跳转至

JRSS-C — Vol 75 Issue 1 · 2026-06-10

  • 共 8 篇 · Journal of the Royal Statistical Society Series C
  • 目录核对 ⚠️ 疑似漏 4 篇（对照 OpenAlex 11 篇）：10.1093/jrsssc/qlaf033、10.1093/jrsssc/qlaf031、10.1093/jrsssc/qlaf034、10.1093/jrsssc/qlaf032

本期导览

自动生成：归纳本期主要主题与脉络，不打分、不排名。

这一期共3篇论文，主题分散，未形成明显的方法论主线。整体来看，研究聚焦于两类问题：一是时空/空间数据中的复杂依赖结构建模，二是高维或函数型数据的稀疏推断与预测。具体而言，两篇论文涉及空间或时空过程（PM2.5分位回归、城市制图），一篇涉及小区域估计（碳足迹），但方法工具差异较大。

最突出的主线是时空/空间依赖建模与分位回归的结合。第一篇《Spatiotemporal dynamic quantile regression models》将潜高斯过程嵌入分位回归框架，处理PM2.5浓度在不同分位水平的时空动态，并利用广义非对称拉普拉斯分布提升推断灵活性。另一篇《Urban mapping in Dar es Salaam using Angle-Based Joint and Individual Variation Explained》虽未直接涉及分位回归，但同样处理空间异质性（通过混合成分捕捉锋面分区），并在函数型回归中同时建模空间依赖与分区结构。两篇均强调对空间过程时间演化或空间分区的刻画，但前者侧重分位水平差异，后者侧重函数型响应与协变量的联合建模。

另一条线索是稀疏推断与模型选择，主要体现在《Urban mapping》中：该文在函数型高斯图回归框架下，对精度矩阵和回归系数矩阵同时施加稀疏惩罚，并提出联合KL交叉验证准则进行模型选择。这与传统图模型或回归的稀疏化思路一致，但扩展至函数型数据场景。其余两篇未涉及稀疏性。

对于因果推断方向的研究者，本期无直接相关论文。若关注半参数效率或高维推断，可优先看《Urban mapping》中的双惩罚估计与KL交叉验证；若关注时空分位回归，则看第一篇。

经济理论 / 应用 (econ_theory, 1 篇)

1. 10.1093/jrsssc/qlaf039 · arXiv — Extended-support beta regression for [0, 1] responses

  • 作者: Ioannis Kosmidis, Achim Zeileis
  • 期刊/来源: Journal of the Royal Statistical Society Series C
  • 分类: vol 75 · issue 1 · pp 139-157
  • 相关性 6/10 · novelty: new_method
  • 摘要: 在 [0,1] 有界响应变量回归设定下，当数据含边界观测（恰好为 0 或 1）时标准 beta 回归无法处理，本文提出 XBX 回归——基于 extended-support beta 分布（对 (0,1) 左右等量超越的 censored 四参数 beta 分布）的连续混合模型。核心机制：证明 beta 回归与经济学中的 heteroscedastic two-limit tobit 分别是该分布参数取 0 和 ∞ 时的特例，从而统一两类方法；针对 beta 与 normal 分布相似导致的 identifiability 问题，对该参数施加指数分布 shrinkage；用 Gauss-Laguerre 求积近似连续混合似然实现高效 MLE，betareg R 包已实现。在行为经济学损失厌恶实验数据上，XBX 同时捕捉理性行为概率与损失厌恶均值，优于零膨胀 beta 和 tobit 等标准方法。对您可能有用：若在流行病学比例数据或经济学有界响应中遇到边界点问题，XBX 提供了比零膨胀 beta 或 tobit 更灵活的统一框架。
  • 关键技术: extended-support beta distribution, Gauss-Laguerre quadrature, exponential shrinkage prior for identifiability, heteroscedastic two-limit tobit, continuous mixture likelihood, betareg R package
  • 为什么对您有用: 本文连接到 econ_theory 子方向中的 bounded-response regression 与 two-limit tobit 模型，以及流行病学中有界比例数据的回归场景。武器库中 software development 和 moderately_familiar 的 M-estimation theory 可以攻这篇 paper 的 MLE 实现与估计量性质分析，但核心模型是纯参数族，与 semiparametric efficiency / higher-order U 工具无直接交集。中期可做：若需在因果推断或流行病学应用中处理 [0,1] 响应含边界点的问题，可先在 moderately_familiar 的 M-estimation theory 上扩展，研究 XBX 估计量的 influence function 与是否达到 parametric efficiency bound。

流行病学 (epidemiology, 2 篇)

