跳转至

2026-09-29 每日资讯

  • 高相关论文 7 篇 · 中相关 31 篇 · 其他 7 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. 2609.38175 — Proximal causal inference through cross-proxy balancing

  • 作者: Grace V. Ringlein, Trang Q. Nguyen, Elizabeth A. Stuart, Harsh Parikh
  • 机构: Johns Hopkins University · Yale University
  • 相关性 9/10 · novelty: new_theory
  • 摘要: 本文在 proximal causal inference 框架下,针对存在未测量混杂时利用两组代理变量识别因果效应的问题,提出将 treatment bridge function 的定义方程重新解释为一种交叉代理平衡条件。作者证明该平衡条件通过权重函数(依赖 treatment 代理与协变量)使 outcome 代理与协变量在治疗组间分布匹配,从而将多种现有识别路径统一为“平衡传播”视角。基于此框架,treatment bridge function 的估计被转化为平衡权重估计问题,并进一步推导出适用于一大类 proximal 估计量(包括使用 outcome bridge function 的估计量)的 outcome-weighted 形式。文章还给出了常见估计量在何种条件下数值等价的充分条件。这一工作为 bridge function 的机制提供了可解释、可检验的直观理解,并可能简化估计器的构造与诊断。对您而言,该文直接连接您对 proximal CI 识别与估计的兴趣,其平衡视角可能为开发新的稳健估计量或敏感性分析提供切入点。
  • 关键技术: proximal causal inference, bridge functions, balancing weights, cross-proxy balance, outcome-weighted estimation
  • 为什么对您有用: 直接命中 primary interest 中的 proximal causal inference 子方向,且其将 bridge function 重述为平衡条件的思想可能启发新的估计方法;可用您 very_familiar 的 estimation theory in causal inference 工具来检验其平衡条件的有限样本性质,属于立即可做的 follow-up。

2. 2609.37821 — Characterizing Survivor Principal Strata Over Time: Identification, Efficient Estimation, and Sensitivity Analysis

  • 作者: Keith Barnatchez, Willow Butler, Julia A. Geller, Elizabeth A. Stuart
  • 机构: Johns Hopkins University · Institute of Neurological Sciences · The Neurological Institute
  • 相关性 8/10 · novelty: new_method
  • 摘要: 本文针对纵向研究中因死亡截断的功能结局,提出随时间变化的幸存者平均因果效应(SACE)估计应辅以协变量发散度度量,以刻画幸存者群体与基线群体的差异。作者研究了标准化均值差(SMD)和KL散度作为矩基和分布基的汇总指标,并证明在标准主分层假设子集下这些度量可识别,且其识别涉及幸存者分析中已估计的 nuisance 函数。推导了高效影响函数,构建了一步偏差校正估计量,具备良好的大样本性质并允许机器学习估计 nuisance。在随机研究中,SMD的一步估计对任意 nuisance 模型误设稳健,而KL散度和密度比估计量对误设更敏感。还提供了部分放松单调性假设的敏感性分析框架,并构造了相应边界的一步估计量。模拟研究验证了有限样本性能,并在ALS临床试验数据中展示了发散度度量如何改善幸存者分析的可解释性。
  • 关键技术: principal stratification, survivor average causal effect, efficient influence function, one-step bias-corrected estimator, cross-fitting, sensitivity analysis
  • 为什么对您有用: 本文直接关联您的因果推断兴趣,特别是主分层和纵向设定下的识别与效率理论。您可以用 very_familiar 的估计理论(如 one-step 估计)和 moderately_familiar 的识别理论来评估其效率界和敏感性分析框架,并可能将发散度度量扩展到更复杂的纵向结构。

3. 2609.37630 — On the use of G-computation in small randomized controlled trials with many covariates

  • 作者: Muluneh Alene, Kelly Van Lancker, Stijn Vansteelandt
  • 机构: Ghent University · Debre Markos University · Vrije Universiteit Brussel
  • 相关性 8/10 · novelty: new_theory
  • 摘要: 本文研究小样本随机对照试验(RCT)中协变量维数随样本量增长(proportional asymptotics)时,G-computation 估计边际处理效应的偏差问题。作者指出,在广义线性模型下,条件处理效应的最大似然估计及其标准误可能产生显著偏差,并考察 G-computation 估计是否同样受影响。理论上,他们刻画了标准 G-computation 和留一法 G-computation 估计量在高维比例渐近下的偏差,并基于近期相关文献给出解释。通过线性和 logistic 结局模型的 Monte Carlo 模拟,评估了协变量选择、交叉拟合、留一交叉拟合以及小样本标准误校正等实际补救措施。最后,利用 BestAIR 试验数据重新分析,为现代 RCT 中 G-computation 的应用提供指导。该文对您有用之处在于,它直接关联您在因果推断中的纵向/边际处理效应估计兴趣,且其高维比例渐近框架与您的高维统计背景契合。
  • 关键技术: G-computation, proportional asymptotics, leave-one-out cross-fitting, covariate selection, small sample corrections
  • 为什么对您有用: 该文属于因果推断中边际处理效应估计在高维小样本下的偏差分析,直接对应您 primary interest 中的 causal inference 和 high-dimensional statistics。您可用 very_familiar 的 minimax bounds 和 high-dimensional asymptotics 工具来审视其偏差刻画是否最优,或进一步推导更紧的界;也可用 moderately_familiar 的 semiparametric theory 评估其估计量的效率损失。中期可做:若想深入其比例渐近理论,需在 moderately_familiar 的 M-estimation 理论上加强。

4. 2609.37382 — Debiased and Simultaneous Inference for Heterogeneous Factorial Effect Modifiers via Residualized Walsh-Hadamard Scores

  • 作者: Tomoshige Nakamura, Ryo Emoto
  • 机构: Juntendo University
  • 相关性 8/10 · novelty: new_method
  • 摘要: 在包含 K 个二元处理组件的因子随机实验中,本文研究哪些基线协变量会修饰组件主效应和交互效应。通过将条件 Walsh-Hadamard 对比 τ_S 对标准化协变量做总体线性投影,定义效应修饰单元 (j,S) 及其系数 θ*_{jS},目标是对全部 p(2^K-1) 个单元进行频率推断。方法上采用基线稳健的 direct scores,并证明去偏中心极限定理具有全局不敏感性:残差化基线以条件均值精确为零的扰动进入交叉拟合得分,因此影响函数余项仅需基线估计量的折内加权 L2 一致性,无需指定多项式收敛速率或 nuisance 乘积率条件。此外,在显式的均匀 nuisance、基线、studentization 和影响数组条件下,建立了全网格上的高维高斯近似,并通过 Walsh 谱乘子 bootstrap 校准,得到同时置信带和 Romano-Wolf 逐步选择,且无需效应遗传假设。渐近分析中因子设计固定,协变量维度可增长,所有 2^K-1 个对比联合覆盖。对您而言,本文在因果推断的异质性效应识别与推断子方向上提供了新的去偏技术,且其高维同时推断框架与您熟悉的高维统计和假设检验工具直接相关。
  • 关键技术: Walsh-Hadamard contrasts, debiased central limit theorem, cross-fitting, influence function, high-dimensional Gaussian approximation, Walsh-spectral multiplier bootstrap, Romano-Wolf step-down procedure
  • 为什么对您有用: 本文属于因果推断中异质性效应修饰的推断问题,直接关联您的 primary interest 中的 causal inference 子方向。其去偏 CLT 和同时推断方法可视为 DML 框架的变体,您可以用 very_familiar 的 minimax bounds 和 high-dimensional asymptotics 工具来检验其理论假设的紧性,或探索将 higher-order U-statistics 的 tensor contraction 视角应用于 Walsh 谱计算,属于立即可做的 follow-up。

5. 2609.37412 — Debiased Inference for Bounding Wage Inequality with Many Controls

