2026-10-08 每日资讯¶
- 高相关论文 4 篇 · 中相关 24 篇 · 其他 28 篇 · 会议/Seminar 事件 0 条
✍️ 手动录入的论文(精读)¶
你手动录入(粘贴 arXiv 链接 / 标题)申请精读、或收藏后补读的论文,由当天的定时任务精读。点标题旁的 🔍 精读 查看解读。
因果推断 (causal_inference, 1 篇)¶
1. 0804.2965 — Comment: Performance of Double-Robust Estimators When ``Inverse Probability'' Weights Are Highly Variable¶
- 作者: James Robins, Mariela Sued, Quanhong Lei-Gomez, Andrea Rotnitzky
- 机构: Harvard University
- 相关性 7/10 · novelty:
minor - 摘要: 本文是对 Kang 与 Schafer 关于双重稳健估计量在逆概率权重高度可变时表现的论文的评论。作者在评论中重新审视了双重稳健估计量的性质,指出当倾向得分模型被错误设定时,即使权重极端,基于加权估计方程的解仍可能具有偏差,而通过增加协变量或使用更灵活的模型可能改善表现。评论强调了双重稳健性仅在一个模型正确时成立,且在实际中难以验证,因此建议使用对模型误设更稳健的估计方法,如基于影响函数的正交化估计。作者还讨论了权重截断等实用策略的利弊,并指出这些方法可能引入新的偏差。最后,评论呼吁在应用中结合敏感性分析来评估模型误设的影响。对您而言,这篇评论直接关联到您在因果推断中关于估计量稳健性和效率理论的研究,特别是双重稳健估计与正交化方法在实践中的表现。
- 关键技术:
double-robust estimation,inverse probability weighting,model misspecification,orthogonalized estimating equations,sensitivity analysis - 为什么对您有用: 这篇评论直接关联到您的因果推断兴趣,特别是双重稳健估计量在模型误设下的表现,与您熟悉的估计理论武器库(如正交化估计、影响函数)高度契合。您可以用您对 semiparametric theory 的熟悉度来批判性评估评论中的论点,并考虑如何将正交化方法推广到更复杂的设定。中期可做:需要先加强对敏感性分析方法的掌握(moderately_familiar 中的 identification theory),以设计更系统的稳健性评估。
⭐ 高相关论文(按主题分组)¶
因果推断 (causal_inference, 2 篇)¶
1. 2610.08073 — Collaborative representations for targeted causal inference under outcome selection¶
- 作者: Johan de Aguas
- 机构: University of Oslo
- 分类: stat.ME
- 相关性 8/10 · novelty:
new_method - 摘要: 本文研究在结局缺失(outcome selection)下估计平均处理效应(ATE)的问题,目标 estimand 是 recovered ATE,设定中需要同时建模结局、暴露和缺失机制。作者提出一种基于协作表示(collaborative representation)的 targeted learning 方法:从交叉拟合的伪结局中学习低维暴露和缺失表示,这些伪结局编码了结局回归的漂移(drift),从而避免灵活倾向性模型因强调工具变量或弱重叠区域而恶化目标估计。方法通过有限候选库交替进行 targeted outcome 更新和表示更新,并用内层交叉验证选择表示复杂度、协作强度和正则化参数,依据的是 target-aware risk。理论上给出了协作鲁棒性、一致性和渐近线性的充分条件(在外层验证折的 targeting 之后)。模拟显示有限样本偏差降低,并展示了不同配置下与竞争估计器相比的偏差-方差权衡。对您而言,该方法将 targeted learning 与表示学习结合,为处理缺失结局的因果推断提供了新思路,可联系您的 causal inference 方向中的 longitudinal 或 mediation 设定。
- 关键技术:
targeted learning,collaborative representation,cross-fitting,pseudo-outcomes,target-aware risk,asymptotic linearity - 为什么对您有用: 本文直接关联您的 causal inference 兴趣,特别是缺失结局下的 ATE 估计,属于 identification 和 estimation 的交叉点。您可以用 very_familiar 的 estimation theory in causal inference 来审视其协作鲁棒性条件是否自然,或用 moderately_familiar 的 semiparametric theory 来验证其渐近线性声称。中期可做:需在 semiparametric theory 上加强以推导其效率界。
2. 2610.07363 — Network Experiments with Edge Treatments and Node Outcomes¶
- 作者: Artem Kuriksha, Kenneth Hung
- 分类: econ.EM · stat.ME
- 相关性 8/10 · novelty:
new_method - 摘要: 本文研究在无向图连接的人群中,对边级处理进行随机实验并分析节点级结果的因果推断问题。设计上,节点被随机分配为测试或对照,每条边根据其端点状态继承处理,冲突通过随机化解决;每个节点的分配状态被用作其处理暴露的工具变量。作者证明,即使用于构造暴露的边权重被错误设定,Wald 估计量对全局平均处理效应(GATE)仍具有一致性。他们形式化了线性潜在结果和图稀疏性方面的假设,并证明了 Wald 估计量的渐近正态性。该估计量实现简单,无需在图上进行分配模拟;蒙特卡洛研究展示了其在社交平台情境下的良好表现。对您而言,该文将网络干扰下的因果推断与工具变量方法结合,且其稳健性结果(对权重误设)可能对您关注的因果推断中的敏感性分析有启发。
- 关键技术:
instrumental variables,Wald estimator,network interference,edge-level treatments,asymptotic normality - 为什么对您有用: 该文属于因果推断中网络干扰下的识别与估计问题,直接关联您的主要兴趣方向。您可以用您非常熟悉的估计理论(如M估计、渐近理论)来审视其Wald估计量的有限样本性质,或用您中等熟悉的识别理论来探讨其工具变量假设的合理性。中期可做:可尝试将您熟悉的higher-order U-statistics工具用于分析其估计量的高阶性质,但需先熟悉网络干扰的设定。
高维统计 / 随机矩阵 (high_dim_rmt, 1 篇)¶
1. 2610.06875 — Optimal Linear Functional Estimation for Proportionally High-Dimensional Linear Models¶
- 作者: Junwei Lu
- 机构: Harvard University · Cancer Research And Biostatistics
- 分类: math.ST · stat.TH
- 相关性 8/10 · novelty:
new_theory - 摘要: 本文研究随机设计线性模型中线性泛函的估计问题,设定为比例高维情形 γ=p/n>1,且设计协方差未知、回归向量与精度矩阵均不稀疏的稠密 regime。在协方差谱位于 [ℓ,L] 的假设下,作者建立了线性泛函估计的 minimax 均方误差率,其指数 α(κ,γ) 具有显式的椭圆积分表示,且当 κ>1 且 γ>1 时 α<1,表明估计率慢于 n^{-1}。作者提出 Bocca 估计量,通过复围道积分组合经验校准的 resolvent,达到该最优率。该结果刻画了高维下线性泛函估计的固有困难,并展示了随机矩阵理论在非稀疏高维推断中的核心作用。对您而言,本文直接关联您的高维统计与随机矩阵理论兴趣,其 resolvent 与围道积分技术可能对您处理高维协方差结构问题有启发。
- 关键技术:
random matrix theory,resolvent method,complex contour integral,minimax lower bound,elliptic integral representation - 为什么对您有用: 本文属于高维统计与随机矩阵理论的核心交叉,直接对应您 primary interest 中的 high-dimensional statistics (Random matrix theory)。您 very_familiar 中的 high-dimensional asymptotics 和 minimax bounds 可用于验证其率的最优性,而 resolvent 与围道积分技术可迁移至您关注的协方差结构推断问题。中期可做:需在 moderately_familiar 的 semiparametric theory 上加强,以将线性泛函结果推广至更一般 estimand。
效率理论 / Debiased ML (efficiency_dml, 1 篇)¶
1. 2610.07500 — Debiased Machine Learning for Count Data: a Partially Linear Poisson Model Based on Neural Networks¶
- 作者: Ningkun Zhou, Bryan E. Shepherd, Qingyan Xiang
- 机构: Vanderbilt University · Vanderbilt University Medical Center
- 分类: stat.ME
- 相关性 8/10 · novelty:
new_method - 摘要: 本文针对计数型结局(如临床或生物医学研究中的事件次数),提出一种基于神经网络的去偏机器学习(DML)估计量,用于部分线性 Poisson 模型下二元处理效应的推断。该模型将复杂协变量结构通过一个 nuisance 函数表示,并用神经网络灵活估计;估计量基于 Neyman 正交得分函数构造,以降低 nuisance 估计误差的影响,并采用交叉拟合缓解神经网络的过拟合偏差。在温和正则条件下,该 DML 估计量具有根号 n 收敛速度且渐近正态,作者推导了闭式方差估计量并构造 Wald 置信区间。模拟显示,在多数设定下,该方法相比广义线性模型和 AIPW 估计量降低了偏差和均方根误差,且覆盖率接近名义水平。方法已实现于 R 包 PoissonDML,并应用于合成 HIV 队列数据(7141 名患者)评估治疗对 AIDS 定义事件计数的影响。对您而言,该文将 DML 框架扩展到计数数据,结合神经网络 nuisance 估计,与您关注的效率理论(半参数效率界、去偏 ML)直接相关,且其正交得分与交叉拟合技术可迁移至您的因果推断工作。
