跳转至

2026-11-11 每日资讯

  • 高相关论文 8 篇 · 中相关 60 篇 · 其他 68 篇 · 会议/Seminar 事件 0 条

⭐ 高相关论文(按主题分组)

因果推断 (causal_inference, 6 篇)

1. 2611.10863 — Weak-Instrument Inference and Model Diagnostics in Double Machine Learning for Linear Instrumental Variable Models

  • 作者: Airui Meng
  • 机构: Columbia University
  • 分类: stat.ME · econ.EM
  • 相关性 9/10 · novelty: new_method
  • 摘要: 本文研究部分线性工具变量模型中弱工具变量稳健推断问题,目标是在学习到的 nuisance 函数下对结构参数进行有效推断。在 i.i.d. 均匀大小基线基础上,建立了聚类交叉拟合 Anderson-Rubin 检验和交叉拟合得分检验的渐近有效性,并给出了采样条件和 nuisance 收敛速率条件。进一步将 Anderson-Rubin 有效性扩展到调查加权目标分布和折叠嵌套生成工具变量。一个支持性总体基准表明,当处理 nuisance 正确设定时,预测最优的工具变量残差化能最大化浓度参数。通过五设计诊断组合、已知真值蒙特卡洛模拟和探索性选择器,考察了 nuisance 设定与估计对实际强度和推断的影响。
  • 关键技术: weak-instrument-robust inference, Anderson-Rubin test, cross-fitting, double machine learning, clustered inference, nuisance estimation
  • 为什么对您有用: 本文直接关联您的主要兴趣——因果推断中的 IV 方法,特别是弱工具变量下的稳健推断,这是您非常熟悉的领域。您可以用 very_familiar 的估计理论(如 DML 的交叉拟合)来审视其 nuisance 速率条件是否最优,或用 moderately_familiar 的 semiparametric theory 来检验其效率声明。中期可做:若想深入其聚类推断的有限样本性质,需在 moderately_familiar 的 M-estimation 理论上加强。

2. 2611.10310 — Proximal Difference-in-Differences for Causal Learning under Confounding and Outcome Drift

  • 作者: Sihyung Park, Shu Yang, Ilya Lipkovich, Wenyu Ye, Mingyang Shan
  • 机构: North Carolina State University · Eli Lilly (United States)
  • 分类: stat.ME
  • 相关性 8/10 · novelty: new_method
  • 摘要: 本文提出一个 proximal 框架,将真实世界证据(RWE)与带开放标签延长期的随机对照试验(RCT)整合,以估计长期持续对照轨迹下的治疗效应。研究问题设定为:RCT 随访期有限,而开放标签延长期存在因安慰剂交叉导致的系统删失与选择偏差,且 RWE 与 RCT 之间存在时间变化的潜在混杂和跨研究结局漂移(outcome drift)。方法核心是引入 proximal 推断中的 negative control 变量(如 treatment-confounder 和 outcome-confounder proxies)来识别长期效应,无需传统可交换性假设。估计量采用 doubly robust 形式并具备局部效率(locally efficient),对模型误设具有额外韧性。模拟实验表明,在标准方法产生偏倚的复杂数据生成过程中,该框架仍能保持有效性。对您而言,本文直接连接 proximal causal inference 与纵向/延长期效应估计这一子方向,其 DR 估计量的构造思路可迁移至您熟悉的效率理论框架中审视。
  • 关键技术: proximal causal inference, difference-in-differences, doubly robust estimation, locally efficient estimator, negative control variables, outcome drift modeling
  • 为什么对您有用: (1) 直接命中 primary interest 中的 proximal CI 与 longitudinal 子方向,且结合了 RCT+RWE 这一应用场景;(2) 可用您 very_familiar 的 semiparametric efficiency theory 检验其 'locally efficient' 声称的严格性,或用 moderately_familiar 的 identification theory 审视 negative control 假设的可检验性;(3) 立即可做:基于您对效率界和 DR 估计的熟悉度,可快速评估其 influence function 推导并尝试扩展至其他漂移设定。

3. 2611.10955 — Causal Outcome Learning with Noisy Proxies

  • 作者: Eric V. Strobl
  • 机构: University of Pittsburgh
  • 分类: stat.ME · q-bio.QM · stat.ML
  • 相关性 8/10 · novelty: new_method
  • 摘要: 本文提出 SCOUT(Score-based Causal Outcome Learning Using Treatment signals)框架,在观测性生物医学数据中联合学习一个临床可解释、对治疗有响应的结局变量,同时调整高维基线测量中的混杂。SCOUT 将高维基线变量压缩为至多二维的低维调整表示,在此低维空间中估计 ATE 和 CATE,从而避免在高维协变量空间中估计异质性。此外,SCOUT 引入一个四阶统计量用于检验治疗效应异质性,该统计量强调对 ATE 的异常大偏离。在合成和半合成实验中,SCOUT 在 ATE 估计精度上具有竞争力,并显著降低了 CATE 估计误差。在双相障碍患者的观察性研究中,SCOUT 识别出锂相关的副作用特征,并检测到显著的 ATE(Holm 校正 p=0.0026)和异质性(Holm 校正 p=0.033)。该方法将结局学习与混杂控制相结合,为高维观测数据中的效应发现提供了新思路。
  • 关键技术: outcome learning, low-dimensional adjustment representation, ATE/CATE estimation, fourth-order statistic, treatment-effect heterogeneity testing, semi-synthetic experiments
  • 为什么对您有用: 本文直接关联您的因果推断兴趣,特别是高维混杂调整与效应异质性检验。您可以用 very_familiar 的 higher-order U-statistics 计算工具(treewidth/einsum)来分析其四阶统计量的计算复杂度,或评估其低维调整表示的理论性质。中期可做:若想深入其 CATE 估计的 semiparametric 效率,需在 semiparametric theory 上加强。

4. 2611.11667 — Nonasymptotic causal structure learning in generalized linear DAGs with continuous optimization

  • 作者: Chang Deng, Inbeom Lee, Bryon Aragam
  • 分类: stat.ME · cs.LG · math.ST · stat.ML · stat.TH
  • 相关性 8/10 · novelty: new_method
  • 摘要: 本文研究从观测数据中学习有向无环图(DAG)结构的问题,设定为每个节点的条件分布服从广义线性模型(如逻辑回归、泊松回归),目标是在非线性模型中恢复因果图。作者分析了一个全局非光滑目标函数,将精确的无环性约束与拟极小极大凹惩罚(MCP)相结合,并可通过标准梯度方法优化。文章提供了该估计量的有限样本、非渐近统计保证,这是现有文献中梯度方法在非线性模型中所缺乏的。理论结果覆盖了最常用的逻辑和泊松模型,并给出了结构恢复的误差界。实验在标准化数据和阴性对照基线上验证了结构恢复的准确性和计算性能。对您而言,该文将因果结构学习与高维正则化估计结合,其非渐近分析思路可能对您在高维统计和因果推断交叉领域的研究有参考价值。
  • 关键技术: generalized linear DAG, quasi-minimax concave penalty, exact acyclicity constraint, gradient-based optimization, finite-sample guarantees
  • 为什么对您有用: 本文属于因果推断中的结构学习方向,与您的 primary interest 中 causal inference 的 identification 和 estimation 直接相关。您可以用 very_familiar 中的 minimax bounds for estimation problems 来审视其有限样本界的紧性,或用 high-dimensional asymptotics 分析其在高维下的表现。中期可做:若想深入其优化理论,需在 moderately_familiar 的 M-estimation theory 上加强。

5. 2611.11903 — Semiparametric causal mediation analysis in cluster-randomized trials with post-treatment confounding

  • 作者: Daeyoung Ham, Chao Cheng, Fan Li
  • 机构: The University of Texas at San Antonio · Washington University in St. Louis · Yale University
  • 分类: stat.ME
  • 相关性 8/10 · novelty: new_method
  • 摘要: 在集群随机试验中,针对存在治疗后混杂和集群内干扰的因果中介分析,本文提出一个半参数框架来估计干预性中介效应。该框架不要求自然效应所需的跨世界独立性假设,而是通过干预联合中介分布来定义直接和间接效应,并将间接效应分解为个体和溢出成分。作者推导了有效影响函数,基于集群级交叉拟合构造估计量,并刻画了其多重稳健性,建立了渐近正态性和半参数有效性的条件。为便于实施,提出一种低维重参数化,避免高维密度估计和积分,允许使用参数模型或机器学习估计 nuisance 函数。模拟和实际数据(慢性疼痛认知行为疗法试验)验证了方法性能。对您而言,本文在纵向和集群数据中介分析中结合了半参数效率理论和 DML 技术,与您的因果推断和效率理论兴趣直接相关。
  • 关键技术: interventional mediation effects, efficient influence function, cluster-level cross-fitting, multiple robustness, semiparametric efficiency, machine learning nuisance estimation
  • 为什么对您有用: 本文属于因果推断中的中介分析,且涉及半参数效率理论和 DML,直接对应您的主要兴趣。您可以用 very_familiar 的估计理论和非参数统计工具来验证其多重稳健性条件,或用 moderately_familiar 的 HOIF 思想扩展其高阶性质。中期可做:若想深入其低维重参数化与高维 nuisance 估计的权衡,需在 semiparametric theory 上再加强。

6. 2611.12690 — Average versus expected causal effects under interference: Modeling assumptions and estimation bottlenecks

  • 作者: Vishesh Karwa, Edoardo M. Airoldi, Donald B. Rubin
  • 机构: Temple University · Harvard University
  • 分类: stat.ME · cs.LG · econ.EM
  • 相关性 8/10 · novelty: new_theory
  • 摘要: 本文在治疗干扰(interference)下研究因果效应的估计问题,目标是在有限总体中定义并估计平均因果效应(ACE)与期望因果效应(ECE)。作者将假设分为三层:干扰邻域、暴露映射和结果模型,并证明在此框架下潜在结果可非参数分解为直接、溢出和交互成分。基于该分解,他们为有限总体潜在结果的非参数、半参数和参数模型提供了统一坐标。对于给定的潜在结果模型,ACE(如直接效应、总效应)对比固定治疗-暴露条件下的潜在结果,而ECE(如期望直接、间接效应)对比指定分配策略下的期望。核心理论贡献是给出了Horvitz-Thompson估计量方差的上下界,分解为对角权重项、邻域重叠项和设计依赖项。结果表明,在图不知情设计下,非参数无偏估计ACE可能需要样本量随干扰度指数增长,而设计对齐的ECE只需多项式增长;在邻域干扰下,构造的图感知独立集设计对直接和总效应的方差界是最大度的多项式,而图聚类随机化可能遭遇指数级最坏方差。对您而言,该文将干扰下的因果推断与设计选择(如图感知设计)结合,直接关联您对因果识别和估计理论的兴趣,且其方差分解技术可能启发您在高阶U统计量或半参数效率方面的思考。
  • 关键技术: Horvitz-Thompson estimator, variance decomposition, interference neighborhoods, exposure mappings, graph-aware independent-set designs, finite-population causal inference
  • 为什么对您有用: 该文属于因果推断中干扰下的识别与估计问题,直接对应您的主要兴趣之一。其方差界分析(指数 vs 多项式)可联系到您在高维统计和计算复杂性方面的背景,但核心方法(HT估计、设计选择)并非您武器库中的高阶U统计或半参数效率工具。从问题发现角度看,您可以用非常熟悉的非参数统计和极小极大界技术来验证其方差下界是否紧,或探索其分解在更高阶交互下的推广,属于中期可做(需在识别理论或设计上稍作延伸)。

非参数 / 半参数 (nonparam_semipara, 1 篇)

1. 2611.11909 — Coverage and shape of conformal highest-density sets: A minimax theory

  • 作者: Ilsang Ohn
  • 机构: Inha University
  • 分类: math.ST · stat.TH
  • 相关性 8/10 · novelty: new_theory
  • 摘要: 本文研究共形最高密度集(conformal highest-density sets)的条件覆盖与几何效率,目标是构造在给定协变量下具有条件覆盖且体积接近最优的集合。作者将集合的过量体积分解为覆盖误差与过量质量两部分,并证明在体积精度至多常数倍的类中,覆盖误差的极小极大速率等于非参数回归速率,而过量质量的极小极大速率等于条件密度估计速率的平方。标准 split conformal 方法用单一阈值校准,只能平均校正密度估计的偏差,其覆盖误差可能达到较慢的密度估计速率。为此提出两阶段校准:先用回归估计密度估计的超水平集的覆盖概率,再以此作为 conformity score;由于集合在每个协变量处固定,覆盖的平滑性与条件密度相同,在温和正则条件下即使密度估计不一致,覆盖误差也能达到回归速率。集合形状仍依赖密度估计的精度:一致范数精度可达到极小极大过量质量速率,而积分范数精度即使达到极小极大阶也不够。使用局部多项式密度估计时,两阶段校准在忽略对数因子下同时达到两个极小极大速率,模拟与自行车共享需求数据验证了结果。
  • 关键技术: conformal prediction, highest-density sets, minimax theory, nonparametric regression, conditional density estimation, two-stage calibration
  • 为什么对您有用: 本文属于非参数与半参数理论方向,直接关联您对非参数估计极小极大速率和假设检验的兴趣;其两阶段校准思想与您熟悉的非参数回归和密度估计技术紧密相连,且覆盖误差的速率分析可类比于您在高阶U统计量中处理的经验过程问题。从武器库看,您可用 very_familiar 的非参数极小极大界和 U-statistic 投影技术来验证或扩展其速率结果,属于立即可做的范畴。

其他 (other, 1 篇)

1. 2611.11388 — Uniform inference for \(U\)-statistics of exchangeable arrays under degeneracy

  • 作者: T\^am LeMinh
  • 分类: math.ST · math.PR · stat.ME · stat.TH
  • 相关性 8/10 · novelty: new_theory
  • 摘要: 本文研究行-列可交换数组(row-column exchangeable arrays)上的 U-统计量在退化(degenerate)情形下的均匀推断问题。在自然零假设下,这类 U-统计量会退化,收敛速率改变且极限分布可能非高斯。作者建立了条件,使得基于经典无偏方差估计量的推断在不知道退化阶数的情况下仍然均匀有效。技术上,U-统计量可分解为以二部图索引的正交投影;在均匀四阶矩假设下,若断连图(disconnected graphs)对应投影的某种集中度量趋于零,则标准化统计量渐近高斯且经典方差估计量比值一致。在归一化投影紧性下,该性质等价于断连图贡献的方差比例趋于零;必要性来自一般极限定理,其中每个图贡献一个阶数等于其连通分量数的 Wiener 混沌。作者还指出行-列 jackknife 方差估计量在退化情形下通常不能给出标准正态极限,并提出了一个不要求高斯极限的保守推断程序,适用于额外的矩和投影条件。最后以基于乘积形式距离的估计和检验为例,展示了不同速率下的高斯与非高斯极限。
  • 关键技术: U-statistics of exchangeable arrays, degeneracy and Wiener chaos decomposition, orthogonal projection decomposition via bipartite graphs, ratio-consistent variance estimation, uniform inference, jackknife variance estimator
  • 为什么对您有用: 本文直接推进您的主要兴趣之一——higher-order U-statistics 的理论,特别是退化情形下的极限分布和方差估计,与您熟悉的 U-统计量投影和组合结构紧密相关。您可以用 very_familiar 的 U-统计量计算(treewidth / tensor contraction)视角来审视其图分解的复杂度,或验证其均匀推断条件在具体模型中的可检验性。中期可做:若想推广到更一般的退化阶数或非高斯极限,需在 moderately_familiar 的 semiparametric 理论上再积累。

📌 中相关论文(按主题分组)

因果推断 (causal_inference, 15 篇)

1. 2611.10975 — Inference for Non-Probability Samples Using Error-Prone Auxiliary Information

  • 作者: Lyndon Ang, Robert Clark, Bronwyn Loong, Anders Holmberg
  • 机构: Australian National University · Australian Bureau of Statistics
  • 分类: stat.ME
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文研究非概率样本的统计推断问题,目标是在存在选择偏差和辅助信息测量误差时估计总体参数。作者提出一种半参数方法,将参与概率建模为逻辑回归,同时对误差辅助变量使用非参数核回归,以校正参考数据源中的测量误差。通过模拟和真实数据分析,该方法能有效缓解选择偏差并考虑测量误差,而忽略测量误差的方法仍有偏差。作者证明了基于所得参与概率的逆概率加权估计量的一致性,并描述了自助方差估计方法。该方法与您关注的因果推断中的加权估计和测量误差问题紧密相关,特别是与您熟悉的非参数估计和M估计理论有直接联系。
  • 关键技术: inverse probability weighting, semiparametric estimation, kernel regression, logistic regression, bootstrap variance estimation
  • 为什么对您有用: 本文属于因果推断中处理选择偏差和测量误差的应用方法,与您的primary interest中的causal inference和semiparametric theory直接相关。您可以用very_familiar的非参数统计和M估计理论来审视其半参数估计的渐近性质,或考虑将更高阶U统计量用于其方差估计。中期可做:需在semiparametric efficiency方面加强,以推导其半参数效率界。

2. 2611.11008 — Cause-specific structural nested cumulative survival time models for competing risks, with application to the Antibody Mediated Prevention trials

  • 作者: Yuxiao Li, Yuhao Deng, Bo Zhang
  • 机构: University of Washington · Fred Hutch Cancer Center
  • 分类: stat.ME
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文针对竞争风险数据,将结构嵌套累积生存时间模型(SNCSTM)扩展为病因特异性版本,以估计时变治疗(如口服PrEP)对特定HIV-1毒株(VRC01敏感/不敏感)获得的影响。在序贯可忽略性框架下,该模型与Fine-Gray子分布风险模型紧密相关;在工具变量框架下,可处理时变治疗与事件时间之间的未测量混杂,适用于依从性场景。作者提出了一致且渐近正态的结构参数估计量,并应用于AMP试验(HVTN 704/HPTN 085),估计了PrEP和VRC01输注的效应及反事实累积发病率。该工作为纵向因果推断中的竞争风险问题提供了新的建模工具,与您的因果推断(纵向、IV)和半参数理论兴趣直接相关。
  • 关键技术: structural nested cumulative survival time model, competing risks, Fine-Gray subdistribution hazard, instrumental variable, sequential ignorability, asymptotic normality
  • 为什么对您有用: 本文属于因果推断中的纵向设定,具体是竞争风险下的时变处理效应估计,与您的primary interest中的'longitudinal'和'IV'直接相关。您可以用very_familiar的'identification theory in causal inference'来审视其识别假设的合理性,或用moderately_familiar的'semiparametric theory'来分析其估计量的效率性质。中期可做:若想深入,需在'semiparametric theory'上加强,以推导其半参数效率界。