  • 作者: Yaroslav Korobka, Vira Semenova
  • 机构: Center for Economic Research and Graduate Education – Economics Institute · University of California, Berkeley
  • 相关性 8/10 · novelty: new_method
  • 摘要: 本文研究部分识别参数(identified set)的估计与推断问题,其中识别集依赖于一个需要估计的第一阶段 nuisance 参数。作者将 criterion-function 方法与 double/debiased machine learning 中的 Neyman-orthogonal moments 理论结合,提出两步程序:先用灵活机器学习估计点识别的 nuisance,再通过基于正交矩不等式和 cross-fitting 的样本准则的水平集恢复 set-identified 目标。当轮廓水平有界时,他们证明所得集合估计器在 Hausdorff 距离下达到不可行准则(基于真实 nuisance)的参数速率。他们还开发了子抽样程序,在第一阶段估计误差乘积为 o(N^{-1/2}) 的条件下提供渐近有效的覆盖。方法应用于就业选择下的工资分布和分位距界限以及区间删失工资的性别工资差距,实证使用 2015 年 CPS 三月补充数据。对您而言,本文连接了部分识别、正交矩和 DML 的交叉,是您 causal inference 和 efficiency theory 兴趣的交叉点。
  • 关键技术: Neyman-orthogonal moments, double/debiased machine learning, cross-fitting, criterion-function approach, subsampling inference, partial identification
  • 为什么对您有用: 本文直接关联您的 causal inference 子方向(部分识别、DML)和 efficiency theory(正交矩、参数速率)。您可以用 very_familiar 的 minimax bounds 和 estimation theory 来检验其 Hausdorff 收敛速率的紧性,或用 moderately_familiar 的 semiparametric theory 分析其正交条件的构造。中期可做:若想深入其子抽样推断的有限样本性质,需在 moderately_familiar 的 M-estimation 上加强。

非参数 / 半参数 (nonparam_semipara, 2 篇)

1. 2609.38412 — Local polynomial density ratio estimation

  • 作者: Hajo Holzmann, Alexander Meister
  • 机构: Philipps University of Marburg · University of Rostock
  • 相关性 8/10 · novelty: new_method
  • 摘要: 本文提出一种新颖的局部多项式估计量,用于估计两个 d 维密度 f 和 g 的比值 r=f/g,且仅需来自两者的独立样本。该估计量在 Hölder 类上对任意光滑度指标达到逐点极小极大最优速率,且无额外对数因子,并且仅假设 r 光滑而非 f 或 g。分析在 g 支撑边界点也有效,只需对未知边界施加温和几何假设。作者还推导了估计量的集中不等式,可用于分类问题,并给出包含边界支撑点的上确界范数速率。光滑类足够大,使得 f 和 g 无法在此类上一致估计,但 r 仍可估计。此外,还提供 r 偏导数的直接估计及收敛速率,并在一般假设下(含边界点)建立渐近正态性,配有一致方差估计量以支持数据驱动的 studentization。最后,展示如何利用该估计量结合去偏技术估计 Kullback-Leibler 信息,在 r 相对维度 d 足够光滑时获得参数速率和渐近正态性。
  • 关键技术: local polynomial estimation, minimax optimal rates, Hölder classes, boundary correction, concentration inequality, debiased KL estimation
  • 为什么对您有用: 本文直接关联非参数与半参数理论中的密度比估计问题,其极小极大速率和边界处理结果可迁移至因果推断中的权重估计(如倾向得分比)。您熟悉的非参数统计和极小极大界工具足以理解核心证明,且去偏 KL 估计与您的效率理论兴趣有交集。

2. 2609.37939 — Semiparametric Bernstein-von Mises theorems from Stein's method

  • 作者: Paul Rosa
  • 机构: University of Cambridge
  • 相关性 8/10 · novelty: new_theory
  • 摘要: 本文提出一种基于 Stein 方法与信息几何框架的新证明策略,用于建立半参数 Bernstein-von Mises (BvM) 定理。传统方法通过控制先验对积分似然稳定性的影响来证明后验渐近正态性,而本文则通过先验加权的向量场散度来刻画先验对感兴趣泛函边际后验的影响。利用 Stein 方法替代通常的 Laplace 变换方法,作者得到了有界 Lipschitz 距离下边际后验分布与半参数效率理论预测的高斯极限之间的显式非渐近上界。这些上界完全由与泛函、先验及所选向量场(通常与有效影响函数相关)相关的局部标量微分量在后验收缩集上的取值决定。理论应用于高斯白噪声模型中的二次泛函,以及直方图密度模型中的线性、二次和一般积分泛函,涵盖共轭与非共轭先验。对于线性和二次泛函,该理论识别出导致后验偏差的微分项,并通过自然的泛函修正将其消除,从而在原始未修正泛函可能失效的机制下建立 BvM 型定理。
  • 关键技术: Stein's method, information geometry, semiparametric Bernstein-von Mises theorem, efficient influence function, non-asymptotic bounds, posterior contraction
  • 为什么对您有用: 该论文直接关联半参数与非参数理论及效率理论,特别是后验渐近正态性与半参数效率界的关系。其非渐近上界和泛函修正方法可能为您的效率理论工作提供新工具。从问题发现角度看,您熟悉的非参数统计和极小极大界工具可用于验证其非渐近界的紧性,属于中期可做,需在 semiparametric theory 上进一步积累。

📌 中相关论文(按主题分组)

因果推断 (causal_inference, 3 篇)

1. 2609.38361 — Inference for Standard Trial Estimands after Data-Driven Subgroup Discovery

  • 作者: Larry F. Leon, Keaven M. Anderson
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文针对临床试验中数据驱动亚组发现后的标准分析效应(如 Cox 或 GLM 治疗系数)的推断问题,指出效应驱动的选择规则会因赢家诅咒而膨胀报告系数,即使识别器内部估计量已通过交叉拟合去偏,朴素区间仍失效。作者提出一个与具体发现程序无关的后选择推断框架,将发现与报告分离:森林搜索、自然参数差估计量、因果森林等生成候选亚组,选择与待报告系数对齐,目标定义为固定候选族下所选亚组的条件数据自适应 estimand。通过重采样搜索,将所有候选效应联合扰动,得到免重拟合的乘子重采样和无穷小刀切区间,其覆盖率在标准正则性和关于极限竞争的显式条件下得到刻画。该方法在固定族上与完全 bootstrap 匹配,在模型生成族上对同一条件目标仍有效,而 bootstrap 仅在额外条件下成立。两个试验应用和匹配模拟显示选择偏差减轻、覆盖率改善。对您可能有用:该框架与您 causal inference 中估计理论及 longitudinal 设定下的亚组分析直接相关,且其条件数据自适应 estimand 的视角可迁移至您关注的 mediation 或 IV 场景。
  • 关键技术: post-selection inference, multiplier resampling, infinitesimal jackknife, data-adaptive estimand, winner's curse
  • 为什么对您有用: 该论文直接关联您 primary interest 中的 causal inference 估计理论,特别是亚组发现后的推断问题,属于您 very_familiar 的估计理论范畴;您可用 very_familiar 的 minimax bounds 和 U-statistics 工具分析其重采样方法的效率,或将其条件 estimand 框架推广至 longitudinal 或 mediation 设定,属于立即可做的方向。

2. 2609.37347 — The INSIDE assumption under all positive coding: interpretation and partial empirical assessment

  • 作者: Fernando Pires Hartwig, George Davey Smith, Frank Dudbridge, Jack Bowden
  • 机构: University of Bristol · University of Leicester · University of Exeter
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文聚焦孟德尔随机化(MR)中工具变量(IV)分析的关键假设——INSIDE(工具强度独立于直接效应),该假设是 MR-Egger 回归等估计量有效性的基础,但缺乏实证检验方法。作者首先证明常用的全正编码方案(对所有变异选择与暴露正相关的等位基因)等价于一种编码不变的模型,并赋予其自然解释:该编码下直接效应参数与单个变异比值估计量的偏倚方向一致。接着,通过理论论证和模拟,作者发现在 MR 方法学文献常用的数据生成模型下,工具-结局系数相对于工具-暴露系数的异方差性是至少某些类型 INSIDE 违背的特征,因此异方差性检验可用于评估 INSIDE 假设的合理性。同时,作者指出该检验失效的特定情形。最后,作者通过重新分析一个关于大颗粒高密度脂蛋白胆固醇对年龄相关性黄斑变性因果效应的真实数据集,展示了该检验的应用。
  • 关键技术: Mendelian randomization, instrumental variable analysis, MR-Egger regression, INSIDE assumption, heteroscedasticity test, all-positive coding
  • 为什么对您有用: 本文直接关联因果推断中的工具变量方法,特别是孟德尔随机化中关键假设的检验问题,属于您 primary interest 中 IV 和敏感性分析的具体子方向。您可以用 very_familiar 的估计理论在因果推断中的工具变量设定来审视其异方差性检验的统计性质,例如推导检验统计量的渐近分布或评估其在有限样本下的功效,这属于立即可做的范畴。