- 关键技术:
debiased machine learning,Neyman-orthogonal score,cross-fitting,neural network nuisance estimation,partially linear Poisson model,Wald confidence interval - 为什么对您有用: 该文直接连接您 primary interest 中的 efficiency theory 与 debiased ML 子方向,具体是 DML 在计数数据上的应用,涉及 Neyman 正交性和交叉拟合。您可用 very_familiar 的软件开发和估计理论,以及 moderately_familiar 的半参数理论,来验证其正交得分在 Poisson 模型下的效率性质,或扩展至其他计数链接函数。中期可做:需在 moderately_familiar 的 HOIF 上长肌肉,以分析其高阶偏差;暂不可做:若涉及神经网络的理论性质(如泛化界),则需补充学习。
📌 中相关论文(按主题分组)¶
因果推断 (causal_inference, 4 篇)¶
1. 2610.08017 — Scope-Restricted Backtracking Counterfactuals¶
- 作者: Johan de Aguas, Martin Jullum
- 机构: Norwegian Computing Center
- 分类: stat.ME
- 相关性 7/10 · novelty:
new_method - 摘要: 本文在结构因果模型框架下研究回溯反事实(backtracking counterfactuals),其语义与干预反事实相反:不改变结构方程,而是允许外生背景变量跨世界变化。作者提出范围受限回溯反事实(scope-restricted backtracking),由建模者指定哪些外生坐标可变、哪些跨世界共享,从而限制反事实的许可范围。通过跨世界核(cross-world kernel)刻画替代值的合理性,并给出一般模型下的推断方法。对指定的解释性查询(explanatory query)推导出锐化的边际界,并建立前沿与兼容性条件,使得该查询具有修正值策略表示(modified-value policy representation)。线性高斯例子区分了局部噪声、祖先、无关噪声与不可行解释;UCI Adult 数据集的应用展示了核设定、敏感性分析以及跨世界耦合对解释的贡献。对您而言,本文为因果推断中的反事实语义提供了新的识别与推断框架,尤其与您关注的识别理论和敏感性分析直接相关。
- 关键技术:
structural causal model,backtracking counterfactuals,cross-world kernel,sharp marginal bounds,policy representation,sensitivity analysis - 为什么对您有用: 本文属于因果推断中反事实语义的新发展,直接关联您的 identification theory 和 sensitivity analysis 兴趣。您可以用 very_familiar 的估计理论(如非参数估计、M-估计)来审视其边际界的可估计性,或用 moderately_familiar 的 semiparametric theory 分析其效率性质。立即可做:基于现有工具验证线性高斯例子的界是否紧;中期可做:若需深入跨世界核的推断,需在 semiparametric 理论上再加强。
2. 2610.08602 — When does conformal calibration need censoring weights? Cause-of-failure prediction sets under competing risks¶
- 作者: Sunny Yang, Weiyan Zhao
- 机构: University of Illinois Urbana-Champaign · Northumbria University
- 分类: stat.ME · stat.ML
- 相关性 7/10 · novelty:
new_method - 摘要: 本文研究竞争风险设定下,固定时间点的原因标签(cause-of-failure)的 split conformal 预测集。由于右删失导致校准标签不完整,complete-case 校准只能保证标签完整子总体的覆盖率,而对总体覆盖率可能偏高或偏低,即使在真实类别概率下也如此。作者通过模拟展示了在 22% 个体无事件时,complete-case 校准的名义 90% 覆盖率实际仅为 87.23%,并在多种设计下显著低于名义水平。他们提出使用正确指定的删失模型权重(如基于 cause-specific Nelson-Aalen 累积风险估计的权重)来修正校准,使覆盖率接近名义水平。理论上,作者将 Yi et al. (2025) 的论证扩展到原因标签,给出了有限样本覆盖率下界,并显式刻画了删失模型误差的惩罚项;同时指出错误设定删失模型也可能导致覆盖不足。本文对您有用之处在于,它连接了因果推断中的删失处理与预测集校准,且其有限样本下界技术可借鉴于您熟悉的非参数与半参数理论。
- 关键技术:
split conformal prediction,competing risks,inverse probability of censoring weighting,Nelson-Aalen estimator,finite-sample coverage bound - 为什么对您有用: 本文属于因果推断中删失数据与预测不确定性的交叉,直接关联您对 longitudinal 和删失处理的兴趣。您可以用 very_familiar 的 minimax 界技术来审视其有限样本下界是否紧,或探索将 higher-order U-statistics 的投影方法用于改进覆盖率估计。中期可做:需在 moderately_familiar 的 semiparametric theory 上加深对删失模型权重的理解。
3. 2610.08715 — Prediction-powered inference for time series across space¶
- 作者: Shahzar Rizvi, David Burt, Vishwak Srinivasan, Renato Berlinghieri, Stefano Del Col, Tamara Broderick
- 机构: University of Massachusetts Amherst · Stanford University
- 分类: stat.ME · cs.LG · stat.ML
- 相关性 7/10 · novelty:
new_method - 摘要: 本文研究时空数据中的预测驱动推断(PPI)问题:每个空间位置有较短的带标签时间序列和较长的无标签协变量序列,目标是在每个位置估计未来期望标签并给出有效置信区间。直接使用机器学习插补标签会产生偏差,而标准PPI依赖i.i.d.假设,在时间依赖下失效;HAC程序虽能处理时间相关,但未适配插补标签场景。作者提出一种结合PPI偏差校正与HAC方差估计的方法,在短标签序列、长无标签序列和不完美预测器下提供可靠的点估计和置信区间。理论上证明了估计量的渐近正态性和区间覆盖有效性,实验表明方法优于自然替代方案。对您而言,该方法将PPI扩展到时间序列与空间面板结构,与您因果推断中纵向数据和面板数据的研究兴趣直接相关。
- 关键技术:
prediction-powered inference,HAC variance estimation,bias correction,confidence intervals,spatiotemporal data - 为什么对您有用: 本文属于因果推断中纵向/面板数据推断的扩展,直接连接您primary interest中的'longitudinal'子方向;您可用very_familiar的'high-dimensional asymptotics'和'estimation theory in causal inference'来审视其渐近论证,或用moderately_familiar的'semiparametric theory'分析其效率损失。中期可做:需在HAC时间序列推断上补充知识(moderately_familiar之外),但核心机器在武器库内,可立即可做扩展研究。
4. 2610.08558 — Measuring Gift Card Program Incrementality via Causal Data Fusion¶
- 作者: Justin Whitehouse, William Betz, Yan Zhang, Peter Coles, Ramesh Johari, Vasilis Syrgkanis
- 机构: Stanford University · Airbnb (United States)
- 分类: econ.EM · stat.ME
- 相关性 7/10 · novelty:
new_method - 摘要: 本文研究礼品卡项目对客户消费的增量收入(incrementality)的因果识别与估计问题。核心挑战是观测数据中客户是否持有礼品卡仅在购买时被观测到,导致处理状态系统性缺失(censored)。作者提出一种数据融合方法,将大规模观测数据与来自不同总体的小规模实验数据结合,以克服缺失数据问题。识别依赖于一个温和的可迁移性条件:礼品卡对购买决策的条件相对处理效应在两个总体间不变。他们开发了基于机器学习的灵活估计器,并建立了其渐近正态性。在Airbnb的第一方和第三方渠道数据上应用,发现第三方渠道和“自购礼品卡者”的增量效应更高。
- 关键技术:
data fusion,transferability condition,machine learning estimator,asymptotic normality,censored treatment - 为什么对您有用: 本文属于因果推断中处理状态缺失与数据融合的前沿应用,直接关联您的primary interest中的causal inference(identification, estimation)方向。您可以用very_familiar的estimation theory in causal inference来审视其可迁移性条件的合理性,并用moderately_familiar的identification theory来评估其识别假设的强度。中期可做:若想深入其半参数效率,需在semiparametric theory上加强。
高维统计 / 随机矩阵 (high_dim_rmt, 2 篇)¶