3. 2611.11307 — Sharp bounds for posterior causal attribution given complete factual records

  • 作者: Liyao Zhou, Xinwei Sun
  • 分类: stat.ME
  • 相关性 7/10 · novelty: new_theory
  • 摘要: 本文研究回顾性因果归因问题,即在给定完整事实记录下,评估改变早期事件是否会阻止观察到的结果。在有限马尔可夫结构因果模型中,观测数据仅能确定固定输入下的边际潜在响应概率,而跨世界联合分布不可识别。作者证明,条件于完整事实记录,机制间的独立性得以保持,且每个未观测的条件响应分布被限制在一个有上限的概率单纯形内。满足这些局部约束的每个条件分布集合都能在单一兼容的结构因果模型中被联合实现。通过在该乘积域上优化反事实期望,得到了多阶段干预和中介效应的尖锐归因界限,并扩展到结构响应限制的兼容响应向量多面体。文章为因果链和一般有向无环图提供了精确算法、一致的插件端点估计量以及有限样本和渐近置信区间,并通过合成反应堆实验和健康调查数据进行了说明。
  • 关键技术: structural causal model, counterfactual inference, sharp bounds, probability simplex, plug-in estimation, confidence intervals
  • 为什么对您有用: 本文直接涉及因果推断中的识别与估计问题,特别是反事实和中介效应的界限,与您的因果推断(proximal CI、mediation)兴趣高度相关。您可以用非常熟悉的非参数统计和极小极大界工具来审视其端点估计量的收敛速率,或利用您对因果识别理论的掌握来验证其联合可达性论证的严密性。中期可做:若想进一步探索其算法在更大图上的计算复杂度,可结合您对高阶U统计量的计算视角(树宽/张量收缩)进行分析。

4. 2611.11483 — Causal Machine Learning for Multilevel Studies with Unmeasured Cluster-Level Covariates via Variational Autoencoders

  • 作者: Youmi Suk, Yuxuan Li
  • 机构: Columbia University
  • 分类: stat.ME · stat.AP · stat.ML
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文针对多层次观测研究中存在未测量的簇级混杂变量这一难题,提出了一种新的因果机器学习方法 VAE-R(变分自编码器增强的 R-learner)。该方法利用变分自编码器(VAE)从结果和治疗残差的簇内相关性中推断未测量的簇级协变量,并将其作为调整变量来估计条件平均处理效应(CATE)和平均处理效应(ATE)。VAE 的解码器通过偏移似然(offset likelihood)设定,确保潜在变量仅捕捉测量协变量未能解释的簇级变异。VAE-R 同时适用于观测研究中的未测量簇级混杂和整群随机试验中的未测量簇级结果预测因子。作者还提供了数据驱动的超参数选择策略(潜在维度大小和 KL 权重)。模拟研究表明,VAE-R 几乎消除了普通 R-learner 在多层次观测数据中的 CATE 和 ATE 偏差,并在整群随机试验中提高了精度。最后,作者用两个数据集(一个多层次观测研究,一个整群随机试验)进行了实证说明。该方法为处理多层次数据中的未测量混杂提供了一种新的灵活工具,与您的因果推断(特别是纵向和整群数据)以及统计计算(VAE 的实现)兴趣直接相关。
  • 关键技术: variational autoencoder, R-learner, offset likelihood, unmeasured cluster-level confounding, CATE estimation, hyperparameter selection
  • 为什么对您有用: 本文直接关联您的因果推断兴趣,特别是多层次/纵向数据中未测量混杂的处理,这是您 primary interest 中 'longitudinal' 和 'identification theory' 的具体场景。您可以用 very_familiar 的 'estimation theory in causal inference' 和 'software development' 技能来复现其方法,并评估其理论性质(如收敛速度、效率界),这属于 '立即可做' 的范畴。

5. 2611.11923 — Characterizing Underrepresentation when Generalizing Causal Survival Estimates

  • 作者: Bolun Liu, Sean McGrath, Yiren Hou, Elizabeth A. Stuart, Harsh Parikh
  • 机构: Johns Hopkins University · Washington University in St. Louis · Yale University
  • 分类: stat.ME · stat.ML
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文研究随机试验结果向目标人群推广时,时间-事件结局(time-to-event)设定下的代表性不足(underrepresentation)问题。作者将代表性不足分解为基线代表性不足(协变量分布在试验中相对目标人群罕见)和时变代表性不足(差异删失导致亚组在随访中流失)两种机制。他们证明高效泛化估计量的渐近方差可分解为两项:抽样权重项(捕捉基线错配)和删失权重项(捕捉随访差异损失),且只有这两项会在代表性减弱时发散。基于此分解,提出 TRACE 方法,结合自归一化方差目标与树搜索,定位代表性不足的亚组,归因于基线或删失机制,并识别删失驱动方差膨胀的随访区间。联合优化问题通过参数化动态规划嵌套在 Rashomon 近最优树集成中求解。合成基准测试中 TRACE 能恢复植入的代表性不足区域;在 JTPA 研究案例中,限制到可靠泛化的亚组使精炼估计量的 95% 置信区间缩窄 60%。该方法对您可能有用,因为它将因果泛化中的代表性诊断与效率理论(方差分解)和树集成计算相结合,可连接到您的因果推断与效率理论兴趣,尤其是 longitudinal 设定下的删失处理。
  • 关键技术: efficient influence function, variance decomposition, self-normalized variance objective, Rashomon ensemble, dynamic programming, tree-based search
  • 为什么对您有用: 本文直接关联您的 causal inference 兴趣中的 generalizability 与 efficiency theory:其方差分解基于半参数效率界,且处理 longitudinal 数据中的删失,与您的 longitudinal 因果推断方向对口。您可用 very_familiar 的 minimax bounds 和 estimation theory 来评估其方差分解的紧性,或用 moderately_familiar 的 semiparametric theory 深入理解其 efficient estimator 的构造。中期可做:若想扩展其方法到更复杂的删失机制,需在 semiparametric theory 上加强。

6. 2611.10515 — A General Statistical Framework for Attention and Manipulation Checks

  • 作者: Kentaro Nakamura, Kosuke Imai
  • 机构: Harvard University
  • 分类: stat.ME · stat.AP
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文提出一个一般性统计框架,用于分析带有前测或后测注意力/操纵检查(attention/manipulation checks)的调查实验,并显式考虑检查的测量误差。作者指出,当检查在治疗后实施时,测量误差可能依赖于治疗,因此仅保留通过检查的受访者会引入显著偏差。核心识别结果表明,在给定真实潜在注意力/操纵状态和前测协变量的条件下,若三个检查在治疗组内条件独立,则可识别治疗下注意力集中或操纵成功的受访者比例。在额外温和假设下,该结果还可识别治疗下注意力集中或操纵成功的受访者的平均处理效应(ATE)。基于识别结果,作者提出允许灵活协变量建模的估计量,并证明其渐近正态性。对框架实验和数字媒体素养实验的应用表明,考虑测量误差后得到的处理效应估计与传统方法有实质性差异。
  • 关键技术: measurement error model, conditional independence, identification, asymptotic normality, survey experiments
  • 为什么对您有用: 本文属于因果推断中处理效应估计的识别与估计问题,直接关联您的主要兴趣(causal inference 的 identification 与 estimation)。其识别策略(利用多个检查的条件独立性)与 proximal causal inference 中的 negative control 思想有相通之处,可用您 very_familiar 的 estimation theory 和 moderately_familiar 的 identification theory 来审视其假设的合理性与估计量的效率。中期可做:若想推广到更复杂的纵向或高维协变量设定,可结合您 moderately_familiar 的 semiparametric theory 和 HOIF 来推导更高效的估计量。

7. 2611.10943 — Forecasting Replication Study Results from Meta-Analyses

  • 作者: Yi Li, Alvin Wei Ming Tan, Francesco Margoni, Michael C. Frank, Maya B. Mathur
  • 机构: McGill University · University of Stavanger · Stanford University · Stanford Medicine
  • 分类: stat.ME
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文研究如何从已发表的元分析预测尚未进行的多站点复制研究的站点级效应量,目标是为复制研究设计提供更可靠的样本量依据。作者扩展了元回归的校准估计,构建了非参数预测区间,该区间以每个站点的调节变量水平为条件,并通过逆发表概率加权校正发表偏倚,假设偏倚严重程度已知。在总体效应正态分布下,该区间渐近达到名义覆盖率,否则覆盖率误差有界。通过81种模拟场景和两个婴儿认知多站点复制项目(ManyBabies 1和4)的盲法回顾性预测,比较了四种预测模型(仅截距元分析或元回归,各含或不含发表偏倚校正)。结果表明,校正发表偏倚能改善区间校准,且改善幅度随偏倚严重程度增加;元回归仅在测量到的调节变量能解释效应变异且复制站点在这些变量上差异显著时改善预测。实际建议是,从元分析预测复制结果时应默认进行发表偏倚校正,而刻意在站点间变化调节变量的复制项目能产生更具信息量的预测。
  • 关键技术: meta-regression, nonparametric prediction intervals, inverse-probability-of-publication weighting, publication bias correction, calibrated estimation, blinded retrospective forecasting
  • 为什么对您有用: 本文属于因果推断中复制研究与发表偏倚的交叉领域,与您对因果推断(特别是敏感性分析和识别)的兴趣直接相关。您可以用非常熟悉的非参数统计和极小极大界工具来审视其预测区间的覆盖性质,例如检查其渐近覆盖误差界是否紧,或探索在更一般的效应分布下区间是否可改进。中期可做:若想深入其逆概率加权方法,需在识别理论(如工具变量或负对照)上稍作加强,但总体而言,立即可做,因为核心工具(非参数区间、加权估计)已在您的武器库中。

8. 2611.11448 — ZIO: Order-Based Structure Learning for Zero-Inflated Count Data under Data Heterogeneity

  • 作者: Fariha Taskin, Junsouk Choi, Hyunwoong Chang
  • 机构: The University of Texas at Dallas · Korea University
  • 分类: stat.ME
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文提出一种针对零膨胀多元计数数据的DAG结构学习方法,目标是在数据异质性下估计因果图。现有基于零膨胀泊松模型的因果结构学习虽可识别,但依赖DAG空间的局部搜索,可扩展性差且易陷入次优解。作者开发了基于变量排序的评分框架,在排序空间而非DAG空间搜索,并扩展至多个异质数据集:共享一个变量排序但允许各数据集有各自的边集。算法采用带随机到随机(R2R)提议算子的随机爬山法,高效探索排序空间。模拟研究表明,与现有方法相比性能有竞争力,且联合分析多个异质数据集时图估计精度提升。方法应用于重度抑郁症研究的单核RNA测序数据。对您而言,该工作将因果结构学习与高维计数数据及异质性结合,其排序搜索思路可能对您关注的因果推断中的计算效率问题有启发。
  • 关键技术: order-based scoring, stochastic hill climbing, random-to-random proposal, zero-inflated Poisson DAG, heterogeneous data integration
  • 为什么对您有用: 该论文属于因果推断中的结构学习,具体连接您的causal inference兴趣中的identification与estimation子方向。您武器库中very_familiar的high-dimensional asymptotics可用于分析其排序搜索的统计性质,而moderately_familiar的identification theory可评估其零膨胀模型的可识别性假设。中期可做:需在moderately_familiar的semiparametric theory上加强,以处理异质性数据下的共享排序估计。

9. 2611.11496 — Graph-regularized synthetic control for spatial panels with post-only treated locations

  • 作者: Hajime Seya, Ryosei Moriwaki, Daisuke Murakami
  • 机构: Kobe University · The Institute of Statistical Mathematics
  • 分类: stat.ME
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文针对空间政策面板中处理单元仅在干预后观测(无处理前轨迹)的设定,提出图正则化合成控制方法 Graph-SCM 与 GeoEco-SCM。前者通过图正则化联合估计各处理单元的 donor 权重,鼓励地理邻近单元使用相似的 donor 组合;后者在保留地理图的同时,利用处理前经济相似性调整边权重。两种方法均将完整、部分、缺失历史统一纳入一个凸权重估计问题。蒙特卡洛实验与协变量平衡合成控制、等权 donor 平均、普通合成控制及非可分离时空插补等方法比较,结果显示无方法全面占优,但图正则化在若干设定下优于协变量平衡,经济调整在地理信息不足时有效。结论支持图正则化扩展合成控制覆盖范围,但其有效性依赖信息结构。
  • 关键技术: graph-regularized synthetic control, convex weight estimation, spatial panel, covariate balancing, Monte Carlo simulation
  • 为什么对您有用: 本文属于因果推断中合成控制法的扩展,直接关联您对 causal inference 中估计方法的兴趣;您熟悉的非参数统计与估计理论可用于分析其图正则化估计的偏差-方差权衡,且其凸优化问题与您软件开发的技能契合。中期可做:需在 semiparametric theory 上加强以推导其渐近性质。

10. 2611.10925 — Z-Estimation under Unignorably Large Clusters

  • 作者: Agossou Michel Yomakou, Abderrahim Taamouti, Emmanuel S. Tsyawo
  • 机构: Université Mohammed VI Polytechnique · University of Alabama · University of Liverpool
  • 分类: econ.EM
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文研究在簇大小高度异质且不可忽略的情况下,Z-估计量的渐近理论。传统簇稳健推断在少数大簇主导观测加权估计方程时可能失效,作者针对独立簇、任意实现簇大小和簇内任意依赖结构,发展了簇平衡Z-估计量的渐近理论。方法基于Chiang, Sasaki & Wang (2025)的规模调整重加权,并区分了目标定义、识别和推断三个层面。通过施加簇级零条件(作为识别条件或由个体级外生性/设计机制导出),结构目标对确定性簇重加权不变,分离重加权总体矩即可保证识别。点态结果在协方差序列沿簇阵列变化时建立渐近正态性,泛函参数结果建立弱收敛和簇乘子bootstrap的均匀推断有效性。框架涵盖光滑和非光滑得分,包括分布回归、分位数回归和期望分位数回归。蒙特卡洛实验和市政学校数据应用说明了方法的实用性。
  • 关键技术: cluster-balanced Z-estimators, size-adjusted reweighting, cluster multiplier bootstrap, uniform inference, quantile regression, expectile regression
  • 为什么对您有用: 本文属于因果推断中纵向/聚类数据的推断问题,与您的primary interest中causal inference的longitudinal方向直接相关。您可以用very_familiar的软件开发和high-dimensional asymptotics技能,快速实现其bootstrap方法并验证有限样本性质;中期可做的是将其与您的higher-order U-statistics工作结合,分析重加权估计量的高阶性质。

11. 2611.11003 — Do Modern Difference-in-Differences Estimators Change Published Findings in Business Research?

  • 作者: Davide Proserpio
  • 机构: University of Southern California
  • 分类: econ.EM
  • 相关性 6/10 · novelty: application
  • 摘要: 本文系统性地重新分析了商业学期刊中已发表的交错采用DiD设计,评估现代异质性稳健估计量(Callaway-Sant'Anna和Borusyak等)是否改变TWFE的结论。作者利用Hull (2026)的LLM代理方法从期刊公共复制档案中识别合格规范,复现了40篇论文中的355个TWFE估计,并重新估计了相应的现代估计量。结果显示,TWFE与现代估计量的相关系数仅为0.61和0.70,约25%和18%的比较中符号发生翻转,且约10%和7%的比较中符号显著相反。现代标准误约为TWFE的1.3-1.6倍,表明在商业研究中,负权重问题比经济学领域更为普遍。该研究为实证研究者提供了关于方法选择重要性的量化证据,并展示了LLM在复制研究中的潜在应用。
  • 关键技术: difference-in-differences, two-way fixed effects, Callaway-Sant'Anna estimator, imputation estimator, large language model agents, replication study
  • 为什么对您有用: 本文直接关联因果推断中的交错DiD异质性处理效应问题,是您primary interest中'causal inference'的具体应用。您可以用very_familiar的估计理论(如TWFE的权重分解)来审视其比较框架,并考虑用moderately_familiar的identification theory来评估其规范选择的有效性。该研究为实证因果推断提供了重要的方法选择警示,值得展开读。

12. 2611.10388 — Causal Discovery Grounding and the Naturalness Assumption

  • 作者: Guilherme P. Soares, Andreas Koukorinis, Sander Beckers, Jake Fawkes, David S. Watson, Ricardo Silva
  • 机构: University College London · King's College London
  • 分类: stat.ME · stat.ML
  • 相关性 5/10 · novelty: new_theory
  • 摘要: 本文针对标准因果发现中 faithfulness 假设的近似失效问题,提出一种新的原则 'naturalness',用于判断特定因果对上是否存在未观测混杂。与依赖精确条件独立性的 faithfulness 不同,naturalness 假设观测关联的强度约束了因果依赖的强度,但该约束函数未知且具有额外自由度。作者采用贝叶斯框架对未知约束函数建模,并利用来自独立研究的实验数据来校准该函数,从而实现自适应的因果发现。该方法被应用于因果效应的部分识别,展示了在 faithfulness 近似失效时仍能获得有意义的识别区间。本文为因果发现提供了新的理论视角,但方法仍处于初步阶段,其实际性能有待进一步验证。对您而言,该工作与您关注的因果识别和敏感性分析方向直接相关,其贝叶斯建模思路可能为处理未观测混杂提供新工具。
  • 关键技术: naturalness assumption, Bayesian modeling, partial identification, causal discovery, unmeasured confounding
  • 为什么对您有用: 本文直接关联您 primary interest 中的 causal inference 子方向,特别是未观测混杂的识别与敏感性分析。您可以用 very_familiar 的 estimation theory in causal inference 来审视其 naturalness 原则下的识别条件,并评估其部分识别边界是否紧。中期可做:该文引入的贝叶斯框架需要您 moderately_familiar 的 identification theory 来深入理解,但核心机器(贝叶斯建模)不在您当前武器库中,因此暂不可做直接扩展。