3. 2609.38586 — Fraud Detection via Bayesian Positive-Unlabeled Learning with Gaussian Processes and Multilayer Networks

  • 作者: Konstantinos Bourazas, Angelos Alexopoulos, Petros Dellaportas, Konstantinos Kalogeropoulos
  • 机构: University of the Aegean · Athens University of Economics and Business · University College London · London School of Economics and Political Science
  • 相关性 4/10 · novelty: application
  • 摘要: 本文提出一个贝叶斯正-未标注(PU)学习框架,用于税务欺诈检测,目标是在仅有审计确认的正例和大量未标注样本下估计企业欺诈风险。模型将企业协变量与多层网络信息通过 Product of Experts(PoE)结合,并引入未检测概率以修正漏报正例。作者在锚定条件下推导了未检测率的识别界,并证明在固定潜在风险函数下,共同的未检测率只影响校准而不影响排序。模拟实验显示该方法在排序性能上优于纯PU和网络基线,但未检测率的估计具有挑战性。在希腊能源市场的真实审计数据中,方法识别出高风险企业并给出后验不确定性,估计未检测欺诈数量,并区分风险来源(协变量、网络或两者)。独立验证显示排名前六的企业中两家已复核的均确认不合规,其余四家被税务机关选中跟进检查。
  • 关键技术: Bayesian positive-unlabeled learning, Gaussian process classifier, Product of Experts, multilayer network, identification bounds, nondetection probability
  • 为什么对您有用: 本文属于因果推断中的PU学习与缺失标签问题,与您的primary interest中的identification theory和causal inference直接相关;其锚定条件下的识别界和校准-排序分离结果可借鉴到proximal CI的negative control设定。您可以用very_familiar的estimation theory in causal inference来审视其识别假设的合理性,或用moderately_familiar的identification theory来推导更一般的未检测率识别条件。中期可做:需在贝叶斯非参数方法上稍作熟悉,但核心识别思想立即可迁移。

高维统计 / 随机矩阵 (high_dim_rmt, 1 篇)

1. 2609.37906 — Two-sample tests for principal eigenvalues and eigenvectors in high-dimensional elliptical factor models

  • 作者: Xinyue Xu, Mengtao Wen, Long Feng
  • 机构: Nankai University · Department of Physics, Mathematics and Informatics
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文研究高维椭圆因子模型中主特征值和特征方向的两样本检验问题,目标是检验两个总体在迹归一化形状矩阵上的主特征值和特征方向是否相等。方法结合 Tyler 恒等式、正交化和交叉拟合,以处理一般的位置和精度估计量,从而在重尾分布下仍能进行有效推断。作者推导了谱极限理论,在径向变量无上尾矩假设下给出渐近有效的校准,允许两个总体具有不同的径向分布和因子秩。模拟显示,在重尾椭圆分布下,所提方法相比基于协方差的基准方法具有更好的尺寸控制和功效增益。对 S&P 500 股票收益的应用表明,该检验能区分相对成分强度的变化与成分方向的变化。
  • 关键技术: Tyler's identity, cross-fitting, orthogonalization, spectral limit theory, elliptical factor models, two-sample tests
  • 为什么对您有用: 该论文直接关联您的高维统计与随机矩阵理论兴趣,特别是特征值和特征向量的推断问题。您可以用 very_familiar 的高维渐近工具来审视其谱极限理论的推导,并考虑用 moderately_familiar 的 HOIF 或 U-统计量投影技术来改进检验的有限样本性质。中期可做:若想深入其交叉拟合与正交化的理论细节,需在 semiparametric 理论上稍作加强。

数理统计 / 假设检验 (hypothesis_testing, 9 篇)

1. 2609.37705 — SPARK: A General Goodness-of-Fit Assessment via Residual Projection

  • 作者: Xingwei Liu, Yuhong Yang, Wangli Xu
  • 机构: Renmin University of China
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文提出 SPARK,一个通用的拟合优度检验框架,适用于传统统计模型和黑箱学习器、连续与二元响应、低维与高维预测变量。其核心思想是基于去偏策略,将初始拟合的残差投影到近似正交的方向上以提取剩余信号,并构造核基投影统计量以汇总所有方向的信息。作者建立了该统计量的渐近性质,并证明了 bootstrap 程序的一致性。模拟和真实数据分析展示了方法的有效性和灵活性。该方法为评估黑箱模型的充分性提供了新工具,与您在高维假设检验和去偏机器学习方面的兴趣直接相关。
  • 关键技术: residual projection, debiasing, kernel-based projection, bootstrap, goodness-of-fit testing
  • 为什么对您有用: 本文属于假设检验方向,直接连接您对高维统计和去偏 ML 的兴趣。您可以用 very_familiar 的 minimax 理论分析其检验功效的界,或用 moderately_familiar 的 HOIF 视角审视其去偏步骤。立即可做:基于现有工具推导其功效下界。

2. 2609.36594 — Optimal detection of general moment changes: Simultaneous mean and covariance change detection and beyond

  • 作者: Xiaokai Luo, Chenghao Xu, Haotian Xu, Carlos Misael Madrid Padilla, Daren Wang
  • 机构: University of Notre Dame · University of California San Diego · Auburn University
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文研究多元时间序列中分布发生分段常数变化时的多变点检测问题,目标是对均值、协方差乃至更高阶矩的变化进行统一检测。作者提出张量表示,将不同阶矩纳入统一的线性代数框架,从而构造出能同时检测直到固定阶 p 的所有矩变化的程序。该方法允许时间序列维度随样本量增长,并适用于具有时间依赖性的数据。在正则条件下,所提方法达到的定位误差率与新发展出的极小极大下界匹配。作者还推导了非消失和消失矩跳变两种情形下的极限分布,并在消失跳变情形下构造了渐近有效的置信区间。数值实验和真实数据分析验证了方法在检测矩变化及多种分布变化方面的有效性。
  • 关键技术: tensor representation of moments, multiple change-point detection, minimax lower bound, limiting distribution, confidence intervals
  • 为什么对您有用: 本文属于假设检验与多变点检测方向,与您对 hypothesis testing 和 high-dimensional statistics 的兴趣直接相关。其张量表示统一高阶矩的思路,可能可以与您熟悉的 higher-order U-statistics 的 tensor contraction 计算框架结合,用于分析检测统计量的计算复杂度或构造更高效的算法。从 follow-up 角度看,属于中期可做:需先在 moderately_familiar 的 higher-order U-statistics 理论上进一步熟悉,才能将张量表示与您的 einsum 工具结合。

3. 2609.38267 — Minimax and adaptive inference for branching ratios under long memory

  • 作者: Mauricio Herrera-Marín
  • 相关性 7/10 · novelty: new_theory
  • 摘要: 本文研究平稳 Hawkes 过程在完全单调核且慢衰减包络下的分支比 ρ 的推断问题。目标是在有限观测记录下估计 ρ,并构造置信区间,其中慢激发可与外生移民交换,导致可识别性挑战。作者通过谱 KL 率界和未观测过去的耦合论证,得到幂律包络(尾指数 γ)下的 minimax 下界 T^{-γ/(2γ+1)}。提出块分散估计器,块长按 T^{1/(2γ+1)} 增长,达到该最优速率。利用簇表示和 Poisson 空间上的二阶 Poincaré 不等式,建立定量中心极限定理,得到接近 minimax 期望长度的诚实置信区间。对于未知 γ,Lepski 型规则以对数代价实现概率意义下的自适应,但记忆类之间的自由自适应不可能,且诚实区间无法适应更轻的记忆。模拟结果与理论速率一致。
  • 关键技术: minimax lower bound, block-dispersion estimator, second-order Poincaré inequality, Lepski-type adaptation, Hawkes process, cluster representation
  • 为什么对您有用: 本文属于 hypothesis_testing 与高维/非参数理论的交叉,直接关联您对 minimax 界和自适应推断的兴趣;其块估计和 Lepski 自适应机制可迁移到您熟悉的高阶 U 统计量框架中,用于处理长记忆依赖数据。

4. 2609.36824 — Testing for Unobserved Heterogeneity in Censored Duration Models: EM Approach

