JRSS-C — Vol 75 Issue 2 · 2026-06-10¶

共 11 篇 · Journal of the Royal Statistical Society Series C
目录核对 ✅ 11 篇全部抓到（对照 OpenAlex 11 篇）

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 8 篇论文，整体围绕时空建模、极端值与尾部依赖、以及贝叶斯层次模型三条主线展开。时空建模方面，涉及风场预测（ESN+SPDE）、投票行为（可变方差 ICAR）和药物溶出曲线（GP 核构造），方法上从非平稳 SPDE 到局部空间平滑参数化，覆盖了不同空间尺度与数据稀疏性。极端值与尾部依赖方面，对冲基金系统性风险（极值回归+GPD）与多死因联合动态（时变 copula 状态空间）均聚焦尾部相依与时变结构，前者侧重稀疏数据下的极值估计，后者侧重 COVID-19 前后的相依变化。贝叶斯层次模型方面，晚期黑色素瘤发病率（BHSTLR-NDE）与气候敏感性（vine copula 偏差校正）均在小区域或多变量框架下借信息提升估计，前者处理时空非平稳与人口异质性，后者处理零膨胀与多变量依赖。此外，通胀预测（Wasserstein barycenter 密度平均）与医生就诊频率（copula 加性分布回归）分别从密度平均与分布回归角度补充了方法多样性。

最突出的主线是时空建模与空间异质性，共 3 篇。风场预测（ESN+SPDE）将稀疏循环神经网络与非平稳 SPDE 结合，通过 energy distance 降维与全空间重建，适用于电网管理时间尺度。投票行为（可变方差 ICAR）在层次效应基础上允许局部空间平滑参数变化，揭示不同政党空间凝聚力差异。药物溶出曲线（GP 核构造）用分段 logistic 函数构造核函数，捕捉单调递增特征并提供不确定性量化，替代传统 f2 统计量。这三篇分别从非平稳空间过程、局部平滑参数化、非参数核构造三个角度推进了时空建模的灵活性。

另一条突出主线是极端值与尾部依赖，共 2 篇。对冲基金系统性风险（极值回归+GPD）将 tail sensitivity 定义为银行指数对基金极端损失的敏感度，用 peaks-over-threshold 与时变系数极值回归处理数据稀疏性，发现 2008 年后风险上升。多死因联合动态（时变 copula 状态空间）将各死因边际与跨死因 copula 参数嵌入状态空间，通过 Kalman-type 递推与 MCMC 估计 COVID-19 前后的相依结构变化，发现 Alzheimer 与呼吸系统疾病相依性显著改变。两篇均以尾部相依为核心，但前者侧重稀疏数据下的极值回归，后者侧重时变 copula 的联合动态。

与因果推断方向最贴的论文较少，但半参数效率相关可关注风场预测（ESN+SPDE）中的非平稳 SPDE 与逆问题，以及通胀预测（Wasserstein barycenter）中的 optimal transport 密度平均。高维方向可关注对冲基金系统性风险（极值回归）中的稀疏数据估计与尾部依赖。贝叶斯层次模型方向可关注晚期黑色素瘤发病率（BHSTLR-NDE）与气候敏感性（vine copula 偏差校正），后者涉及零膨胀与多变量依赖的贝叶斯校正。

非参数 / 半参数 (nonparam_semipara, 1 篇)¶

1. 10.1093/jrsssc/qlaf050 — Modelling physician visit frequency and costs using a copula additive distributional regression approach¶

