoring rule, observation-driven filter, stochastic gradient descent, Bartlett identity, sandwich asymptotic normality, Ornstein-Uhlenbeck approximation
  • 为什么对您有用: 本文属于时间序列滤波与评分规则交叉的方法论工作，与您的主要兴趣（因果推断、高维统计）直接关联较弱。但其中相依数据下的M估计渐近理论（夹逼标准误）与您中等熟悉的M估计理论有技术重叠，可作为该方向的延伸阅读。暂不可做：核心机器（评分规则滤波、扩散极限）不在您的武器库中，且与您当前研究路线（因果推断、U统计量）距离较远，不值得花时间全文精读。

6. 2608.03306 — Local Quasi-Linear Models: Kernel Differential Equation Regression and Fire Data Analysis

  • 作者: Chunlei Ge, W. John Braun
  • 分类: stat.ME · stat.AP
  • 相关性 4/10 · novelty: new_method
  • 摘要: 本文提出局部拟线性（LQL）模型，将微分方程约束的局部多项式回归框架从指数增长模型推广到一般一阶线性常微分方程 g'(x)=a(x)g(x)+b(x)。作者推导了任意泰勒阶数 k 的闭式 DE 约束局部多项式（DE1-k）估计量，并建立了其渐近条件偏差和方差。针对 a(x) 和 b(x) 未知的情形，提出了两种估计方法。模拟研究表明，与无约束局部线性回归相比，DE1-k 估计在自动选择阶数时能同时降低估计误差和 ODE 一致性误差。应用部分聚焦于风驱火种密度损失曲线的建模，利用物理驱动的强制对流 ODE 约束，在数据稀疏的物种-直径组中，DE 约束估计器显著优于局部线性回归。本文还考察了 LQL 模型对局部拟指数替代模型的误设鲁棒性。整体而言，该工作为物理知识可用但数据稀疏的应用场景提供了实用的估计工具，但其方法论核心（ODE 约束的非参数回归）与您的主要兴趣方向（因果推断、高维统计、U-统计量）距离较远，属于方法学上的独立发展。
  • 关键技术: local polynomial regression, differential equation constraints, closed-form DE-constrained estimator, asymptotic bias and variance, ODE misspecification robustness
  • 为什么对您有用: 本文属于统计方法学中利用物理约束改善稀疏数据估计的尝试，但核心设定（一阶 ODE 约束的非参数回归）与您的主要兴趣方向（因果推断、高维统计、U-统计量）无直接交集。武器库中的非参数统计和 minimax 界工具可用于分析其估计量的最优性，但该问题本身并非您当前研究的主线。作为 gateway reading 价值有限，因为其应用领域（火灾科学）和模型框架（ODE 约束回归）均不在您的 secondary interests 列表中。建议仅作泛读，无需深入跟进。

🗂 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. 2608.03183 — A Bures-Wasserstein Formulation of Matrix Decomposition Structural Equation Modeling

  • 作者: Naoto Yamashita
  • 分类: stat.ME
  • 相关性 3/10
  • 评分理由: Matrix decomposition SEM via Bures-Wasserstein; structural equation modeling is peripheral, no clear link to causal or high-dim stats.

2. 2608.03377 — Matrix Decomposition Latent Growth Model Tree

  • 作者: Naoya Todo (Tokyo Metropolitan University), Naoto Yamashita (Kansai University), Satoshi Usami (The University of Tokyo)
  • 机构: Tokyo Metropolitan University · Kansai University · The University of Tokyo
  • 分类: stat.ME
  • 相关性 3/10
  • 评分理由: 聚焦于潜增长模型树，属于纵向数据分析，与主要兴趣的因果推断或高维统计关联不大。

3. 2608.03384 — Reusing Operational Evidence After Context Changes: A Conservative Bayesian Framework for Autonomous Vehicle Safety

  • 作者: Robab Aghazadeh Chakherlou, Siddartha Khastgir, Xingyu Zhao
  • 分类: stat.ME
  • 相关性 3/10
  • 评分理由: 贝叶斯框架用于自动驾驶安全，与主要兴趣的因果推断或高维统计关联不大。

4. 2608.03758 — Ranked spreadness and sample-based testing

  • 作者: Gaia Carenini
  • 分类: math.ST · cs.CC · cs.DS · math.CO · stat.TH
  • 相关性 3/10
  • 评分理由: Combinatorial set systems and width-free concentration are unrelated to the researcher's primary statistical interests.

5. 2608.03758 — Ranked spreadness and sample-based testing

  • 作者: Gaia Carenini
  • 分类: math.ST · cs.CC · cs.DS · math.CO · stat.TH
  • 相关性 3/10
  • 评分理由: Combinatorial set systems and width-free concentration are unrelated to the researcher's primary statistical interests.