1. 10.1093/jrsssc/qlaf040 — Spatiotemporal dynamic quantile regression models with applications to particulate matter concentration data

  • 作者: Miaorou Liu, Zhen Yu, Keming Yu, Fansheng Kong, Maozai Tian
  • 期刊/来源: Journal of the Royal Statistical Society Series C
  • 机构: Renmin University of China · University of International Business and Economics · Brunel University of London
  • 分类: vol 75 · issue 1 · pp 158-201
  • 相关性 5/10 · novelty: new_method
  • 摘要: 在时空依赖数据设定下，目标是建模PM2.5浓度在不同分位水平的时空动态演化与影响因素，关键假设为空间过程可通过latent Gaussian process刻画时间演化。提出STDQM模型，将latent GP嵌入quantile regression框架以捕捉空间过程的时间动态；进一步基于generalized asymmetric Laplace distribution扩展标准ALD quantile regression的推断灵活性。大量模拟表明相比现有方法在推断质量和预测精度上有提升。实证分析意大利Lombardy 2016–2021年PM2.5数据，揭示不同分位水平的时空演化模式。对您而言，本文提供了环境流行病学数据集与时空建模案例，但方法论（latent GP + 分位回归）与您核心的causal inference / efficiency theory方向距离较远。
  • 关键技术: spatiotemporal quantile regression, latent Gaussian process, generalized asymmetric Laplace distribution, spatiotemporal covariance function, asymmetric Laplace distribution for quantile regression
  • 为什么对您有用: (1) 连接到secondary interest中的流行病学/环境健康数据集，但PM2.5时空建模不涉及causal inference，仅是描述性关联分析。(2) 武器库中M-estimation theory可用来分析quantile regression estimator的渐近性质，但本文侧重模型构建与拟合，未触及效率界或influence function层面的理论。(3) 暂不可做：本文核心机器（latent GP建模、时空协方差函数识别）不在武器库中，且方法论方向与研究者primary interests不匹配，不值得展开读全文。

2. 10.1093/jrsssc/qlaf043 — Urban mapping in Dar es Salaam using Angle-Based Joint and Individual Variation Explained

  • 作者: Rachel J Carrington, Ian L Dryden, Madeleine Ellis, James O Goulding, Simon P Preston, David J Sirl
  • 期刊/来源: Journal of the Royal Statistical Society Series C
  • 机构: University of Bath · University of Nottingham
  • 分类: vol 75 · issue 1 · pp 247-269
  • 相关性 4/10 · novelty: application
  • 摘要: 在多源数据（卫星影像、手机通话记录、住户调查）融合设定下，目标是识别达累斯萨拉姆城市剥夺/贫困程度的空间分布，关键假设是各数据视图共享与剥夺相关的联合低维信号。核心方法为 AJIVE（Angle-Based Joint and Individual Variation Explained），对三个视图做联合 SVD 分解提取 joint/individual 结构；随后引入标量剥夺指标作为响应变量，比较多种多视图回归策略（含以 AJIVE 得分作预测变量）。实证结果表明卫星与手机数据已能较好识别高剥夺区域，加入调查数据可进一步提升预测精度，但增益边际递减。对您而言，本文提供了流行病学/经济开发领域多源数据融合的应用案例与真实数据集，但方法学新颖度有限——AJIVE 为已有方法，未涉及 semiparametric efficiency 或 causal identification。
  • 关键技术: AJIVE (Angle-Based Joint and Individual Variation Explained), multi-view data integration, joint SVD decomposition, multiview regression, satellite imagery feature extraction
  • 为什么对您有用: (1) 连接到 epidemiology 的 deprivation mapping 应用——多源数据识别高需求区域，提供真实数据集（卫星+手机+调查）；(2) AJIVE 的多视图 SVD 分解与 researcher 的 high-dimensional asymptotics 有弱关联，但 technical_arsenal 中无多视图数据分析的直接武器，无法用 very_familiar 工具攻入；(3) 中期可做：若想进入多视图 inference 方向，需先在 moderately_familiar 的 semiparametric theory 上补充多视图效率界与 inference 理论，当前论文本身更适合作为应用案例浏览而非深度方法学阅读。

其他 (other, 5 篇)

1. 10.1093/jrsssc/qlaf042 · arXiv — Functional Gaussian graphical regression models for air quality data