13. 2611.10962 — Overlap-Excluded Estimation of Participation Probabilities for Non-Probability Samples

  • 作者: Lyndon Ang, Robert Clark, Bronwyn Loong, Anders Holmberg
  • 机构: Australian National University · Australian Bureau of Statistics
  • 分类: stat.ME
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文研究非概率样本(如便利样本、行政记录)与概率样本结合时的选择偏差校正问题,目标是估计有限总体均值等参数。在准随机化框架下,参与概率通过逆概率加权(IPW)用于校正偏差。作者提出一种新方法:利用非概率样本与概率样本的并集,但排除概率样本中与非概率样本重叠的单位来估计参与概率,从而避免重复计数并提高效率。当真实重叠无法确定时,作者引入期望最大化(EM)算法同时估计重叠部分和参与概率。理论上和实证上,作者将所提方法与多种替代方法(如仅用非概率样本、直接合并概率样本等)进行比较,展示了排除重叠单位带来的效率增益。该方法为流行病学或经济调查中常见的非概率数据整合提供了实用的因果推断工具。
  • 关键技术: inverse probability weighting, quasi-randomization, Expectation-Maximization algorithm, overlap estimation, finite population inference
  • 为什么对您有用: 本文直接关联因果推断中的样本选择偏差校正,特别是非概率样本与概率样本整合的识别与估计问题,属于您 primary interest 中 causal inference 的估计理论子方向。您可以用 very_familiar 的 estimation theory in causal inference 来审视其 IPW 估计量的渐近性质,并考虑用 moderately_familiar 的 identification theory 来探讨重叠不可识别时的敏感性。中期可做:若想深入 EM 算法的收敛性,需在 M-estimation theory 上加强。

14. 2611.11311 — Causal discernment and the direction of clinical research

  • 作者: Carlo Berzuini, Luisa Bernardinelli
  • 机构: University of Manchester · University of Pavia
  • 分类: stat.ME
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文提出“因果辨识”(causal discernment)这一实践,旨在识别与证据相容但可能导致不同决策或研究方向的解释,并设计研究加以区分。方法上结合因果图与叙述性推理,围绕四个问题展开:目标干预是否实现、获益与伤害的路径、因果关系的跨机制稳定性、以及未决路径是否改变决策。在定量假设下,即使效应不可识别,因果图也能通过展示哪些发现能区分不同解释来支持合理推理。作者以HMGCR和PCSK9扰动对LDL和冠心病的一致关联为例,说明LDL介导假说优于靶点特异解释,但无法排除共享受体通路;糖尿病关联则留下LDL降低、受体介导摄取和体重增加等可能解释。文章提出“因果记录”(causal record)来形式化选择下一步研究的推理,使竞争解释、证据和假设显式化,并说明每个设计能解决什么。其价值在于使研究决策的推理可审查,但相对常规理由审查的增量价值尚待评估。对您而言,本文连接了因果推断中的识别与敏感性分析,特别是通过图形工具区分竞争解释的思路,可迁移到您的proximal CI或mediation研究中。
  • 关键技术: causal graphs, competing explanations, causal record, LDL mediation, sensitivity reasoning
  • 为什么对您有用: 本文属于因果推断中识别与决策的交叉,直接关联您的primary interest中的causal inference(identification, sensitivity analysis)。您可用very_familiar的estimation theory in causal inference来形式化其“区分解释”的推理,或将其“因果记录”思路与您的proximal CI框架结合,中期可做。

15. 2611.12352 — TRACE: Adaptive Credibility Reweighting for Robust Bayesian Model Selection with Source Summary Statistics

  • 作者: Pengfei Chen, Yuehan Yang, Lucy Klinger, Chong You
  • 机构: Fudan University · Shanghai Institute for Mathematics and Interdisciplinary Sciences
  • 分类: stat.ME
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文研究在目标数据上做回归估计和变量选择,同时利用来自相关研究的系数估计(源摘要统计量)进行信息迁移。目标是通过加权组合源估计来指导目标系数,但允许部分源效应与目标不一致。作者提出 TRACE 方法,一种贝叶斯方法,仅需源研究的拟合系数和样本量,学习共享的单纯形约束源权重,并用潜在指示变量区分目标变量是否纳入模型以及系数是否受源估计引导。算法上开发了近似折叠变分期望最大化(EM)算法,并带有稳健的源权重初始化。理论部分在固定维度的每次预设迭代和维度增长时的全局平均场最优下,建立了变量选择、迁移决策和源权重估计的一致性。模拟显示 TRACE 在不同源异质性模式下具有竞争力的变量选择性能,并在 GTEx 跨组织基因表达预测中展示了应用。
  • 关键技术: Bayesian variable selection, collapsed variational EM, simplex-constrained weights, transfer learning, summary statistics
  • 为什么对您有用: 本文属于因果推断中的迁移学习与异质性处理,与您对 causal inference 中异质性效应和纵向设定的兴趣相关。您可以用 very_familiar 的 estimation theory in causal inference 来审视其源权重估计的识别条件,或用 moderately_familiar 的 identification theory 来探讨其潜在指示变量与因果效应的联系。中期可做:需在 semiparametric theory 上加强以处理更一般的源-目标异质性。

高维统计 / 随机矩阵 (high_dim_rmt, 2 篇)

1. 2611.12287 — Algorithm-aware Statistical Inference in High-dimensional Estimating Equations

  • 作者: Tongyu Li, Alexander Giessing
  • 机构: National University of Singapore
  • 分类: stat.ME
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文针对高维估计方程迭代算法产生的离散轨迹,提出同时推断方法,目标估计量为迭代特定的总体参数,保留了算法正则化效应。核心方法是固定雅可比自助法,沿观测轨迹传播扰动,无需重复运行原始非线性算法。作者在稳定性、熵和矩条件下建立了均匀一阶展开和自助法有效性,覆盖可能无限的对比和迭代集合。模拟实验在稀疏线性回归、配对Fisher判别和时间差分学习中展示了准确的联合覆盖率。微随机试验应用说明了考虑参与者水平聚类的治疗轨迹推断。该方法将算法迭代视为统计估计过程的一部分,为算法感知的统计推断提供了新视角。
  • 关键技术: fixed-Jacobian bootstrap, simultaneous inference, high-dimensional estimating equations, uniform first-order expansion, algorithmic regularization
  • 为什么对您有用: 本文连接高维统计与统计计算,特别是算法迭代中的不确定性量化,与您对高维估计和计算约束统计的兴趣相关。您可运用在高维渐近和自助法方面的熟悉工具,评估其均匀展开条件在具体算法中的适用性。中期可做:结合您对更高阶U统计量的理解,探索轨迹估计量的高阶改进。

2. 2611.10358 — Divide-and-Conquer is Tail- and Anomaly-Robust: Factor Model Estimation Without Moment Constraints

  • 作者: Zetai Cen, Han Yan, Haeran Cho
  • 机构: Engineering and Physical Sciences Research Council · University of Bristol · London School of Economics and Political Science
  • 分类: math.ST · stat.ME · stat.TH
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文研究椭圆因子模型在存在异常观测且不要求任何正阶矩存在时的稳健估计问题。作者提出一种分治(DC)估计量,即对小块数据的列空间正交投影取平均,并严格建立了允许弱因子和异质因子的概率界。该收敛速率与经典主成分估计量相当,仅相差异常值比例因子。基于DC估计量,进一步提出STAR估计量,利用连续投影坐标比值的样本中位数估计因子个数,并在温和条件下证明其一致性。整个流程在已知因子数上界时无需调参、无需截断阈值、无需优化求解,且支持并行计算,计算复杂度与经典主成分方法相同。大量实验验证了DC和STAR的有效性,并在组合收益数据集上展示了应用。
  • 关键技术: divide-and-conquer estimation, elliptical factor model, orthogonal projection averaging, median of ratios, robust factor number estimation
  • 为什么对您有用: 本文属于高维统计与随机矩阵理论交叉领域,直接关联您的高维统计与随机矩阵理论兴趣。其分治投影平均方法在无矩条件下达到经典速率,可尝试用您熟悉的更高阶U统计量或张量收缩视角分析其估计量的计算复杂度与统计效率。

非参数 / 半参数 (nonparam_semipara, 9 篇)

1. 2611.10401 — Efficient Estimation and Consistent Class Number Selection for Semiparametric Class-Specific Index Regression

  • 作者: Jen-Chieh Teng, Sheng-Hsin Fan, Chin-Tsang Chiang, Alvin Lim
  • 机构: National Taiwan University · Emory University
  • 分类: stat.ME
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文提出一种简约的半参数类别特定指标回归模型,用于刻画潜在子总体中协变量与响应之间的异质关系。在潜在类别模型框架下,利用个体特定指标作为潜在标签的完整数据表示,并提出了估计模型参数和恢复潜在类别成员关系的统一框架。对于类别特定指标均值模型,通过带分离惩罚的伪最小二乘准则进行估计和类别恢复,并提出半参数信息准则以一致地估计类别数。利用响应分布,开发了最大化渐近正确分配概率的贝叶斯分类规则,以及产生渐近半参数有效的类别指标系数估计的伪极大似然准则。该细化步骤通过协变量空间的充分降维来刻画潜在类别成员概率。模拟和营销及生物医学数据集的应用表明,所提方法在参数估计、潜在类别恢复和类别数选择方面具有优越的有限样本性能。
  • 关键技术: pseudo-least-squares with separation penalty, semiparametric information criterion, Bayes classification rule, pseudo-maximum likelihood, sufficient dimension reduction, semiparametric efficiency
  • 为什么对您有用: 该论文直接关联半参数理论、效率理论以及潜在类别模型中的因果推断(如异质性处理效应),且其提出的半参数有效估计和类别数选择方法可借鉴于您的因果推断工作。您可运用非常熟悉的非参数统计和极小极大界工具来审视其估计量的渐近性质,或利用半参数理论(中等熟悉)来推导其效率界。中期可做:将其类别数选择准则推广到更复杂的因果结构(如工具变量或纵向设定),需先在半参数理论上加强。

2. 2611.11456 — Model-assisted semi-supervised estimation of the Mann-Whitney probability under right censoring

  • 作者: Hengyao Xu, Tao Tan
  • 机构: Xinjiang University
  • 分类: stat.ME · math.ST · stat.TH
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文研究右删失下全寿命 Mann-Whitney 概率的半监督估计问题,目标是在两组各有一个仅含协变量的辅助样本和一个含结局的标记样本时,估计 P(T1<T2)。作者构造了一个模型辅助估计量,通过将删失的配对比较与标记和辅助特征均值之差相结合来调整偏差,并在工作投影类内最小化一阶方差以选择资源权重。在联合独立删失和正则性条件下,利用四池影响函数表示(考虑从同一标记记录估计的删失分布)建立了估计量的一致性和渐近正态性,并给出基于四池的方差估计以构造 Wald 置信区间。效率分析将方差缩减与投影比较信号和辅助样本量联系起来,并刻画了与半参数有效界的差距;还提出了固定水平扩展以处理半权重结和随访封顶导致的终末质量。模拟显示在中等或强投影信号下精度随辅助样本量增加,而在零或弱信号下某些设置存在有限样本损失;五年期鹿特丹乳腺癌数据比较展示了不同标签分配下的精度增益和变异性。对您而言,该文的四池影响函数表示和半监督效率分析可直接迁移到您熟悉的半参数效率理论,并可能为因果推断中的删失结局半监督估计提供新思路。
  • 关键技术: model-assisted estimation, influence function, semiparametric efficiency bound, right censoring, semi-supervised learning, Wald confidence intervals
  • 为什么对您有用: 该文属于半参数/非参数理论方向,直接关联您的 primary interest 中的 semiparametric theory 和 efficiency theory。其四池影响函数表示和半监督效率分析,您可以用 very_familiar 的 semiparametric theory 和 influence function 工具来审视其效率界是否紧,并考虑将类似半监督框架推广到因果推断中的删失结局估计(如 ATE 或生存结局的因果参数),属于中期可做(需在删失数据半参数估计上稍加熟悉)。

3. 2611.11582 — Robust Gaussian process regression: posterior contraction

  • 作者: Isma\"el Castillo, Paul Egels, Riccardo Lazzarini, Botond Szab\'o
  • 机构: Sorbonne Université · Laboratoire de Probabilités, Statistique et Modélisation · Bocconi University
  • 分类: math.ST · stat.ML · stat.TH
  • 相关性 7/10 · novelty: new_theory
  • 摘要: 本文研究高斯过程回归在观测被对抗性污染时的稳健性问题:在 n 个观测中,m 个可能被污染,目标是在频率学框架下刻画后验收缩率。作者采用广义贝叶斯方法,用稳健化的对数似然替代高斯似然,并讨论多种选择,包括 Altamirano 等人提出的保持共轭性的版本。在 Sobolev 光滑度 β 和污染数 m 下,文章给出了对抗性污染下估计的 minimax 率,并研究了同时适应 β 和 m 的自适应程序,证明一般需要付出多项式损失。结果具体应用于 Matérn 高斯过程和深度 ReLU 网络先验,并提供了数值实验。对您而言,本文的非参数贝叶斯收缩率分析与您熟悉的 minimax 界和半参数理论直接相关,且其稳健化似然的处理方式可能对因果推断中的敏感性问题有借鉴意义。
  • 关键技术: generalized Bayes, robustified likelihood, posterior contraction rates, minimax rates, adaptation, Matérn Gaussian process, deep ReLU networks
  • 为什么对您有用: 本文属于非参数贝叶斯与稳健统计的交叉,直接关联您的非参数/半参数理论兴趣,特别是后验收缩率与 minimax 率的联系。您可以用非常熟悉的 minimax 界工具来验证其收缩率是否紧,并考虑将稳健化似然的思想迁移到因果推断的敏感性分析中。中期可做:需先熟悉广义贝叶斯后验收缩的证明技巧(如 testing 方法),这属于 moderately_familiar 的 M-estimation 理论范畴。

4. 2611.11959 — On the Instance-Specific Sharp Rates for Constrained Least Squares Estimators in the Sequence Model

  • 作者: Zong Shang
  • 机构: Georgia Institute of Technology
  • 分类: math.ST · stat.TH
  • 相关性 7/10 · novelty: new_theory
  • 摘要: 本文研究序列模型中凸约束最小二乘估计的实例特定(instance-specific)最优收敛速率,目标是在不依赖局部化高斯均值宽度估计的前提下,刻画期望估计误差的精确阶。作者提出基于特征空间分解(Feature Space Decomposition)的一般性方法,对 ℓ_q 椭球、ℓ_1 球以及 kB_1^N∩B_∞^N 等约束集合,在非退化情形下得到匹配的上下界。方法还推广到满足 Poincaré 不等式的对称噪声分布,超越高斯假设。此外,对保序回归(isotonic regression)给出了任意良设定信号和任意噪声水平下实例特定最优速率的初等证明,并结合 Han 的渐近约化,得到高斯线性回归中保序回归在一般信号依赖渐近条件下的显式收敛速率。该工作为约束估计的有限样本理论提供了更精细的刻画,对非参数估计的 minimax 理论有直接推进。
  • 关键技术: Feature Space Decomposition, constrained least squares, instance-specific rates, localized Gaussian mean widths, Poincaré inequality, isotonic regression, asymptotic reduction
  • 为什么对您有用: 本文直接推进非参数估计的 minimax 理论,属于 primary interest 中 semiparametric/nonparametric theory 的核心问题;其特征空间分解方法可能为高维 U-统计量的方差分析提供新视角,且保序回归的初等证明对理解 shape-constrained 估计有启发。

5. 2611.10383 — Asymptotic Theory of Integrated Pairwise-Difference Functionals of Kernel Estimators, with Applications to Treatment Effect Heterogeneity

  • 作者: Julius Owusu
  • 机构: Concordia University
  • 分类: econ.EM
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文研究由核估计构造的积分型两两差分统计量的渐近理论,这类统计量对估计函数在两点处的绝对差或正部差进行积分,其两点结构超出了经典的单点 L1 型泛函理论。作者利用 Poissonization 技巧和 Hajek 投影建立渐近正态性,并给出可行的中心化与方差估计量。应用之一是在控制一个协变量块的条件下检验处理效应是否随另一协变量块变化,即条件平均处理效应(CATE)的异质性检验;应用之二是对条件处理效应函数的 directional Gini mean difference 建立根号 N 推断,该量以结果单位度量异质性。框架还涵盖单调效应修正检验和估计伪结果的情形。模拟验证了渐近理论并显示良好的有限样本表现,401(k) 数据应用展示了检验的实用性。对您而言,该文将非参数泛函的渐近理论与因果推断中的异质性检验结合,且其两两差分结构可能为您的 U-统计量视角提供新的切入点。
  • 关键技术: Hajek projection, Poissonization, kernel estimation, pairwise-difference functional, Gini mean difference, treatment effect heterogeneity
  • 为什么对您有用: 本文直接关联您的非参数/半参数理论与因果推断兴趣,特别是 CATE 异质性检验和基于 U-统计量结构的泛函推断。您可以用 very_familiar 的 U-统计量投影理论(如 Hoeffding 分解)来审视其 Hajek 投影的紧性,或探索其两点差分泛函与高阶 U-统计量的联系。中期可做:若想深入其 Poissonization 技巧,需在 moderately_familiar 的 semiparametric theory 上加强。

6. 2611.12516 — Linear Functional Estimation under Multiplicative Measurement Error with Unknown Error Distribution