作者: Giampiero Marra, Rosalba Radice
期刊/来源: Journal of the Royal Statistical Society Series C
机构: Royal Statistical Society · Statistical Service · Statistical Research (United States) · University College London · St George's, University of London · City, University of London
分类: vol 75 · issue 2 · pp 431-447
相关性 4/10 · novelty: new_method
摘要: 本文提出 copula additive distributional regression 框架，用于联合建模混合计数–连续型结局（医生就诊次数与费用），estimand 为条件期望与边际/联合分布参数。模型对就诊次数采用零截断计数分布、对费用采用正支撑连续偏态分布，通过 additive predictor 引入灵活协变量效应，并用 copula 捕获两响应间的依赖结构；推导了条件期望等 model-based statistic 以提升可解释性。理论层面依赖 penalized spline / additive model 的估计与推断传统，未给出 semiparametric efficiency bound 或 minimax rate。实证基于 Medical Expenditure Panel Survey 数据，揭示就诊频率与费用及其关联的决定因素，R 包 GJRM 提供实现。对您而言，本文的 copula–additive 联合建模思路可作为 semiparametric theory 中多响应联合估计的案例参考，但理论深度有限。
关键技术: copula regression, additive predictor (penalized spline), zero-truncated count distribution, distributional regression, conditional expectation derivation, GJRM R package
为什么对您有用: 本文连接到 semiparametric & nonparametric theory 子方向（additive predictor / penalized spline 属非参估计），但未触及 efficiency bound 或 minimax rate，理论贡献偏应用建模。用 very_familiar 的 nonparametric statistics 可审视其 penalized spline 估计的收敛性质，但核心 copula 依赖结构推断需 moderately_familiar 的 semiparametric theory（copula 的 semiparametric efficiency）来深化。Follow-up 判断：中期可做——若想在 copula–additive 框架下推导 semiparametric efficiency bound 或 influence function，需先在 moderately_familiar 的 semiparametric theory 上长肌肉。

统计计算 / 算法 (stat_computing, 1 篇)¶

1. 10.1093/jrsssc/qlaf045 · arXiv — Modelling high-resolution spatio-temporal wind with deep echo state networks and stochastic partial differential equations¶

作者: Kesen Wang, Minwoo Kim, Stefano Castruccio, Marc G Genton
期刊/来源: Journal of the Royal Statistical Society Series C
分类: vol 75 · issue 2 · pp 303-319
相关性 1/10 · novelty: new_method
摘要: 本文针对沙特阿拉伯高分辨率风场数据的时空建模问题，提出了一种结合 Echo State Network (ESN) 与非平稳 SPDE 的时空模型。首先通过 energy distance 降维提取空间主结构，再用稀疏随机循环神经网络 (ESN) 捕捉时间动态，最后通过基于 SPDE 的非平稳方法重建全空间场。该方法在风速与风能预测上优于传统时空模型，适用于电网管理所需的时间尺度。对您而言，ESN 的稀疏循环结构与 tensor contraction / einsum 计算有潜在联系，SPDE 部分则涉及逆问题与随机噪声。
关键技术: Echo State Network, stochastic partial differential equation, energy distance, spatio-temporal modeling, non-stationary covariance
为什么对您有用: 本文连接到 stat_computing 与 astrostats/epidemiology 类似的时空数据建模方向；ESN 的稀疏循环结构计算可类比 higher-order U-statistics 的 tensor contraction / einsum 复杂度分析，SPDE 重建涉及 inverse problems with random noise（very_familiar）。中期可做：需先在 moderately_familiar 的 M-estimation 或 semiparametric 理论上长肌肉，以严格分析 ESN+SPDE 估计量的收敛性质。

经济理论 / 应用 (econ_theory, 2 篇)¶

1. 10.1093/jrsssc/qlaf048 — Density-based machine learning model averaging for inflation forecasting¶

