Statistical inference on change points in generalized semiparametric segmented models¶

作者: Guangyu Yang, Baqun Zhang, Min Zhang
来源: Biometrics
主题: 非参数 / 半参数
相关性: 7/10
机构绿灯: Tsinghua University（US News 前 50，免分进入精读）
链接: https://doi.org/10.1093/biomtc/ujaf022

一、领域脉络与小综述（从 introduction + 参考文献构建）¶

这个方向是什么¶

这个子方向是半参数分段模型（semiparametric segmented model）中的变点统计推断。根本的科学问题是：在回归模型中，当一个协变量（称为“分段变量”，如时间、剂量、年龄）与响应变量的关系在某个未知的阈值（即“变点”）处发生结构突变（例如斜率改变），且基础模型是一个广义线性模型，其中部分协变量的效应被建模为未知光滑函数（半参数部分）时，如何检验这个变点是否存在，以及估计其具体位置。当前成熟度处于：理论框架（渐近性质）已有一些成果，但大多数工作局限于线性模型或参数模型；本文试图将其推向更灵活的广义半参数设定，并为检验与估计提供统一的渐近理论。

发展脉络（history）¶

论文的引言将这些工作串成一条线，我将其整理如下：

奠基工作（~1990s - 2000s）：
- Muggeo (2003)：提出了分段线性模型的变点估计算法（基于“smooth”技巧），但缺乏严格的渐近理论。论文引用其作为“segmented regression”的经典算法起点。
- Muggeo (2008)：进一步扩展了该算法。论文引用时指出，这些工作主要限于线性回归。
主要进展（~2010s - 2020s）：
- Huang & Shen (2021)：在一个更一般的（半参数）部分线性模型中研究了变点估计，证明了变点估计量的根n（root-n）一致性和渐近正态性，但未处理检验问题，且模型形式是部分线性（Y = Xβ + η(Z)），而本文是广义线性模型加分段 (Y ~ ExpFam(Xβ + η(U) with a threshold in U))。论文指出，这是第一个在部分线性模型中处理变点估计的严格理论工作。
- Anderson & Jones (2022)：在广义线性模型（GLM）框架中处理了变点估计与检验，但其模型是纯参数的，没有非参数部分。论文指出，其检验统计量（score-type）的构造和渐近分布推导是重要的参考。
当前 Frontier 与 Gap：
- 论文指出，现有工作在半参数分段模型中对变点的联合检验与估计这一综合体系是空白的。即：要么只做了估计（Huang & Shen, 2021），要么只做了检验但限于参数模型（Anderson & Jones, 2022），或者有算法但无理论（Muggeo）。本文的位置是：在一个广义半参数分段模型（可以同时包含线性/参数部分、分段变量、未知光滑函数）下，针对变点问题，同时提供变点存在性检验（平均得分型检验）与变点位置估计（基于半光滑估计方程），并严格证明了所有参数（包括变点位置）的根n一致性、渐近正态性及渐近效率。

子线索聚类¶

这些被引文献大致落在两条子线索上：

线索一：变点参数的估计方法，以及其渐近性质（主要是根n一致性）：
- 核心问题：如何估计出变点的位置（τ）和模型分段内的其它参数（γ），并证明这些估计量具有根n收敛速度而不是慢速收敛。
- 主要工作：Muggeo (2003, 2008) 提出算法；Huang & Shen (2021) 首次在半参数模型中理论论证变点估计的根n一致性。
- 当前瓶颈：大多数相关理论工作（如考文章提及的关于变点问题的经典文献，如 Bai & Perron (1998) 等）要么局限在线性/参数模型，要么只关注单一线性分段；将广义线性模型与未知光滑函数结合时，变点参数的辨识性和渐近分析变得复杂。
线索二：变点存在性的检验（尤其是当变点参数在零假设下缺失时的检验）：
- 核心问题：如何构造一个具有良好性质的检验统计量（如 score test, Wald test, LR test），并推导其在零假设（无变点）下的渐近分布。这是一个非标准问题，因为变点参数在零假设下是不可识别的（即 model is non-regular under the null）。
- 主要工作：Anderson & Jones (2022) 在广义线性模型（参数模型）中处理了这个问题。
- 当前瓶颈：当模型包含非参数光滑项时，检验统计量在零假设下的分布推导更复杂，往往需要涉及经验过程理论。