6. 2608.02748 — Enhancing the sensitivity of next-generation X-ray imaging detectors with artificial intelligence and advanced event reconstruction algorithms

  • 作者: D. R. Wilkins, A. Poliszczuk, A. Y. Pan, L. Sajkov, S. W. Allen, M. Heine, C. E. Grant, M. W. Bautz, T. Chattopadhyay, K. Donlon, S. Herrmann, B. LaMarr, E. D. Miller, P. Orel
  • 分类: astro-ph.IM
  • 相关性 3/10
  • 评分理由: 天文学仪器论文，涉及 AI/ML 但无统计推断或方法学贡献，作为 astrostatistics 网关阅读缺乏数据/模型阐述。

7. 2608.03790 — Data reduction pipeline for the SuMAC millimeter-wave spectrometer at the LMT

  • 作者: A. M. Lapuente, P. S. Barry, M. Becerril-Tapia, C. Benson, C. M. Bradford, T. Brien, S. C. Chapman, S. Doyle, V. G\'omez-Rivera, S. Hailey-Dunsheath, J. Hern\'andez-Aguilar, J. L. Hern\'andez-Rebollar, D. Hughes, E. Kane, K. S. Karkare, R. McGeehan, R. Naranjo-Romero, A. Papageorgiou, J. G. Redford, I. Rodr\'iguez-Montoya, S. Rowe, D. O. S\'anchez-Arg\"uelles, S. Savorgnano, A. Tan, J. Vega-M\'endez
  • 分类: astro-ph.IM
  • 相关性 3/10
  • 评分理由: 涉及天文数据归约管线，但摘要未展示统计方法或数据建模细节，作为入门阅读价值低。

8. 2608.03381 — Multidimensional Integral Fractional Ornstein--Uhlenbeck Process with an Application to Animal Movement

  • 作者: J. H. Ram\'irez-Gonz\'alez, Erick A. Chac\'on-Montalv\'an, Paula Moraga, Ying Sun
  • 分类: stat.ME
  • 相关性 2/10
  • 评分理由: 动物运动建模，属于应用统计，与主要兴趣的因果推断或高维统计无关。

9. 2608.03456 — Two-Stage Design with Sample Size Re-estimation Using gsDesign

  • 作者: Keaven M. Anderson, Alison Pedley
  • 分类: stat.ME · stat.CO
  • 相关性 2/10
  • 评分理由: 临床试验设计中的样本量重估，属于应用统计，与主要兴趣的因果推断或高维统计无关。

10. 2608.03891 — Topological Clustering vis Sliced Wasserstien Kernels

  • 作者: Vikram Aithal, Ajit Kumar, Ambika Sharma
  • 分类: math.ST · math.AT · stat.TH
  • 相关性 2/10
  • 评分理由: Topological clustering with Wasserstein kernels is outside primary/secondary interests and arsenal.

11. 2608.03891 — Topological Clustering vis Sliced Wasserstien Kernels

  • 作者: Vikram Aithal, Ajit Kumar, Ambika Sharma
  • 分类: math.ST · math.AT · stat.TH
  • 相关性 2/10
  • 评分理由: Topological clustering with Wasserstein kernels is outside primary/secondary interests and arsenal.

12. 2608.02839 — Single-Photon Counting CMOS Detectors for the Habitable Worlds Observatory

  • 作者: Edwin Alexani, Justin P. Gallagher, Donald F. Figer
  • 分类: astro-ph.IM
  • 相关性 2/10
  • 评分理由: 纯探测器技术论文，无统计或数据建模维度，不符合任何兴趣领域。

13. 2608.02891 — A new NASA Pioneer: the Globe Orbiting Soft X-ray Polarimeter (GOSoX)

  • 作者: Herman L Marshall (MIT Kavli Institute), Sarah N T Heine (MIT Kavli Institute), Alan Garner (MIT Kavli Institute), Sean Gunderson (MIT Kavli Institute), Hans M Guenther (MIT Kavli Institute), Ralf K Heilmann (MIT Space Nanotechnology Laboratory), Stephen Bongiorno (NASA Marshall Space Flight Center), Eric M Gullikson (Lawrence Berkeley National Laboratory), Andrea Santangelo (Eberhard Karls University of Tuebingen), Chris Tenzer (Eberhard Karls University of Tuebingen), Ruth Kelly (University College London, Universita degli Studi di Padova), Silvia Zane (University College London), Roberto Taverna (Universita degli Studi di Padova), Roberto Turolla (Universita degli Studi di Padova), Michela Negro (Louisiana State University and A and M College), Rozenn Boissay-Malaquin (University of Maryland Baltimore County), Luigi Gallo (St Mary's University, Halifax), Honghui Liu (Eberhard Karls University of Tuebingen), Swati Ravi (MIT Kavli Institute)
  • 机构: Department of Space · Marshall Space Flight Center · Lawrence Berkeley National Laboratory · University of Tübingen · University of Padua · University College London · Louisiana State University · University of Maryland, Baltimore County 等
  • 分类: astro-ph.IM
  • 相关性 2/10
  • 评分理由: 纯仪器设计论文，无统计方法或数据建模内容，不符合任何兴趣领域。