  • 作者: Rita Fici, Gianluca Sottile, Luigi Augugliaro, Ernst C Wit
  • 期刊/来源: Journal of the Royal Statistical Society Series C
  • 分类: vol 75 · issue 1 · pp 225-246
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文在部分可分（partially separable）函数数据设定下，提出函数型 Gauss 图回归模型，将条件 Gauss 图模型推广至响应与协变量均为函数对象的情形，目标是对精度矩阵（precision）与回归系数矩阵同时做稀疏推断。估计方面采用双惩罚（doubly penalized）估计器，分别对精度矩阵和回归矩阵施加 sparsity penalty；模型选择方面提出 joint Kullback–Leibler 交叉验证准则，同时覆盖精度与回归矩阵的恢复，尤其在多子群情形下做适配。理论层面以 KL 散度与图恢复率评估性能，但未给出 minimax rate 或 semiparametric efficiency bound。实证用 IAGOS 飞机观测的大气化学与气象数据展示方法。对您而言，双惩罚图估计的优化结构与 joint KL-CV 的设计思路可作为高维图推断的参考，但函数数据框架本身不在您核心方向上。
  • 关键技术: doubly penalized estimation, conditional Gaussian graphical model, partially separable functional data, joint Kullback-Leibler cross-validation, graph recovery, functional regression
  • 为什么对您有用: 本文核心是函数数据下的图回归，不在您 primary interests 的因果推断 / 高维 RMT / U-stat / semipara efficiency 范围内；双惩罚图估计与 joint KL-CV 的计算细节触及高维稀疏推断与统计计算，但未涉及 minimax rate 或 efficiency bound，技术深度有限。用您 very_familiar 的高维渐近理论可审视其 penalty 强度与图恢复的 phase transition 是否有 sharper characterization，但函数数据基底展开的 Karhunen–Loève 结构需额外学习。中期可做：若想沿高维图推断方向拓展，需先在 moderately_familiar 的 M-estimation theory 上补充函数数据 M-estimator 的收敛分析；否则本文更适合作为应用案例浏览而非深入跟进。

2. 10.1093/jrsssc/qlaf041 — Estimating the consumption-based carbon footprint: a small area model as a tool for place-based policies

  • 作者: Lorenzo Mori, Maria Rosaria Ferrante
  • 期刊/来源: Journal of the Royal Statistical Society Series C
  • 机构: GNA University · University of Bologna
  • 分类: vol 75 · issue 1 · pp 202-224
  • 相关性 4/10 · novelty: application
  • 摘要: 本文在家庭消费调查数据设定下，研究个人碳足迹（CFP）的定义与估计问题，关键假设是生产-消费分类间的转换矩阵可由Eurostat官方数据桥接。方法上，首先沿用Pang等(2020)的CFP计算框架并嵌入转换因子矩阵；其次，通过分布拟合选定Generalized Beta Distribution of the Second Kind (GB2)作为CFP的经验分布模型；最后，提出基于GAMLSS的小区域估计模型(SAE-GAMLSS)，假设CFP服从GB2分布，以获得地方层面的可靠估计与推断。主要实证结果显示SAE-GAMLSS能提供比直接估计更精确的地方CFP地图，支持place-based政策制定。对您而言，本文的SAE-GAMLSS/GB2建模思路可作为semiparametric/nonparametric理论在环境统计中应用的参考案例，但方法学novelty有限。
  • 关键技术: Small Area Estimation (SAE), GAMLSS, Generalized Beta Distribution of the Second Kind (GB2), conversion factor matrix, consumption-based carbon footprint
  • 为什么对您有用: 本文属于环境统计的应用建模，与您primary interests（causal inference / high-dim / efficiency）无直接交集；SAE-GAMLSS虽涉及semiparametric分布建模，但未触及效率界或debiasing，方法学深度较浅。作为gateway reading，本文对统计建模入门尚可，但武器库（higher-order U / minimax / semiparametric efficiency）无法直接攻入其核心口子，且缺乏值得深读的理论问题。follow-up判断：暂不可做——核心机器（SAE理论 / 环境经济数据结构）不在武器库中，且本文novelty为application级别，不值得花时间读全文。

3. 10.1093/jrsssc/qlaf037 · arXiv — Similarity-based random partition distribution for clustering functional data