  • 作者: Hiroyuki Kasahara, Hirokazu Matsuyama, Katsumi Shimotsu, Shota Takeishi
  • 机构: University of British Columbia · SOKEN, Inc (Japan) · The University of Tokyo · Washington University in St. Louis
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文研究删失 Weibull 持续时间模型中未观测异质性的检验问题,该检验是非正则的:原假设位于参数空间边界且部分参数在原假设下不可识别,导致标准渐近理论失效。作者基于 Li, Chen, and Marriott (2009) 的 EM 方法构造 EM 检验统计量,其渐近零分布为 max{0, N(0,1)} 的平方,因此临界值无需模拟或自助法,且能适应任意形式的协变量相关删失。蒙特卡洛模拟显示,在样本量至少 500 时 EM 检验的经验水平接近名义水平,而似然比检验(LRT)明显保守,信息矩阵检验和拉格朗日乘子检验则过度拒绝;EM 检验的尺度调整功效与 LRT 相当且高于其他检验。由于实际中尺度调整不可行,EM 检验在大多数设计下比 LRT 具有更高功效。在斯坦福心脏移植数据应用中,EM 检验在所有协变量设定下均拒绝同质性,而 LRT 的结论依赖于用户选择的参数范围。该检验为边界参数下的假设检验提供了无需仿真的实用工具,与您对非正则检验和假设检验理论的兴趣直接相关。
  • 关键技术: EM test, boundary parameter, non-regular testing, Weibull duration model, censoring, likelihood ratio test
  • 为什么对您有用: 本文属于假设检验方向,具体涉及非正则检验(边界参数、未识别参数),与您的 primary interest 中的 hypothesis testing 直接相关。您可以用 very_familiar 的 minimax 界或 high-dimensional asymptotics 视角分析其检验的功效上界,或探讨其 EM 检验在更复杂模型(如混合模型)中的推广。中期可做:若想深入其渐近理论,需在 semiparametric theory 上加强(moderately_familiar)。

5. 2609.37873 — Target-Aware Sequential Inference: Pooled versus Stratified Anytime-Valid Designs

  • 作者: Subir Hait
  • 机构: Michigan Department of Education · Michigan State University
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文研究异质性分层下的序贯研究,目标是对加权总体均值进行推断,而数据收集可能采用不同的、甚至自适应的分配方案。作者比较了两种设计架构:直接对目标进行采样并构建单一有界池化过程,或通过聚合各层的置信序列进行分层推断。在局部半宽服从 n^{-β} 幂律衰减的假设下,推导了渐近宽度最优的分配方案,其指数为 1/(1+β),并得到根号 n 方差自适应边界下的 2/3 法则。方法在可预测自适应采样下保持有效性,并在探索下限趋于零时实现 oracle 跟踪,同时扩展到目标分布不确定和 familywise 最优系统识别的情形。模拟和公开基准数据回放表明,方差自适应比精细的分配调优更重要,且当不需要局部同时保证时,池化目标特定推断能大幅降低停止成本。该框架将分层抽样、置信序列、自适应分配和排序选择统一到一个共同的目标感知序贯设计问题中。
  • 关键技术: anytime-valid confidence sequences, adaptive allocation, stratified sampling, power-law half-width, variance-adaptive boundaries, oracle tracking
  • 为什么对您有用: 本文属于假设检验与序贯推断方向,直接关联您对 hypothesis testing 的兴趣;其 anytime-valid 框架和自适应分配的最优性分析,可借助您 very_familiar 的 minimax 界技术来验证其声称的宽度最优性是否紧,属于立即可做的 follow-up。

6. 2609.38158 — Goodness-of-fit for distributions on metric spaces

  • 作者: Diego Serrano, Eduardo García-Portugués, Ingrid Van Keilegom
  • 机构: Universidad Carlos III de Madrid
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文提出一个在可分度量空间上的一般性拟合优度检验框架。在适当的可识别性条件下,概率分布由其距离剖面(distance profiles)唯一刻画,这为简单和复合原假设下的检验提供了动机。对于复合原假设,通过 Bahadur 型展开纳入参数估计,并得到原假设下距离剖面经验过程的渐近分布。基于该经验过程定义检验统计量并推导其渐近零分布,同时研究固定和局部备择下的行为,建立一致性结果。开发了乘子自助法,并在简单和复合原假设下建立了其条件渐近有效性。方法在球面、双曲面和单纯形上的模拟研究和真实数据应用中进行了说明。
  • 关键技术: distance profiles, empirical process, Bahadur-type expansion, multiplier bootstrap, goodness-of-fit testing
  • 为什么对您有用: 本文直接关联您的假设检验与半参数/非参数理论兴趣,特别是将分布特征化与经验过程方法结合,可用于高维或流形数据的分布检验。您熟悉的非参数统计和极小极大界工具可用来分析其检验的功效或构造更优的统计量,属于中期可做的工作。

7. 2609.38388 — PTED: A multi-dimensional two-sample test for scientific inference and generative machine learning

  • 作者: Connor Stone
  • 机构: University of Toronto
  • 相关性 6/10 · novelty: application
  • 摘要: 本文提出 PTED,一种基于能量距离的置换检验,用于多维两样本检验。检验统计量为能量距离,其样本估计仅依赖成对距离,因此适用于高维、学习特征表示、大小或失衡样本量以及任意可定义距离的数据类型。通过置换检验获得精确的 p 值,并利用近似公式使计算复杂度随维度和样本量线性增长,同时保留大部分判别力。作者在多种敏感性测试中将 PTED 与 MMD 等方法比较,结果显示 PTED 对所有测试均敏感,而 MMD 除过拟合测试外表现相同。该工作为生成模型评估和科学推断提供了实用工具,但方法本身并非全新理论,而是对已有能量距离检验的工程实现与系统评估。
  • 关键技术: energy distance, permutation test, pairwise distances, linear-time approximation, Maximum Mean Discrepancy
  • 为什么对您有用: 本文直接关联您的假设检验兴趣,尤其是多维两样本检验的实用方法。您可运用 very_familiar 的非参数统计和 U-统计量知识,分析能量距离检验的渐近性质或与 MMD 的功率比较;该实现也可作为生成模型评估的基准工具。

8. 2609.36786 — Testing Diagonal Anisotropy Based on Single Realisation of Spherical Random Field

  • 作者: Shahid Khan, Andriy Olenko
  • 机构: La Trobe University
  • 相关性 5/10 · novelty: application
  • 摘要: 本文针对球面随机场,在仅观测到单一实现(如宇宙微波背景辐射图)的设定下,提出检验各向同性(isotropy)对‘对角各向异性’(diagonal anisotropy)的假设检验方法。作者构造了基于得分(score)和累积和(cumulative-sum)的检验统计量,并建立了其渐近性质;针对中等样本量,还给出了蒙特卡洛替代方案。数值研究包括模拟数据和实际Planck SMICA CMB地图,展示了不同数据发布和制图程序下检验结果的差异。该方法为宇宙学中单实现球面数据的各向异性检验提供了实用工具。
  • 关键技术: score test, cumulative-sum test, spherical random fields, Monte Carlo methods, cosmic microwave background
  • 为什么对您有用: 本文属于假设检验方向,与您对数学统计和假设检验的兴趣直接相关;同时作为astrostatistics的入门读物,它清晰展示了球面数据建模和单实现推断的统计问题。您可运用熟悉的非参数统计和M估计理论来理解其检验构造,但核心的球面调和分析工具不在您的武器库中,因此暂不可直接开展后续工作,但值得作为跨学科阅读。
  • 作者: Yuta Nonomiya, Kazuki Nishida
  • 机构: Osaka Prefecture University
  • 相关性 4/10 · novelty: new_method
  • 摘要: 本文针对诊断试验准确性 meta 分析中的小样本效应检验问题,指出常用的 Deeks 检验基于 log 诊断优势比(DOR)的趋势,但在 HSROC 模型下该趋势同时受潜在准确性和阈值影响,除非曲线对称,否则阈值趋势会混淆或掩盖潜在准确性趋势。作者在共同形状的二项 HSROC 模型下,提出一个似然比检验,原假设为汇总 ROC 曲线不随研究规模变化,同时允许阈值趋势不受限制;并与基于相同二项拟合的 log DOR 检验比较。模拟显示,所提检验在原假设下水平接近名义水平,且在仅有潜在准确性趋势时功效高于 Deeks 检验。在结直肠癌粪便免疫化学检测的综述中,该方法检测到被阈值贡献掩盖的负向潜在准确性趋势;在深静脉血栓的阻抗体积描记术数据中,三种检验均检测到规模趋势,且拟合曲线近似对称。该检验能区分汇总曲线的变化与操作位置的变化,为诊断 meta 分析提供了更精细的假设检验工具。
  • 关键技术: hierarchical summary ROC (HSROC) model, likelihood-ratio test, binomial model, small-study effects, Deeks test
  • 为什么对您有用: 本文属于假设检验在 meta 分析中的应用,直接关联您对 hypothesis testing 的兴趣;其似然比检验的构造和功效分析可借鉴到您熟悉的 M-estimation 和 semiparametric 框架中。您可用 very_familiar 的 minimax 或 U-statistic 工具分析该检验的渐近性质,属于立即可做的方向。