1. 2610.07418 — Large-scale linear hypothesis testing for high-dimensional online M-estimation¶
- 作者: Daeyoung Ham, Myeonghun Yu, Tate Jacobson
- 机构: The University of Texas at San Antonio · Ewha Womans University
- 分类: stat.ME
- 相关性 7/10 · novelty:
new_method - 摘要: 本文研究高维在线 M-估计中的估计与线性假设检验问题,目标是在流式数据下无需保留历史原始数据即可更新统计推断。现有可再生方法基于二次近似,但未惩罚损失在先前惩罚估计处的梯度通常不为零,导致一阶近似误差,给有效推断带来挑战。作者提出一种修正的可再生损失,保留历史一阶信息,并结合部分折叠凹正则化与迭代局部线性近似。他们建立了有限样本的 ℓ1 和 ℓ2 误差界、收缩界以及强 oracle 性质,并推导了 oracle Bahadur 表示,进而构造渐近有效的 Wald 和 score 检验,允许检验 oracle 维度和约束数量发散。该方法仅需递归更新的汇总统计量,即可恢复合并数据 oracle 对应的一阶推断行为,模拟和真实数据应用验证了其有限样本性能。
- 关键技术:
online M-estimation,renewable estimation,folded concave regularization,local linear approximation,Bahadur representation,Wald and score tests - 为什么对您有用: 本文属于高维统计与假设检验的交叉,直接对应您对高维统计和假设检验的兴趣。您熟悉的非参数统计和 M-估计理论可用于评估其 oracle 性质的证明,而您在高维渐近方面的功底可帮助验证其 Wald 检验在维数发散时的有效性。中期可做:可尝试将您熟悉的 higher-order U-statistics 技术用于改进其 score 检验的有限样本性质,但需先熟悉在线推断的框架。
2. 2610.08634 — Spectral Recovery of Point Clouds from Noisy Geometric Graphs¶
- 作者: Tatiana Brailovskaya, Nicholas A. Cook, Sofia Poinelli
- 分类: math.ST · math.PR · stat.ML · stat.TH
- 相关性 7/10 · novelty:
new_theory - 摘要: 本文研究从带噪声的高维随机几何图中恢复低维潜在几何结构的问题。在 Signal+Noise Graph Model 下,顶点对应被高斯噪声扰动的点,边由内积超过阈值的点对构成。作者分析谱嵌入算法在 n 和维度 d 同趋于无穷的高维机制下的表现,证明在谱间隙条件下,邻接矩阵的顶部特征向量和特征值可近似恢复点云(模正交变换)。结果在嵌套球面和高维正弦曲线上得到数值验证。该工作将随机矩阵理论与图模型结合,为高维数据的几何恢复提供了理论保证。
- 关键技术:
spectral embedding,random geometric graph,signal-plus-noise graph model,random matrix theory,eigenvector perturbation - 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,特别是特征向量扰动分析在随机几何图模型中的应用。您可以用 very_familiar 的高维渐近工具来验证其谱间隙条件的紧性,或探索特征向量恢复的 minimax 下界,属于立即可做的方向。
非参数 / 半参数 (nonparam_semipara, 3 篇)¶
1. 2610.07240 — Posterior Consistency under dependent errors in non-linear inverse problems with applications to time evolution equations¶
- 作者: Aditya Jambhale
- 分类: math.ST · math.AP · stat.TH
- 相关性 7/10 · novelty:
new_theory - 摘要: 本文研究非线性逆问题中贝叶斯后验相合性,观测为动态系统(由非线性PDE描述)的解,误差允许时间相关(依赖噪声),以模拟传感器测量中的时间相关性。作者给出了一般性条件,在观测噪声相关时保证参数的后验相合性,并应用于两个具体例子:未知粘性和初始条件的Navier-Stokes方程,以及空间异质扩散系数的反应-扩散方程。后者需要为带时间累积的Darcy输运算子建立新的稳定性估计。方法上依赖于PDE稳定性分析和贝叶斯非参数后验相合性理论(如审慎先验、覆盖数条件)。主要贡献在于将后验相合性理论推广到依赖噪声和非线性PDE反问题,并提供了具体的稳定性估计。对您而言,该文与您的非参数/半参数理论兴趣相关,尤其是贝叶斯非参数后验相合性在复杂依赖结构下的处理,可能对您在高维或因果推断中处理相关误差有启发。
- 关键技术:
posterior consistency,non-linear inverse problems,dependent noise,stability estimates,Bayesian nonparametrics - 为什么对您有用: 该文属于非参数/半参数理论方向,具体涉及贝叶斯后验相合性在依赖误差下的推广,与您的非参数理论兴趣直接相关。您可以用武器库中'非参数统计'和'minimax bounds'的视角来审视其相合性条件是否最优,或考虑将相关误差结构引入您熟悉的因果推断设定(如纵向数据)。中期可做:需先熟悉贝叶斯非参数后验相合性的技术细节(如审慎先验构造),这属于 moderately_familiar 中的'非参数统计'范畴。
2. 2610.07295 — Minimax Operator Learning for Holomorphic Maps between Hilbert Spaces¶
- 作者: Ly Duc Hoang, Sven Wang, Jakob Zech
- 机构: École Polytechnique Fédérale de Lausanne · Heidelberg University
- 分类: math.ST · stat.TH
- 相关性 7/10 · novelty:
new_theory - 摘要: 本文研究从有限噪声观测中学习非线性算子 G0: X→Y 的 minimax 估计问题。在有限正则类(如 Lipschitz 或 C^k 算子)下,样本复杂度存在维数诅咒,而全纯算子可获得代数收敛率。作者刻画了全纯函数类的度量熵的代数上下界(指数相差任意小),并在随机设计和高斯白噪声模型下建立了统计 minimax 下界。对于均方误差,新下界与上界匹配(指数相差任意小),并与先前相关全纯类的收敛率一致。最后将理论应用于椭圆 Darcy 流方程的参数-解映射和参数-感兴趣量映射。
- 关键技术:
metric entropy bounds,minimax lower bounds,holomorphic operator classes,Gaussian white noise model,random design - 为什么对您有用: 本文属于非参数与半参数理论中的 minimax 估计问题,直接对接您对 minimax 界和非参数理论的兴趣。您可以用 very_familiar 的 minimax 下界技术(如 Fano 不等式、Le Cam 方法)来验证其下界构造的紧性,或探索将全纯类假设推广到其他算子学习问题。
3. 2610.06879 — History-Conditioned Inference of Memory and Stochastic Forcing in Generalized Langevin Equations under L\'evy Noise¶
- 作者: Yang Yang, Ting Gao, Xiaoli Chen
- 机构: Huazhong University of Science and Technology · China University of Geosciences
- 分类: math.ST · stat.TH
- 相关性 5/10 · novelty:
new_method - 摘要: 本文研究一维广义 Langevin 方程中记忆核与随机强迫的识别问题,噪声为状态依赖的 Brown 运动并可选加对称 α-稳定跳跃。通过有限维 Markov 嵌入,作者导出 Kramers–Moyal 条件矩关系,将记忆漂移、Brown 扩散和跳跃贡献分离。基于观测速度历史的增量集合,用截断统计量估计稳定参数,用修正二阶矩估计 Brown 振幅,用一阶矩得到记忆核的 Volterra 方程,并以 RKHS 正则化求解。作者建立了矩估计器的条件有限样本界,以及带数据自适应正则化参数的核恢复条件 L² 误差界。数值实验考察了不同力、记忆核、观测长度、测量噪声和近似历史条件下的 Brown 与 Brown–Lévy 模型。对您而言,该文的 RKHS 正则化求解 Volterra 方程与条件有限样本界分析,可连接到您非参数与半参数理论以及逆问题中随机噪声的兴趣。
- 关键技术:
Kramers–Moyal conditional moments,finite-dimensional Markov embedding,RKHS regularization,Volterra equation,conditional finite-sample bounds,Lévy stable noise - 为什么对您有用: 本文属于非参数/半参数估计与逆问题范畴,直接关联您 primary interest 中的非参数与半参数理论以及逆问题随机噪声。您可尝试用您 very_familiar 的 minimax 界技术分析其核恢复误差是否最优,或探索将更高阶 U-统计量用于其条件矩估计的方差改进。中期可做:需先熟悉 Lévy 过程的概率工具(moderately_familiar 之外),暂不可做:若需深入跳跃过程的精细概率分析,则核心机器不在武器库。
数理统计 / 假设检验 (hypothesis_testing, 4 篇)¶
1. 2610.07831 — Design-Driven Inference for Online Experiments: Jointly Optimal Evidence Collection, Testing, and Estimation¶
- 作者: Jun Yu, Wenbiao, Zhao, Lixing, Zhu
- 机构: Beijing Institute of Technology
- 分类: stat.ME
- 相关性 6/10 · novelty:
new_method - 摘要: 本文研究在线多因素实验中的设计驱动推断框架,目标是在连续监测下对实际可忽略的效应尽早停止,同时控制错误停止并保持处理效应估计的精度。作者将分配方案与证据规则联合设计,把分配视为证据收集,而检验和估计作为同一证据的互补使用。对于含区组干扰效应和处理-区组交互的多因素实验,他们证明块正交设计能消除处理得分中的干扰污染,并在最坏情况证据增长下构成完备类。在固定信息预算下,各向同性分配和显式径向 e 值联合达到方向未知备择的极小极大最优率;同一分配对极大似然估计同时实现 A、D、E 最优性,建立检验与估计的双重最优性。批式复制产生任意有效的 e 过程,保持累积条件最坏情况证据增长的极小极大率最优性,并保留预指定完整实验的普适估计最优性。模拟和 LLM 提示实验展示了停止效率和估计精度的提升。对您而言,该文的 e 值框架和双重最优性结果与您的假设检验和效率理论兴趣直接相关,且其设计视角可能为因果推断中的实验设计提供新思路。
- 关键技术:
e-values,e-processes,minimax optimality,block-orthogonal designs,A/D/E-optimality,anytime-valid inference - 为什么对您有用: 该文属于假设检验与实验设计交叉领域,直接关联您对 hypothesis testing 和 efficiency theory 的兴趣。其 e 值框架和双重最优性(检验与估计)为在线实验提供了新视角,您可以用 very_familiar 的 minimax 理论来验证其声称的率最优性,或用 moderately_familiar 的 semiparametric 理论分析其估计效率。中期可做:将 e 值方法与您的 higher-order U-statistics 工具结合,探索复杂实验设计下的最优性。
2. 2610.08711 — Asymptotic Null Distributions of Moran's \(I\) and Assortativity in Large Networks¶
- 作者: Karin Ait Braham, Louis-Paul Rivest, Thierry Duchesne
- 机构: Université Laval
- 分类: math.ST · stat.ME · stat.TH
- 相关性 6/10 · novelty:
new_theory - 摘要: 本文研究大网络中 Moran's I 统计量与 Newman 同配系数在零假设(高斯节点属性 Y 与网络结构独立)下的渐近零分布。作者证明网络结构直接影响这些统计量收敛到正态的速度,且在某些情形下零假设下的均值渐近不可忽略,必须在检验统计量中显式校正。通过模拟与真实网络数据,发现正态近似仅在网络异质性不强时表现良好;网络拓扑决定收敛速率与极限分布是否高斯。在度异质性不消失的稠密网络中,同配系数可能不再是有效检验统计量,而 Moran's I 仍表现良好;若存在主导节点,则两者均失效。该工作为网络依赖检验提供了新的理论洞见,与您在高维统计与假设检验方面的兴趣相关,特别是网络数据中统计量的极限行为分析。
- 关键技术:
Moran's I statistic,Newman's assortativity,asymptotic normality,network topology,degree heterogeneity - 为什么对您有用: 本文属于假设检验方向,直接涉及网络数据中统计量的渐近理论,与您对数学统计与假设检验的兴趣高度相关。您可以用 very_familiar 的高维渐近工具(如随机矩阵理论)来分析其收敛速率与网络结构的关系,或验证其正态近似的条件。立即可做:基于现有渐近理论框架,推导更一般网络模型下的极限分布。
3. 2610.07404 — Convex Order Beyond Dimension One: Projection Tests, Counterexamples and Gaussian Mixtures¶
- 作者: Olivier Gu\'eant
- 机构: Université Paris Cité · Sorbonne Paris Cité · Laboratoire de Probabilités et Modèles Aléatoires
- 分类: math.ST · q-fin.RM · stat.TH
- 相关性 5/10 · novelty:
new_theory - 摘要: 本文研究多元凸序(multivariate convex order)的刻画问题,这是精算与定量金融中比较同均值风险的自然工具。在一维情形凸序已有多种等价刻画,而高维情形下比较所有一维投影是必要条件但一般不充分;作者用 gauge 函数重新审视 Pinelis 的反例,并证明即使对对称分布,gauge 函数也不足以刻画二维凸序。进一步,作者构造了任意维度(≥2)下的径向反例,使失败根源透明化。然而,投影检验对某些重要分布族是充分的,例如共同径向分布随机向量的线性变换,涵盖椭圆分布及中心高斯分布。论文还解决了中心高斯分布与两个中心高斯分量的混合分布的比较问题:在任意有限维,高斯被混合分布按多元凸序支配当且仅当所有一维投影按凸序有序。该结果对您在高维统计与假设检验方面的兴趣有直接关联,特别是投影检验的充分性条件可视为一类高维检验问题,且反例构造涉及概率不等式与几何方法。
- 关键技术:
projection tests,gauge functions,radial counterexamples,multivariate convex order,Gaussian mixtures - 为什么对您有用: 本文属于假设检验与高维统计的交叉:投影检验的充分性条件可视为高维分布比较的检验问题,反例构造涉及概率不等式与几何方法。您可用 very_familiar 的高维渐近与 minimax 工具分析投影检验的检验功效或构造更紧的反例;也可用 moderately_familiar 的 M-估计理论将凸序检验转化为经验过程问题。中期可做:需在 moderately_familiar 的 semiparametric 理论上加强,以处理投影检验的分布无关性。
4. 2610.06873 — Entropy-Based Goodness-of-Fit Tests for Generalized \(\kappa\) -Gaussian Distributions¶
- 作者: Mehmet Siddik Cadirci, Konstantinos Zografos
- 机构: University of Ioannina
- 分类: math.ST · stat.TH
- 相关性 4/10 · novelty:
new_method - 摘要: 本文提出一类广义多变量 κ-Gaussian 分布,通过最大化 Kaniadakis κ-熵并施加一、二阶矩约束导出,其尾部呈幂律,且当 κ→0 时退化为标准 Gaussian。作者构造了 κ-熵的 k-最近邻(NN)估计量,表示为两个 NN 泛函(幂和之差)的差,并利用次可加欧氏泛函与矩展开框架证明了 L² 相合性与渐近正态性。利用 κ-指数的缩放恒等式,他们推导出 κ-Gaussian 熵的闭式表达式,并确定了有限方差存在的精确阈值 κ < 2/(m+2),类似于 Student-t 分布中自由度>2 的条件。基于这些结果,他们构建了一个非参数拟合优度检验,并通过模拟验证其表现。最后提及 Sharma–Mittal 熵作为未来方向。对您而言,该文的 NN 熵估计量的渐近理论(L² 相合与正态性)与您在高维统计和假设检验方面的兴趣直接相关,其证明框架(次可加泛函与矩展开)可迁移至其他基于熵的检验问题。
- 关键技术:
k-nearest-neighbor entropy estimation,subadditive Euclidean functionals,moment expansion framework,Kaniadakis entropy,goodness-of-fit testing,asymptotic normality - 为什么对您有用: 该文属于假设检验方向,具体是熵基拟合优度检验,与您 primary interest 中的 hypothesis testing 直接相关。您 very_familiar 中的非参数统计与高维渐近工具可用于分析其 NN 估计量的收敛性质,例如验证其 L² 相合性证明中的矩展开条件是否在您熟悉的高维框架下成立。中期可做:若想推广至更高维或更一般的分布族,需在 moderately_familiar 的 M-估计理论上加强。
统计计算 / 算法 (stat_computing, 1 篇)¶
1. 2610.07721 — Exact Calibration and Sharp Risk Geometry for Volume-Sampled Ridge Regression¶
- 作者: Kihun Rhee
- 分类: math.ST · cs.LG · stat.ML · stat.TH
- 相关性 6/10 · novelty:
new_theory - 摘要: 本文研究固定设计矩阵下,仅随机选取恰好 s 个不同行进行岭回归的精确校准与风险几何问题。响应变量固定,只有子集是随机的,目标是在期望意义上匹配全数据岭回归的拟合。作者利用行列式法则与指数族对偶性,证明了存在唯一正定惩罚使得所选子集的岭回归拟合在期望上等于全数据岭回归,其存在条件为 s 超过目标的有效维度。主要结果针对中心化协方差风险(以全数据惩罚损失归一化),在平衡符号坐标复制下,通过严格的扇形不等式给出了从维度到行数减一的每个预算下的尖锐风险及所有最大化响应。对于一般设计,作者刻画了留一包络线的可达性,并在等角紧框架下给出了特定删除数时的尖锐风险与最大化空间。最后,在特征变化后的完全重校准下,证明了搜索旧最大化空间的二次遗憾界,以及混合估计量风险增益的查询一致界。
- 关键技术:
ridge regression,exponential family duality,determinant law,sector inequality,computer-assisted proof,Horvitz-Thompson estimator - 为什么对您有用: 本文属于统计计算与算法方向,与您的 statistical computing 兴趣直接相关,且其精确风险刻画与优化问题可能为您的 higher-order U-statistics 计算复杂度研究提供新的几何视角。具体而言,您可以用非常熟悉的 einsum/tensor-contraction 工具来分析其扇形不等式与最大化空间的代数结构,属于立即可做的探索。
天体统计 (astrostats, 4 篇)¶
1. 2610.07112 — Armillary: A Label-Free Coordinate System for Stellar Spectra¶
- 作者: Yuan-Sen Ting, Serat Saad
- 分类: astro-ph.IM · astro-ph.GA · astro-ph.SR