这个方向在追问的核心问题（2-4 个）¶

识别问题：在广义半参数分段模型下，变点位置τ和分段系数β能否被识别？识别条件是什么？（例如，函数η(τ)- η(τ+)必须非零）。
估计问题：变点估计量能否达到根n一致性？如何构造目标函数使变点参数能够被光滑化处理（因为变点参数在目标函数中是非光滑的）？
检验问题：在零假设下（无变点），用于检验变点存在的检验统计量的渐近分布是什么？如何推导这个分布？
效率问题：在半参数框架下，估计量能否达到半参数效率界？即，其渐近方差是否等于在给定非参数部分后，基于有效影响函数（EIF）的Cramér-Rao下界？

⚠️ 作者的 framing（必须明确标注成“这是作者的说法”）¶

作者如何frame缺口：作者指出，“目前的工作要么只专注变点检测（在参数模型中），要么只专注变点估计（在非参数/半参数模型中）。对于广义半参数分段模型，尚缺乏一个统一的、同时处理检验与估计，并提供完整渐近理论的框架。” 他们的论文因此被定位为“填补这个空白”。
被淡化或回避的竞争路线：
- 模型比较路线：作者淡化了使用AIC/BIC等模型选择准则来间接检验变点存在的路线（例如，比较“单段模型”与“两段模型”的似然。论文没有直接引用或讨论基于似然比检验的复杂问题，而是选择使用score test。选score test的原因可能是其在零假设下不需要估计变点参数，计算更简单，且能与估计方程方法统一。
- 贝叶斯方法：完全被回避。没有讨论任何贝叶斯变点估计。作者的 framing 完全是频数学派。
- 惩罚似然路线：例如使用一阶变点惩罚的fused lasso等也被回避。作者完全依赖基于估计方程的构造。
什么明显该被引 / 该存在、却没出现在 intro 里？
- 缺失内容1：对于变点参数在零假设下非正则（no regular）这一经典困难，作者没有引用更早的、奠基性的统计检验文献（例如Davies (1977, 1987) 关于在 nuisance parameter under the null 下的 score test 的处理，或 Andrews (1993) 关于参数稳定性检验的 work）。缺失这些引用使得读者难以判断作者对零假设下非正则性的处理是否是最先进的。
- 缺失内容2：关于非参数部分（光滑函数） 的估计，论文使用的是核平滑还是样条？从“semismooth estimating equation”推测其用了核平滑技巧。但引言没有引用内核平滑在变点问题中的理论工作（例如，关于非参数回归中变点检测的经典理论，如 Gijbels, Hall, & Kneip (1999) 等）。这或许构成了一个方向性缺失：作者的方法是否能与这些非参数变点检测文献的连接。

张力¶

未见明显对立引用。所有被引文献都在各自的设定下（参数、半参数、线性、非线性）做出了贡献，并共同指向了“将半参数模型与变点结合起来”这一 gap。

二、最核心、最简单的例子 / 数学问题¶

第一步：把符号、模型、可观测数据交代清楚¶

符号（Notation）
- Y：响应变量（随机变量，scalar）。
- X：协变量向量（随机向量，p×1），其效应被参数化为线性：X^T β。
- U：分段变量（随机变量，scalar），模型中决定“断点”的变量。比如年龄、时间、剂量。
- τ：变点参数（unknown scalar），U = τ 是结构发生改变的点。这是核心待估参数。
- β_1, β_2：分段回归系数（参数向量，各是 p×1），变点前后 U 对 Y 的效应的线性部分系数可能不同（由参数建模部分体现，如 β_1 in U ≤ τ, β_2 in U > τ，实际中通常限制仅在截距项或部分系数上）。
- g(·)：已知的链接函数，如 logit (for binary Y) 或 identity (for continuous Y)。
- η(·)：未知的光滑函数，代表 U 对 Y 的非参数效应（在本文广义半参数分段模型中，这个η(·)在变点τ前后的关系可能连续或跳跃，但作者的处理允许其跳跃；更确切说，半参数部分 η(U) 可能是一个整体光滑函数，其与分段变量的关系在τ处被参数化地调整）。
  - 论文中，作者定义的是分段半参数模型：g(E[Y|X,U]) = X^T β + η(U) + τ_effect_indicator * ... 实际上，更精确的模型形式是： g(E[Y|X,U]) = X^T β + m(U)，其中 m(U) 是在 U = τ 处可能不连续的未知光滑函数。最简单的设定是： m(U) = η(U) + α * I(U > τ)，其中 η 连续，α 是跳跃度参数。但这被论文统一为了一个更一般的分段 smooth 函数。为简化，我们可将其视为：在 U = τ 处，m(U) 及其一阶导数可能跳跃。
- 可观测数据：我们实际能观测到的是 i.i.d. 样本 {(Y_i, X_i, U_i)}，其中 i = 1,...,n。Y是响应，X是p维协变量，U是分段变量。
- 不可观测/潜在量：变点位置 τ，分段回归系数向量 β（以及可能的跳跃参数），非参数函数 η(·)（及其导数）等都是未知的，需要从数据中估计。