作者: Alessandro Spelta
期刊/来源: Journal of the Royal Statistical Society Series C
机构: University of Pavia
分类: vol 75 · issue 2 · pp 364-406
相关性 5/10 · novelty: new_method
摘要: 本文提出基于预测密度的模型平均方法用于通胀预测，核心工具为 Wasserstein barycenter 与 optimal transport 度量。在多个机器学习模型输出的预测分布上，通过 Wasserstein barycenter 计算几何保持的密度平均，由此同时提取点预测与置信区间。模拟研究表明该方法在捕捉复杂分布特征（尤其空间异质分布）方面优于传统线性平均与贝叶斯平均策略。实证部分使用 FRED-MD 数据库历史数据预测美国通胀，密度预测精度显著提升且可提供不确定性量化。方法学 novelty 在将 optimal transport 引入 forecast density averaging，但收敛率、效率界等理论性质未深入讨论。对您而言，FRED-MD 数据集与通胀预测建模属于 econ_theory secondary interest，Wasserstein barycenter 的数值实现则触及 stat_computing 方向。
关键技术: Wasserstein barycenter, optimal transport metric, density-based model averaging, forecast distribution aggregation, FRED-MD database
为什么对您有用: 本文属于 econ_theory secondary interest（通胀预测 + FRED-MD 宏观经济数据集），提供了可直接获取的实证数据管道与预测建模框架。Wasserstein barycenter 的数值计算触及 stat_computing 方向，但论文未讨论计算复杂度或收敛理论，与您熟悉的 minimax / efficiency 理论无直接对接。Follow-up 判断：中期可做——若想将 density model averaging 与 semiparametric efficiency bound 结合（需先在 moderately_familiar 的 semiparametric theory 上补 optimal transport 在统计推断中的理论框架）；纯应用层面（FRED-MD 数据复用）则立即可做。

2. 10.1093/jrsssc/qlaf051 — Systemic risks in the shadow: an extreme value analysis of hedge funds¶

作者: J Hambuckers, P Hübner
期刊/来源: Journal of the Royal Statistical Society Series C
机构: University of Liège · Universitätsmedizin Göttingen · University of Göttingen
分类: vol 75 · issue 2 · pp 448-476
相关性 4/10 · novelty: application
摘要: 本文在对冲基金系统性风险度量问题中，将系统性风险定义为银行指数对对冲基金极端损失的敏感度（tail sensitivity），并针对商业数据库中对冲基金报告期短、数据稀疏的挑战，提出基于极值回归（extreme value regression）的估计策略。核心方法利用 peaks-over-threshold 与广义 Pareto 分布（GPD）建模尾部依赖，构建时变系数的极值回归模型，从而在基金层面估计系统性风险贡献及其决定因素的边际效应。实证发现：基金规模、杠杆使用、高不确定性及低流动性市场条件均指向更高系统性风险水平，且 2008 年后系统性风险显著上升。对您而言，本文属于经济理论方向的实证应用，但核心方法（极值回归 / GPD）与您的 primary interests 交集有限。
关键技术: extreme value regression, generalized Pareto distribution, peaks-over-threshold, tail dependence estimation, time-varying coefficient model
为什么对您有用: 本文属于经济理论（金融系统性风险）的实证应用，数据集（对冲基金与银行指数的尾部损失面板）对关注经济理论应用的研究者有一定参考价值；但核心方法（极值回归 / GPD）不在您的 technical_arsenal 中，且与因果推断、半参数效率、高维统计等 primary interests 无直接交集；暂不可做——若要进入极值统计方向，需先补充极值理论（GPD / POT / tail index estimation）的基础，而这对您当前的研究议程而言性价比不高。

流行病学 (epidemiology, 2 篇)¶

1. 10.1093/jrsssc/qlaf054 — Bayesian spatio-temporal small area modelling: a case study investigating the late-stage melanoma incidence in Texas¶