- 相关性 6/10 · novelty:
application - 摘要: 本文提出 Armillary,一种无标签的恒星光谱坐标系统,将 Baron & Ménard 的 Sequencer 从一维排序推广到多维流形坐标。其核心思想是:恒星光谱由少数物理参数决定,故光谱集合位于低维流形上;通过 Wasserstein 距离比较两颗星的 signed absorption profiles,并在最近邻图上计算最短路径来度量流形距离,从而得到坐标。该图同时用于标签传播,仅需少量标注星即可为全部星传递物理参数标签。在 APOGEE DR17 的 202,932 颗星上,用 32 颗训练星即可恢复 Teff、log g 和 [M/H],误差分别为 100 K、0.18 和 0.083 dex;在 DESI 数据上跨仪器迁移也表现稳健。与 PCA、t-SNE、UMAP 和自编码器相比,Armillary 的坐标在 Teff 和 log g 上更接近线性,标签传递精度优于前三者且与自编码器相当。作为天文统计学的入门读物,本文清晰展示了流形学习与距离度量的实际应用,但方法学 novelty 有限,主要是将已有技术组合于新问题。
- 关键技术:
Wasserstein distance,nearest-neighbor graph,manifold learning,label propagation,spectral coordinates - 为什么对您有用: 本文属于 astrostatistics 的 gateway reading,适合作为入门读物,因为它用直观的方式展示了流形学习与距离度量在天文数据中的应用,且不依赖深度学习方法。您的技术武器库(如非参数统计、高维数据工具)足以理解其核心机制,但若要深入改进(如更优的距离度量或图构造),可能需要补充图论或计算几何知识。值得花时间读全文,以了解天文光谱数据的结构特点。
2. 2610.07137 — Optimal Photon Counting with Fast, Low Noise Astronomical Imagers¶
- 作者: Jack T. Dinsmore, Christopher Layden, Roger W. Romani, Vera L. Berger, Kevin B. Burdge, Geoffrey Mo, Deepto Chakrabarty, Emma T. Chickles, Gabor Furesz, Juliana Garc\'ia-Mej\'ia, Dave Osip, Jack Piotrowski
- 机构: Kavli Institute for Particle Astrophysics and Cosmology · Stanford University · Massachusetts Institute of Technology · Carnegie Institution for Science · Las Campanas Observatory · Carnegie Observatories
- 分类: astro-ph.IM · astro-ph.HE
- 相关性 6/10 · novelty:
application - 摘要: 本文针对亚电子读出噪声探测器(如 CMOS、skipper CCD、线性模式雪崩光电二极管)提出一种最优光子计数方法,旨在测量快速天体物理现象时克服短曝光反复读出噪声的限制。方法通过解析单个电子事件,利用泊松统计获得最优统计不确定性,相比传统方法可提升信噪比高达约 130%,等效于节省 5.3 倍观测时间。作者在 Magellan Clay 望远镜新部署的 proto-Lightspeed CMOS 仪器上演示了该方法,并成功在不到两小时总曝光内探测到四颗正常旋转射电脉冲星的光学脉冲。文章还提供了 lightspeedpy 软件管线,支持光子计数和标准两种数据处理模式。对您而言,这是一篇典型的 astrostatistics 入门读物,展示了探测器噪声模型与统计估计的紧密结合,但方法学新颖性有限,属于应用型贡献。
- 关键技术:
photon counting,Poisson statistics,sub-electron read noise,CMOS detectors,signal-to-noise ratio optimization - 为什么对您有用: 本文属于 astrostatistics 的 gateway reading:它清晰展示了天文成像中噪声模型(读出噪声 vs 光子泊松噪声)与统计估计(光子计数 vs 传统强度积分)的权衡,适合作为入门读物。您的武器库(非参数统计、高维渐近)足以理解其核心统计思想,但无需深入天文仪器细节。值得花时间读全文,因为其数据管线(lightspeedpy)和真实数据集(脉冲星光学探测)可能为未来跨学科合作提供素材。
3. 2610.06922 — An Assessment of the Triangulation Capabilities of a Multi-Site All-Sky Infrared Camera Array¶
- 作者: Abraham Loeb, Alex Delacroix, Ezra Kelderman, Eric Masson, Regina Sarmiento
- 机构: Istituto Nazionale di Fisica Nucleare, Galileo Galilei Institute for Theoretical Physics · Center for Astrophysics Harvard & Smithsonian
- 分类: astro-ph.IM
- 相关性 5/10 · novelty:
application - 摘要: 本文报告了 Galileo 项目在拉斯维加斯附近部署的三个多相机红外观测站(基线 2 和 10 公里)的调试结果,并提出了基于多站点同步视线进行三维定位的三角测量流水线。由于目标不假设遵循特定轨迹,作者放弃了流星学中常用的参数化拟合,而是通过最小化到各视线加权平方距离之和来估计每个时刻的瞬时三维位置,权重由各相机的指向不确定性和到目标的距离决定。在无星点或固定地标的红外视场中,利用 ADS-B 飞机作为参考源进行内外参标定,并设计了多传感器航迹关联方案。基于一周数据(1650 相机小时、2.1e8 次检测、5.3e6 条航迹)的验证表明,三站解算的飞机距离误差在 5% 以内占 99%,单站对解算占 83%;速度精度略低。文章还刻画了阵列的识别完备性,50% 识别阈值落在 1.8 像素视在翼展处。对您而言,这是一篇典型的 astrostatistics 入门读物,展示了多传感器数据融合和加权几何估计的实际应用,但方法学上相对直接,无显著统计创新。
- 关键技术:
weighted least squares triangulation,multi-sensor track association,ADS-B based calibration,infrared camera array - 为什么对您有用: 本文属于 astrostatistics 的 gateway reading,适合作为了解天文多站点观测数据结构和分析流程的入门材料;您的统计武器库(如最小二乘、加权估计、数据关联)足以理解全文,但方法学深度有限,不值得深入挖掘;若您对天文数据中的不确定性量化或传感器融合感兴趣,可快速浏览以获取领域背景。
4. 2610.07042 — XuYi Interferometer Observation Simulator¶
- 作者: M. Hadjara, T. Xu, Y. Sun, W. Wei, C. Liu, H. Zhang, J. Huang, C. Zeng, J. Yuan, J. Perdigon, A. Boskri, S. Lagarde, R. Petrov, R. Ligi, B. Lopez, F. Millour, J. Dejonghe, F. Baron
- 分类: astro-ph.IM
- 相关性 4/10 · novelty:
application - 摘要: 本文介绍了 XuYi 干涉仪观测模拟器(XIOS),这是为在建的中国首个长基线光学干涉仪 XuYi 开发的轻量级 MATLAB 软件包。该软件将目标可观测性计算、干涉基线几何、延迟线约束、(u,v) 覆盖预测和可见度估计整合到一个图形用户界面中,并借鉴了 MAAT 工具箱的天文例程和 ASPRO2 的可视化概念。文章详细描述了模拟器的架构、主要模块,并展示了当前三望远镜配置在近红外 H 波段的代表性模拟结果。该工具旨在帮助观测者在望远镜运行前评估观测机会、预测干涉性能并生成现实的观测配置。作为天文仪器软件工具,本文侧重于工程实现和观测规划,而非新的统计方法。
- 关键技术:
interferometric observation planning,(u,v)-coverage prediction,visibility estimation,MATLAB GUI,observability calculation - 为什么对您有用: 本文属于 gateway reading 范畴(astrostats):(1) 作为入门读物,它清晰展示了天文干涉观测规划中的数据流和软件架构,对统计学家友好,但需要一定天文背景;(2) 武器库(如数值计算、软件工程)足以支撑理解,但无需深入统计方法;(3) 值得快速浏览全文以了解天文观测规划的实际需求,但方法学上无直接可迁移性。
经济理论 / 应用 (econ_theory, 3 篇)¶
1. 2610.08194 — The Noise Is the Signal: Correlated Sampling Error Is Rank-Informative for Proxy Metric Selection¶
- 作者: Sandro Provenzano
- 分类: econ.EM · econ.GN · q-fin.EC · stat.ME
- 相关性 6/10 · novelty:
application - 摘要: 本文研究在线实验平台中代理指标(proxy metric)的选择问题,目标是选出与北极星指标(如客户终身价值)效应排序最一致的代理指标。由于代理与北极星效应在同一批用户上估计,抽样误差相关,现有方法将这种共享误差视为污染并加以修正。作者指出,选择代理本质上是排序问题,更好的协方差估计未必带来更好的排序。他们提出用不相交的随机客户子样本分别估计两个效应,从而得到无共享误差的排序一致性度量。在262个实验和69个候选代理的档案中,共享误差的排序与无偏一致性排序的Spearman相关为0.65,说明共享误差本身携带代理质量信息;修正越多,排序越差,因为去除了部分信号但未触及主要噪声源(北极星噪声和实验数量有限)。基于档案校准的模拟(已知真实排序)和留出实验(用不相交客户子样本评估)均证实该结论,后者预测排序与实际排序相关达0.93。作者还刻画了修正何时有益的交叉点,并给出三个低成本检查供平台团队决策。
- 关键技术:
proxy metric selection,correlated sampling error,Spearman rank correlation,disjoint sample splitting,archive-calibrated simulation - 为什么对您有用: 本文属于经济/实验平台的应用因果推断,涉及效应估计与排序问题,与您的应用因果工作(如纵向、IV)有交集;但方法学上主要是实证比较,无新统计理论。作为gateway reading,它清晰展示了实验平台中代理指标选择的实际数据挑战(共享误差、有限实验数),对您了解业界因果推断应用有参考价值。武器库中非参数统计和因果推断估计足以理解其方法,但无直接可迁移的新技术。
2. 2610.07589 — Vine Copula VAR:From Recursive Margins to Joint Forecast Inference¶
- 作者: Hunter Ng, Yubo Tao
- 机构: Baruch College · City University of New York · University of Macau
- 分类: econ.EM · math.ST · stat.ML · stat.TH
- 相关性 5/10 · novelty:
application - 摘要: 本文研究联合事件预测中的推断问题,设定为具有正态创新边际的稳定 Vine Copula VAR 模型,其中每个历史预测误差保留其发布时的边际拟合,导致估计误差序列重叠。作者推导了历史边际估计误差与终端预测估计的联合影响函数,利用截距恒等式和稳定 VAR 滤波器将历史修正简化为调和加权的创新矩,而终端斜率不确定性仍然存在。所提出的协方差估计器在固定单侧事件概率下给出渐近有效的重复抽样区间。在高斯子模型中,保留发布时的变换相对于在同一观测上重新拟合边际会增加一个正半定协方差项。蒙特卡洛模拟表明终端边际不确定性在数量上比该附加项更重要,且 logit 区间改善了所研究设计中的下尾覆盖率。对美国宏观经济数据的实时预测应用展示了边际估计对联合收缩预测概率不确定性的贡献,并指出了平稳边际模型的局限性。
- 关键技术:
Vine Copula VAR,influence function,joint forecast inference,stable VAR filter,harmonic weights,Monte Carlo simulation,logit intervals - 为什么对您有用: 本文属于经济理论/应用方向,可作为经济预测中联合推断的入门读物,其影响函数和协方差估计方法对您熟悉的 semiparametric 理论有直接联系,但核心模型(Vine Copula VAR)并非您的主要兴趣,且武器库中的工具足以理解其方法,但无需深入跟进。
3. 2610.08409 — Bayesian Machine Learning Methods For Large Scale Demand Estimation¶
- 作者: Anna B. Schmidt
- 机构: Heinrich Heine University Düsseldorf
- 分类: econ.EM
- 相关性 5/10 · novelty:
application - 摘要: 本文研究大规模多品类需求估计中贝叶斯机器学习方法的应用,比较了潜在因子模型和混合 logit 模型两类模型类,以及 MCMC 和变分推断两种贝叶斯估计方法。通过模拟研究和超市扫描数据应用,发现潜在因子模型能跨品类借用信息,且预测性能随选择环境维度增加而提升,而混合 logit 模型无此模式。MCMC 预测精度最高但计算密集,VI 精度略低但大幅缩短运行时间,在实证应用中 VI 也优于混合 logit 基准。研究凸显了多品类需求估计中精度与计算可行性之间的权衡。对您而言,本文是经济应用中贝叶斯计算方法的实例,可作为经济理论应用方向的入门读物。
- 关键技术:
Bayesian machine learning,latent factorization model,mixed logit model,Markov Chain Monte Carlo,variational inference - 为什么对您有用: 本文属于经济理论应用方向,可作为入门读物,展示了贝叶斯方法在大规模需求估计中的应用。您的武器库(如软件开发和统计计算)足以理解其方法,但核心贝叶斯计算并非您的主要兴趣,因此作为了解经济应用场景的阅读材料,值得花时间浏览全文以获取数据集和分析流程的启发。
其他 (other, 3 篇)¶
1. 2610.08481 — Fridge: focused fine-tuning of ridge regression for personalize predictions¶
- 作者: Kristoffer Herland Hellton, Nils Lid Hjort
- 机构: University of Oslo
- 分类: stat.ME
- 相关性 6/10 · novelty:
new_method - 摘要: 本文提出一种针对岭回归的个性化调参方法 fridge,其核心思想是为每个待预测个体单独选择最优正则化参数,而非像传统 K 折交叉验证那样对所有预测使用同一个参数。作者首先定义了针对特定协变量向量的 oracle 调参参数,该参数最小化该个体的均方预测误差;然后通过将回归系数和误差方差代入其 plug-in 估计来估计该 oracle 参数。对于逻辑岭回归,作者利用参数 bootstrap 扩展了该方法。在高维数据下,作者建议使用交叉验证的岭回归作为 plug-in 估计,模拟和真实数据表明 fridge 的平均预测误差小于交叉验证岭回归。该方法在 R 包 "fridge" 中实现,并应用于个性化医疗中的风险和治疗反应预测。
- 关键技术:
ridge regression,oracle tuning parameter,plug-in estimation,parametric bootstrap,personalized prediction - 为什么对您有用: 本文属于统计预测方法,与您的主要兴趣(如效率理论、半参数理论)关联较弱,但其中针对个体协变量向量优化调参的思想与您在高维统计和统计计算方面的兴趣有一定交叉。作为方法学论文,其 novelty 主要在于提出新的调参策略,而非新的理论框架。若您关注预测方法的计算效率或个性化预测的实际应用,可作扩展阅读。
2. 2610.07630 — Measuring Negotiation Traits with Collaborative Choice Data: A Two-Stage Latent Variable Model¶
- 作者: Tongxin Zhang, Yunxiao Chen, Jiangang Hao, Emily Kerzabi, Patrick Kyllonen, Irini Moustaki, Tao Xin
- 机构: Beijing Normal University · London School of Economics and Political Science · Educational Testing Service
- 分类: stat.ME
- 相关性 4/10 · novelty:
application - 摘要: 本文提出一个两阶段潜变量模型,用于从协作决策数据中测量参与者的谈判特质。第一阶段,已知的成员特定奖励和潜在谈判特质共同决定团队选项效用,进而生成潜在团队选择;第二阶段,在给定潜在团队选择下,对个体响应建模,允许个体偏离取决于自身奖励。模型可纳入协变量结构模型。模拟研究显示在不同样本量和题目量下参数恢复良好;应用于模拟协作谈判任务数据,选择预测准确率远高于随机基线,且估计特质与外部效标变量有有意义的关联。该框架为协作选择数据提供了测量参与者层面谈判特质的心理测量学方法。
- 关键技术:
latent variable model,two-stage model,item response theory,collaborative decision-making,structural model - 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(因果推断、高维统计等)无直接重叠,但可作为统计建模在协作决策中的应用案例。若您关注潜变量模型或纵向数据中的测量问题,可略读。
3. 2610.07877 — State-space representation of early-life child mortality dynamics: linking event history analysis and orbit-based models¶
- 作者: Wendy Lefotlha, David Sherwell, Maria Vivien Visaya
- 分类: stat.ME · stat.AP
- 相关性 4/10 · novelty:
application - 摘要: 本文针对早期儿童死亡率的纵向数据,提出将事件史分析(EHA)与轨道理论(OT)结合,以同时捕捉统计显著的风险因素和个体生命轨迹的结构。EHA 估计协变量与死亡风险的关联,但可能忽略罕见或高维风险组合;OT 将个体表示为组合状态空间中的精确轨迹,保留完整多元结构。作者分析了南非 Agincourt 健康与人口监测系统 1998-2008 年 31,081 名儿童的 12 个变量数据。结果显示,母亲迁移在结构上对儿童死亡转变至关重要,尽管在 EHA 中统计不显著;母亲难民身份虽统计显著但不产生轨迹动态。一个三变量子系统(儿童状态、母亲状态、母亲迁移)在至多 48 个状态的缩减状态空间中恢复了 EHA 的主要发现,并暴露了回归分析无法识别的高风险小簇。母亲死亡是 EHA 的主要预测因子,而母亲迁移组织了 87% 的向儿童死亡状态的顺序转变,二者并不矛盾,因为母亲死亡的作用是终末性的而非顺序性的。
- 关键技术:
Event History Analysis,Orbit Theory,state-space representation,longitudinal data analysis,combinatorial state space - 为什么对您有用: 本文属于应用统计,涉及纵向数据和因果推断的潜在应用(如母亲迁移对儿童死亡的影响),但方法学上并非您的主要兴趣领域。作为流行病学应用,它展示了如何结合传统回归与结构轨迹分析,但统计方法较为简单,对您的方法学参考价值有限。
🗂 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. 2610.06869 — Comparing the reliability of coherent systems with heterogeneous, dependent and distribution-free components¶
- 作者: Nuria Torrado
- 机构: Universidad Autónoma de Madrid