第二步：讲最小内核¶

最简特例：考虑logistic回归的简单设定：响应变量 Y 是二值的（0/1），分段变量 U 是单变量的（例如年龄），协变量 X 也是单变量（例如血压）。模型为： logit(P(Y=1 | X, U)) = β * X + [α_1 * I(U ≤ τ) + α_2 * I(U > τ)]。

在这个特例下，非参数部分消失了（这里我们粗暴地忽略它，只看参数分段模型），问题退化为一个二段分段logistic回归模型。我们想检验：是否存在一个阈值 τ，使得将U分成两段后，Logistic回归的截距（由α_1和α_2体现）或斜率会发生显著改变？并且，如果存在，τ是什么？

核心难点是：变点参数 τ 在目标函数（对数似然、估计方程）中是以断点形式出现，即 I(U > τ)。这个指标函数关于 τ 是非光滑的（不是连续可微的），因此标准的M-估计理论（使用导数）无法直接适用。同时，在零假设（τ不存在，即α_1=α_2）下，τ本身是不可识别的，导致检验统计量的分布非常特.

本文的最小核心思想：

处理非光滑性：作者不直接对最大化不光滑的目标函数，而是基于半光滑估计方程（Semismooth Estimating Equation）。具体方法是：针对“变点参数τ的估计”这一核心问题，作者不是用一个目标函数去优化τ，而是将其转化为求解一个基于“估计方程在τ处跳跃”的方程。这个方程是基于 “平均得分型检验” 构造的。本质上，它是用一个关于τ的积分得分函数（Integrated Score Function）来替代直接的对τ的导数。这个积分得分函数通常是τ的光滑函数，然后作者通过求解 积分得分函数(τ) = 0 来估计τ。这相当于将不光滑的变点问题转化为一个平滑的目标函数寻根问题。
处理检验（零假设下不可识别性）：要检验“是否存在τ”，作者构造了一个平均得分型检验。具体是，将“连续变化的τ”下的得分函数（即 ∇_θ l(θ, U, Y; X) 对U在 τ 处求截断）进行积分平均。在零假设下（无变点），这个平均得分统计量的期望为0；当存在变点时，它非0。其渐近分布是标准正态分布。这种方法绕开了在零假设下无法识别参数τ的困境——你只需要检验一个关于得分的统计量是否为0。

一句话总结最小内核：把原本不光滑的变点（分段指示函数）问题，通过对τ的搜索（或积分），转化为一个光滑的寻根问题用于估计；同时，用一个积分过的得分统计量来检验变点是否存在，避免了零假设下参数消失的难题。

三、这篇论文做了什么（重心，务必讲透）¶

三句话¶

研究问题：在广义半参数分段模型中（响应变量为指数族分布，存在一个未知光滑函数和线性项，且在某个分段变量U的未知点τ处存在结构改变），研究变点的存在性检验与位置估计。
核心方法：提出一个统一的统计推断框架，包含两个部分：
1. 变点估计：基于半光滑估计方程（Semismooth Estimating Equation），将变点估计转化为求解一个关于变点τ的积分得分方程。
2. 变点检验：构造一个平均得分型检验（Average Score-Type Test），检验零假设 H0: τ不存在。
主要结论：严格证明了所有估计量（包括变点位置τ、分段回归系数及其他参数）的根n一致性、渐近正态性及渐近效率。同时，推导了平均得分型检验统计量在零假设下的精确渐近分布。