  • 作者: Jan Johannes, Maximilian Siebel
  • 机构: Heidelberg University · Humboldt-Universität zu Berlin
  • 分类: math.ST · stat.TH
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文研究乘法测量误差模型 Y = Xε 下信号 X 的统计推断,其中 X 与 ε 独立且均为严格正随机变量。在误差密度 f_ε 已知时,作者回顾了密度 f 和生存函数 S^X 的局部估计策略。当 f_ε 未知但存在额外数据时,提出一种阈值化的 plug-in 估计方法用于线性泛函的推断,该方法结合了 Mellin 变换的未知重建与谱截断正则化反演。作者建立了 oracle 型上界,并在估计 f 和 S^X 点值的显式场景下讨论了收敛速率。进一步,通过模型选择实现了截断参数的全数据驱动选择,无需误差分布先验知识即可达到 oracle 风险(至多差常数倍)。模拟实验比较了已知与未知 f_ε 情形下不同分布类的表现。
  • 关键技术: multiplicative deconvolution, Mellin transform, spectral cut-off regularization, thresholded plug-in estimation, oracle inequalities, data-driven model selection
  • 为什么对您有用: 该文属于非参数反问题与线性泛函估计,直接对应您的非参数/半参数理论兴趣,且其 Mellin 变换与谱截断技术可迁移至您熟悉的逆问题与 minimax 框架;但核心机器(Mellin 变换、乘法反卷积)不在您的武器库中,属于暂不可做,需先补充相关工具。

7. 2611.10459 — Riemannian Ordinary Least Squares

  • 作者: Xiaoyu Chen, Yujing Huang, Yingyan Zeng
  • 机构: University at Buffalo, State University of New York · University of Cincinnati
  • 分类: stat.ME · math.ST · stat.TH
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文提出 Riemannian Ordinary Least Squares (ROLS),在流形值响应与标量/流形值预测变量的回归设定下,建立切空间条件均值模型,作为欧氏 OLS 在黎曼流形上的类比。在显式单射性条件(保证对数映射单值)下,ROLS 有闭式估计量,并给出 O(n^{-1}) 的 excess prediction error 界(含显式曲率偏差)以及逐系数的渐近 t 检验和 Wald 检验。方法在合成模拟和三个真实数据案例中与现有基线相当,且逐系数检验结果与文献效应一致。该工作填补了同时支持两类预测变量和逐系数假设检验的流形回归框架空白。对您而言,其逐系数推断与半参数效率理论有潜在联系,且流形回归的曲率偏差分析可能启发您在高维或 U-统计量框架下的推广。
  • 关键技术: tangent space conditional mean, logarithm map, closed-form estimator, excess prediction error bound, asymptotic t-test, Wald test
  • 为什么对您有用: 该文属于非参数/半参数回归理论,与您的 semiparametric & nonparametric theory 兴趣直接相关;其逐系数推断和曲率偏差界可联系到您的 efficiency theory 和 hypothesis testing 方向。用您 very_familiar 的 minimax bounds 和 M-estimation 工具可评估其 excess risk 界是否紧,或探索在高维流形回归中的推广。

8. 2611.11004 — Choosing the basis to compare multivariate distributions: bases, copulas and optimal transport

  • 作者: Eustasio del Barrio, Juan A. Cuesta-Albertos, Carlos Matr\'an, David Rodr\'iguez-V\'itores
  • 机构: Universidad de Valladolid · Universidad de Cantabria
  • 分类: stat.ME
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文研究如何选择正交基来比较 R^d 上的两个概率分布,通过其一维投影的二次 Wasserstein 距离之和进行。作者证明两个分布在给定基下具有共同 copula 当且仅当它们的最优传输可以沿该基方向逐分量进行,由此引入 componentwise related 分布的概念。他们建立了相应正交分解的本质唯一性,并在位置-尺度族内通过 Gelbrich 界刻画椭圆分布族。对于一般分布,他们考虑所有正交基上投影 Wasserstein 距离平方和的最大值,证明该量为一个度量,诱导与二次 Wasserstein 距离相同的拓扑,且介于 Gelbrich 与 Wasserstein 距离之间,上界等式恰对应 componentwise related 分布。文章还推导了最优基的一阶条件,并建立了经验最优基的稳定性和几乎必然相合性。模拟和实例展示了所提方法的计算可行性和竞争力,并暗示 copula 在多元分布比较中的新应用。对您而言,该文将最优传输、copula 与基选择联系起来,为非参数分布比较提供了新的几何视角,可能对您在高维统计和统计计算方面的兴趣有启发。
  • 关键技术: optimal transport, Wasserstein distance, copula, orthonormal basis, Gelbrich bound, empirical optimal basis
  • 为什么对您有用: 该文属于非参数与半参数理论方向,具体涉及分布比较的几何方法,与您对非参数统计和统计计算的兴趣相关。您可以用 very_familiar 的 minimax 界工具来评估其经验最优基的收敛速率是否最优,或用 moderately_familiar 的 semiparametric 理论来探讨其估计量的效率。中期可做:需先熟悉最优传输的渐近理论(moderately_familiar 之外),但核心思想可迁移。

9. 2611.11188 — Heavy tails in Gaussian-process surrogates: process-level profiling degeneracy versus observation-level identifiability

  • 作者: Neelesh S. Upadhye, Rohit Kumar Mani
  • 机构: Indian Institute of Technology Madras
  • 分类: stat.ME · math.PR · math.ST · stat.TH
  • 相关性 5/10 · novelty: new_theory
  • 摘要: 本文研究高斯过程替代模型的厚尾替代方案,即 Student-t 过程、α-稳定过程以及带厚尾噪声的高斯过程,这些模型均为高斯尺度混合,混合变量的位置决定了尾部能否从单条样本路径中学习。对于过程级混合且幅度自由的情形,混合律的剖面似然与数据无关且被高斯律最大化,plug-in 预测是高斯过程预测的无数据变换,且沿单条路径不存在混合律的一致估计量。对于观测级混合且噪声为对称 α-稳定分布的情形,尾部指数是可识别的。在一维输入、固定域渐近且 α0<2 与紧超参数集下,交叉拟合 plug-in 估计量和在全局后验众数处计算的 Laplace 边际似然估计达到了已知回归函数模型的效率界,也适用于 Matérn-5/2 样本路径。文章还刻画了 Laplace 近似的小样本失效作为后验众数分支的折叠,并给出诊断。最后,在重复贝叶斯优化研究中,观测级尾部在严重离群值下降低了遗憾,Student-t 噪声亦然,且在高斯噪声下未检测到性能退化。
  • 关键技术: Gaussian scale mixtures, profile likelihood, fixed-domain asymptotics, cross-fitted plug-in estimator, Laplace approximation, efficiency bound
  • 为什么对您有用: 本文涉及非参数/半参数模型的可识别性与效率界,直接关联您的非参数与半参数理论及效率理论兴趣;其固定域渐近下的效率界结果与您熟悉的 minimax 和半参数效率框架可对接,且交叉拟合估计器与您熟悉的 DML 技术相通。

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

1. 2611.11676 — ATHOS: Agreement-based Testing of Hypotheses in Overlapping Subgroups

  • 作者: Xiao Wang
  • 机构: Purdue University West Lafayette
  • 分类: stat.ME
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文研究随机试验中预设重叠亚组族内治疗获益的确认问题。最大统计量方法利用亚组统计量间的相关性,但校准方式决定了其保护的性质;重随机化在治疗无效应时能精确控制错误,但在平均效应为零而个体效应异质时失效,而乘子自助法仅渐近地保护平均效应。作者首先刻画了重随机化单独保护平均效应的条件,指出在不等分配和异质效应下,它会反转统计量协方差中的权重,从而高估相关性;在一个含50个亚组的族中,其极限族wise错误率在名义0.025下达到0.064。作者提出ATHOS逐步下降程序,要求两种校准同时拒绝才确认亚组;在分配可交换的假设下,ATHOS在治疗无效应时精确控制族wise错误,在完全随机化下对平均效应渐近控制,即使亚组族很大。第二个结果显示,在平衡试验中,要求一致性不损失一阶局部功效。在200名患者、1497个亚组的零模拟中,自助逐步法在40%的试验中产生虚假声明,而ATHOS仅为2.6%;在HIV试验的两个比较中,ATHOS确认了188和73个亚组,而Holm程序确认了179和62个。
  • 关键技术: familywise error rate control, re-randomization, multiplier bootstrap, step-down procedure, local power analysis
  • 为什么对您有用: 本文属于假设检验领域,直接关联您的主要兴趣之一(数学统计中的假设检验)。其核心问题——重叠亚组的多重比较——是临床试验中常见的因果推断应用场景,与您的因果推断兴趣(如亚组分析)有交集。技术上,ATHOS结合了重随机化和自助法,其精确有限样本控制与渐近性质的分析方法,可借鉴您熟悉的非参数统计和U统计量工具。从问题发现角度看,您可以用非常熟悉的非参数统计和极小极大界工具来审视其局部功效最优性,或探索ATHOS在高阶U统计量框架下的推广,这属于中期可做的方向,因为需要先熟悉重随机化校准的细节。

2. 2611.11872 — Distribution-Free Symmetry Detection in Multi-Reference Alignment at Low SNR

  • 作者: Nir Sharon, Sheng Xu
  • 分类: stat.ME · eess.SP · math.ST · stat.TH
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文研究多参考对齐(MRA)模型下,在加性各向同性高斯噪声且噪声方差已知时,如何直接从未对齐的观测中检测信号的对称性(循环对称与二面体对称),而无需对齐观测或知道变换的采样分布。对于循环对称,作者识别出一个简单的统计特征,构造出具有精确有限样本误差保证的检验,并在极低信噪比下展示其有效性。对于二面体对称,他们证明存在一个尖锐的矩阶阈值:低于该阶的不变矩无法区分反射对称与纯旋转对称,但对一般信号该区分可更早出现。基于此,他们开发了在显式非退化条件下具有渐近误差控制的二面体对称检验。这些结果阐明了从含噪未对齐数据中能推断出何种对称性,并为冷冻电镜(cryo-EM)中的对称性推断提供了路径。对您而言,该文涉及假设检验与高维统计,其有限样本误差控制和矩方法可能对您在高维检验问题中的工作有启发。
  • 关键技术: multi-reference alignment, invariant moments, finite-sample error control, asymptotic error control, symmetry detection, low SNR
  • 为什么对您有用: 该文属于假设检验方向,与您对 hypothesis testing 的兴趣直接相关;其使用不变矩和有限样本误差控制的方法,可尝试用您 very_familiar 的 minimax bounds 工具来检验其最优性;该文为中期可做,需在 moderately_familiar 的 semiparametric theory 上稍作提升以处理渐近误差控制的细节。

3. 2611.10957 — A Unified Framework for Robust Blinded Sample Size Re-estimation Based on Nuisance Parameters

  • 作者: Long-Hao Xu, Lei Li, Tim Friede
  • 机构: Universitätsmedizin Göttingen
  • 分类: stat.ME · math.ST · stat.TH
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文针对盲态样本量再估计(blinded sample size re-estimation)提出统一框架,目标是在不揭示治疗分组的前提下,基于 nuisance parameters 的估计更新所需样本量,同时控制 type I error。现有方法因结局类型而异,缺乏统一理论;作者将参数估计与 nuisance 估计分别用渐近线性估计量和稳健 Z-estimator 结合,通过选择不同 estimating functions 统一了多种已有程序。文中提出从盲态数据构造 nuisance parameters 的一般原则,并在正则条件下证明 type I error 收敛到名义水平。模拟显示该方法在污染数据和小 pilot 样本下仍能控制 type I error,且比现有盲态/非盲态方法更灵活、对离群值更不敏感。临床试验应用展示了其实用性。对您而言,该框架的渐近理论(Z-estimator 与渐近线性估计量的结合)与您熟悉的 M-estimation 和 semiparametric 理论直接相关,可作为假设检验中稳健推断的一个新视角。
  • 关键技术: blinded sample size re-estimation, Z-estimators, asymptotically linear estimators, robust estimation, type I error control
  • 为什么对您有用: 该文属于 hypothesis testing 方向,直接关联您对假设检验和 M-estimation 理论的兴趣。其核心机制——用稳健 Z-estimator 估计 nuisance parameters 并保证 type I error 渐近控制——可视为您 moderately_familiar 的 M-estimation 理论的一个具体应用场景。您可以用 very_familiar 的 semiparametric 理论(如 influence function 分析)来审视其渐近论证的严密性,或探索将 higher-order U-statistics 的稳健版本引入该框架。中期可做:需先熟悉临床试验设计中的具体约束(如盲态数据的信息量限制),这属于 moderately_familiar 的 identification theory 范畴。

4. 2611.11762 — Optimal Radial Weighting for Robust Mutual Fund Selection

  • 作者: Ping Zhao, Qianya Sun, Long Feng
  • 机构: Tiangong University · Nankai University
  • 分类: stat.ME
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文研究在大量基金同时评估时,如何从线性因子定价模型中识别具有正 alpha 的基金,以区分真实技能与抽样变异。考虑到收益的重尾分布和基金间的相依性,作者提出基于径向加权的 alpha 估计的稳健选择程序。该方法利用标准化残差的方向和长度,通过残差成对差异估计边际尺度,并考虑因子载荷估计的影响。在所提出的类别中,逆范数加权最小化 alpha 估计的渐近方差,并在共同显著性水平下最大化单个检验的局部渐近功效。对于给定因子设计条件下的径向权重,作者在椭圆对称误差下建立了渐近错误发现率控制,并证明所选基金中强正 alpha 基金的比例趋于一。理论允许横截面和时间序列维度相当,且 alpha 非零。作者还开发了平滑实现并评估其有限样本性质,模拟显示在重尾分布下比最小二乘和空间符号方法具有更高的真实发现比例,且平滑提高了数值稳定性。对美国股票共同基金的应用检验了所选基金构建的投资组合的后续表现。
  • 关键技术: radial weighting, alpha estimation, false discovery rate control, elliptically symmetric errors, local asymptotic power, smoothed implementation
  • 为什么对您有用: 本文属于假设检验与高维统计交叉领域,涉及多重检验和稳健估计,与您的主要兴趣(假设检验、高维统计)直接相关。其 FDR 控制理论在椭圆对称误差下建立,可联系您熟悉的 minimax 界和 U-统计量工具来审视其稳健性保证。

5. 2611.12004 — Conformal Prediction for Multi-Step Forecasting: Conditional Coverage and Sharp Score Calibration Rates

  • 作者: Siyuan He, Yuhong Yang
  • 机构: Tsinghua University · Beijing Institute of Mathematical Sciences and Applications
  • 分类: stat.ME · math.ST · stat.ML · stat.TH
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文研究单条平稳时间序列上一步与多步预测的不确定性量化,目标是在时间依赖和滚动窗口预测器下构造具有条件覆盖保证的预测集。作者提出基于核的框架 TRACK,估计残差得分的条件分位数并构造预测集,允许预测器记忆和预测时域随样本量增长。有限样本界刻画了时间依赖和重叠得分窗口对校准与覆盖的影响,并推导了条件分位数估计和逐点条件覆盖差异的界。作者还推导了已知得分映射类上的匹配极小极大界,阐明重叠窗口对校准精度的影响。模拟和风能发电、共享单车需求数据实验表明方法改善了区域条件覆盖并保持有竞争力的区间宽度。
  • 关键技术: conformal prediction, conditional quantile estimation, kernel-based calibration, rolling-window forecasting, minimax bounds
  • 为什么对您有用: 本文属于假设检验/不确定性量化方向,与您对 hypothesis testing 和 nonparametric theory 的兴趣相关;其条件覆盖的有限样本界和极小极大界可对照您熟悉的 minimax 框架,且核方法估计条件分位数与您的非参数工具直接相关。从武器库看,您可用 very_familiar 的 minimax bounds 和 nonparametric statistics 快速评估其界的紧性,属于立即可做的深度阅读。

6. 2611.11874 — An iterated-logarithm price of anytime validity for log-optimal e-processes

  • 作者: Adrien Corenflos
  • 机构: University of Warwick
  • 分类: math.ST · math.PR · stat.ME · stat.TH
  • 相关性 6/10 · novelty: new_theory
  • 摘要: 本文研究对数最优 e-process(numéraire)在任意时域下的最优性损失问题。在指数族原假设下,固定时域的对数最优 e-variable 被猜想“几乎”构成 e-process;作者针对高斯位置原假设与方差更小、位置未知的复合备择,定义了相对于所有时点 numéraire 的 minimax regret。主要结果表明,该 regret 在最坏位置下随最终时域的对数迭代增长,且单个 e-process 可在所有时域达到此速率。这一增长否定了 regret 一致有界的猜想,并精确刻画了可行边界:仅当备择方差不小于原假设时 regret 有界。技术工具包括 e-process 的构造、minimax 下界论证与概率不等式。对您而言,该结果涉及假设检验中的最优性理论,与您对 hypothesis testing 的兴趣直接相关,且其 regret 分析框架可能启发您在高维或因果推断中构造自适应检验。
  • 关键技术: e-process, log-optimal e-variable, numéraire, minimax regret, iterated logarithm, Gaussian location model
  • 为什么对您有用: 直接关联 primary interest 中的 hypothesis testing 子方向,特别是 e-process 与 anytime-valid inference 的最优性理论;可用您 very_familiar 的 minimax bounds 工具来验证其 regret 下界是否紧,或探索类似 regret 分析在因果推断敏感性检验中的应用;立即可做,因为核心是概率与 minimax 论证,无需额外工具。

7. 2611.10094 — Consistency considerations for rare-event importance sampling

  • 作者: Jason Beh, Emilien Flayac, Jerome Morio, Florian Simatos
  • 机构: Mohamed bin Zayed University of Artificial Intelligence · Fédération de recherche ONERA – ENAC – ISAE-SUPAERO · Office National d'Études et de Recherches Aérospatiales · Université de Toulouse · Département Traitement de l’Information et Systèmes
  • 分类: math.ST · math.PR · stat.TH
  • 相关性 5/10 · novelty: new_theory
  • 摘要: 本文研究稀有事件概率 p = P(X ∈ A) 的重要性抽样估计的一致性问题,其中 X 服从密度 f,辅助密度为 g。作者在三角方案(维度、密度 f、g 和集合 A 均可随样本量变化)下,建立了重要性抽样估计量一致性的简洁充要条件,从而细化了 Chatterjee 和 Diaconis (2018) 的结果,给出了精确的最小所需样本量。该条件还适用于 p → 0 的渐近机制,这是稀有事件估计中相关但此前研究很少的数学框架。作者对高斯密度下超平面情形 A = {x: x^T u ≥ α} 进行了深入分析,表明最优重要性抽样密度相比标准蒙特卡洛估计能显著改善一致性。然而,矩分析表明,当蒙特卡洛和最优重要性抽样估计量都收敛时,蒙特卡洛估计量的收敛速度可能更快。
  • 关键技术: importance sampling, triangular schemes, necessary and sufficient consistency condition, rare-event probability estimation, Gaussian hyperplane case
  • 为什么对您有用: 本文属于数学统计与假设检验方向,直接关联您对 hypothesis testing 和 mathematical statistics 的兴趣。其核心是估计量一致性的精确刻画,与您熟悉的 minimax 和渐近理论框架有交集。您可以用 very_familiar 的非参数统计和渐近工具来验证或扩展其充要条件,例如在高维或非高斯设定下推导收敛速率。这属于立即可做的 follow-up,因为核心机器(渐近分析和概率不等式)已在您的武器库中。