统计计算 / 算法 (stat_computing, 4 篇)

1. 2609.37154 — CovEsts: Nonparametric Autocovariance Estimation and Analysis

  • 作者: Adam Bilchouris, Andriy Olenko
  • 机构: La Trobe University
  • 相关性 6/10 · novelty: application
  • 摘要: 本文介绍 R 包 CovEsts,该包实现了多种非参数自协方差函数估计器。文章首先给出所实现估计器的理论基础、假设和局限性,然后阐述包的结构和关键函数,包括估计自协方差、构造 bootstrap 置信区域以及校正估计器的方法。包还提供诊断工具,如多种比较估计器的指标,以及用于更广泛用途的附加函数。文章通过模拟数据、太阳黑子年计数和美国失业率增量数据展示了包在函数参数选择和估计器调优方面的高度灵活性。该包主要面向时间序列分析中的谱密度估计与自协方差估计,属于统计计算与软件实现范畴。对您而言,该包可作为统计计算与软件开发的参考案例,但其方法学新颖性有限,主要价值在于工程实现与实用工具。
  • 关键技术: nonparametric autocovariance estimation, bootstrap confidence regions, R package development, kernel-based estimation
  • 为什么对您有用: 本文属于统计计算与软件实现方向,与您的 statistical computing 兴趣直接相关,可作为 R 包开发与数值方法的参考。但作为 gateway reading,其方法学深度有限,主要价值在于工程实现而非理论创新。武器库中的软件开发和数值方法足以理解并评估该包,但无需深入阅读全文,除非您对时间序列自协方差估计的实用工具感兴趣。

2. 2609.38656 — Adaptive mixture variational inference for spike-and-slab regression

  • 作者: Hanqing Li, Yaroslav Golub, Xuewen Lu
  • 机构: University of Calgary
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文针对高斯回归中带点质量 spike-and-slab 先验的贝叶斯变量选择问题,提出一种自适应混合变分推断方法,目标是在包含指示变量和活跃系数上直接最小化反向 KL 散度,同时联合优化混合成分的参数与权重,从而避免独立增广下对未使用潜在系数的额外散度惩罚。理论部分在显式的先验、后验集中和变分误差条件下,建立了近似精度与混合大小、支撑覆盖及支撑内依赖性的关系,并证明了收缩性、选择一致性和 Bernstein-von Mises 近似。在 250 个模拟数据集上,与多起点平均场相比,混合方法在包含概率、分组支撑概率和系数协方差的误差上均有改进;固定混合大小和共同初始化下,直接联合精修优于增广或受限精修,但完整的分阶段拟合在共线性附近可能更准确。结果表明直接联合精修对后验近似有效,但局部增益并不保证自适应搜索的全局优越性。对您而言,本文的变分混合策略与您在高维统计和统计计算方面的兴趣相关,尤其是其理论分析框架可借鉴到您熟悉的 U-统计量或半参数估计问题中。
  • 关键技术: variational inference, mixture of product distributions, reverse KL divergence, spike-and-slab prior, Bernstein-von Mises approximation, selection consistency
  • 为什么对您有用: 本文属于统计计算方向,与您 primary interest 中的 statistical computing 和 high-dimensional statistics 相关。您可以用 very_familiar 的软件开发和 minimax 界技术来复现或扩展其模拟比较,或评估其变分误差界是否紧;中期可做的是将混合变分思想与您 moderately_familiar 的 HOIF 结合,用于高维后验不确定性量化。

3. 2609.38141 — Global Synchronization for Multi-Source Data Integration under Blockwise Missing Patterns

  • 作者: Runbing Zheng, Dmitriy Kunisky
  • 机构: Stanford University · Johns Hopkins University · Johns Hopkins University Applied Physics Laboratory
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文研究多源数据整合中的对齐问题:各源数据仅可识别到某个变换(如旋转),需利用源间重叠实体进行对齐。现有方法采用顺序或树状结构,对顺序敏感且未充分利用所有重叠信息。作者提出 GSMMI,将问题形式化为全局同步问题,同时利用所有两两重叠进行联合对齐。算法上开发了高效的迭代方法,可扩展至大规模数据,并适用于半正定、对称不定、非对称/矩形矩阵以及仅行或仅列重叠的情形。理论上证明了对齐精度的提升,实验验证了即使在重叠结构较弱时也有明显改进。对您而言,该文将统计对齐问题与同步/图上的优化联系起来,其迭代算法与您熟悉的计算工具(如张量收缩)可能有交叉,但核心是计算与优化而非统计推断理论。
  • 关键技术: global synchronization, multi-source data integration, iterative algorithm, matrix alignment, blockwise missing patterns
  • 为什么对您有用: 该文属于统计计算方向,与您的 primary interest 中的 statistical computing 相关。它提出了一种全局同步的迭代算法,您可以用 very_familiar 的软件开发和数值方法技能来复现或扩展其算法,例如测试不同重叠结构下的收敛性。但该文不涉及因果推断或高维统计理论,因此相关性中等。

4. 2609.37352 — The MCMC convergence graph: a diagnostic for multimodal posteriors

  • 作者: Cici Chen Gu, Eszter Lakatos, Sara Hamis
  • 机构: Uppsala University · Chalmers University of Technology · University of Gothenburg
  • 相关性 5/10 · novelty: application
  • 摘要: 本文针对多模态后验分布下标准 MCMC 收敛诊断(如 R-hat)将模态间混合不良与模态内良好混合混为一谈的问题,提出了一种基于图的诊断工具——MCMC convergence graph。该方法计算链对之间的 R-hat 值,并将其汇总为图结构,从而识别出探索同一后验模态的链集合,以诊断多模态而非将其视为采样失败。作者在概率编程框架 Stan 中实现了该方法,并在回归模型和药代动力学模型(其中多模态反映不可识别性)等示例上进行了演示。该诊断方法以 R 包 mcmcConvergenceGraph 形式免费提供,可接受任何采样器的 MCMC 输出,并提供图形和数值摘要。
  • 关键技术: MCMC convergence diagnostics, R-hat statistic, graph-based clustering, Stan probabilistic programming, R package development
  • 为什么对您有用: 本文属于统计计算方向,与您的 primary interest 中的 statistical computing 直接相关。作为计算诊断工具,它不依赖深层理论,但提供了一个实用的图论视角来诊断多模态,您可以用 very_familiar 的软件开发和 MCMC 经验快速评估其实现和扩展性。该工具可能对您处理复杂后验(如因果推断中的分层模型)有参考价值,但方法学 novelty 有限,属于应用型贡献。

天体统计 (astrostats, 2 篇)

1. 2609.38399 — Fisher and DALI posterior approximations for testing gravity with gravitational waves

