Statistical inference for boundary constrained parameters¶
作者: Jaeseon Lee, Anirban Bhattacharya, Suhasini Subba Rao
主题: 数理统计 / 假设检验
相关性: 6/10
链接: https://arxiv.org/abs/2610.33321
一、领域脉络与小综述¶
-
这个方向是什么:本文研究的是参数估计与假设检验在参数位于约束边界(而非参数空间内部)时的渐近理论。根本的统计问题是:当真实参数落在可行域的边界上时,经典的一阶渐近展开(如估计量的渐近正态性、Wald 检验的卡方极限)不再成立,因为损失函数的梯度在边界点不必为零,估计量的极限分布不再是单纯的正态分布。该方向的目标是为这类"非正则"问题建立统一的渐近理论框架,并据此构造有效的检验方法。该方向的成熟度属于中等偏成熟:已有大量分散的结果(如 Chernoff 1954; Self & Liang 1987; Andrews 1999, 2001),但缺乏一个统一的、基于损失函数最小化的一般性框架。
-
发展脉络(history):
- 奠基工作:Chernoff (1954) 最早研究了单参数在边界上的情形,指出极大似然估计的极限分布是截断正态分布。Moran (1971) 和 Chant (1974) 进一步探讨了边界约束下似然比检验的渐近行为。这些工作奠定了"边界问题导致非标准极限分布"这一基本认识。
- 主要进展:Self & Liang (1987) 将边界问题推广到多参数情形,证明了在正确设定似然下,似然比统计量的极限分布是混合卡方分布(chi-bar squared),但他们的证明依赖于特定的参数化与正交化技巧,且仅适用于似然框架。Shapiro (1985) 从优化理论角度研究了约束最小二乘的渐近分布。Geyer (1994) 和 Andrews (1999, 2001) 进一步推广了边界约束下 M-估计量的渐近理论,Andrews (2001) 特别关注了边界约束下检验的尺寸扭曲问题。
- 当前 frontier:Cavaliere et al. (2025) 等近期工作关注边界约束下似然比检验的非一致性问题(即检验统计量的极限分布依赖于未知的边界参数),并提出基于 bootstrap 或最小不利分布(least favorable distribution)的修正方法。Brazzale & Mameli (2024) 对非正则情形的似然渐近做了综述。
-
本文的位置:作者声称(这是作者的说法)他们的贡献在于不假设似然被正确指定,而是直接在拟似然(quasi-likelihood)框架下,对一般的损失函数最小化器建立边界约束下的一阶渐近展开。他们强调,这一框架统一并简化了 Self & Liang (1987)、Shapiro (1985)、Susko (2013) 等分散的结果,并首次给出了混合分布的显式权重表达式(在一般 W 下)。
-
子线索聚类:被引文献大致落在三条子线索上:
- 似然框架下的边界推断(Self & Liang 1987; Susko 2013; Chen et al. 2018; Huang et al. 2020):假设似然正确指定,研究 LRT 的渐近分布,核心工具是信息矩阵的块对角化与卡方混合。
- 一般 M-估计量的边界渐近(Chernoff 1954; Geyer 1994; Andrews 1999, 2001):不依赖似然正确性,研究估计量的极限分布,核心工具是凸分析与方向导数。
-
边界问题的检验修正(Andrews & Guggenberger 2009; McCloskey 2017; Cavaliere et al. 2025):关注检验的尺寸控制,提出 bootstrap、子抽样或最小不利临界值等方法。
-
这个方向在追问的核心问题:
- 估计量的极限分布是什么? 当参数在边界上时,√n(θ̂−θ₀) 的极限分布不再是正态,而是截断正态/偏正态的混合。如何给出统一的刻画?
- 检验统计量的极限分布是否 pivotal? 在拟似然框架下(W≠Σ⁻¹),LRT 的极限分布通常依赖于未知参数,如何构造有效的临界值?