作者: Jiahao Cao, Kehe Zhang, Guanyu Hu, Kelly Nelson, Cici Bauer
期刊/来源: Journal of the Royal Statistical Society Series C
机构: The University of Texas Health Science Center at Houston · Michigan State University · The University of Texas MD Anderson Cancer Center
分类: vol 75 · issue 2 · pp 506-525
相关性 4/10 · novelty: application
摘要: 在小区域估计框架下，目标是利用 Texas Cancer Registry 的个体病例数据估计 2000–2018 年 Texas 各县晚期黑色素瘤发病率。提出 BHSTLR-NDE 模型——贝叶斯异质时空 Logistic 回归加非线性人口效应，结合县级协变量、灵活病例级人口效应与 reduced-rank 空间建模，应对数据稀疏、时空非平稳与人口异质性。模型通过跨空间、时间与人口维度借信息提升估计精度与稳健性；模拟与真实数据应用显示优于竞争模型。方法学核心是贝叶斯层次空间模型与 MCMC，非经典 semiparametric/efficiency 路线。对您而言，本文提供流行病学真实数据集入口，但建模范式与因果/半参数/效率工具箱不直接对接。
关键技术: Bayesian hierarchical spatial model, reduced-rank spatial modeling, spatio-temporal logistic regression, small area estimation, nonlinear demographic effects, MCMC computation
为什么对您有用: 本文属于流行病学（secondary interest）真实数据应用，提供 Texas Cancer Registry 个体级癌症登记数据作为潜在数据集入口，但建模路线是贝叶斯层次空间模型，与您关注的因果推断/IV/半参数效率方法不直接对接。若要从 semiparametric efficiency bound 视角重新审视小区域估计问题，需先在 moderately_familiar 的 semiparametric theory 上长肌肉并补充空间统计基础（当前武器库缺 Bayesian spatial 与 CAR 模型）。作为流行病学数据入门读物有一定价值，但方法学迁移空间有限，不建议花时间读全文细节。

2. 10.1093/jrsssc/qlaf049 — Dependence modelling across major causes of death via time-varying copula state space models¶

作者: Ariane Hanebeck, Han Li, Claudia Czado
期刊/来源: Journal of the Royal Statistical Society Series C
机构: Technical University of Munich · The University of Melbourne
分类: vol 75 · issue 2 · pp 407-430
相关性 4/10 · novelty: application
摘要: 本文在多死因联合动态建模设定下，目标是量化并可视化 COVID-19 前后五大死因之间的时变相依结构变化。核心方法为时变 copula 状态空间模型（time-varying copula state space model），将各死因边际分布与跨死因 copula 参数分别嵌入状态空间框架，通过 Kalman-type 递推与 MCMC 完成参数估计与预测。实证基于 2015–2022 美国周度死亡数据，发现 COVID-19 不仅抬升多数死因的边际死亡率，还显著改变了死因间的相依结构（尤其是 Alzheimer 与呼吸系统疾病），且高 COVID-19 死亡假设下总死亡预测区间明显变宽。对您而言，本文提供了流行病学多死因联合建模的 copula 状态空间范式，可作为理解多结局相依性变化的入门案例。
关键技术: time-varying copula, state space model, Kalman filter, MCMC sampling, scenario-based projection, marginal-copula decomposition
为什么对您有用: 本文属于流行病学应用，连接到 epidemiology 子方向的多死因联合建模与相依结构分析。武器库中 very_familiar 的软件开发与 moderately_familiar 的 M-estimation theory 可支撑复现其状态空间+MCMC 计算流程，但 copula 状态空间的理论细节需先在 moderately_familiar 的 semiparametric theory 上长肌肉。作为 gateway reading，本文数据结构（周度多死因计数+COVID 干扰）与模型（边际-copula 分解）清晰，值得花时间读全文以了解流行病学中相依性建模的典型范式。

其他 (other, 5 篇)¶

1. 10.1093/jrsssc/qlaf055 — Incorporating varying degrees of spatial cohesion in models of voter behaviour in the UK General Election 2024¶