  • 作者: Felipe A. da Silva Barbosa, Davi C. Rodrigues, Josiel Mendonça Soares de Souza, Miguel Quartin
  • 机构: Universidade Federal do Espírito Santo
  • 相关性 5/10 · novelty: application
  • 摘要: 本文在引力波参数估计的背景下,系统比较了 Fisher Matrix 及其高阶扩展 DALI(Derivative Approximation for LIkelihoods)后验近似的精度与计算效率,目标是在 TIGER 框架下用参数化偏差检验广义相对论。采用 IMRPhenomD 波形,将精确后验采样与 Fisher Matrix、singlet-DALI、doublet-DALI、triplet-DALI 四种近似进行对比。结果显示 singlet 和 doublet-DALI 比精确后验快 20 到 1000 倍(信噪比越高加速越大),且精度上系统优于标准 Fisher Matrix;triplet-DALI 虽精度更高但变异性大,实际优势有限。作者还发布了 Symbolic DALI (SymDALI) 代码,利用 Wolfram Language 符号计算导数。对您而言,这是一篇很好的 gateway reading:它清晰展示了 GW 参数估计中后验近似的计算-精度权衡,且 DALI 作为 Fisher 的高阶修正,与您熟悉的 semiparametric 效率理论中的高阶展开有概念上的联系。
  • 关键技术: Fisher Matrix approximation, DALI (Derivative Approximation for LIkelihoods), posterior approximation, Jensen-Shannon divergence, symbolic differentiation (Wolfram Language)
  • 为什么对您有用: 作为 astrostatistics 的 gateway reading,本文对统计学家友好:问题设定(GW 参数估计)和近似方法(Fisher/DALI)都解释得清楚,数据与模型(波形、噪声、SNR)交代明确。您的武器库(非参数统计、M-估计、semiparametric 理论)足以理解其核心思想,但若要深入 GW 特定似然结构,可能需要补充波形模型知识。值得花时间读全文,尤其适合作为进入 GW 统计推断领域的入门读物。

2. 2609.38312 — Gestalt: a meta-foundation model for astronomy

  • 作者: Michael J. Smith, Shashwat Sourav
  • 机构: Center for Astrophysics Harvard & Smithsonian · Washington University in St. Louis
  • 相关性 5/10 · novelty: application
  • 摘要: 本文提出 Gestalt,一种用于天文学的元基础模型,其核心思想源于柏拉图表示假说:充分扩展的基础模型会收敛于共享的世界表示。作者将 22 个冻结的基础模型(来自 8 个家族)对星系图像的嵌入进行白化后拼接,再通过随机 SVD 降维至 1024 维,得到组合表示。在 HSC、JWST 和 DESI Legacy Survey 图像上,该组合嵌入在 19/21 个物理属性和星系形态估计指标上优于所有单个成员模型。性能随篮子大小和架构多样性增加而提升,且跨巡天迁移良好。该方法无需训练,仅需一次无监督投影,计算成本极低(单机几分钟),而从头预训练类似单域模型需 10^4–10^5 A100 GPU 小时。对您而言,本文展示了集成嵌入与随机 SVD 在真实高维数据上的高效应用,可作为 astrostatistics 入门读物,但方法学新颖性有限。
  • 关键技术: randomized SVD, embedding concatenation, whitening, foundation models, transfer learning
  • 为什么对您有用: 本文属于 astrostatistics 的 gateway reading:它清晰展示了天文图像数据的表示学习流程(嵌入、白化、SVD),数据结构和评估指标对统计学家友好。您的武器库(高维统计、随机矩阵理论)足以理解其核心方法,但本文方法学贡献较浅,主要价值在于了解天文数据与基础模型结合的实践。值得花时间读全文以拓宽视野,但无需深入跟进。

经济理论 / 应用 (econ_theory, 1 篇)

1. 2609.36445 — Continuously Updating GMM in Linear IV Models: A Polynomial Approach

  • 作者: Marcelo J. Moreira, Whitney K. Newey, Mahrad Sharifvaghefi
  • 机构: Massachusetts Institute of Technology · University of Pittsburgh
  • 相关性 6/10 · novelty: application
  • 摘要: 本文研究线性工具变量模型中连续更新GMM(CU-GMM)目标函数的全局最小化问题,允许异方差、自相关或聚类下的最优权重矩阵。作者证明该目标函数是两个多项式的比值,对于单个内生回归元,其平稳点对应于一个伴随矩阵的实特征值,通过比较这些特征值处的目标值与无穷远处的值即可得到全局最小值,从而将经典LIML的特征向量方法推广到CU-GMM。对于多个内生回归元,利用代数消元与实解检验在有限个候选目标值(含边界值)中确定最小值。Galois理论表明即使只有一个内生回归元、两个工具变量,也不存在一般的根式公式,但数值求根仍然可行。获得全局最小值后,可计算过度识别检验和似然比检验,包括条件似然比(CLR)检验。对您而言,这是一篇经济理论/计量经济学中的应用型论文,其多项式与特征值方法可能对您在高维统计或统计计算中的数值算法设计有启发,但并非直接的方法学贡献。
  • 关键技术: continuously updating GMM, polynomial ratio objective, companion matrix eigenvalues, algebraic elimination, Galois theory, conditional likelihood ratio test
  • 为什么对您有用: 本文属于经济理论/计量经济学的应用型工作,与您的次要兴趣(经济理论、应用因果推断)相关。作为入门读物,它清晰展示了CU-GMM与LIML的经典联系,但需要一定的计量经济学背景。您的武器库(如高维渐近、数值方法)足以理解其核心思想,但若要深入推广到更一般的GMM设定,可能需要补充代数几何或计算代数知识。总体而言,值得花时间读全文以了解多项式方法在计量经济学中的应用,但方法学新颖性有限。

其他 (other, 11 篇)

1. 2609.37904 — Statistics of multivariate extremes under random censoring

  • 作者: Martin Bladt
  • 机构: University of Copenhagen
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文研究 d 维随机向量在坐标受随机右删失时的尾部依赖估计。沿每个固定方向,删失问题可精确约化为单变量问题,观测数据决定半径及其来源(事件或删失向量),因此普通 Kaplan-Meier 乘积限即可估计该方向的联合尾概率,无需多元生存函数、平滑或阈值以外的调参。该方向估计量的理论在任意边际标准化下建立,条件仅施加于标准化后的分布,适用于任意最大吸引域。作者证明了在有效联合极值数的平方根速率下的一致性和函数弱收敛,且允许标准化被估计。乘法标准化可恢复重尾理论,而基于边际(非方向)Kaplan-Meier 估计量的标准化无需边际尾模型,直接估计归一化尾 copula。模拟验证了有限样本性能,并应用于国家洪水保险计划中飓风 Ian 的索赔数据,同时估计建筑和内容损失的上尾。
  • 关键技术: Kaplan-Meier estimator, tail dependence, max-domain of attraction, functional weak convergence, random censoring
  • 为什么对您有用: 本文属于极值统计与删失数据的交叉,虽非您的主要兴趣,但其中方向性估计与无平滑的构造思路,可能对您在高维或半参数框架下的稳健估计有启发。作为 gateway reading,本文对非极值专家较为友好,但需一定极值理论背景。

2. 2609.37284 — Popularity Regression-Based Latent Space Model for Large-Scale Sparse Network Analysis

  • 作者: Zhan Gao, Danyang Huang, Rui Pan, Hansheng Wang
  • 机构: Peking University · Renmin University of China · Central University of Finance and Economics
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文针对大规模稀疏网络,提出一种基于流行度回归的潜在空间模型(PRLSM),将节点度异质性与节点特征联系起来。作者利用网络的一阶结构(节点度)和二阶/三阶结构(互惠性、传递性)构造了四种估计量,并基于非标准 U-统计量建立了渐近理论。研究发现不同估计量具有不同的收敛速度,并讨论了基于更高阶矩的扩展。数值实验和作者引文网络的链接预测实证分析验证了方法的有效性。该工作将网络建模与 U-统计量理论结合,对您的高阶 U-统计量研究具有参考价值。
  • 关键技术: latent space model, popularity regression, U-statistics, sparse network analysis, degree heterogeneity
  • 为什么对您有用: 本文的核心理论工具是非标准 U-统计量,与您的高阶 U-统计量研究方向直接相关;同时网络数据的复杂依赖结构也为您的统计计算(如张量收缩)提供了潜在应用场景。作为方法学论文,其渐近理论值得关注,但属于网络分析领域,与您的主要兴趣交集有限。

3. 2609.38611 — Generalized Fiducial Inference for Hybrid Discrete-Continuous Count Data: Theory and Application