- 边界约束与无约束坐标是否分离? 经典结果(如 Self & Liang 1987)暗示边界参数不影响无约束参数的推断,但本文声称这一结论在一般 W 下不成立。
-
如何计算混合权重? 混合卡方分布的权重由边界几何与协方差结构决定,一般情形下没有闭式解,需要数值方法。
-
⚠️ 作者的 framing(必须明确标注成"这是作者的说法"):作者把缺口 frame 成"缺乏一个在拟似然框架下、对一般损失函数最小化器成立的边界渐近展开"。他们声称自己的贡献是:(i) 将边界约束下的估计量极限分布统一刻画为截断偏正态的混合;(ii) 证明约束与无约束坐标不分离(这是对 Self & Liang 1987 隐含假设的挑战);(iii) 提出基于模拟的临界值逼近方法。被淡化或回避的竞争路线:作者没有深入讨论 Andrews (2001) 关于非一致检验的警告——即当边界参数接近零时,检验统计量的极限分布可能剧烈变化,本文的模拟方法是否对此稳健?此外,作者回避了高维边界问题(参数维度随样本量增长),其框架本质上是固定维度的。明显该被引却没出现在 intro 里:作者没有引用 Vuong (1989) 关于模型选择中边界参数的处理,也没有引用 Drton (2009) 关于代数几何方法处理非正则模型的近期工作——这些是边界推断的相邻前沿。
-
张力:被引文献之间存在一个明显的张力:Self & Liang (1987) 及其后续(Susko 2013)暗示在正确指定的似然下,边界参数与无约束参数在极限分布上"分离"(即无约束参数的推断不受边界影响),而 Andrews (2001) 和 Cavaliere et al. (2025) 则强调边界参数的存在会导致检验统计量的极限分布不连续、非 pivotal。本文作者站在后者一边,但他们的框架(拟似然)与前者(正确似然)的适用条件不同,因此这种"张力"可能只是表面上的——在正确似然下分离性成立,在拟似然下不成立。这是一个值得研究者去查证的具体问题。
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:
- θ ∈ C ⊂ ℝᵖ:参数向量,其中 C = ℝ₊ᵇ ⊗ ℝᵖ⁻ᵇ 是一个矩形锥(rectangular cone),前 b 个坐标被约束为非负,其余 p−b 个坐标无约束。
- B = {1, …, b}:被约束(非负)的坐标索引集合。
- U = {b+1, …, p}:无约束的坐标索引集合。
- θ₀:总体参数(true parameter),是 E[Lₙ(θ)] 在 C 上的唯一最小化点。关键设定:θ₀ 可以位于 C 的边界上,即 θ₀,B 中某些坐标可以等于 0。
- Lₙ(θ):基于 n 个样本的损失函数(拟似然),满足 E[∇Lₙ(θ₀)] = 0(一阶条件),且 ∇²Lₙ(θ₀) → W(期望 Hessian,正定)。
- sₙ = ∇Lₙ(θ₀):在 θ₀ 处的得分(score),满足 √n sₙ → N(0, V)(中心极限定理)。
- W = E[∇²Lₙ(θ₀)]:期望 Hessian 矩阵(正定)。
- Σ = W⁻¹ V W⁻¹:无约束估计量 √n(θ̃−θ₀) 的渐近协方差矩阵。
- θ̂ = argmin_{θ∈C} Lₙ(θ):约束估计量(constrained estimator)。
- θ̃ = argmin_{θ∈ℝᵖ} Lₙ(θ):无约束估计量(unconstrained estimator)。
- e = √n(θ̃−θ₀):无约束估计量的标准化偏差,渐近服从 N(0, Σ)。
- δ = √n(θ̂−θ₀):约束估计量的标准化偏差,是本文研究的核心对象。
- ξ = −θ₀,B:边界参数到边界的距离(非正向量),当 θ₀ 在边界上时 ξ_B = 0。
- C_ξ = {δ : δ_B ≥ ξ_B, δ_U ∈ ℝᵖ⁻ᵇ}:平移后的可行锥。
- W_AC|FC:给定 FC 坐标后,AC 坐标的条件协方差(Schur 补)。
- Σ_AC|FC:类似地,给定 FC 坐标后,AC 坐标的条件协方差(用 Σ 表示)。