- 分类: math.ST · math.PR · stat.TH
- 相关性 3/10
- 评分理由: Reliability theory with copulas is tangential to primary interests; no clear methodological overlap.
2. 2610.07065 — A Technosignature Survey Of The Anti-Solar Point: The SETI Institute's Largest-Ever Campaign With The Allen Telescope Array¶
- 作者: Isabel Gerrard, Sofia Z. Sheikh
- 机构: Breakthrough · Search for Extraterrestrial Intelligence · University of California, Berkeley
- 分类: astro-ph.IM
- 相关性 3/10
- 评分理由: SETI survey; mostly astronomy, minimal statistical methodology exposition.
3. 2610.08059 — The Topp-Leone XLindley Distribution: Properties, Estimation and Applications to Lifetime Data¶
- 作者: Saileshwari M, Rajesh Moharana, Kousik Maiti
- 机构: Vellore Institute of Technology University · Haldia Institute of Technology
- 分类: stat.ME · stat.AP
- 相关性 2/10
- 评分理由: New parametric distribution for lifetime data; unrelated to primary interests.
4. 2610.07041 — BRICS Southern Observatory (BRICS-SO) Project: Invitation to African countries to invest in Chile¶
- 作者: Massinissa Hadjara, Amokrane Berdja, Swagat R. Das, Elisson S. G. de Almeida, Slobodan Jankov, Vladmir Lukin, Abdelkarim Boskri, Zouhair Benkhaldoun, Jinghui Zheng
- 机构: Chinese Academy of Sciences · University of Chile · Universidad de Antofagasta · Valparaiso University · University of Valparaíso · Siberian Branch of the Russian Academy of Sciences · V.E. Zuev Institute of Atmospheric Optics · Cadi Ayyad University
- 分类: astro-ph.IM
- 相关性 1/10
- 评分理由: Astronomy project invitation, no statistical content.
5. 2610.07045 — Multi-Task Active Learning with Efficient Resource Allocation¶
- 作者: Hanwen Ye, Jiuchen Zhang, Annie Qu
- 机构: University of Michigan · University of California, Santa Barbara
- 分类: stat.ME · stat.ML
- 相关性 0/10
6. 2610.07190 — Poisson empirical Bayes estimation of sums of random variables via minimum-distance methods¶
- 作者: Stefano Favaro, Sandra Fortini, Soham Jana
- 机构: Collegio Carlo Alberto · Bocconi University · University of Notre Dame
- 分类: stat.ME · math.ST · stat.ML · stat.TH
- 相关性 0/10
7. 2610.07265 — A Bayesian Multiscale Integrated Abundance Model for Estimating Latent Opioid Misuse Prevalence from Spatially Misaligned Data¶
- 作者: Staci A. Hepler, Brian N. White, Magdalena Cerda, William C. Miller, Lance A. Waller, David M. Kline
- 机构: Statistical Research (United States) · Wake Forest University · Yale University · University of North Carolina at Chapel Hill · Emory University
- 分类: stat.ME · stat.AP
- 相关性 0/10
8. 2610.07268 — lifelines-hc: Higher Criticism testing for sparse non-proportional hazard departures in Python¶
- 作者: Alon Kipnis, Ben Galili, Zohar Yakhini
- 机构: Reichman University · Herzliya Medical Center · Technion – Israel Institute of Technology
- 分类: stat.ME · stat.AP · stat.CO
- 相关性 0/10
9. 2610.07284 — Empirical-Bayes spectral partial pooling across related tasks¶
- 作者: Lorenzo Mauri
- 机构: Duke University
- 分类: stat.ME · stat.CO · stat.ML
- 相关性 0/10
10. 2610.07344 — Existence and consistency of weighted maximum likelihood estimator for extreme quantile regression¶
- 作者: Lucien M. Vidagbandji, Alexandre Berred, Cyrille Bertelle, Laurent Amanton
- 分类: stat.ME
- 相关性 0/10
11. 2610.07391 — A perspective note on likelihood approximation and inference for complex simulation models using a chain of aggregated normalizing flows¶
- 作者: Getachew K Befekadu
- 机构: University of America
- 分类: stat.ME · cs.LG · stat.ML
- 相关性 0/10
12. 2610.07392 — Multiple Change Point Detection in the Mean and Covariance of High-Dimensional Matrix Time Series¶
- 作者: Zetai Cen, Haeran Cho
- 机构: University of Bristol
- 分类: stat.ME
- 相关性 0/10
13. 2610.08092 — What Should We Measure Next? Finding Identification Strategies by Refining Mechanisms¶
- 作者: Mikko V\"a\"an\"anen, Fanyu Cui, Carlos Cinelli, Santtu Tikka
- 机构: University of Jyväskylä · Columbia University · University of Washington
- 分类: stat.ME
- 相关性 0/10
14. 2610.08100 — The Geometry of Existence and Uniqueness of Maximum Likelihood Estimation in Categorical Response Models¶
- 作者: Lukas Sablica, Kurt Hornik, Thomas Rusch
- 机构: Vienna University of Economics and Business
- 分类: stat.ME · math.ST · stat.AP · stat.TH
- 相关性 0/10
15. 2610.08157 — TEASE: Targeted elastic spatial envelope¶
- 作者: Mitchell L. Krock
- 分类: stat.ME
- 相关性 0/10
16. 2610.08197 — The Missing Corner: When Sharp Causal Bounds Fail to Compose¶
- 作者: Yicheng Qi, Xiyi Xiong
- 机构: Imperial College London
- 分类: stat.ME
- 相关性 0/10
17. 2610.08292 — Where Do Two Populations of Persistence Diagrams Differ? Calibrated Local Inference at a Fixed Budget¶
- 作者: Pramita Bagchi, Edward Bae, Atish Mitra, Alexander D. Silberman, \v{Z}iga Virk, Sushovan Majhi
- 机构: George Washington University · Montana Technological University · University of Ljubljana