8. 2611.10921 — Sequential anomaly identification with sampling constraints for composite hypotheses

  • 作者: Aristomenis Tsopelakos, Georgios Fellouris, Olgica Milenkovic
  • 分类: math.ST · stat.ME · stat.TH
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文研究带采样约束的序贯异常识别问题:多个独立数据源随时间观测,但每时刻只能采样有限子集,目标是在控制至少一次误报和至少一次漏检概率低于给定水平的前提下,尽快识别所有异常源。策略需联合决定何时停止、声明哪些源异常以及如何在约束下分配观测。作者在非参数框架下(每个源的密度属于两个不相交集合之一)建立了一阶渐近最优性的一般条件,并给出了复合假设检验下渐近最优策略的统一刻画,使期望决策时间在错误概率趋于零时达到一阶最优。模拟实验验证了所提策略的性能及非参数框架的稳健性。对您而言,该文的序贯决策与复合假设检验设定,可连接到您对假设检验和因果推断中纵向数据监测的兴趣。
  • 关键技术: sequential anomaly identification, composite hypothesis testing, sampling constraints, first-order asymptotic optimality, nonparametric density sets
  • 为什么对您有用: 本文属于假设检验方向,直接对应您 primary interests 中的 mathematical statistics (hypothesis testing)。其序贯采样与复合假设设定,可联系到您熟悉的非参数统计和 M-估计理论;但核心是序贯决策而非高维或因果推断,方法学迁移有限。作为 gateway reading,本文对非参数序贯检验的建模和最优性刻画有清晰阐述,值得一读;但若要跟进,需补充序贯分析工具(如最优停止理论),目前武器库中 moderately_familiar 的 M-估计理论可部分支撑,但暂不可直接动手。

9. 2611.11625 — Sparse Fault Detection in Linear Systems: Equivalence of GLR Tests and \(\ell_1\)-regularized Least Squares

  • 作者: Rajasekhar Anguluri
  • 分类: math.ST · stat.TH
  • 相关性 5/10 · novelty: new_theory
  • 摘要: 本文研究线性系统中未知时刻与输入通道的脉冲故障检测问题,设定为带高斯测量噪声、初始状态未知的线性动态系统。作者首先证明,在通过投影到奇偶空间消除初始状态后,广义似然比检验等价于一个带未惩罚冗余块的加权 lasso 的零解检验,其中正则化参数即检验阈值;当噪声方差未知时,该等价性对平方根 lasso 同样成立。其次,他们证明零分布仅通过一个 Gram 矩阵依赖于系统,因此阈值可精确离线计算,并给出闭式界进行比较。第三,他们刻画了故障经投影后存留的比例:通过可观测性 Gramian 给出闭式表达,对严格稳定系统证明其收敛到几何衰减轮廓,对单位模模态系统则随故障时间线性增长。数值实验(含两输入两输出例子)验证了理论结果。对您而言,该文将高维稀疏回归(lasso)与经典假设检验(GLR)建立精确等价,为利用您熟悉的高维统计工具分析动态系统故障检测提供了新视角。
  • 关键技术: generalized likelihood ratio test, weighted lasso, square-root lasso, parity space projection, Gram matrix null distribution, observability Gramian
  • 为什么对您有用: 该文属于假设检验方向,将 lasso 与 GLR 检验等价,连接您对 hypothesis testing 和高维统计的兴趣;可用您 very_familiar 的 minimax bounds 和 high-dimensional asymptotics 工具来审视其阈值紧性,属于立即可做的 follow-up。

10. 2611.12203 — Minimum cumulative power divergence estimation with applications to copulas

  • 作者: Ostap Okhrin, Konstantinos Zografos
  • 机构: Fakultät Verkehrswissenschaften "Friedrich List" · Technische Universität Dresden · University of Ioannina
  • 分类: math.ST · stat.TH
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文研究基于分布函数的最小累积功率散度估计,适用于模型通过累积分布函数自然指定或密度难以处理的情形。通过将参数分布函数与经验分布函数进行比较,建立估计方程,并在固定正调优参数和有限积分测度下,证明了局部解序列的存在性、相合性及渐近正态性。所得协方差矩阵具有三明治形式,其分量涉及分布函数的导数及多元经验过程的协方差核。将该构造特化到 copula 情形,分别考虑边际已知和基于秩的估计,后者协方差中纳入了边际分布估计的影响。与 Eguchi 和 Kato 的 copula 散度关系被明确:幂损失密切相关,而积分测度决定了不同的估计准则。模拟实验针对 Gumbel、Clayton 和 Frank copula,考察了正确设定、族误设和独立污染下 Kendall's tau 的估计,结果显示干净数据下精度有竞争力,但在独立污染下相对经验 copula 加权替代方法无普遍稳健性优势。对您而言,该文的渐近协方差推导与经验过程工具可连接到您的 semiparametric 理论兴趣,而 copula 应用则与您的流行病学数据建模兴趣相关。
  • 关键技术: minimum power divergence, empirical process, asymptotic normality, sandwich covariance, copula estimation, rank-based estimation
  • 为什么对您有用: 本文属于 hypothesis_testing 主题,但其核心是 semiparametric 估计的渐近理论,直接连接到您的 semiparametric & nonparametric theory 兴趣。您可以用 very_familiar 的 empirical process 和 minimax 工具来审视其渐近协方差推导,并评估其效率性质。此外,copula 应用部分与您的流行病学 secondary interest 相关,可作为入门读物。

11. 2611.11183 — Testing Conditional Moment Restrictions in Networks

  • 作者: Wenxuan Ding
  • 机构: Yale University
  • 分类: econ.EM
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文针对网络形成参数模型(如 dyadic logit 模型)提出规范检验。在条件独立 dyad(CID)假设下,给定个体特征,模型不仅决定每条边的概率,还决定任意子图(如三角形、星形)的概率。利用正确设定下子图期望频率等于模型隐含概率这一事实,构造条件矩限制。检验统计量为非参数核估计与参数模型隐含概率之间的加权积分平方距离。作者推导了原假设下统计量的渐近分布。该工作将经典条件矩检验推广到网络数据,属于应用计量与假设检验的交叉方向。
  • 关键技术: conditional moment restrictions, kernel estimation, integrated squared distance, network formation models, dyadic logit
  • 为什么对您有用: 本文属于假设检验方向,且涉及非参数核估计与参数模型的比较,与您对 hypothesis testing 和 nonparametric theory 的兴趣直接相关。您可以用 very_familiar 的 minimax 界工具分析该检验的功效,或考虑用 higher-order U-statistics 的视角处理子图计数统计量,因为子图频率本质上是高阶 U 统计量,这可能是立即可做的切入点。

12. 2611.12837 — Change-point analysis of textual data: a flexible approach

  • 作者: Bojana Milo\v{s}evi\'c, Luka Perovi\'c
  • 机构: University of Belgrade
  • 分类: stat.ME
  • 相关性 4/10 · novelty: new_method
  • 摘要: 本文提出一种基于 CUSUM 的变点检测方法,用于词频向量序列,并显式考虑了随时间变化的文档数量与长度。在多项分布模型下,推导了检验统计量的渐近零分布,通过基于累计词数的修剪使得极限分布不依赖于文本信息的时间分布。还研究了参数与非参数 bootstrap 校准程序,模拟实验表明在文档强度递增时方法有优势,且整文档重抽样对文档级异质性更稳健。最后结合二元分割应用于 2007-2025 年 arXiv stat.ML 的 68,542 篇摘要,识别出多个用词模式变化点。该方法为文本数据的在线或离线变点推断提供了灵活工具,其渐近理论框架对您在高维和假设检验方面的兴趣有直接参考价值。
  • 关键技术: CUSUM statistic, multinomial model, asymptotic null distribution, bootstrap calibration, binary segmentation
  • 为什么对您有用: 本文属于假设检验方向,具体是变点检测,与您对 hypothesis testing 的兴趣直接相关。其渐近分布推导和 bootstrap 校准技术可借鉴到您熟悉的高维统计框架中,例如用更高阶 U 统计量处理词频向量的高阶矩。从问题发现角度看,您可用 very_familiar 的 minimax bounds 工具分析该检验在稀疏备择下的功效,属于立即可做的方向。

统计计算 / 算法 (stat_computing, 3 篇)

1. 2611.12266 — Data-Adaptive Subset-Size Selection for Minimum Covariance Determinant Estimation

  • 作者: Chikun Li, Baisuo Jin
  • 机构: Anhui University of Finance and Economics · University of Science and Technology of China
  • 分类: stat.ME
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文研究最小协方差行列式(MCD)估计中子集大小的数据自适应选择问题。传统方法在污染程度未知时预先固定子集大小,且重加权无法消除初始选择的影响。作者提出基于有序平方马氏距离的规则,选取第一个窗口最大值,窗口宽度与样本量成比例。对于平滑椭圆分布和小的一点点污染,刻画了总体窗口最大值的性质,并证明其对应剔除污染点仍最优的最后一个保留分数。推导了该边界的一阶展开,并建立了沿整数路径的样本定位;无污染时选择分数趋于1。实现上利用深度排序复用,计算高效;模拟和真实数据表明该方法优于固定子集大小,尤其在散度估计上。
  • 关键技术: minimum covariance determinant, data-adaptive subset size, ordered squared Mahalanobis distances, window maximum, depth-based implementation
  • 为什么对您有用: 本文属于统计计算与稳健估计的交叉,与您的统计计算兴趣直接相关;其数据自适应选择机制和深度排序实现可作为您软件开发的参考。您可用 very_familiar 的软件开发和 minimax 估计工具来评估其理论保证和计算效率,属于立即可做的方向。

2. 2611.12612 — Graph-Guided Bayesian Factor Analysis: A Fast Integrated EFA-CFA Approach for High-Dimensional Data

  • 作者: Shitao Fan, Lizhen Lin, Zhenyao Ye, Shuo Chen
  • 机构: University of Maryland, Baltimore · University of Maryland, College Park
  • 分类: stat.ME · stat.ML
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文提出图引导贝叶斯因子分析(gg-BFA),针对高维生物医学数据中探索性/验证性因子分析的局限:因子可解释性差、变量是否可被低维因子表示难以识别、因子间协方差估计困难,以及变量数远大于样本量时极大似然失效。方法分两步:先用贝叶斯模型探索潜在图结构,通过稠密子图搜索将变量划分为社区(每个社区定义一个因子),并用前向逐步搜索比较分数变分后验,以ELBO首次下降为停止准则,从而确定因子个数及变量-因子归属。作者证明该搜索在变量数远快于样本量增长时仍能恢复真实社区。随后构建验证性贝叶斯模型,其变分后验的协方差以参数速率(至多差对数因子)收缩,可对因子及其协方差进行后验推断并预测缺失值。模型族包含从社区掩码到每个变量多个交叉载荷的四种成员。在五个生物医学数据集上,每个数据集在单GPU上完整分析不到十分钟,交叉载荷改善了留出协方差和掩码测量预测;在TCGA肾癌数据中,前八个因子有六个富集已知通路,210个因子相关中有190个95%可信区间不含零。该方法计算快速且提供可解释的因子分析结果与可靠推断,对您而言,其将图结构学习与贝叶斯变分推断结合的计算策略,以及在高维小样本下的理论保证,可作为统计计算与高维推断交叉方向的参考。
  • 关键技术: Bayesian factor analysis, variational inference, graph structure learning, dense-subgraph search, ELBO-based model selection, posterior contraction
  • 为什么对您有用: 本文属于统计计算方向,涉及高维贝叶斯推断与变分方法,与您的统计计算兴趣直接相关;其图结构搜索与变分后验收缩的理论分析,可借鉴到您熟悉的高维统计与推断框架中。从问题发现角度看,您可用 very_familiar 的软件开发和计算技巧复现其算法,但核心的贝叶斯变分推断与图搜索机制不在您当前武器库中,属于中期可做,需先熟悉变分推断与图模型。

3. 2611.10373 — SAMBoost: Spatially Aware Mesh Boosting

  • 作者: Mulah Moriah, Franck Vermet, Pierre Ailliot, Juliette Legrand
  • 机构: Centre National de la Recherche Scientifique · Université de Bretagne Occidentale · Laboratoire de Mathématiques de Bretagne Atlantique
  • 分类: stat.ME · cs.LG · stat.ML
  • 相关性 4/10 · novelty: new_method
  • 摘要: 本文提出 SAMBoost,一种将树模型协变量建模与 SPDE 潜空间场结合的空间感知梯度提升方法,通过单一惩罚目标在每次提升迭代中分解协变量与空间成分。该方法针对保险等应用中空间效应本身是感兴趣量而非干扰项的场景,需要同时恢复灵活的非线性协变量效应和可独立报告的地理风险面。现有方法常在灵活协变量建模与显式空间场之间权衡,或计算成本过高;SAMBoost 利用网格产生的稀疏精度结构,使计算成本基本不随样本量增长。模拟与开放基准上,SAMBoost 在预测精度上匹配或优于联合高斯过程与树提升方法,且更快、更准确地恢复空间场和协变量效应;在含交互作用时优于加性贝叶斯空间模型。在 490 万条洪水保险记录上,SAMBoost 无需子采样即可训练,速度约为贝叶斯参考方法的 16 倍,且空间风险面一致。该方法对您可能有用,因为它展示了在统计计算中如何通过稀疏结构设计实现大规模数据上的高效算法,与您对统计计算和算法实现的兴趣相关。
  • 关键技术: gradient boosting, SPDE latent spatial field, sparse precision structure, mesh-based spatial modeling, penalized objective
  • 为什么对您有用: 本文属于统计计算方向,与您的主要兴趣“统计计算(数值方法、算法)”直接相关。它展示了如何将树模型与空间场结合并通过稀疏结构实现高效计算,您可以用您非常熟悉的软件开发和算法实现技能来复现或扩展该方法。这是一个立即可做的方向,因为您已有足够的工具来理解和实现这类算法。

天体统计 (astrostats, 3 篇)

1. 2611.10301 — Satellite Streaks in HETDEX: Spectra, Orbital Identification, and Survey Impact

  • 作者: Erin Mentuch Cooper, Karl Gebhardt, Dustin Davis, Daniel J. Farrow, Barbara G. Castanheira, Gavin Dalton, Gary J. Hill, Stephen C. Hummel, Chenxu Liu, Shiro Mukae, Shun Saito, Donald P. Schneider, Sarah Tuttle
  • 机构: The University of Texas at Austin · University of Hull · Baylor University · University of Oxford · Yunnan University · Waseda University · Missouri University of Science and Technology · The University of Tokyo Institutes for Advanced Study 等
  • 分类: astro-ph.IM
  • 相关性 6/10 · novelty: application
  • 摘要: 本文基于 HETDEX 的 PDR1 数据,系统分析了 2017–2024 年间 6778 次观测中的卫星条纹污染,共检测到 527 条条纹,污染率 7.3%,且近年月度污染率超过 20%,但仅掩盖 0.09% 的观测面积。作者利用两行轨道根数(TLE)将 90.1% 的条纹与编目物体匹配,其中 54% 为低轨(LEO),46% 为地球同步或高椭圆轨道,且大部分为废弃火箭体和碎片,而非近年新发射的卫星。通过比较 LEO 与 GEO 物体的曝光平均星等(中位数 g_AB 分别为 16.2 和 16.7)与瞬时星等(g_inst 分别为 7.4 和 13.0),揭示了曝光时间对条纹视亮度的影响。光谱分析表明条纹为反射太阳光,斜率差异主要由信噪比驱动。该工作提供了完整的条纹光谱数据库和代码,对天文观测的数据质量评估和卫星星座影响研究具有直接价值。对您而言,本文作为 gateway reading 清晰展示了天文观测中数据污染的结构化特征,但方法学上以描述性统计为主,统计创新有限。
  • 关键技术: two-line element (TLE) matching, spectral slope analysis, exposure-averaged vs instantaneous magnitude, catalog cross-matching
  • 为什么对您有用: 本文属于 astrostatistics 的 gateway reading,适合作为了解天文数据污染问题的入门读物。武器库中的非参数统计和数据处理技能足以支撑理解其分析流程,但本文方法学 novelty 较低,不值得深入挖掘统计方法。若您对天文观测中的系统误差建模感兴趣,可将其作为背景资料,但无需投入全文精读。

2. 2611.12135 — Particle Swarm Optimization Strategies for Lensed Gravitational Waves: Parameter Estimation, Source Classification, and Accelerated Sampling