  • 作者: Kendall Thomas, Jan Hannig
  • 机构: University of North Carolina at Chapel Hill
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文针对高频运动员追踪数据生成的计数数据(quantile cubes),提出一种混合广义fiducial推断框架。数据为100个速度-加速度-角度分箱中的计数,假设服从负二项分布,但形状参数(均值×离散度)大时近似正态。方法对形状小的箱使用精确负二项结构方程,形状大的箱使用矩匹配正态近似,从而无需先验即可对数百个回归和离散参数进行不确定性量化。关键理论贡献是证明了正确设定混合模型下的Bernstein-von Mises定理,且fiducial Jacobian仅由正态分量贡献,呈闭式块对角结构。模拟显示覆盖概率接近名义水平,与平坦先验贝叶斯分析一致,并建议基于估计形状而非均值或观测响应进行分区。应用于17名职业女足运动员的216场比赛数据,发现位置和年龄效应集中在速度极值和最高加速度处,但运动员层面的置换检验表明这些模式无法与标签噪声区分。
  • 关键技术: generalized fiducial inference, structural equations, moment-matched normal approximation, Bernstein-von Mises theorem, block-diagonal Jacobian, permutation test
  • 为什么对您有用: 本文属于统计推断方法,但主题与您的主要兴趣(因果推断、高维、U统计等)无直接重叠。不过,其fiducial推断与无先验不确定性量化、以及计数数据的混合建模,可能对您在高维或半参数推断中的鲁棒性问题有启发。作为gateway阅读,本文对非贝叶斯统计学家较为友好,但需要一定fiducial背景。武器库中非参数统计和M估计理论足以理解其核心,但fiducial机制并非您熟悉领域,暂不可直接迁移。

4. 2609.38582 — A tree-based scan statistic for database studies with time-to-event outcomes

  • 作者: Massimiliano Russo, Georg Hahn, Krista F. Huybrechts, Shirley V. Wang
  • 机构: The Ohio State University · Brigham and Women's Hospital · Harvard University
  • 相关性 5/10 · novelty: application
  • 摘要: 本文提出三种基于树的扫描统计量(TBSS)扩展方法,用于药物安全性数据库研究中的时间-事件结局分析,目标是同时扫描数千个层级相关的健康结局以检测药物或疫苗的不良事件信号,同时控制多重性。现有 TBSS 实现不支持时间-事件结局,而显式利用事件时间可提高检测功效。第一种方法假设每个结局节点的比例风险,并采用置换检验进行推断;第二种方法基于指数生存模型,假设各节点恒定风险率,使用参数自助法;第三种方法使用风险率的稳健渐近近似结合近似参数自助法。模拟研究比较了所提方法与基于事件计数的标准 TBSS 的性能,并在一个比较两种降糖药物的真实数据库研究中展示了应用。
  • 关键技术: tree-based scan statistics, proportional hazards model, exponential survival model, permutation test, parametric bootstrap
  • 为什么对您有用: 本文属于流行病学应用,涉及药物安全性监测中的因果推断问题,与您的流行病学应用兴趣相关。虽然方法学上并非前沿,但数据库研究的分析流程(层级结局扫描、多重性控制、时间-事件处理)可能对您有参考价值。武器库中的生存分析和因果推断工具足以理解本文,但方法本身并非您核心兴趣,属于可读可不读的范畴。

5. 2609.37762 — When Noise Estimation Hides Basis Misspecification in Repeated Bayesian Inverse Problems

  • 作者: Rares Dimitrie Grozavescu, Mark Girolami
  • 机构: University of Cambridge
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文研究贝叶斯逆问题中基受限先验在真实解超出基张成空间时的覆盖损失问题。在线性正演模型下,当先验方差主导噪声时,极大似然噪声估计会吸收模型值域补空间中的基外能量,导致残差幅度和观测覆盖检验接近名义水平,而场覆盖下降。作者针对重复问题(共享正演算子和基)提出检验残差样本谱形状的 John 球度统计量,在 Gaussian 噪声下其零分布有限样本精确,并推导了零均值和比例维度下的功效。合成实验和预注册的 GEBCO 地形研究中,该方法能检测出交叉验证和覆盖检验遗漏的结构化基外变异,但无法检测补空间中各向同性的 Gaussian 基外变异。
  • 关键技术: Bayesian inverse problems, basis misspecification, John's sphericity statistic, spectral test, noise variance estimation
  • 为什么对您有用: 本文属于贝叶斯逆问题与假设检验的交叉,与您的主兴趣(假设检验、非参数/半参数理论)有方法学关联,但并非直接推进您的主线。作为 gateway reading,它展示了如何用谱统计量诊断模型误设定,对您理解检验功效与模型误设定的关系有启发。

6. 2609.37064 — A statistical framework for identifying subgroup vulnerability to predictive multiplicity in clinical AI

  • 作者: Enock Adu Bonsu
  • 机构: University of Arizona
  • 相关性 5/10 · novelty: application
  • 摘要: 本文针对临床AI中预测多重性(predictive multiplicity)在亚组层面的脆弱性评估问题,提出一个统计框架。核心是定义脆弱性指数 V(S),它结合了模型分歧的可观测下界与临床严重性,并开发了针对预设亚组的推断和多重性校正程序。作者在 MIMIC-IV(n=65,078)和 eICU-CRD(n=188,230)两个大型重症监护队列中,比较随机森林与逻辑回归在158个预设亚组上的表现。结果显示两个主要模型未同时满足预设的 Rashomon 集容差(epsilon=0.02),且逻辑回归 AUC 比最佳候选模型低 0.0488,因此 RF-LR 分歧被解释为两个特定模型间的差异,而非整个 Rashomon 集的保证下界。九个亚组的分歧与预设临床下限可区分,其中单变量心脏亚组(V(S)=0.193, 95% CI [0.163, 0.223])是唯一统计上可区分且功效充足的亚组。四项模拟研究评估了所提程序的操作特性,包括小样本检测率膨胀和 Wald 区间覆盖不完美。该框架为排序亚组对模型分歧的脆弱性提供了可复现的方法,同时区分探索性信号与充分支持的发现。
  • 关键技术: predictive multiplicity, Rashomon set, vulnerability index, multiple testing adjustment, external validation
  • 为什么对您有用: 本文属于临床AI应用,涉及模型分歧的统计推断和多重性校正,与您的主要兴趣(假设检验、多重比较)有间接联系,但并非核心方法学进展。作为应用论文,其数据集(MIMIC-IV, eICU-CRD)和亚组审计流程可能对您感兴趣的流行病学应用有参考价值,但方法学新颖性有限。

7. 2609.37756 — Sequential Supersaturated Screening Experiments

  • 作者: Songqiao Han, Kalliopi Mylona, Steven Gilmour, Matteo Borrotti
  • 机构: King's College London · University of Milano-Bicocca
  • 相关性 4/10 · novelty: new_method
  • 摘要: 本文提出 Sequential Supersaturated Screening (S^3),一种用于超饱和筛选实验的两阶段框架。第一阶段通过坐标交换和新的正锥设计准则逐步筛选因子,该准则无需 Welch 校准常数,而是基于列相关与 Welch 下界的距离自适应当前运行数和候选因子数。第二阶段使用分位数规则逐轮移除低重要性因子,并给出噪声因子被误固定的概率界和总运行数上界。模拟和 Borehole 基准表明,S^3 相比一次性交叉验证 Lasso 具有更低的 I 类错误和更高的 F1 分数,且在多数情况下优化质量更好、运行更快。该方法属于实验设计和变量筛选领域,与您的主要研究方向(因果推断、高维统计、U-统计量等)无直接交集,但其中序贯决策和多重检验的思想可能对纵向因果推断中的变量选择有启发。
  • 关键技术: coordinate exchange, positive-cone design criterion, Welch lower bound, graduated quantile rule, sequential screening
  • 为什么对您有用: 本文属于实验设计和变量筛选,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。但其中序贯决策和多重检验的思想可能对纵向因果推断中的变量选择有启发。作为 gateway reading,本文对统计学家而言入门门槛较低,但方法学 novelty 有限,不值得深入阅读。

8. 2609.37273 — When Stress Tests Miss the Risk: Statistical Scenario Analysis for Financial Portfolios