14. 2608.02905 — Fast, low noise, megapixel detector and readout systems for future X-ray astronomy missions

  • 作者: Sven Herrmann, Peter Orel, Tanmoy Chattopadhyay, Haley R. Stueber, Jill Juneau, Abigail Y. Pan, Kevan Donlon, Declan O'Neill, Gregory Prigozhin, Eric D. Miller, R. Glenn Morris, Tonya L. Peshel, Artem Poliszczuk, Beverly LaMarr, Catherine E. Grant, Christopher Leitz, Steven W. Allen, Sebastian Albrecht, Marshall W. Bautz, Michael Cooper, Ajay Dakshinamurthy, Matthew Heine, Anna Schweingruber, Keith Warner, Daniel Wilkins
  • 分类: astro-ph.IM · astro-ph.HE
  • 相关性 2/10
  • 评分理由: 纯探测器与读出系统技术论文，无统计或数据建模维度，不符合任何兴趣领域。

15. 2608.02962 — The Space Coronagraph Optical Bench (SCoOB): X. Dark zone maintenance

  • 作者: Saraswathi Kalyani Subramanian, Kyle Van Gorkom, Ramya Anche, William Melby, Kian Milani, Emory Jenkins, Irina Stefan, Adam Schilperoort, Jaren N. Ashcraft, Heejoo Choi, Kevin Derby, Olivier Durney, Daewook Kim, Kelsey Miller, Ewan S. Douglas
  • 分类: astro-ph.IM
  • 相关性 2/10
  • 评分理由: 纯光学工程与算法论文，无统计推断或数据建模内容，不符合任何兴趣领域。

16. 2608.02723 — The Research Impact of the Jodrell Bank Observatory and Other Facilities affected by the UK Science Funding Cuts in 2025

  • 作者: Rommulus Francis Lewis, Amruth Alfred, Hetansh Shah
  • 分类: astro-ph.IM · astro-ph.GA
  • 相关性 1/10
  • 评分理由: 纯天文学政策分析，无统计方法或数据建模内容，与所有兴趣领域无关。

17. 2608.02963 — The Space Coronagraph Optical Bench (SCoOB): 11. Modeling and correction of chromatic aberrations

  • 作者: Kyle Van Gorkom, Ramya M. Anche, Saraswathi Kalyani Subramanian, William Melby, Kian Milani, Emory Jenkins, Irina Stefan, Adam Schilperoort, Patrick Ingraham, Jaren N. Ashcraft, Kevin Derby, Daewook Kim, Heejoo Choi, Olivier Durney, Ewan S. Douglas
  • 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，与研究者兴趣无关。

18. 2608.03356 — Pixel-Level Calibration for Space-Based High Precision Astrometry Using Young's Fringes

  • 作者: Hugo Rousset (IPAG), Eric Thi\'ebaut (CRAL), Chlo\'e Rey (IPAG), Manon Lizzana (IPAG), S\'ebastien Soler (IPAG), Fabrice Pancher (IPAG), Julien Michelot (IPAG), Logi Olgeirsson (IPAG), Jean Baptiste Le Bouquin (IPAG), Alain L{\'e}ger (IPAG), Fabien Malbet (IPAG)
  • 机构: IPAG Business School · Centre de Recherche Astrophysique de Lyon
  • 分类: astro-ph.IM
  • 相关性 1/10
  • 评分理由: 纯天文仪器校准论文，无统计方法或数据建模内容，与研究者兴趣无关。

19. 2608.03789 — SuMAC: On-sky demonstration of multi-pixel on-chip millimeter-wave spectroscopy at the Large Millimeter Telescope

  • 作者: Marcial Becerril-Tapia, Peter S. Barry, Christopher S. Benson, Charles M. Bradford, Thomas L. R. Brien, Scott C. Chapman, Simon Doyle, V\'ictor G\'omez-Rivera, Steven Hailey-Dunsheath, Jes\'us Hern\'andez-Aguilar, Jos\'e Luis Hern\'andez-Rebollar, David H. Hughes, Elijah Kane, Kirit S. Karkare, Alex M. Lapuente, Ryan McGeehan, Ra\'ul Naranjo-Romero, Andreas Papageorgiou, Joseph Redford, Iv\'an Rodr\'iguez-Montoya, Sam Rowe, David O. S\'anchez-Arg\"uelles, Sofia Savorgnano, Annie Tan, Jair Vega-M\'endez
  • 分类: astro-ph.IM
  • 相关性 1/10
  • 评分理由: 纯天文仪器硬件演示论文，无统计方法或数据建模内容，与研究者兴趣无关。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论