  • 作者: Weiqing Yu, Meng Zhang, Xiaobo Zou, Xiao Guo
  • 机构: Qufu Normal University · University of Chinese Academy of Sciences · Wuhan University
  • 分类: astro-ph.IM
  • 相关性 6/10 · novelty: application
  • 摘要: 本文针对强引力透镜引力波信号的探测与参数估计问题,提出使用粒子群优化(PSO)算法应对高维、多模态、强非线性的搜索空间。在四探测器相干网络中,采用受限2-PN波形模板和模型无关的双像透镜参数化,评估PSO在模型匹配与失配(IMRPhenomD)两种情况下的表现。结果显示在2-PN情形下能有效恢复啁啾质量、质量比、天区位置和透镜参数,但波形失配时出现质量偏差。进一步构建三分类流程(12次PSO运行、多数投票、流量比阈值),在区分透镜GW、未透镜GW和噪声上达到86.19%的准确率。最后提出PSO_GAUSS_MIX方法,利用PSO估计构造高斯混合先验用于嵌套采样,在保持后验精度的同时获得1.38倍加速。该工作展示了PSO作为透镜GW搜索的高效优化器及贝叶斯参数估计的先验构造器的潜力。
  • 关键技术: Particle Swarm Optimization, nested sampling, Gaussian mixture prior, coherent network analysis, restricted 2-PN waveform
  • 为什么对您有用: 本文属于天文统计学的gateway reading:它清晰展示了引力波数据分析中的高维、多模态优化问题,以及优化器与贝叶斯采样结合的实际流程,适合作为入门读物。武器库中的非参数统计和计算工具足以理解其方法,但若要深入改进PSO的收敛性分析或先验构造的理论性质,可能需要补充优化理论或贝叶斯计算方面的知识。值得花时间读全文以了解该领域的数据结构和分析挑战。

3. 2611.12704 — {\AA}ngstr\"om Exponent Calculation Using Wide-Field Stellar Photometry

  • 作者: Shefali Negi, Jan Ebr, Sergey Karpov, Ji\v{r}\'i Eli\'a\v{s}ek
  • 机构: Charles University · FZU - Institute of Physics of the Czech Academy of Sciences
  • 分类: astro-ph.IM
  • 相关性 6/10 · novelty: application
  • 摘要: 本文针对 Cherenkov Telescope Array Observatory (CTAO) 站点的 FRAM 望远镜,将气溶胶消光的 Ångström 指数估计从单 B 波段扩展到 B、V、R 三波段同时分析,利用 Gaia DR3 合成测光直接获得 Johnson-Cousins 系统下的星等,避免了通带转换误差。作者从垂直气溶胶光学厚度 (VAOD) 中提取指数,发现多波段 VAOD 存在系统性、与物理预期不符的滤波依赖排序,导致负指数,且四种处理配置均无法消除。作为实用补救,引入截距校正得到物理上合理的指数,并在南半球站点得到单峰分布,而在 La Palma 站点得到双峰分布,后者与 AERONET 太阳光度计观测一致。本文是典型的天文仪器数据分析应用,方法学 novelty 有限,但数据结构和处理流程对统计学家有参考价值。
  • 关键技术: wide-field stellar photometry, synthetic photometry, vertical aerosol optical depth, Ångström exponent, intercept correction
  • 为什么对您有用: 本文属于 astrostatistics 的 gateway reading:它清晰展示了天文测光数据的结构(多波段、系统误差、环境干扰),适合作为入门读物了解天文数据处理的常见问题。武器库中的非参数统计和测量误差模型足以理解其校正逻辑,但无需深入方法学。值得花时间读全文以获取对天文数据特点的直观认识。

经济理论 / 应用 (econ_theory, 4 篇)

1. 2611.12368 — Bayesian precision factor models for high-dimensional macroeconomic time series

  • 作者: Peter Dunson
  • 机构: Kenyon College
  • 分类: stat.ME · econ.EM · stat.AP
  • 相关性 6/10 · novelty: application
  • 摘要: 本文提出 VAPOR(Vector Autoregressive Precision factOR),一个贝叶斯模型,用于高维宏观经济时间序列的精度矩阵估计。模型联合估计向量自回归(VAR)动态和因子结构的创新精度矩阵,直接推断偏相关而非施加零模式。在 100 个季度 FRED-QD 序列上,VAPOR 学习到每个国债利率仅与相邻期限利率直接相关,所有 26 个选中的依赖关系均落在同一 FRED-QD 组内,并取得最低的留出预测误差。该方法解决了季度数据中序列数接近观测数、同期依赖与时间动态纠缠的难题。对您而言,这是一个经济时间序列中高维精度矩阵估计的应用,可作为经济理论/应用方向的入门读物,但其贝叶斯计算框架与您熟悉的频率学派方法差异较大。
  • 关键技术: Bayesian factor model, precision matrix estimation, vector autoregression, partial correlation, Markov chain Monte Carlo
  • 为什么对您有用: 本文属于经济理论/应用方向(gateway reading),可作为经济时间序列中高维精度矩阵估计的入门读物。武器库中 'high-dimensional asymptotics' 和 'inverse problems with random noise' 足以理解其统计设定,但贝叶斯计算(MCMC)并非您熟悉的工具,因此暂不可做直接方法迁移。值得花时间读全文以了解经济数据中偏相关推断的实际需求。

2. 2611.10372 — Panel Local Projections with Missing Data

  • 作者: Yubo Tao
  • 机构: University of Macau
  • 分类: econ.EM · stat.ME
  • 相关性 6/10 · novelty: application
  • 摘要: 本文研究面板局部投影(panel local projections)在存在缺失数据时的识别与推断问题,目标是在没有任何完整回归案例的情况下仍能识别指定日期的投影系数。方法上,作者利用辅助面板中的强因子结构恢复条件均值,并结合观测到的成对个体协方差来估计投影参数。在强因子、因子变异性充分以及所需观测对足够的假设下,通过二阶展开得到偏差校正的矩条件,并构造联合得分用于推断。推断部分采用局部化乘子自助法(localized multiplier bootstrap)提供逐点置信区间和同时置信带。实证部分重新审视了Caldara和Iacoviello (2022)关于地缘政治风险对投资影响的研究,使用更大的季度企业样本,并扩展到月度投影分析。月度分析发现,高暴露与低暴露企业六个月响应差异在纳入不完整历史的企业后变得更负。
  • 关键技术: panel local projections, factor-based conditional means, second-order bias correction, localized multiplier bootstrap, simultaneous confidence bands
  • 为什么对您有用: 本文属于经济理论/应用因果推断方向,与您的secondary interest(经济理论中的因果推断应用)直接相关。您可以用very_familiar的估计理论(如非参数估计、高维渐近)来审视其因子模型假设的合理性,或用moderately_familiar的识别理论来评估其识别条件是否可检验。作为gateway reading,本文方法学新颖性中等,但实证部分的数据处理(缺失数据下的面板投影)对您可能有用。

3. 2611.12255 — When the Norm is Wrong: Social Norm Misspecification and Targeting with an Application to Microfinance Adoption

  • 作者: Shantanu Chadha
  • 机构: University of Warwick
  • 分类: econ.EM
  • 相关性 5/10 · novelty: application
  • 摘要: 本文研究二元选择博弈中社会规范(peer effect)的设定偏误问题,将连续选择中的CES规范扩展到离散选择,并考察规范设定错误对结构参数估计和干预目标的影响。作者在不完全信息下证明了理性预期均衡的存在唯一性,并给出了结构参数可识别性的条件。估计采用Nested Pseudo-Likelihood估计量,并通过谱算法实现;蒙特卡洛模拟显示,当样本增大时,CES估计的同伴效应趋于真值,而线性规范即使在样本很大时仍有偏。将模型应用于印度小额信贷采纳数据,发现规范呈强最大值倾向,且曲率和同伴效应在不同种姓和财富分组的村庄间存在显著异质性。反事实分析表明,在固定补贴预算下,估计的规范与线性规范会瞄准截然不同的家庭,前者偏向村庄中的“领导者”。
  • 关键技术: CES social norm, binary-choice game with incomplete information, rational expectations equilibrium, Nested Pseudo-Likelihood, spectral algorithm, counterfactual targeting
  • 为什么对您有用: 本文属于经济理论/应用因果方向,可作为gateway reading:它展示了结构模型设定偏误如何影响政策目标,与您的应用因果兴趣(如干预分配)相关。武器库中identification theory和M-estimation足以理解其识别与估计策略,但若要深入博弈均衡计算或谱算法细节,可能需要补充计算博弈论知识。总体而言,作为入门读物可读性较好,值得花时间读全文以了解结构模型与政策评估的结合。

4. 2611.10447 — Good Looks and the Academic Job Market: Measuring Attractiveness with Vision Embeddings

  • 作者: Fabian Slonimczyk, Shergazy Kimsanbaev
  • 机构: National Research University Higher School of Economics
  • 分类: econ.EM
  • 相关性 4/10 · novelty: application
  • 摘要: 本文提出一种基于预训练视觉模型嵌入空间的相对视觉嵌入(RVE)分数来度量面部吸引力,无需人工评分或微调。作者利用带人类吸引力评分的公开照片验证了RVE分数与人类评分的强相关性,并检验了跨模型的排序一致性。将该度量应用于某经济学系行政招聘数据及手工收集的求职者照片,发现RVE分数与求职结果正相关,但稳健性不足;而RVE分数与推荐信长度和情感倾向的关联强且稳健,且该情感梯度在女性候选人中更陡峭。结果表明外貌可能部分通过推荐信影响学术招聘。
  • 关键技术: vision embeddings, relative embedding score, pre-trained deep vision models, correlation analysis, administrative hiring data
  • 为什么对您有用: 本文属于经济学的应用实证研究,使用新颖的度量方法(视觉嵌入)研究外貌对劳动力市场结果的影响,属于您的次要兴趣(经济理论/应用因果推断)。作为入门读物,本文方法简单、数据清晰,但因果推断部分较弱(主要是相关性分析),武器库足以理解。值得花时间读全文以了解其度量构建和实证策略,但方法学贡献有限。

其他 (other, 12 篇)

1. 2611.12647 — Near-Purity Screening and Dominant-Atom Estimation in Softmax Mixtures and Their Ensembles

  • 作者: Xin Bing, Florentina Bunea, Marten Wegkamp, Weicheng Wu
  • 机构: University of Illinois Urbana-Champaign · University of Toronto · Cornell University
  • 分类: stat.ME · math.ST · stat.TH
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文研究 softmax 混合模型中的近纯性筛选与主导原子估计问题。在 ε-纯混合(某个混合权重 ≥ 1-ε)的设定下,作者提出 Trace of Latent Covariance Criterion (TLC²),直接估计潜在混合测度的协方差矩阵的迹,无需估计原子、权重或分量数,也无需知道特征分布。TLC² 的有限样本保证显示其达到参数收敛速率,附加误差阶为 p^{-1/2},且不要求混合原子间的最小分离。对于近纯混合中的主导原子,通过拟合单个 softmax 分量得到的 MLE 误差界由参数项和由主导原子与其余原子加权距离决定的偏差项组成,揭示了估计对混合几何的自适应性。进一步,作者将方法扩展到共享原子、混合权重各异的 softmax 混合集成,对每个成员应用 TLC² 筛选近纯性,并在额外假设下通过聚类主导原子估计获得共享原子的有限样本保证。Million Song Dataset 的应用展示了估计的 softmax 方向能揭示可解释的数据结构。
  • 关键技术: softmax mixture model, trace of latent covariance, near-purity screening, dominant-atom estimation, finite-sample guarantees, maximum likelihood estimation
  • 为什么对您有用: 本文属于高维统计与混合模型估计的交叉领域,与您的高维统计和半参数/非参数理论兴趣相关,但并非因果推断或随机矩阵理论的核心。其 TLC² 估计器不依赖分量数或特征分布,方法上具有新意,但技术工具(如 MLE 偏差分析)与您的武器库(如 U-统计量、极小极大界)关联较弱。作为方法学论文,可关注其有限样本界的推导思路,但直接可迁移性有限。

2. 2611.10551 — Removing the floor from Hoeffding and Bernstein inequalities for finite-population U-statistics

  • 作者: Jianhang Ai, Yiming Chen, Ond\v{r}ej Ku\v{z}elka, Yuyi Wang
  • 机构: Czech Technical University in Prague · Peking University · China Railway Rolling Stock Corporation Zhuzhou Institute (China)
  • 分类: math.ST · math.PR · stat.TH
  • 相关性 7/10 · novelty: new_theory
  • 摘要: 本文研究有限总体(finite population)上完全 U-统计量的指数集中不等式。设 C 是从大小为 N 的有限总体 D 中均匀抽取的 n 元子集,U_C 是基于 D 的 k 元子集上有界核的 k 阶完全 U-统计量。作者证明了均匀分布上的乘积不等式,并由此推导出对数矩母函数的比较:log E[exp(θ(U_C - E U_C))] ≤ (n/k) log E[exp(kθ/n (Y - E Y))],其中 Y 是均匀抽取的单个 k 元子集的核值。基于此,他们得到了 Hoeffding、Bennett 和 Bernstein 不等式,其有效样本量为 n/k,取代了此前仅有的 ⌊n/k⌋。当 n 远大于 k 时增益可忽略,但当 k 接近 n 时,指数中的增益接近因子 2。该结果在有限总体抽样和 U-统计量集中性理论上是一个实质性的改进。
  • 关键技术: product inequality, exponential concentration inequalities, Hoeffding inequality, Bennett inequality, Bernstein inequality, finite-population U-statistics
  • 为什么对您有用: 直接推进您 primary interest 中的 higher-order U-statistics 理论:给出了有限总体下 U-统计量集中不等式的更紧界(有效样本量从 floor(n/k) 提升到 n/k),这在非参数统计和假设检验的有限样本分析中可直接应用。您 very_familiar 的 U-统计量计算工具(treewidth/einsum)虽不直接用于证明,但可用来数值验证这些界的紧性,属于立即可做的 follow-up。

3. hexagon:2611.00249 — Propagation and Optimization of Low-Frequency Spectral Alignment in ReLU Networks on a Fixed Sample Graph

  • 作者: Cameron Ryan
  • 期刊/来源: Hexagon · 无人类作者署名 · 人类理解:部分 · 工具: Claude Opus 5.5 High
  • 机构: Northeastern University
  • 分类: cs.CG
  • 相关性 6/10 · novelty: new_theory
  • 摘要: 本文研究在固定样本图(由训练样本构建的图拉普拉斯)上,ReLU 网络的低频结构如何传播到最小二乘读出层 g,以及单个神经元 h=SΦθ 如何被优化以捕获低频特征向量。读出误差被分解为低频部分(由覆盖度控制,即特征张成空间包含低特征向量的程度)和高频部分(由目标的平滑度/狄利克雷能量控制)。作者证明了精确的误差界,其中覆盖度由覆盖间隙(低特征向量与特征张成空间之间的最大主角正弦)度量,并证明覆盖度在 ReLU 层间可以保持。进一步定义了捕获低频特征的数量 N_K,证明当 N_K 捕获所有低频特征时误差可降至仅平滑度分量,并给出 ReLU 层严格增加 N_K 的条件、2K+2 个神经元足以保持覆盖度、贪心选择的神经元以 O(1/t) 速率降低覆盖间隙(由 ReLU 变差范数控制)等结果。该文属于计算几何/神经网络理论方向,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,但其中图拉普拉斯与谱方法的思想可能对高维数据结构的理解有启发。
  • 关键技术: graph Laplacian, spectral alignment, ReLU networks, coverage gap, Dirichlet energy, principal angles
  • 为什么对您有用: 本文主题属于神经网络谱理论,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,但其中图拉普拉斯与谱方法的思想可能对高维数据结构的理解有启发。作为 gateway reading,本文对统计学家而言入门门槛较高,需要熟悉图拉普拉斯和神经网络理论;您的武器库(非参数统计、高维渐近)可支撑理解谱方法部分,但神经网络优化部分需要额外学习。建议仅作为拓展阅读,不值得花大量时间精读。

4. 2611.11928 — A Semiparametric Bayesian Generalized Linear Mixed Model with a Nonparametric Count Distribution for Seizure Data

  • 作者: Entejar Alam, Elizabeth Juarez-Colunga, Marco I. Gonz\'alez, Peter M\"uller
  • 机构: The University of Texas at Austin · University of Colorado Anschutz · University of California, Davis
  • 分类: stat.ME · stat.AP · stat.CO
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文提出 fcDPGLM,一种半参数贝叶斯广义线性混合模型,用于功能型计数数据,其中事件率随时间及实验条件变化。模型将 GLM 风格的均值结构与非参数计数分布相结合,条件均值由参数化的均值轨迹和随机效应精确决定,从而保留对比的可解释性,而分布的其余特征(如过离散、零膨胀、重尾)则从数据中非参数学习。Poisson 和负二项混合模型作为极限情形被包含。通过 gamma 完全随机测度表示实现高效后验模拟。在模拟的鼠癫痫研究中,fcDPGLM 在正确设定负二项模型时均值对比估计同样准确,否则更优,并能恢复参数模型误表示的零概率和超阈值概率。实际癫痫数据显示发作率在早期上升后下降,慢性期保持高位且平稳,且个体差异显著;仅 fcDPGLM 能匹配观测的零频率、方差和高负担天数。
  • 关键技术: Bayesian nonparametrics, completely random measures, generalized linear mixed model, functional count data, posterior simulation
  • 为什么对您有用: 本文属于贝叶斯非参数与纵向计数数据的交叉,与您的主要兴趣(纵向因果推断、非参数/半参数理论)有间接关联,但方法学核心(DPGLM、完全随机测度)不在您的技术武器库中。作为 gateway reading,本文对贝叶斯非参数建模的入门有帮助,但您更关注频率学派半参数效率与因果识别,因此直接可迁移性有限。

5. 2611.12163 — Zero-inflated generalized linear latent variable models for microbiome compositional data

  • 作者: Wenqi Tang, Pekka Korhonen, Jenni Niku, Klaus Nordhausen, Sara Taskinen
  • 机构: University of Jyväskylä · University of Helsinki
  • 分类: stat.ME
  • 相关性 5/10 · novelty: application
  • 摘要: 本文针对微生物组组成型计数数据,提出将 Dirichlet-multinomial 分布纳入广义线性潜变量模型(GLLVM)框架,以处理高维、过离散且高度稀疏的数据,并通过低秩结构刻画物种间的复杂协变。传统零替换方法忽略零值产生机制,作者因此提出零膨胀 Dirichlet-multinomial 潜变量模型(ZIDM-LVM)。由于边际似然无闭式表达,他们开发了变分近似(VA)方法进行高效参数估计。通过模拟研究和两个微生物组数据集的应用评估了所提方法的性能。该方法属于贝叶斯/潜变量建模与计算统计的交叉,与您的主要兴趣(如高维统计、统计计算)有一定关联,但并非核心方向。
  • 关键技术: generalized linear latent variable models, Dirichlet-multinomial distribution, zero-inflation, variational approximation
  • 为什么对您有用: 本文涉及高维稀疏数据的统计建模与变分推断,与您的高维统计和统计计算兴趣有部分重叠,但更偏向应用统计与贝叶斯计算。作为入门读物,它展示了如何处理组成型计数数据,但方法学创新有限。武器库中的变分推断或高维渐近工具可帮助理解其估计性质,但核心问题并非您的主攻方向,暂不建议深入。