- gSN_{d₁,d₂}(ζ₁, ζ₂, B₁₂, E₂, E₁):广义偏正态分布(generalized skew-normal),参数为阈值 ζ、回归系数 B、协方差 E。这是本文引入的核心分布族。
- tSN_{d₁,d₂}(ζ₁, ζ₂, B₁₂, E₂, E₁):截断偏正态分布(truncated skew-normal),是 gSN 的截断版本。
-
LR:拟似然比检验统计量,LR = 2n[Lₙ(θ̂₀) − Lₙ(θ̂₁)],其中 θ̂₀ 和 θ̂₁ 分别是零假设和备择假设下的约束估计量。
-
模型:本文不假设似然被正确指定,只假设损失函数 Lₙ(θ) 满足一定的光滑性和矩条件(见 Assumption C.1)。这是一个拟似然(quasi-likelihood)框架,适用于广义估计方程(GEE)、复合似然、M-估计等广泛问题。核心结构是:损失函数在 θ₀ 处有非零的方向导数(当 θ₀ 在边界上时),这导致约束估计量的极限分布不再是正态。
-
可观测数据:研究者实际能观测到的是样本 {X₁, …, Xₙ},以及由此计算的损失函数 Lₙ(θ) 及其梯度 sₙ = ∇Lₙ(θ₀) 和 Hessian ∇²Lₙ(θ₀)。关键点:研究者观测不到总体参数 θ₀ 本身,也观测不到期望 Hessian W 和得分协方差 V,只能通过样本估计它们(例如用 θ̂ 处的经验 Hessian 估计 W,用 sandwich 估计量估计 V)。此外,研究者观测不到"θ₀ 是否在边界上"这一事实,只能通过 θ̂ 的估计值来推断。想要但观测不到的量:约束估计量的极限分布中的混合权重(由 W、Σ 和边界几何决定),这些权重没有闭式表达式,只能通过模拟或数值积分近似。
第二步:讲最小内核¶
最小内核(一维情形,p=1, b=1):假设参数 θ 是标量,约束为 θ ≥ 0,总体参数 θ₀ = 0(在边界上)。损失函数 Lₙ(θ) 是凸的,其导数 sₙ = Lₙ′(0) 满足 √n sₙ → N(0, V),且 Lₙ″(0) → W > 0。
要证的命题:约束估计量 θ̂ = argmin_{θ≥0} Lₙ(θ) 的标准化偏差 √n θ̂ 的极限分布是什么?
证明思路: 1. 对 Lₙ(θ) 在 θ₀=0 处做二阶泰勒展开: Lₙ(θ) ≈ Lₙ(0) + sₙ θ + (W/2) θ²。 2. 无约束最小化器是 θ̃ = −sₙ/W,即 √n θ̃ → N(0, V/W²) = N(0, Σ)。 3. 约束最小化器 θ̂ 是 θ̃ 在 [0,∞) 上的投影:θ̂ = max(θ̃, 0)。 4. 因此,√n θ̂ = max(√n θ̃, 0) → max(Z, 0),其中 Z ∼ N(0, Σ)。 5. 极限分布是:以概率 1/2 取 0(点质量),以概率 1/2 服从截断正态(正半轴)。
为什么这是"最小内核":这个一维例子抓住了本文的全部核心思想——边界约束导致估计量的极限分布是点质量与截断正态的混合。多维情形(p>1)只是这个思想的推广:不同的坐标子集可能落在边界上(取 0)或内部(取正态),而"哪些坐标在边界上"由方向导数条件决定,这产生了更复杂的混合结构(截断偏正态)。本文的 Theorem 2.1 和 Theorem 2.3 本质上就是把上述一维投影逻辑推广到多维矩形锥上,并给出了混合权重的显式表达式。
为什么一般情形更难:在一维情形,投影方向是唯一的(要么 0,要么 θ̃)。在多维情形,投影方向取决于哪些坐标被激活(active),而激活集合由 θ̃ 的符号和 W 的耦合结构共同决定。当 W 不是对角矩阵时,一个坐标的约束会影响另一个坐标的估计,这就是本文强调的"约束与无约束坐标不分离"现象。本文的核心技术贡献就是处理这种耦合。
三、这篇论文做了什么¶
三句话¶
- 研究了什么问题:在参数位于可行域边界(矩形锥)的约束下,为一般损失函数最小化器建立一阶渐近展开,并据此推导拟似然比检验统计量在多种零假设下的渐近分布。
- 核心工具/方法:利用凸优化的方向导数条件,将约束估计量的偏差分解到由激活约束决定的下维子空间上,证明其极限分布是点质量与截断偏正态分布的混合;对于拟似然比检验,提出基于模拟的临界值逼近算法。