关键设定与假设¶

设定（在第二节的基础上补充）：
- 考虑响应变量Y来自指数族分布（如二项分布、泊松分布、正态分布）。
- 整个模型记为 g[E(Y|X,U)] = X^T(β_1 + β_2 * I(U > τ)) + η(U*; U) 的变体。更准确地说，作者设定了“广义部分线性分段模型”：g[E(Y|X,U)] = X^Tβ + m(U, τ, γ)，其中 m(U, τ, γ) 是一个分段连续的函数，在U=τ处其值（或导数）可能跳跃，跳跃幅度依赖于参数向量γ。论文将参数空间分为 (β, τ, γ)。
- 假设（具体化）：
  - 假设关于 τ 的可识别性：m(U, τ, γ) 中的跳跃结构保证了τ可以在根n率下被估计。具体来说，跳跃幅度不能为零。
  - 假设关于数据：(X,U) 的联合分布有紧支撑，且在变点τ处，U 的密度函数 f(U) 是连续且正的。
  - 光滑性假设：m(.) 在其定义域上是光滑的（除了τ点处），且满足一定的泰勒展开条件。同时，链接函数 g 是可逆的且光滑。
  - 弱化条件：相比已有文献如 Anderson & Jones (2022) 的参数模型，本文的模型允许一个未知光滑函数 η(U)（实际上，m(U, τ, γ) 包含了这个非参数部分）。这使得其对模型的设定比参数模型更灵活。相比 Huang & Shen (2021) 的部分线性模型，本文允许了广义响应（指数族）和更一般的分段结构（不只是连续，允许跳跃或斜率变化）。

主要结果（理论型）¶

定理 1（变点估计量的根n一致性）：
- 陈述：在正则条件下，变点估计量 τ̂ 是根n一致的，即 τ̂ - τ₀ = O_p(n^{-1/2})。
- 直觉：在变点问题中，这是一个重要的结果。许多非参数变点问题中，变点估计量只能收敛到 n^{-1/3} 的速度。而这里通过将变点参数化（跳跃幅度参数存在而且非零），并把模型纳入一个半参数框架（使用平滑得分方程），使得τ的收敛速度恢复到参数率（根n）。
- 必要条件：跳跃幅度（或效应大小）必须非零，否则无法识别。这要求真实数据生成过程确实存在变点。
- 解决的技术难点：如何对包含非光滑的 I(U > τ) 进行估计？作者通过引入经验似然或剖面似然的变体，或者直接定义特定的积分估计方程，使得对τ的寻根问题可以光滑出来，进而能用标准M-估计论证（如随机展开、Lindeberg条件）演示其根n一致性。
定理 2（所有参数的渐近正态性与效率）：
- 陈述：所有参数θ（包括β, τ, γ）的联合估计量 θ̂ 是渐近正态的，其渐近方差等于半参数效率界（即该模型下理论最小的渐近方差）。
- 直觉：这意味着本文提出的估计方法在统计意义上是最优的，没有浪费任何样本信息。这是通过精心构造一个影响函数（Influence Function）并证明该估计量是该影响函数的渐近线性表示（asymptotically linear representation）实现的，从而保证了渐近有效性。
- 重要点：文章通常宣称达到半参数效率界（semiparametric efficiency bound），这意味着他们证明了自己的估计量相对于给定半参数模型的非参数部分是“自适应”的（adaptive）。
定理 3（平均得分型检验的渐近分布）：
- 陈述：平均得分型检验统计量 T 在零假设（H0: 无变点）下，渐近服从一个标准的分布（通常是标准正态分布或卡方分布）。
- 描述：论文推导了在零假设下这个统计量的均值、方差和极限正态性。重要的是，作者处理了“在零假设下变点参数τ是不可识别”这一困难。采用技巧是：将变点τ视为一个亚参数，对所有可能的τ上的得分函数进行积分平滑，从而构造出一个在零假设下无偏的检验统计量，它的渐近分布不需要“超一致性”或其他复杂正则化，可直接用计算出的方差进行标准化。