6. 2611.11785 — On the robustness of locally D-optimal designs under parameter uncertainty in single-factor generalized linear models

  • 作者: Osama Idais
  • 分类: math.ST · stat.CO · stat.ME · stat.TH
  • 相关性 5/10 · novelty: minor
  • 摘要: 本文研究单因子广义线性模型(Poisson、gamma、logistic 回归)中,当回归参数存在不确定性时,局部 D-最优设计是否仍能保持贝叶斯 D-最优性。作者在单位区间上考虑斜率参数的先验分布(正态与均匀),通过解析论证和数值比较,考察先验形式与离散程度对最优支撑点及局部设计贝叶斯 D-效率的影响。结果表明,在某些条件下局部最优设计对参数不确定性具有鲁棒性,但先验的离散程度和形式会显著改变最优支撑集。该工作属于最优实验设计领域,与您的核心兴趣(因果推断、高维统计等)无直接交集,但涉及统计计算与优化方法,可作为方法论参考。
  • 关键技术: D-optimality, Bayesian optimal design, generalized linear models, local optimality, efficiency comparison
  • 为什么对您有用: 本文属于实验设计领域,与您的主要兴趣(因果推断、高维统计、U-统计量等)无直接关联。但其中对参数不确定性的鲁棒性分析思路,可能对您在因果推断中的敏感性分析有所启发。由于核心机器不在您的武器库中(如实验设计理论),且主题偏离您的方向,建议仅作泛读,不深入。

7. 2611.10494 — Generalized Laplacian in Spectral Seriation on Manifold Data

  • 作者: Ruizi Wu, Wanjie Wang, Jinchi Lv
  • 机构: National University of Singapore · University of Southern California
  • 分类: stat.ME
  • 相关性 4/10 · novelty: new_method
  • 摘要: 本文研究流形数据上的谱序列化(spectral seriation)问题,目标是从高维噪声观测中恢复潜在相位(phase)和循环排序。作者考虑广义图拉普拉斯算子,其中参数 α 控制度归一化程度,影响相位估计和排序的精度与稳定性。提出了三种广义拉普拉斯构造:移位广义拉普拉斯、图差分拉普拉斯和额外归一化广义拉普拉斯,其中额外归一化变体对 α 的选择最不敏感,且恢复性能最强。针对该变体,建立了相位估计误差与特征空间扰动之间的理论误差界,并考虑了旋转和反射的固有模糊性。合成实验表明新方法优于经典谱序列化及其他方法;在 Pink Angel 和 FUCCI 细胞周期数据上分别实现了零排序误差和最佳混合细胞恢复性能。
  • 关键技术: spectral seriation, graph Laplacian, eigenspace perturbation, circular ordering, manifold data
  • 为什么对您有用: 本文属于谱图理论与流形学习在排序问题中的应用,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,但其中特征空间扰动分析的技术可能对高维统计中的谱方法有参考价值。作为非核心领域的论文,其方法学新颖性有限,主要贡献在于提出一种对参数不敏感的拉普拉斯变体,并给出误差界。若您对谱方法在高维数据中的应用感兴趣,可略读;否则不值得深入。

8. 2611.12513 — Robust Posterior Projection for Bayesian Inference Under Order Restrictions

  • 作者: Im{`e}ne Bouafia (CFE), Anne Philippe (LMJL), Guillaume Gu{\'e}rin (GR)
  • 机构: Comisión Federal de Electricidad (Mexico) · Laboratoire de Mathématiques Jean Leray · Nantes Université
  • 分类: stat.ME
  • 相关性 4/10 · novelty: application
  • 摘要: 本文针对考古学与地质年代学中的贝叶斯排序推断问题,提出基于 Huber 损失的稳健后验投影方法。在分层约束下,传统方法通过先验或投影将无约束后验限制在有序年代集合上,但测量值与地层位置不一致时(如扰动)不应直接丢弃。作者引入多种基于 Huber 损失的稳健投影映射,刻画了映射的非唯一性,并采用 Tikhonov 正则化处理。该方法将每个样本分解为单调基线和尖峰,用于标记可疑样本。作者改编了 Sequential Block Merging 算法以适应 Huber 型损失,并提出数据驱动的超参数选择启发式。模拟和地质年代案例研究展示了稳健性的提升及其局限性。对您而言,本文属于贝叶斯计算与稳健推断的应用,与您的主要兴趣(如统计计算、非参数/半参数理论)关联较弱,但其中的投影与正则化思想或可迁移至约束推断问题。
  • 关键技术: Huber loss, posterior projection, Tikhonov regularization, Sequential Block Merging, Bayesian chronological modeling
  • 为什么对您有用: 本文属于贝叶斯推断与稳健统计的应用,与您的主要兴趣(因果推断、高维统计、U-统计量等)直接关联较弱。但其中投影映射与正则化的处理方式,或可启发您在约束估计问题中的思考。作为应用型论文,方法学新颖性有限,但若您对贝叶斯计算或稳健推断感兴趣,可作为入门读物。
  • 作者: Juan Marcen-Gutierrez, Jorge Castillo-Mateo
  • 机构: Universidad de Zaragoza · Instituto Universitario de Matemáticas y Aplicaciones
  • 分类: stat.ME
  • 相关性 4/10 · novelty: application
  • 摘要: 本文针对西班牙半岛夏季日最高气温的时空演变,提出一个贝叶斯空间变系数分位数回归模型,目标是在 0.50 和 0.95 分位数上分离大气环流(用 ERA5 对流层位势场刻画)与长期趋势(背景气候变暖)的贡献。模型允许系数随空间变化,从而刻画不同地区对环流敏感性的差异,并同时考虑月份和空间异质性。估计采用贝叶斯方法,利用 1960–2023 年 40 个气象站的数据。结果显示环流与长期趋势对观测增温的贡献相当,且中位数和上分位数均显著上升,但存在明显的时空异质性。作为应用型论文,其方法学 novelty 有限,但数据与建模流程对气候统计方向有参考价值。
  • 关键技术: Bayesian spatially varying quantile regression, ERA5 geopotential fields, quantile regression, spatio-temporal modeling
  • 为什么对您有用: 本文属于应用统计(气候学),与您的主要兴趣(因果推断、高维、半参数等)无直接交集,但可作为 gateway reading 了解分位数回归在气候数据中的应用。您的武器库(如非参数统计、M 估计)足以理解其方法,但无需深入。若您对气候数据或分位数回归的应用感兴趣,可快速浏览;否则不值得花时间读全文。

10. 2611.10111 — Statistical Geometry of Group Actions: Symmetry, Transport, Estimation

  • 作者: Quentin Berthet, Peter Bartlett, Romuald Elie, Yu-Han Wu
  • 分类: math.ST · cs.LG · stat.TH
  • 相关性 4/10 · novelty: new_theory
  • 摘要: 本文研究变分推断中分布对称性与参数化传输族之间的相互作用,将样本空间上的对称群作用与通过 pushforward 生成变分族的传输群作用统一分析。通过研究总变换群的代数结构及对称群在传输李代数上的伴随表示,作者证明 KL 散度在真实传输参数处的黎曼梯度被限制在对称群的平凡表示中,从而沿所有非平凡表示方向梯度必为零。结合参数可辨识性,传输李代数被正交分解为三个可解释子空间:可辨识性核、偏差子空间和对称破缺子空间。进一步,作者刻画了残余偏差方向与基模型和标准化目标之间分布失配的关系,并推导出消除该偏差的 Stein 型矩匹配条件,将 Margossian 和 Saul (2025) 的位置-尺度结果推广到一般李群变换族。
  • 关键技术: representation theory, Lie group actions, Riemannian gradient, KL divergence, Stein-type moment matching, variational inference
  • 为什么对您有用: 本文属于数学统计与统计计算交叉领域,与您的 primary interest 中的统计计算(numerical methods, algorithm)和 semiparametric/nonparametric theory 有间接关联。其核心工具是表示论和李群作用,不在您的技术武库中,但作为 gateway reading 可帮助您了解对称性约束在估计问题中的作用。具体而言,本文的对称性诱导梯度消失机制可能对您在因果推断中处理 nuisance 参数的正交性有启发,但直接可迁移性有限。

11. 2611.12550 — A Strict Upper Bound for Three-Point Weighted Selection in Planar Vector-Valued Regression

  • 作者: Sergey Volkov
  • 分类: math.ST · cs.AI · cs.LG · stat.TH
  • 相关性 4/10 · novelty: minor
  • 摘要: 本文研究平面向量值回归中三点加权选择问题的最坏情况 Frobenius 范数上界。具体地,对两个输入、两个输出坐标的最小二乘回归,证明加权选择常数 F_weighted(2,2,3) 严格小于 11/6,改进了已知上界 15/8。证明方法结合精确标量证书、平面选择等号刚性以及控制消失权重的紧致性论证,得到对任意有限残差框架成立的通用常数 ε0。结合已知下界,最终给出 13/8 ≤ F_weighted(2,2,3) < 11/6 的区间。该结果属于组合几何与最坏情况分析,与统计推断或估计理论无直接关联。
  • 关键技术: worst-case analysis, compactness argument, equality rigidity, least-squares regression
  • 为什么对您有用: 该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,属于纯数学的组合几何问题。作为统计学家,其证明技巧(紧致性、等号刚性)可能对理解某些极值问题有启发,但迁移成本高,且不涉及您武器库中的具体工具。建议仅作泛读,不投入深读时间。

12. hexagon:2611.00217 — The Logical Anatomy of Optimization: Reverse Mathematics, Proof Mining, and the Price of Convergence

  • 作者: Xiaoyu Li
  • 期刊/来源: Hexagon · 无人类作者署名 · 人类理解:部分 · 工具: Claude Opus 5.5 / Claude Code / Python 3 (numerical checks in anc/)
  • 机构: University of New South Wales
  • 分类: math.LO · math.OC · cs.CC · cs.LO
  • 相关性 4/10 · novelty: new_theory
  • 摘要: 本文用逆向数学、Weihrauch 复杂度和 proof mining 三种逻辑工具,系统度量优化理论中三类定理(存在性、收敛性、对偶性)所需的数学证明强度。核心结果包括:RCA0 可证明凸函数在紧区间上达到最小值,以及线性规划对偶和 minimax 定理;而梯度下降对凸光滑函数的收敛性等价于 ACA0,其代价源于算法选择的特定极小点,唯一性或误差界可消除该代价。在有限信息层面,梯度下降在 R^d 中的 ε-波动次数有界,且该界非维度无关;可计算实例上梯度下降的极限坐标属于 d.c.e. 真子类。文章还覆盖 Ekeland 变分原理、分离定理、Kőnig 对偶、不动点迭代的 proof-mined 速率,以及可行世界中的 CLS 完备性。最后提出五个原则和开放问题。对您而言,本文虽非统计方法论文,但其对算法收敛代价的精细刻画(如 ACA0 等价性)与您在高维统计和计算复杂性方面的兴趣有概念性关联,可作为跨学科背景阅读。
  • 关键技术: reverse mathematics, Weihrauch complexity, proof mining, metastability rates, performance estimation, CLS-completeness
  • 为什么对您有用: 本文属于逻辑与优化交叉领域,与您的核心兴趣(因果推断、高维统计等)无直接方法学关联,但其中关于梯度下降收敛代价的逆向数学分析,与您对 statistical-computational tradeoff 的兴趣有概念性呼应——它揭示了算法收敛所需数学公理的强度,可视为计算复杂性的一种逻辑视角。作为 gateway reading,本文对局外人(如统计学家)的友好度中等:逆向数学和 Weihrauch 复杂度的术语较多,但引言和结论部分对主要结果的解释相对清晰。您的武器库(如 minimax 理论、高维渐近)不足以直接支撑您进入该领域,但若您想拓宽对算法收敛本质的理解,本文值得花时间读全文,尤其是其中关于梯度下降波动界与性能估计的联系部分。

🗂 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. 2611.11350 — Financial Connectedness: Heavy Tails andResponse Attribution

  • 作者: Zhu Yuzhao, Shao Jiahui, Liu Dongqi, Li Dan, Hu Xiaoxiao
  • 机构: Lanzhou University
  • 分类: math.ST · stat.TH
  • 相关性 3/10
  • 评分理由: Financial connectedness with heavy tails is tangential to primary stats interests; no clear arsenal match.

2. hexagon:2611.00227 — An analytic lower bound for the cubic-lattice dimer constant

  • 作者: Yair Lavi
  • 分类: math.CO · math-ph
  • 相关性 3/10
  • 评分理由: Analytic bound for dimer constant, a combinatorics/physics result with no statistical data or model dimension.

3. 2611.10102 — What observations are needed to advance our theoretical understanding of galaxy formation at high redshift?

  • 作者: H. Katz, R. S. Somerville, R. Schneider, B. E. Robertson, F. Pacucci, Abdurro'uf, K. Aditya, J. M. Afonso, M. Aravena, G. Barro, A. Basu, R. Begley, S. Bhattacharya, S. Bose, M. Brada\v{c}, G. L. Bryan, C. Cain, A. J. Cameron, S. Carniani, C. M. Cheng, N. Choustikov, E. Curtis-Lake, A. D'Angelo, R. Dav\'e, R. L. Davies, F. van Donkelaar, C. T. Donnan, N. E. Drakos, Q. Duan, Y. Dubois, A. L. Faisst, M. Farcy, S. L. Finkelstein, A. Fontana, S. Gillman, S. C. O. Glover, L. Graziani, A. R. Gupta, T. A. Gutcke, M. G. Haehnelt, N. P. Hathi, K. E. Heintz, M. Hirschmann, M. Huertas-Company, A. Hutter, L. R. Ivey, K. Iyer, J. Jeon, T. B. Jeong, C. K. Jespersen, B. L. Jones, I. Juod\v{z}balis, T. Kimm, A. M. Koekemoer, D. Langeroodi, A. Lapi, M. A. Latif, Y. Liu, C. C. Lovell, T. -Y. Lu, F. Mannucci, S. H. Menon, A. Mesinger, K. Nagamine, Y. Nakazato, P. Natarajan, O. Nebrin, R. Pascalau, B. P\'erez-D\'iaz, P. G. P\'erez-Gonz\'alez, E. Pizzati, A. Polzin, E. Regos, M. Reina-Campos, M. P. Rey, P. Rinaldi, D. Roberts, F. Rodr\'iguez Montero, W. Roper, E. Rusta, M. Saggini, R. L. Sanders, F. Shankar, A. E. Shapley, X. Shen, T. M. Stanton, S. D. Stevenson, G. Sun, J. C. Turner, A. Venditti, A. P. Vijayan, T. Wang, S. Wilkins, J. H. Wise, J. Witstok, Z. Wu, L. Y. A. Yung, T. Zana, S. Zhang, R. J. Zhao, M. -Y. Zhuang
  • 机构: University of Chicago · Flatiron Institute · Sapienza University of Rome · University of California, Santa Cruz · Center for Astrophysics Harvard & Smithsonian · Universidad Diego Portales · University of Lisbon · Institute of Astrophysics and Space Sciences 等
  • 分类: astro-ph.IM · astro-ph.GA
  • 相关性 2/10
  • 评分理由: Astrophysics theory review, no statistical methodology or data analysis relevant to interests.

4. 2611.10103 — DMAJOR: A JWST Legacy Survey of Protoplanetary Disks

  • 作者: Benjamin Pope, Yinuo Han, Sean Andrews, Kateryna Andrych, Phil Armitage, William Balmer, Myriam Benisty, Faustine Cantalloube, Max Charles, Ilse Cleeves, Ian Czekala, Louis Desdoigts, Ruobing Dong, Rodrigo Ferrer-Chavez, Katherine Follette, Christian Ginski, Jonah Goldfine, Hayden Greer, Cassandra Hall, Sasha Hinkley, Haochang Jiang, Devika Kamath, Jens Kammerer, Matthew Kenworthy, Milo Langker, Kellen Lawson, Nienke van der Marel, Sebasti\'an Marino, Maksym Mohorian, Christophe Pinte, Daniel Price, Laurent Pueyo, Shrishmoy Ray, Nour Skaf, Floris van der Tak, Peter Tuthill, Miguel Vioque, Jason Wang, Shangjia Zhang
  • 机构: Macquarie University · California Institute of Technology · Center for Astrophysics Harvard & Smithsonian · Stony Brook University · Northwestern University · Max Planck Institute for Astronomy · Centre National de la Recherche Scientifique · Institut de Planétologie et d'Astrophysique de Grenoble 等
  • 分类: astro-ph.IM · astro-ph.EP
  • 相关性 2/10
  • 评分理由: Astronomy survey proposal, no statistical content or data analysis methods.

5. 2611.11159 — Foreshortening of Polarizer Angles in Wide Field Polarizing Imagers

  • 作者: Ritesh Patel, J. Marcus Hughes, C. E. DeForest, Daniel B. Seaton, Chris Lowder, Matthew J. West
  • 机构: Southwest Research Institute · European Space Agency · European Space Research and Technology Centre
  • 分类: astro-ph.IM · astro-ph.SR · physics.optics
  • 相关性 2/10
  • 评分理由: Instrumentation optics paper, no statistical methodology or data analysis.

6. 2611.12183 — Upgrade of the MITHiC testbed for phase and amplitude control in the focal plane

  • 作者: Anton Neisius, \'Elodie Choquet, Vincent Chambouleyron, Arthur Vigan
  • 机构: Laboratoire d’Astrophysique de Marseille
  • 分类: astro-ph.IM
  • 相关性 2/10
  • 评分理由: Instrumentation testbed upgrade, no statistical content.