  • 作者: Zhongze Cai, Martin B. Haugh, Xiaocheng Li
  • 机构: Imperial College London
  • 相关性 4/10 · novelty: application
  • 摘要: 本文针对金融组合压力测试中的情景分析,指出传统方法用点估计汇总情景收益,忽略了受压与未受压风险因子之间的依赖,从而可能低估风险。作者提出一个机器学习框架,通过预测区间量化次日情景收益的不确定性,并允许区间宽度在线校准。自适应共形情景分析(ACSA)校准情景特定的分位数预测,并提供长期经验覆盖保证;核心方法核情景分析(KSA)直接从指定压力和当前市场信息估计情景条件分位数,且可与ACSA结合获得在线校准的预测区间。在模拟真实市场的实验中,传统情景分析显著低估风险,而所提方法比经验分位数基线具有更好的校准和更窄的区间。该工作将情景分析从点估计推进到不确定性量化,为情景收益的统计验证提供了工具。
  • 关键技术: conformal prediction, quantile regression, kernel methods, online calibration, scenario analysis
  • 为什么对您有用: 本文属于金融风险管理的应用统计工作,与您的主要兴趣(因果推断、高维统计等)无直接交集,但其中使用的共形预测和在线校准技术属于统计推断的现代工具,可能对您在高维或半参数推断中的不确定性量化有所启发。作为gateway reading,本文对非金融背景的统计学家较为友好,数据生成和模型设定清晰,但方法学新颖性一般,属于应用导向的贡献。

9. 2609.37251 — Bayesian inference of risk differences for multi-group bilateral data

  • 作者: Jinxiu Wen, Zhiming Li
  • 机构: Xinjiang University
  • 相关性 4/10 · novelty: application
  • 摘要: 本文针对多组双侧配对数据(如成对器官的临床研究)在 Dallal 模型下提出贝叶斯推断框架,目标是估计并检验组间风险差(risk difference)的同质性。作者推导了三种客观先验(均匀、Jeffreys、Bernardo 参考先验),并基于后验提出一种范围型检验过程,结合决策规则和校准的等价性界来检验同质性。模拟研究评估了经验第一类错误率、功效和区间估计性质,结果显示贝叶斯方法在小样本和稀疏数据下比频率派 Wald 方法有更准确的覆盖率、更窄的置信区间和更好的第一类错误控制。最后用两个真实数据集进行说明。对您而言,这是一篇应用导向的贝叶斯方法论文,与您的主要兴趣(因果推断、高维、半参数)关联较弱,但可作为流行病学中配对数据分析的入门参考。
  • 关键技术: Bayesian inference, objective priors, reference priors, posterior testing, Dallal's model
  • 为什么对您有用: 本文属于流行病学应用方向(secondary interest),可作为配对数据风险差分析的入门读物;但方法学上以贝叶斯为主,与您的技术武器库(非参数、U统计量、因果推断)交集有限,且未涉及复杂统计计算或理论深度,因此仅作一般了解,不值得深入阅读。

10. 2609.36839 — BRP-GABLE: An Interpretable Rule-Based Prediction Framework for Multiple Outcome Types

  • 作者: Yulong Li, Ke Wan, Toshio Shimokawa, Kensuke Tanioka
  • 机构: Wakayama Medical University · Doshisha University
  • 相关性 4/10 · novelty: new_method
  • 摘要: 本文提出 BRP-GABLE,一种可解释的基于规则的预测框架,扩展了原有的 ABLE 方法以处理二分类、连续和生存时间结局。ABLE 通过贪心前向搜索构建阈值规则的加性模型,但候选规则依赖早期选择,可能遗漏其他结构。作者利用 bootstrap 重采样生成多样化的规则池,再通过全局 LASSO 选择稀疏规则集,避免了贪心路径的局限性。模拟显示 BRP-GABLE 在预测性能上优于 GABLE,且规则结构相对简单。在总体生存数据上的应用展示了其临床可解释性。该方法属于预测建模而非因果推断,但规则池化与稀疏选择的思想对统计计算有一定参考价值。
  • 关键技术: rule-based models, bootstrap rule pooling, LASSO selection, survival analysis, interpretable prediction
  • 为什么对您有用: 本文属于统计计算与预测建模方向,与您的主要兴趣(统计计算、算法)有部分交集,但并非因果推断或高维理论的核心。作为 gateway reading,它展示了如何将 bootstrap 与稀疏选择结合以提升可解释模型的灵活性,但方法学深度一般。您的武器库(如 LASSO、bootstrap)足以理解并复现该方法,但 follow-up 价值有限,可能不值得深入阅读。

11. 2609.37168 — Are there asymmetries in euro area monetary policy transmission?

  • 作者: Michael Pfarrhofer, Anna Stelzer
  • 机构: Vienna University of Economics and Business · National Bank of Austria
  • 相关性 4/10 · novelty: application
  • 摘要: 本文研究欧元区货币政策传导的非对称性,采用非线性混频向量自回归模型,并用贝叶斯加性回归树(BART)估计。模型结合月度宏观金融变量与季度银行信贷调查数据,通过高频政策意外识别动态响应。主要发现是符号非对称性占主导:紧缩政策的传导大多符合理论预期,而宽松政策(无论幅度)的响应大多不显著。峰值效应随初始条件变化,而常见的预定义体制划分并未导致冲击传播的显著差异。
  • 关键技术: Bayesian additive regression trees, mixed-frequency VAR, high-frequency identification, nonlinear impulse responses
  • 为什么对您有用: 本文属于应用宏观计量,与您的主要兴趣(因果推断、高维统计等)无直接交集,但可作为经济理论/应用因果工作的入门读物,展示非线性时间序列模型在政策评估中的应用。您的武器库(如贝叶斯方法、非参数工具)足以理解其方法,但无需深入。

🗂 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. 2609.36751 — Measures of Reliability Risk for the Australian Energy Sector

  • 作者: John Boland, Matthias Fresacher, David Hill, Shijia Jin, Ya Li, Graham Mills et al.
  • 机构: University of South Australia · Western Sydney University · Monash University · California Energy Commission · Australian Sports Commission · Mental Health Commission · La Trobe University
  • 相关性 3/10
  • 评分理由: Applied risk metrics for energy sector, no clear connection to primary stats interests or arsenal.

2. 2609.38321 — An X-ray Extremely wide-field Spectroscopic Surveyor (XESS, or "chess")

  • 作者: W. P. Maksym, M. Ulmer, S. Friedrich, F. Tombesi, R. Arcodia, S. P. Singam et al.
  • 机构: Marshall Space Flight Center · National Aeronautics and Space Administration · Northwestern University · Lawrence Livermore National Laboratory · National Institute for Astrophysics · Harvard University · Universities Space Research Association · Smithsonian Astrophysical Observatory 等
  • 相关性 3/10
  • 评分理由: Astro proposal focused on instrument design; lacks clear statistical data/model exposition for gateway reading.

3. 2609.37859 — An End-to-End Numerical Framework for Tidal Disruption Events with AthenaK

  • 作者: Hong-Xuan Jiang, Mengqi Yang, David A. Velasco-Romero, Fangyuan Yu, Jing-Ze Xia, Xinyu Li et al.
  • 机构: Shanghai Jiao Tong University · University of Hong Kong · Princeton University · Tsinghua University
  • 相关性 0/10

4. 2609.37765 — On-sky commissioning and technical performance of Proto-NUX at Pic du Midi

  • 作者: Rasjied Sloot, Rudy Wijnands, Steven Bloemen, Hans Ellermeijer, Alexander Hoogerbrug, Rik ter Horst
  • 机构: University of Amsterdam · Radboud University Nijmegen · Netherlands Institute for Radio Astronomy
  • 相关性 0/10

5. 2609.37120 — First laboratory demonstration of iEFC for high-contrast imaging at small angular separation on ELT scales

  • 作者: Charles Sallard, Patrice Martinez, Alain Spang, Kian Milani, Lyu Abe, Mathilde Beaulieu et al.
  • 机构: Observatoire de la Côte d’Azur · University of Arizona
  • 相关性 0/10

6. 2609.36857 — LUMA: A CNN for Strong Gravitational Lens Searches in Astronomical Imaging

  • 作者: Giovanni Vincenzo Donatiello, Achille A. Nucita, Francesco De Paolis, Antonio Franco, Francesco Strafella
  • 机构: Istituto Nazionale di Fisica Nucleare, Sezione di Lecce · National Institute for Astrophysics
  • 相关性 0/10

7. 2609.36514 — ECLIPSE-X: Plate-Scale Calibration as the Binding Constraint on Relativistic Astrometry with Spacecraft Navigation

  • 作者: Pedro J. Llanos
  • 机构: Embry–Riddle Aeronautical University
  • 相关性 0/10

Maintained by 陈星宇 · Homepage · Source on GitHub

评论