- 主要结论:约束估计量的极限分布是混合分布,混合权重由方向导数条件决定;在拟似然框架下(W≠Σ⁻¹),约束与无约束坐标不分离,边界参数会影响无约束参数的抽样分布;拟似然比统计量的极限分布不是 pivotal 的,但可以通过模拟算法逼近临界值。
关键设定与假设¶
- 设定:参数空间 C = ℝ₊ᵇ ⊗ ℝᵖ⁻ᵇ(矩形锥),损失函数 Lₙ(θ) 光滑且凸(或局部凸),θ₀ 唯一最小化 E[Lₙ(θ)],且允许 θ₀ 在边界上。
- 假设(Assumption C.1):
- 参数空间 Θ 紧且凸,θ₀ 在 Θ 内部(相对于 ℝᵖ 的开集,但可以在 C 的边界上)。
- E[∇Lₙ(θ₀)] = 0,W = E[∇²Lₙ(θ₀)] 正定。
- √n ∇Lₙ(θ₀) → N(0, V)。
- 损失函数的三阶导数在 θ₀ 附近有界(保证泰勒展开余项可控)。
- 条件 (6):损失函数与二次近似的差异在 θ₀ 的 O(n⁻¹/²) 邻域内一致为 oₚ(n⁻¹)。
- 相比已有文献的放宽/强化:相比 Self & Liang (1987) 和 Susko (2013) 假设似然正确指定(W = Σ⁻¹),本文放宽到拟似然框架(W ≠ Σ⁻¹),这是主要推广。相比 Andrews (1999),本文强化了凸性假设(要求损失函数凸或局部凸),但换来了更简洁的展开式。相比 Shapiro (1985),本文不要求约束是线性等式,而是允许矩形锥不等式约束。
主要结果¶
-
Theorem 2.1(估计量的显式表达式):约束最小化器 θ̂ 可以表示为无约束最小化器 θ̃ 在可行锥上的投影,且投影方向由方向导数条件决定。具体地,θ̂ = θ̃ + 修正项,修正项将 θ̃ 中落在边界外的坐标"拉回"到边界上,同时通过 W 的耦合修正其他坐标。这个表达式是后续所有结果的基础。
-
Theorem 2.2(一阶渐近展开):在条件 (6) 下,√n(θ̂−θ₀) = √n(θ̂_Q−θ₀) + oₚ(1),其中 θ̂_Q 是二次损失 Qₙ(δ) = sₙᵀδ + (1/2)δᵀWδ 在 C_ξ 上的最小化器。这意味着约束估计量的渐近行为完全由二次近似决定,损失函数的高阶项不影响一阶渐近。
-
Theorem 2.3(极限分布):√n(θ̂−θ₀) 的极限分布是混合分布,形式为 P = Σ_{C∈P(B)} π_C P_C, 其中 P_C 是"激活集为 C"时的条件分布,π_C 是混合权重(由方向导数条件决定)。具体地:
- 对于激活集 C(即 θ̂_C 在边界上),对应的坐标有点质量(集中在 0 或 ξ_C 处);
- 对于非激活集 F_C = C ∪ U(即 θ̂_F_C 在内部),对应的坐标服从截断偏正态分布,其均值和协方差由 W 和 Σ 的 Schur 补决定。
-
混合权重 π_C = Pr(δ_C > ξ_C, W_AC|FC e_AC ≤ 0),其中 e 是标准正态向量。
-
Theorem 3.1(拟似然比检验的渐近分布):对于零假设 H₀: θ_B = 0(所有约束坐标在边界上),拟似然比统计量 LR₁ 的渐近分布是 LR₁ → Σ_{C∈P(B)\∅} χ²_{|C|} · I(δ_C > 0, W_AC|FC e_AC ≤ 0) + 0 · I(W_B|U e_B ≤ 0)。 即 LR₁ 是不同自由度卡方分布的混合,混合权重由方向导数条件决定。在 W = Σ⁻¹ 时,退化为 Susko (2013) 的结果。
-
Lemma 3.1(混合假设):对于 H₀: θ_B = 0 且 θ_U₁ = 0(部分约束坐标在边界上,部分无约束坐标在零处),LR₂ 的渐近分布是更复杂的混合,其中无约束坐标 U₁ 的贡献是 χ²_{|U₁|},而约束坐标 B 的贡献是混合卡方。
-
Theorem 3.2(不等式约束检验):对于 H₀: θ_B ≥ 0(零假设是一个集合而非单点),LR₃ 的渐近分布是最小不利分布(least favourable distribution),在 θ_B = 0 处取得。这为构造保守的临界值提供了理论基础。
证明路线与技术技巧¶