- 分类: stat.ME · cs.LG · math.ST · stat.TH
- 相关性 0/10
18. 2610.08317 — Bayesian heterogeneous copula mixtures with nonparametric margins: consistency, identifiability and tail asymmetry in physical fitness data¶
- 作者: Yujian Liu
- 机构: Shanghai University of Sport
- 分类: stat.ME · stat.AP · stat.CO
- 相关性 0/10
19. 2610.08321 — Covariate-dependent Nonparametric \(g\)-modeling for regression via infinite Mixture-of-Expertizing class¶
- 作者: Akira Okazaki, Keisuke Yano
- 机构: The Institute of Statistical Mathematics
- 分类: stat.ME
- 相关性 0/10
20. 2610.08386 — Elastic kernel Ridge regression, with applications in phonetics¶
- 作者: Beatrice Matteo, Almond Stoecker, Davide Pigoli, Shahin Tavakoli
- 机构: University of Geneva · École Polytechnique Fédérale de Lausanne · King's College London
- 分类: stat.ME · stat.AP · stat.CO
- 相关性 0/10
21. 2610.07357 — A Classifier Framework for ALMA Bandpass Calibration Anomalies¶
- 作者: Ci Xue, Brian S. Mason, Gazi A. Rakib, Tristan Ashton, Jeff M. Phillips, Ignacio Toledo, Ryan A. Loomis, Ilsang Yoon, John E. Hibbard, Omkar Bait, Eric J. Murphy
- 机构: National Radio Astronomy Observatory
- 分类: astro-ph.IM
- 相关性 0/10
22. 2610.07364 — SPECULATE: A synthetic spectral library, emulator and fitting package for accretion disc winds -- Infrastructure and application to CVs¶
- 作者: Austen G. W. Wallis, Christian Knigge, James H. Matthews, Knox S. Long, Madeleine-Mai Ward, Stuart A. Sim, Adam B. Hill, Amin Mosallanezhad, Nicolas Scepi
- 机构: University of Cambridge · University of Southampton · University of Oxford · Space Telescope Science Institute · Eureka Scientific · Queen's University Belfast · Centre National de la Recherche Scientifique · Institut de Planétologie et d'Astrophysique de Grenoble
- 分类: astro-ph.IM · astro-ph.HE · astro-ph.SR
- 相关性 0/10
23. 2610.07482 — The First Decade of Breakthrough Listen¶
- 作者: David H. E. MacMahon, Daniel J Czech
- 机构: Berkeley College · University of California, Berkeley · Breakthrough
- 分类: astro-ph.IM
- 相关性 0/10
24. 2610.07743 — Very Long Baseline Interferometry with the SKA Observatory¶
- 作者: J. F. Radcliffe, J. Yang, Z. Paragi, O. Bayandina, C. Reynolds, C. Garc\'ia-Mir\'o, T. An, M. Abada-Simon, J. N. H. S. Aditya, I. Agudo, T. Akahori, A. Alberdi, S. Anton, P. Atri, A. -K. Baczko, S. Belladitta, E. K. Bempong-Manful, R. Beswick, M. Bhardwaj, E. Bonnassieux, A. Brunthaler, C. -S. Chang, P. Charlot, S. Chen, W. Chen, X. Cheng, A. Chhipa, J. O. Chibueze, I. Cho, J. B. Climent, L. Cui, S. Curiel, F. D'Ammando, J. R. Dawson, A. Deller, H. Ding, R. Dodson, J. Drevon, F. Eppel, S. Frey, M. Garrett, M. Gawro\'nski, J. Geng, S. Giarratana, M. Giroletti, S. Gulyaev, L. I. Gurvits, C. Hao, T. Hirota, A. J. Hedge, H. Hu, H. Imai, P. Jiang, J. de Jong, M. Kadler, B. Karimi, P. Kharb, R. Khatun, J. -Y. Kim, J. Kim, J. Kim, F. Kirsten, H. R. Kl\"ockner, H. Kobayashi, Y. Y. Kovalev, M. Kunert-Bajraszewska, A. Kutkin, H. J. van Langevelde, J. Li, Y. Li, Y. Li, Z. Lin, D. Liu, H. Liu, K. Liu, A. Lobanov, R. -S. Lu, V. Mahatma, B. Marcote, M. Mezcua, J. Mold\'on, L. K. Morabito, S. E. Motta, S. Murthy, I. Natarajan, A. Njeri, J. Oh, M. Orienti, A. Osetrova, M. Pandey-Pommier, F. Panessa, J. Park, M. P\'erez-Torres, L. Petrov, J. C. S. Pierce, C. Phillips, L. Ricci, M. Rioja, H. Ro, J. R\"oder, E. Ros, M. Rupen, K. L. J. Rygl, R. Santra, S. Silpa, T. Savolainen, G. A. S. Sundaram, P. Shastri, X. Shu, A. S{\l}owikowska, B. W. Sohn, C. Spingola, F. Sweijen, K. Takahashi, R. Timmerman, F. Ubertosi, L. Uscanga, E. Varenius, M. Verkouter, T. Vernstrom, S. Wagner, D. Williams-Baldwin, J. Wongphechauxsorn, X. Wu, M. Xu, Y. Xu, M. K. Y{\i}ld{\i}z, Z. Yan, A. Yang, X. Yang, S. Yao, W. Yu, B. Zhang, P. van Zyl
- 分类: astro-ph.IM
- 相关性 0/10
25. 2610.07965 — Optimizing Laguerre-Gaussian Mode Interferometry in Gravitational-Wave Detectors through Modal Degeneracy Breaking¶
- 作者: Liu Tao, Eleonora Capocasa, Matteo Barsuglia
- 机构: Centre National de la Recherche Scientifique · Université Paris Cité · Laboratoire AstroParticule et Cosmologie
- 分类: astro-ph.IM · physics.optics
- 相关性 0/10
26. 2610.08439 — Rapid Sequence Cost Evaluation for Multi-Spacecraft Rendezvous: A Permutation-Invariant Set Transformer¶
- 作者: An-yi Huang
- 分类: astro-ph.IM
- 相关性 0/10
27. 2610.08666 — Nancy Grace Roman Space Telescope Wide Field Instrument: Grism Saturation Response to Bright Sources during Thermal-Vacuum Testing¶
- 作者: Lipika Chatur, Dana R. Louie, Joshua E. Schlieder, Robert F. Wilson, Evan Bray, Scott Rohrbach
- 机构: Catholic University of America · University of Maryland, College Park · KBR (United States)
- 分类: astro-ph.IM
- 相关性 0/10
28. 2610.08748 — Space-based Cosmic Neutrino Measurements¶
- 作者: John F. Krizmanic
- 分类: astro-ph.IM
- 相关性 0/10
Maintained by 陈星宇 · Homepage · Source on GitHub