7. hexagon:2611.00259 — The Rising-Sea Theses: Twelve Theses on Mathematics and Machine Reasoning

  • 作者: Vincent Liu
  • 分类: math.HO · math.CT · cs.AI · cs.LO
  • 相关性 2/10
  • 评分理由: Philosophical theses on machine reasoning in math, not statistical methodology.

8. hexagon:2611.00237 — The Grothendieckian Programme: An Overview — Seven Open Works on Mathematics and Machine Reasoning

  • 作者: Vincent Liu
  • 分类: math.HO · math.AG · math.CT · math.NT · cs.AI · cs.LO
  • 相关性 2/10
  • 评分理由: Machine reasoning about mathematics, only tangential to computational statistics and not accessible gateway reading.

9. hexagon:2611.00232 — A proof of a conjecture of Cazenave on graph eigenvalues

  • 作者: Alexander Kramer
  • 分类: math.CO
  • 相关性 2/10
  • 评分理由: Graph eigenvalue inequality proof, tangential to statistics with no methodological overlap.

10. hexagon:2611.00230 — Nonexistence of DSRGs with ten parameter sets: the rank of A − θI versus a submatrix prescribed at a vertex

  • 作者: Iurii Ivanov
  • 分类: math.CO
  • 相关性 2/10
  • 评分理由: Combinatorial graph existence proof, no connection to statistical theory or methods.

11. hexagon:2611.00228 — Singularity Projection in Three-Dimensional Space and the Discretization of a Continuous Interval

  • 作者: zoushanzhong zou
  • 分类: math.AT · math.GT
  • 相关性 1/10
  • 评分理由: Pure math topology/geometry, unrelated to statistics or interests.

12. hexagon:2611.00260 — The Cereceda (2007) conjecture holds for bipartite 2-degenerate graphs

  • 作者: Dave Goel
  • 分类: math.CO · cs.DM
  • 相关性 1/10
  • 评分理由: Graph recoloring combinatorics, unrelated to statistical interests.

13. hexagon:2611.00258 — Smale's mean value constant (1981) exceeds 1.1559

  • 作者: Dave Goel
  • 分类: math.CV
  • 相关性 1/10
  • 评分理由: Complex analysis constant, unrelated to statistics.

14. hexagon:2611.00257 — Spectral synthesis for the Báez–Duarte step space

  • 作者: Will Howe, Grant Huffman, Jensen Kohlmeyer, Liam Kruer
  • 分类: math.NT
  • 相关性 1/10
  • 评分理由: Number theory spectral synthesis, unrelated to statistics.

15. hexagon:2611.00256 — Period relations as period terms: linear independence at CM and Beta periods

  • 作者: Shawn Krisman
  • 分类: math.NT
  • 相关性 1/10
  • 评分理由: Number theory periods, unrelated to statistics.

16. hexagon:2611.00233 — Prime factors of fusion-category dimensions: weak group-theoreticity and decomposition

  • 作者: Sebastian Burciu, Jingcheng Dong, Sebastien Palcoux
  • 分类: math.QA · math.CT · math.GR · math.MP · math.RA · math.RT
  • 相关性 1/10
  • 评分理由: Fusion category dimensions, unrelated to statistics.

17. hexagon:2611.00255 — The rational points of the non-split Cartan modular curve of level 121

  • 作者: Manvir Jaswal
  • 分类: math.NT
  • 相关性 1/10
  • 评分理由: Arithmetic geometry modular curves, unrelated to statistics.

18. hexagon:2611.00254 — Critical edges in labelled complete graphs

  • 作者: Dr. András Pongrácz
  • 分类: math.CO
  • 相关性 1/10
  • 评分理由: Combinatorial matching problem, unrelated to statistics.

19. hexagon:2611.00251 — Nonuniqueness of site percolation on nonamenable quasi-transitive graphs

  • 作者: Yan Ru Pei
  • 分类: math.PR · math.CO · math.GR · math-ph
  • 相关性 1/10
  • 评分理由: Site percolation on graphs is a probability topic but far from the researcher's statistical interests.

20. hexagon:2611.00246 — Second moments of pattern counts in dual Melas codewords

  • 作者: David Niedbala Giraudin
  • 分类: math.NT · cs.IT
  • 相关性 1/10
  • 评分理由: Pattern counts in coding theory, tangential to probability but not to the researcher's interests.

21. hexagon:2611.00245 — Seven Research Directions in Differential Geometry and Differential Topology Enabled by AI

  • 作者: Jianqiao Shang
  • 分类: math.DG · math.GT · math.SG
  • 相关性 1/10
  • 评分理由: AI-generated research directions in differential geometry, unrelated to statistics.

22. hexagon:2611.00243 — Non-computable derivatives of the fractional-part autocorrelation

  • 作者: Michael Yampolsky
  • 分类: cs.CC
  • 相关性 1/10
  • 评分理由: Computability theory in analysis, tangential to statistics and no methodological overlap.

23. hexagon:2611.00241 — Autocorrelation Phase Lattices on Cyclic Groups: Unit Supports, 2pq Orbit Profiles, and Binary Reconstruction

  • 作者: Oleksiy Babanskyy
  • 分类: math.CO
  • 相关性 1/10
  • 评分理由: Combinatorial algebra on cyclic groups, no connection to statistics or arsenal.

24. hexagon:2611.00240 — A Parity Theorem for Reverse-Complement-Invariant Minimum Decycling Sets in q-ary de Bruijn Graphs

  • 作者: Oleksiy Babanskyy
  • 分类: math.CO
  • 相关性 1/10
  • 评分理由: Graph theory on de Bruijn graphs, unrelated to statistical interests.

25. hexagon:2611.00236 — Sharp thresholds for five-colour cube assemblies

  • 作者: Jason Davies
  • 分类: math.CO · cs.DM · cs.LO
  • 相关性 1/10
  • 评分理由: Combinatorial cube assemblies, unrelated to statistical interests.

26. hexagon:2611.00235 — Decomposable disjoint-union circuits for primitive words

  • 作者: Will Howe, Grant Huffman, Jensen Kohlmeyer, Liam Kruer
  • 分类: cs.FL
  • 相关性 1/10
  • 评分理由: Formal language theory on primitive words, unrelated to statistics or causal inference.

27. hexagon:2611.00234 — Torsion of elliptic curves over number fields of degree \(10\)

  • 作者: Filip Najman
  • 分类: math.NT
  • 相关性 1/10
  • 评分理由: Number theory on elliptic curve torsion, far outside the researcher's statistical interests.

28. hexagon:2611.00231 — Rational points on the non-split Cartan modular curve of level \(121\)

  • 作者: Santiago Arango-Piñeros, Filip Najman, David Zureick-Brown
  • 分类: math.NT
  • 相关性 1/10
  • 评分理由: Arithmetic geometry on modular curves, unrelated to the researcher's statistical focus.

29. hexagon:2611.00229 — Actual images and local fibers in the second commutator layer

  • 作者: Shengyong Pan
  • 分类: math.RA
  • 相关性 1/10
  • 评分理由: Pure algebra on polynomial values in matrix rings, outside all statistical interests.

30. hexagon:2611.00226 — A family of finite dimensional Hopf algebras over \(\mathbb{C}\) with varying algebra structure

  • 作者: Pavel I Etingof
  • 分类: math.RA · math.CT
  • 相关性 1/10
  • 评分理由: Hopf algebra construction in algebra, completely unrelated to the researcher's field.

31. hexagon:2611.00208 — The 57 Grothendieckian Problems: Open Problems for Mathematics and Machine Reasoning from the Grothendieckian Programme

  • 作者: Vincent Liu
  • 分类: math.HO · math.AG · math.CT · math.NT · cs.AI · cs.LO
  • 相关性 1/10
  • 评分理由: Pure mathematics open problems, unrelated to statistics or causal inference.

32. hexagon:2611.00207 — Pretorsion theories and image-closed subcategories

  • 作者: Haruhisa Enomoto
  • 分类: math.RT · math.CO
  • 相关性 1/10
  • 评分理由: Category theory and algebra, no statistical content.

33. hexagon:2611.00206 — The L’vov–Kaplansky Conjecture for Matrices of Sufficiently Large Order

  • 作者: Qiyue Tang
  • 分类: math.RA
  • 相关性 1/10
  • 评分理由: Algebraic conjecture on matrix polynomials, unrelated to statistics.

34. hexagon:2611.00205 — Structural Reductions for Lusztig’s Conjectures in Types (B_n), (\widetilde B_n), and (\widetilde C_n)

  • 作者: Qiyue Tang
  • 分类: math.RT · math.GR
  • 相关性 1/10
  • 评分理由: Representation theory of Hecke algebras, far from statistical interests.

35. hexagon:2611.00203 — Odd/Odd Records for a Relative Approximation Error: Three Quadratic Classifications and an Exact Certificate

  • 作者: Elias De Jesús
  • 分类: math.NT · math.CA
  • 相关性 1/10
  • 评分理由: Number theory on quadratic irrationals, no statistical connection.

36. hexagon:2611.00202 — Subrings of \(\mathbb{Z}^n\) of prime-power index and modular forms

  • 作者: Anwesh Ray
  • 分类: math.NT
  • 相关性 1/10
  • 评分理由: Number theory on subrings and modular forms, unrelated to statistics.

37. hexagon:2611.00201 — The Kopotun Subpermanent Transform Inequality

  • 作者: Yair Lavi
  • 分类: math.CO
  • 相关性 1/10
  • 评分理由: Combinatorial inequality on doubly stochastic matrices, tangential at best.

38. hexagon:2611.00200 — Formalizing the interpolation lemma of the openai/math Landau–Siegel paper and substituting it into a Comparator-accepted proof

  • 作者: Joseph Reilly
  • 分类: cs.LO · math.CA · cs.CC
  • 相关性 1/10
  • 评分理由: Formal proof verification in Lean, no statistical methodology.

39. hexagon:2611.00253 — Shared triangular sides in pseudoline arrangements

  • 作者: Will Howe, Grant Huffman, Jensen Kohlmeyer, Liam Kruer
  • 分类: math.CO
  • 相关性 0/10
  • 评分理由: Pure combinatorics on pseudoline arrangements, unrelated to any statistical interest.

40. hexagon:2611.00252 — Holographic entropy inequalities without unscaled contraction proofs

  • 作者: Antti Hippeläinen
  • 分类: math-ph · math.CO · quant-ph
  • 相关性 0/10
  • 评分理由: Holographic entropy inequalities in mathematical physics, no statistical connection.

41. hexagon:2611.00250 — No arrivals: complete periodicity and degenerate orbits in rational right triangles

  • 作者: Joshua Boorstein
  • 分类: math.DS · math.GT · math.NT
  • 相关性 0/10
  • 评分理由: Dynamical systems and billiards in rational triangles, unrelated to statistics.

42. hexagon:2611.00248 — R(12,12) ≥ 1661 by extending the Mathon–Shearer coloring

  • 作者: Yue Ma
  • 分类: math.CO
  • 相关性 0/10
  • 评分理由: Ramsey theory coloring construction, no statistical relevance.

43. hexagon:2611.00244 — On the Hodge, Tate, and standard conjectures for abelian varieties

  • 作者: James Milne
  • 分类: math.AG
  • 相关性 0/10
  • 评分理由: Pure algebraic geometry, unrelated to any research interest.

44. hexagon:2611.00239 — Another proof of Laurent positivity for skew-symmetric quantum cluster algebras

  • 作者: Qiyue Tang
  • 分类: math.QA · math.RT
  • 相关性 0/10
  • 评分理由: Cluster algebras, pure algebra, no statistical relevance.

45. hexagon:2611.00238 — Another Proof of Laurent Positivity for Generalized Cluster Algebras

  • 作者: Qiyue Tang
  • 分类: math.AC · math.CO · math.RT
  • 相关性 0/10
  • 评分理由: Cluster algebras, pure algebra, no statistical relevance.

46. hexagon:2611.00225 — Spectrally Simple Spectra without Irreducible Nonnegative Realizations

  • 作者: Yair Lavi
  • 分类: math.RA
  • 相关性 0/10
  • 评分理由: Pure algebra (nonnegative matrix realization), unrelated to any interest.

47. hexagon:2611.00224 — A Zariski-Open Family of Proper Septic Polynomials with Full Traceless Images

  • 作者: Y. T. Miah
  • 分类: math.RA
  • 相关性 0/10
  • 评分理由: Pure algebra (multilinear polynomials, matrix images), unrelated.

48. hexagon:2611.00223 — Images of Multilinear Polynomials with a Standard-Polynomial Unit Specialization

  • 作者: Y. T. Miah
  • 分类: math.RA
  • 相关性 0/10
  • 评分理由: Pure algebra (multilinear polynomials, matrix images), unrelated.

49. hexagon:2611.00221 — On Fourier and Hadamard matrices of prime order

  • 作者: Teo Banica
  • 分类: math.CO · quant-ph
  • 相关性 0/10
  • 评分理由: Combinatorics/quantum info on Hadamard matrices, unrelated to stats interests.

50. hexagon:2611.00220 — The Mesirov-Sweet property over F_2 up to degree 33, with two quotients of degree two up to degree 28

  • 作者: David Niedbala Giraudin
  • 分类: math.NT
  • 相关性 0/10
  • 评分理由: Number theory computation over F_2, unrelated to stats interests.

51. hexagon:2611.00219 — Monomial Immanants of Totally Nonnegative Matrices

  • 作者: Qiyue Tang
  • 分类: math.CO · math.AG · math.RT
  • 相关性 0/10
  • 评分理由: Algebraic combinatorics (immanants, cluster algebras), unrelated.

52. hexagon:2611.00218 — A LOWER BOUND FOR THE FILLING AREA OF THE CIRCLE

  • 作者: Qiyue Tang
  • 分类: math.DG · math.MG
  • 相关性 0/10
  • 评分理由: Differential geometry (filling area), unrelated.

53. hexagon:2611.00216 — Almost all \(k\)-Markov numbers are unique

  • 作者: Qiyue Tang
  • 分类: math.NT · math.DS
  • 相关性 0/10
  • 评分理由: Number theory result on Markov numbers, unrelated to statistics.

54. hexagon:2611.00215 — Monotonicity of Erdős sums

  • 作者: Jaideep Padhi
  • 分类: math.NT
  • 相关性 0/10
  • 评分理由: Analytic number theory on Erdos sums, no statistical content.

55. hexagon:2611.00214 — Haagerup symmetry in a rank-six lattice conformal field theory

  • 作者: Cédric ARHANCET
  • 分类: math.QA
  • 相关性 0/10
  • 评分理由: Vertex operator algebras and fusion categories, far from statistics.

56. hexagon:2611.00213 — The necklace of a rational right triangle: exact counting and complete periodicity

  • 作者: Joshua Boorstein
  • 分类: math.DS · math.GT
  • 相关性 0/10
  • 评分理由: Dynamical systems on rational triangles, no statistical methodology.

57. hexagon:2611.00212 — Consecutive Divisors of Sums of Fibonacci Polynomials: a Luca–Marques Analogue in Finite-Field Polynomial Rings

  • 作者: Scott Kominers
  • 分类: math.NT
  • 相关性 0/10
  • 评分理由: Polynomial analogues in number theory, unrelated to statistics.

58. hexagon:2611.00211 — Making the coprimality convention explicit in a mean value theorem of Halupczok for the ternary Goldbach problem

  • 作者: Steve Hubbard
  • 分类: math.NT
  • 相关性 0/10
  • 评分理由: Number theory mean value theorem, no statistical relevance.

59. hexagon:2611.00210 — Lusztig's sharp bound for Hecke algebras

  • 作者: Qiyue Tang
  • 分类: math.RT · math.GR
  • 相关性 0/10
  • 评分理由: Hecke algebra bound in representation theory, unrelated.

60. hexagon:2611.00209 — Improved scaling in the metric cotype inequality

  • 作者: Manor Mendel
  • 分类: math.FA · math.MG
  • 相关性 0/10
  • 评分理由: Banach space geometry and metric cotype, no statistical connection.

61. hexagon:2611.00199 — An affine criterion for a classical four-point family

  • 作者: Alexandre Couret
  • 分类: math.CO
  • 相关性 0/10
  • 评分理由: Pure combinatorics on cyclic groups, unrelated to any statistical interest.

62. hexagon:2611.00198 — Complex and real counterexamples to an inequality arising from Drury's conjecture

  • 作者: Yair Lavi
  • 分类: math.CO · math.RA
  • 相关性 0/10
  • 评分理由: Counterexamples to a matrix inequality, unrelated to statistics.

63. hexagon:2611.00197 — A Dittert-like inequality for homogeneous stable polynomials

  • 作者: Yair Lavi
  • 分类: math.CO · math.RA
  • 相关性 0/10
  • 评分理由: Coefficient inequality for stable polynomials, unrelated to statistics.

64. hexagon:2611.00196 — An Optimal Deterministic Adversary for Sorting

  • 作者: Nicholas Nash
  • 分类: cs.DS
  • 相关性 0/10
  • 评分理由: Deterministic adversary for sorting, unrelated to statistical interests.

65. hexagon:2611.00195 — The L’vov–Kaplansky conjecture in degrees three and four over arbitrary fields

  • 作者: Qiyue Tang
  • 分类: math.RA
  • 相关性 0/10
  • 评分理由: Noncommutative polynomial images, unrelated to statistics.

66. hexagon:2611.00194 — The singular-support characterization of Lusztig sheaves

  • 作者: Qiyue Tang
  • 分类: math.RT · math.AG
  • 相关性 0/10
  • 评分理由: Perverse sheaves and quiver representations, unrelated to statistics.

67. hexagon:2611.00187 — An explicit counterexample of degree 29440 to Smale's mean value problem with constant one

  • 作者: David Niedbala Giraudin
  • 分类: math.CV · math.NA
  • 相关性 0/10
  • 评分理由: Smale's mean value problem in complex analysis, unrelated to statistics.

68. hexagon:2611.00192 — Self-injective dimensions under stable equivalences of Morita type

  • 作者: Qiyue Tang
  • 分类: math.RT · math.RA
  • 相关性 0/10
  • 评分理由: Self-injective dimensions in algebra, unrelated to statistics.

Maintained by 陈星宇 · Homepage · Source on GitHub

评论