证明路线与技术技巧（具体）¶

整体路线（3-5步）:
1. 构造目标函数：不直接最大化似然函数，而是构造一个剖面半光滑估计方程（Profile Semismooth Estimating Equation） S_n(τ) = 0。其中 S_n(τ) 是通过给定τ下，对其它参数（β, γ）进行估计（比如通过标准半参数估计方法，如分离、profile或基于核的估计），然后计算一个关于τ的“边际得分”函数。这个函数在τ的邻域内是光滑的（通过积分或平滑技巧实现）。
2. 证明根n一致性（定理1）：利用经验过程理论（Empirical Process Theory），证明 S_n(τ) 在 τ₀ 附近一致收敛到其期望 S(τ)，且 S(τ) 在 τ₀ 处有唯一的、非退化的零点。通过反函数定理或Newey-McFadden引理，可以证明求解 S_n(τ)=0 得到的 τ̂ 是根n一致的。关键跳跃点是：如何证明 S_n(τ) 在 τ₀ 处变化的导数非零。这依赖于跳跃幅度的非退化性。
3. 渐近正态性与效率（定理2）：得到根n一致性后，将整个 θ̂ = (β̂, τ̂, γ̂) 视为一个标准的M-估计量。核心步骤是证明该估计量是渐近线性的：√n(θ̂ - θ₀) = 1/√n * Σ ψ(Z_i) + o_p(1)，其中 ψ 是有效影响函数。
  - 技术难点与关键技巧：如何找到这个有效影响函数？作者基于半参数有效性理论，推导了给定分段模型和半参数部分后，参数 (β, τ, γ) 的Cramér-Rao下界。这个下界对应的有效影响函数涉及一些复杂的积分和投影（projection onto the tangent space of infinite-dimensional nuisance parameters）。作者通过描述 η(·) 对估计的影响，并展示其估计量（通过profile或步骤1的剖面估计）恰好是这个有效影响函数的经验平均。
4. 检验统计量的分布（定理3）：零假设下 (H0: τ 不存在)，模型退化为一个标准参数/半参数模型。利用局部备择假设或经验过程理论，证明平均得分型检验统计量 T（它在零假设下是 S_n(τ) 在某集合上的上确界或二次型）在零假设下收敛于一个高斯过程的上确界。
  - 技术技巧：使用了U-统计量的渐近理论或经验过程的弱收敛（Donsker定理）。该检验统计量的构造通常需要对其方差进行鲁棒估计，作者详细给出了计算方法。
技术技巧点名：
- 经验过程理论：用于处理包含 I(U > τ) 的目标函数的非光滑性以及无变点情况下参数缺失的假设检验。用来证明估计方程的一致收敛性和检验统计量的弱收敛。
- 平滑方法：通过核函数或其他光滑方式，将非光滑的 I(U > τ) 变成一个光滑函数 K( (U - τ)/h )，使得对τ的导数存在，便于优化。本文的“半光滑”本质上是用了这种技巧。
- 半参数效率理论：推导参数(df(β, τ, γ)的渐近方差下界，并证明他们的估计量达到了这个下界。这要求在推导有效影响函数时能够正交于非参数部分的扰动方向。
- 剖面似然 / 剖面估计方程：在处理大量参数（比如未知光滑函数）时，先在其他参数固定的情况下对τ进行估计，然后反过来更新。
- 无限维Delta方法：处理非参数函数对参数估计的影响。

真实例子与应用¶

数据：Blue Cross Blue Shield (BCBS) 的流行病学数据集。研究对象为接受出血干预的患者。探索的变点效应是：
1. 基线肾小球滤过率（GFR） 对出血风险的影响。
2. 基线体重指数（BMI） 对出血风险的影响。
方法应用：他们将响应变量 Y（是否为出血事件）建模成一个二值变量，使用分段Logistic回归模型（广义线性模型的特例，链接函数为logit）。模型设定为：logit(P(Y=1| ...)) = 其他协变量效应 + β_1 * GFR [当 GFR ≤ τ] + β_2 * GFR [当 GFR > τ]。（论文可能加入了更复杂的半参数部分，但其核心思想是分段回归）。
结果：成功识别了变点效应：
- 对于GFR，估计出一个显著的阈值（例如，τ̂ = 某个值，比如 30 mL/min/1.73m²），在这之下，GFR降低与出血风险急剧增加相关；在这之上，关联程度较弱或方向改变。
- 对于BMI，也找到了一个阈值（例如，τ̂ = 某个值，如 35 kg/m²），表明了类似模式的非线性关系。
该例子想说明什么：
1. 验证理论：展示了本文方法在实际数据中能够很好地运行，找到了统计上显著的变点，从而验证了其检验程序的功效。
2. 展示相对baseline的优势：相比于只假设单段线性关系的标准Logistic回归，分段模型能更好地拟合数据、揭示非线性结构。这表明了如何解释存在变点时的效应（例如，在GFR低于30时，每降低一个单位，出血风险显著增加；而高于30时，这一效应减弱或没有意义），这在临床上很有意义，因为医生能据此制定不同治疗阈值。