整体路线(以 Theorem 2.3 为例): 1. 步骤 1:二次近似。利用条件 (6),将损失函数 Lₙ(θ) 在 θ₀ 附近替换为二次函数 Qₙ(δ),证明约束估计量的偏差 √n(θ̂−θ₀) 与 √n(θ̂_Q−θ₀) 之差为 oₚ(1)。这一步的关键是控制泰勒展开的余项,需要损失函数的三阶导数有界。 2. 步骤 2:投影分解。对二次函数 Qₙ(δ) 的最小化问题,利用凸优化的 KKT 条件,将最小化器 θ̂_Q 分解为"激活坐标"(在边界上)和"非激活坐标"(在内部)两部分。激活坐标由方向导数条件 W_AC|FC e_AC ≤ 0 决定,非激活坐标由 δ_F_C = e_F_C + 修正项决定。 3. 步骤 3:条件分布。给定激活集 C,利用多元正态的条件分布性质,推导出 δ_C 的条件分截断偏正态。具体地,δ_F_C | (δ_C > ξ_C, W_AC|FC e_AC ≤ 0) 的分布由 Theorem E.1 给出。 4. 步骤 4:混合。由于 {R_C} 构成 ℝᵖ 的一个划分,将各条件分布按权重 π_C 混合,得到最终的极限分布。
关键引理: - Lemma 2.1:若无约束最小化器 θ̃ 的某个坐标 θ̃_j < 0,则约束最小化器 θ̂ 的对应坐标 θ̂_j = 0。这个引理建立了"无约束解在边界外 ⇒ 约束解在边界上"的直观。 - Lemma 2.2:条件正态分布的偏正态表示。这是连接多元正态和截断偏正态的桥梁,也是 Theorem 2.3 的核心技术工具。 - Lemma 2.3:约束最小化器的收敛速率。在 Assumption 2.1(a) 下,θ̂ = Oₚ(n⁻¹/²)。 - Lemma B.1:如果 W 正定且 α ≥ 0 非零,则 Pr(W(e+α) ≤ 0) → 0。这个引理保证了在 ξ < 0(参数在内部)时,边界效应消失,极限分布退化为正态。 - Lemma B.2:χ² 分布与正态条件分布的关系。用于证明在 W = Σ⁻¹ 时,混合分布退化为卡方混合。 - Lemma F.1:拟似然比统计量的二次近似。将 LR 替换为其二次近似,误差为 oₚ(1)。 - Lemma F.4:Qₙ(δ_ξ) 关于 ξ 单调递减。这个引理用于证明 Theorem 3.2 中的最小不利分布性质。
技术技巧点名: - 凸优化的 KKT 条件:用于刻画约束最小化器的结构,将问题分解为激活/非激活坐标。 - Schur 补与条件正态分布:用于推导截断偏正态分布的参数。 - 多元正态的截断与偏正态表示:这是本文引入 gSN 和 tSN 分布的核心动机。 - 划分(partition)技巧:利用 {R_C} 对 ℝᵖ 的划分,将复杂的全局分布分解为简单的条件分布。 - 模拟算法(Algorithm 1 & 2):由于混合权重没有闭式表达式,作者提出基于蒙特卡洛的临界值逼近方法。
真实例子与应用¶
本文包含两个真实数据例子,均来自指数族图模型(exponential family graphical models):
-
交互检验(Testing for interactions):考虑三元条件泊松分布(trivariate conditional Poisson),参数 θ = (ψ_x, ψ_y, ψ_z, φ_xy, φ_yz, φ_xz),其中 φ 参数被约束为非负(以确保联合分布存在)。检验 H₀: φ_xy = φ_yz = φ_xz = 0(即变量间条件独立)。由于零假设下参数在边界上,经典的 Wilks 定理不适用,作者使用 Theorem 3.1 的混合分布构造检验。模拟结果显示,所提出的模拟临界值方法在有限样本下能较好地控制第一类错误率(Type I error),且比 naive 的 χ² 临界值更准确。
-
模拟研究:作者在 p=2 和 p=3 的情形下进行了广泛的模拟,验证了 Theorem 2.3 中混合分布的准确性。模拟结果表明,当样本量 n 从 10 增加到 200 时,经验分布与理论混合分布的吻合度逐渐提高。特别地,作者展示了边界参数对无约束参数估计量分布的影响:即使 θ₀ 在边界上,无约束参数的估计量分布也会偏离正态,且偏离程度由 W 和 Σ 的耦合决定。
这个例子想说明什么:图模型中的交互参数天然受到非负约束,且零假设(无交互)恰好落在边界上,因此是本文理论的理想应用场景。通过这个例子,作者展示了他们的框架如何为实际中常见的"边界约束下的检验问题"提供可操作的解决方案。