  • 作者: Tomoya Wakayama, Shonosuke Sugasawa, Genya Kobayashi
  • 期刊/来源: Journal of the Royal Statistical Society Series C
  • 分类: vol 75 · issue 1 · pp 100-119
  • 相关性 4/10 · novelty: new_method
  • 摘要: 本文提出 similarity-based generalized Dirichlet process (SGDP) 型随机划分分布，用于功能性空间数据的模型聚类。estimand 是聚类结构，设定为广义 Dirichlet 过程框架下通过引入成对相似性信息克服标准 DP 诱导划分过度产生簇的问题。核心机制是在 partition probability function 中嵌入 pairwise similarity 权重，使相似对象更倾向同簇，从而控制簇数并融入空间邻接信息。理论部分研究了 SGDP 型分布的划分概率性质（exchangeability 等）。实证应用于东京 500m 网格逐时人口流动数据，展示方法捕捉时空动态模式的效果。对您而言，本文属于 Bayesian nonparametric 聚类方向，与您关注的 semiparametric efficiency / minimax 理论交集极小。
  • 关键技术: generalized Dirichlet process, random partition distribution, pairwise similarity weighting, partition probability function, functional spatial data clustering
  • 为什么对您有用: 本文属于 Bayesian nonparametric 聚类，与您 primary interest 中 semiparametric efficiency bounds / minimax estimation 方向交集极小——其'理论性质'是划分概率的 exchangeability 性质而非效率界或收敛率。武器库中 nonparametric statistics / minimax bounds 无法直接攻入此文的 Bayesian partition 框架。暂不可做：核心机器（Bayesian nonparametric partition theory / DP 演化）不在武器库中，且应用场景（城市人口流动）不在 secondary interests 范围内，不建议展开阅读。

4. 10.1093/jrsssc/qlaf038 · arXiv — Joint spatiotemporal modelling of zooplankton and whale abundance in a dynamic marine environment

  • 作者: Bokgyeong Kang, Erin M Schliep, Alan E Gelfand, Christopher W Clark, Christine A Hudak, Charles A Mayo et al.
  • 期刊/来源: Journal of the Royal Statistical Society Series C
  • 分类: vol 75 · issue 1 · pp 120-138
  • 相关性 2/10 · novelty: new_method
  • 摘要: 本文在动态海洋环境下联合建模濒危北大西洋右鲸及其猎物浮游动物的空间分布，estimand 为物种的空间强度与期望丰度。方法上，对浮游动物采用地统计模型，对右鲸采用点格局模型，两者通过潜变量的条件-边际规范链接以捕捉捕食者-猎物的空间依赖。针对每种物种的两个异质数据源，文章提出了数据融合策略，构建了复杂的多层级贝叶斯模型。模拟结果表明，联合规范能有效识别模型未知参数并改善物种分布估计，优于独立建模。实证分析应用于美国 Cape Cod Bay 数据。对您而言，本文展示的空间数据融合与潜变量依赖建模思路与流行病学因果推断中的多源数据融合有概念上的微弱联系，但核心是贝叶斯空间统计而非因果或半参效率。
  • 关键技术: joint species distribution modelling, geostatistical model, point pattern model, latent conditional-marginal specification, data fusion, Bayesian multi-level model

5. 10.1093/jrsssc/qlaf036 · arXiv — A functional regression model for heterogeneous BioGeoChemical Argo data in the Southern Ocean

  • 作者: Moritz Korte-Stapff, Drew Yarger, Stilian Stoev, Tailen Hsing
  • 期刊/来源: Journal of the Royal Statistical Society Series C
  • 分类: vol 75 · issue 1 · pp 79-99
  • 相关性 2/10 · novelty: application
  • 摘要: 在南大洋 Argo 生物地球化学稀疏观测设定下，目标是建立 functional regression 模型刻画氧气剖面与温度、盐度剖面的深度依赖关系，同时处理由海洋锋面（fronts）造成的空间异质性。模型在所有深度上同时拟合 functional regression，并引入 mixture component 捕捉锋面划分的空间分区；mixture 权重与数据本身均建模空间依赖，从而实现网格预测并改进锋面位置估计。方法声称可扩展至 Argo 数据规模，通过 cross-validation 验证预测效果。主要实证结果是在南大洋氧气剖面预测和锋面定位上的改进。对您而言，functional regression + mixture 的 semiparametric 结构与 nonparametric statistics 武器库有弱连接，但本文偏 JRSS-C 应用风格，理论深度有限。
  • 关键技术: functional regression, mixture model for spatial zones, spatial dependence modeling, depth-profile functional data, cross-validation prediction assessment
  • 为什么对您有用: （1）连接到 nonparametric/semiparametric theory 子方向——functional regression + spatial mixture 属 semiparametric 模型范畴，但本文偏应用而非理论推进，未讨论收敛率或效率界；（2）用 very_familiar 的 nonparametric statistics 可审视其 functional estimator 的理论性质，但本文未提供此类分析，口子不明确；（3）暂不可做——应用领域（海洋生物地球化学）不在 primary/secondary interests 内，且方法学 novelty 不足以支撑理论层面的 follow-up，不值得花时间读全文。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论