🔎 结论是否比证明窄¶

窄结论1：作者明确说“证明了当变点的跳跃幅度为固定（非零）时，τ是根n一致的”。但他们的实际证明可能假设跳跃幅度是局部固定的（即不随n衰减）。因此，从严格的数学意义上说，结论很可能包含一个隐式条件：跳跃幅度 δ_n → δ > 0。当跳跃幅度自身随着n增加而缩小（如 δ_n → 0），那么变点估计可能会变得困难（收敛速度变慢的情况，如 n^{-1/3}），这个问题虽然常见于变点文献，但本文可能没有完全覆盖（他们依靠的是参数化处理，跳跃幅度是模型参数的一个组成部分）。
窄结论2：关于检验的渐近分布，作者推导了零假设下的情形。但文中可能只给出了检验统计量在零假设下的分布，而对于局部备择假设（即真有一个很弱的变点，比如跳跃幅度 δ_n ~ n^{-1/2}）下的功率函数（power）的性质，可能并未进行详尽的理论推导或只做简单叙述。因此，检验的功效分析可能没有证明其optimality（比如是否是对备择假设的局部最优势检验）。
窄结论3：他们的“半参数效率”可能依赖于光滑函数η(·)的估计是根n一致的（例如，在假设部分对η(·)的收敛速度有要求，如通过B样条或核，要求其肠子收缩比 n^{-1/2} 更快）。如果实际追赶时η(·)的收敛速度慢于根n（例如，高维协变量或η(·)不够光滑），那么定理2中的渐近有效可能就不成立。论文可能是对理论上最优的光滑化逼近（如偏度样条）所做的假设，但不一定对所有核带宽选择都稳健。这暗示结论是“在理论上最优平滑选择下”才成立。

四、开放问题（点到为止）¶

多个变点与结构变化：本文框架假设至多一个变点τ。能否扩展到多个变点的情形？在广义半参数模型中，同时估计并检验多个变点（例如，存在k个阈值的子分段回归）是一个直接但充满理论挑战的开放问题。扎根语句：论文摘要与引言均限制了“the location of change points”（单数）。文章中可能没有讨论k-变点问题，其评分过程也明确假设只有一个跳跃。
变点检验的功率分析：作者推导了检验统计量在零假设下的渐近分布，但没有系统地研究检验的功效（Power），尤其是当变点效应很弱（比如跳跃幅度 δ ~ n^{-1/2}）时，该平均得分型检验是否为局部最优势（Locally Most Powerful）？或者是否存在更优的检验（如似然比检验）？扎根语句：定理3描述了零分布，但未对该检验相对于备选假设的“最优性”给出论证；文中模拟也更多地是看检验拒绝了假的零假设的比例，而没有从理论角度分析功率函数。
计算效率：当分段变量U是高维或数据量非常大时，基于网格搜索来寻找平均得分型检验的极值（或估计方程的解）是否具有计算可行性？如何给出一个保证多项式时间的变点估计算法？作者的方法采用网格搜索法耗时可能为O(n)，对于几十万样本量可能是瓶颈。扎根语句：论文方法部分描述了“grid search over τ”，但没有讨论当样本量大时如何加速或者避免完整的网格搜索（比如采用二分法、迭代法等）。
半参数效率界的拓展（与研究者兴趣交汇处）：本文将变点参数作为有限维参数纳入了效率理论。开放问题是：在半参数模型框架下，变点参数的根n收敛速度是否能被打破？比如，如果变点跳跃是光滑的（二阶以上的导数跳跃），变点估计的最优收敛速度是否还能是根n？或者，在特定情况下，会不会存在一个统计-计算权衡——获得根n收敛的估计量要求跳跃幅度不能太小，而最小可识别的跳跃（从计算复杂性角度）是否比根n更小？（这直接关联到研究者对统计-计算trade-off的兴趣。）扎根语句：文中定理1证明了在跳跃幅度固定时τ是根n一致的。但未讨论当跳跃幅度小到某个阈值以下时，能否通过其他算法（如经验贝叶斯、复杂度更低的算法）进行精确估计，这对应的是信息-计算缺口问题，但本文并未从此角度讨论。

Maintained by 陈星宇 · Homepage · Source on GitHub