🔎 结论是否比证明窄¶
- Theorem 2.3 的陈述:作者声称给出了"一般"的极限分布,但证明中假设了 W 正定、损失函数三阶可导、条件 (6) 成立。这些条件在拟似然框架下是标准的,但没有讨论 W 半正定或损失函数不可导的情形。
- Theorem 3.1 的陈述:作者声称"统一并简化"了 Susko (2013) 的结果,但没有明确说明 Susko (2013) 中哪些具体假设被放宽。从证明看,Susko (2013) 的 χ² 混合是本文结果在 W = Σ⁻¹ 时的特例,但作者没有讨论 W ≠ Σ⁻¹ 时 Susko 的条件卡方方法是否仍然有效。
- Theorem 3.2 的陈述:作者声称给出了"最小不利分布",但没有证明这个分布在所有 θ_B ∈ ℝ₊ᵇ 上确实是最不利的(即最大化第一类错误率)。他们只是证明了在 θ_B = 0 处取得最大值,但没有排除其他边界点取得更大值的可能性。
- 模拟部分:作者只报告了 p=2 和 p=3 的模拟结果,没有讨论 p 较大时的计算可行性。Algorithm 1 需要遍历 P(B) 的所有子集,当 b 较大时计算量指数增长。
四、开放问题¶
-
高维边界问题:本文的框架是固定维度的(p 固定)。当参数维度 p 随样本量 n 增长时,混合分布的权重计算将变得不可行。作者在结论部分提到"扩展到高维设置是未来工作",但没有给出具体方向。扎根点:Theorem 2.3 中 π_C 的计算需要对 P(B) 的所有子集求和,当 b = O(n) 时计算量爆炸。
-
非凸损失函数:本文假设损失函数是凸的(或局部凸),这保证了约束最小化器的唯一性和 KKT 条件的充分性。对于非凸损失(如深度学习中的损失),边界约束下的渐近理论完全未知。扎根点:Assumption C.1(i) 要求 Θ 凸,且证明中反复使用凸优化的 KKT 条件。
-
自适应检验:本文提出的模拟临界值方法需要估计 W 和 Σ,但在边界上这些估计量的收敛速度可能退化。如何构造对 W 和 Σ 的估计误差稳健的自适应检验?扎根点:Algorithm 1 的输入是 Σ 和 W,但作者没有讨论当这些矩阵被估计时,模拟临界值的误差如何传播。
-
边界参数的置信区间:本文主要关注检验问题,但边界约束下参数的置信区间构造同样重要。由于极限分布不是正态,传统的 Wald 区间不再有效。如何构造具有正确覆盖率的置信区间?扎根点:Theorem 2.3 给出的混合分布可以用于构造置信区间,但作者没有讨论。
-
与其他非正则问题的联系:边界约束问题与"参数在流形边界"、"参数在不等式约束下"等问题有密切联系。本文的框架是否可以推广到更一般的约束集(如多面体、光滑流形)?扎根点:作者在 Remark 2.1 中提到"其他约束类型可以变换到这种形式",但没有给出具体例子。
-
效率与最优性:本文没有讨论约束估计量的效率问题。在边界约束下,约束估计量是否仍然是半参数有效的?如果不是,是否存在更优的估计量?扎根点:作者在引言中提到了"效率"但没有在正文中讨论。
给研究者的提醒:若要确认上述开放问题是否是真 gap,建议去读以下方向的近期文献(各约 5 篇的 intro): - 高维约束推断:如 "High-dimensional inference for constrained parameters" 相关文献; - 非凸 M-估计的渐近理论:如 "Asymptotic theory for non-convex M-estimators" 相关文献; - 边界约束下的 bootstrap:如 "Bootstrap inference on the boundary" 相关文献; - 半参数效率与约束:如 "Semiparametric efficiency under shape constraints" 相关文献。
如果这些方向的近期文献都指向同一个未解决问题(例如"高维边界问题的计算可行性"),那很可能是一个值得投入的真 gap;如果文献之间互相矛盾(例如有的声称高维可行、有的声称不可行),那本身就是一个值得研究的张力点。
Maintained by 陈星宇 · Homepage · Source on GitHub