作者: Kevin Horan, Katarina Domijan, Chris Brunsdon
期刊/来源: Journal of the Royal Statistical Society Series C
机构: National University of Ireland, Maynooth
分类: vol 75 · issue 2 · pp 526-545
相关性 3/10 · novelty: minor
摘要: 本文研究英国2024大选投票行为的空间建模，estimand 为各选区各政党投票份额，核心假设是不同区域存在不同强度的空间凝聚力。方法上，在层次效应结构（区域/郡层级）基础上，对最低层 areal data 使用 intrinsic conditional autoregressive (ICAR) 模型，但将传统 ICAR 的全局空间方差参数改为局部可变参数，允许不同区域承受不同程度的平滑。通过拟合一系列代表不同空间过程假设的模型并比较 marginal likelihood，发现可变方差 ICAR 模型对四大政党投票份额最为合理，且揭示各政党空间凝聚力模式不同。该方法学 novelty 有限——仅是 ICAR 全局方差→局部方差的参数化放松，属于 spatial Bayesian hierarchical modeling 的增量改进。对您而言，本文与 primary interests（因果推断、高维、半参数、效率理论）无直接技术交集，仅在 secondary interest 的经济理论方向提供了一类选举数据集的参考，但所用空间自回归框架与因果推断/IV 方法差距较大。
关键技术: intrinsic conditional autoregressive (ICAR), varying spatial variance parameter, Bayesian hierarchical spatial model, marginal likelihood comparison
为什么对您有用: 本文与您的主要兴趣方向（因果推断、高维/RMT、半参数效率、U-statistics）无技术交集；空间 ICAR 模型不在您的 technical_arsenal 中。作为 secondary interest 经济理论方向的选举数据应用，它提供了 UK 选区级投票数据集的参考，但建模框架（Bayesian spatial autoregressive）与因果推断/IV/DML 方法不互通，难以迁移。follow-up 判断：暂不可做——核心机器（Bayesian spatial hierarchical modeling / CAR prior）不在武器库中，且与您当前研究议程的连接点极弱，不建议展开阅读全文。

2. 10.1093/jrsssc/qlaf052 — Gaussian process with dissolution spline kernel for in vitro dissolution testing¶

作者: Fiona Murphy, Marina Navas Bachiller, Deirdre M D’Arcy, Alessio Benavoli
期刊/来源: Journal of the Royal Statistical Society Series C
机构: Trinity College · Trinity College Dublin · Science Foundation Ireland
分类: vol 75 · issue 2 · pp 477-505
相关性 2/10 · novelty: new_method
摘要: 本文针对药物体外溶出曲线相似性比较问题，提出一种基于溶出样条核（dissolution spline kernel）的 Gaussian Process 模型，以替代传统 f2 统计量。f2 统计量缺乏不确定性量化、仅基于离散时间点且存在偏差；新核函数使用分段 logistic 函数作为 feature map，使 GP 能捕捉溶出曲线的单调递增特征。该模型通过时间插值预测减少 f2 计算偏差，并提供后验不确定性量化。模拟与真实布洛芬溶出数据表明，新模型在预测精度和偏差校正上优于先前 GP 模型，并可纳入溶出相关协变量进行跨实验条件的外推。对您而言，本文的非参数核构造与 GP 建模仅与 nonparametric theory 有弱连接，核心贡献在领域特定应用而非理论推进。
关键技术: Gaussian process regression, spline kernel with piecewise logistic feature maps, f2 similarity statistic, posterior uncertainty quantification, covariate-adapted GP extrapolation
为什么对您有用: 本文与您的主要兴趣方向关联较弱：GP 核构造虽属非参数方法，但贡献是 pharmaceutical dissolution 领域特定的 kernel design，未触及 minimax rate、semiparametric efficiency bound 或 high-dimensional inference 等您关心的理论深度。technical_arsenal 中 nonparametric statistics 足以理解本文方法，但无具体攻破口子——无 higher-order U 结构、无 semiparametric efficiency 问题、无高维设定。follow-up 判断：暂不可做，核心设定（pharma QC 溶出模型与监管标准）不在武器库中，且理论 novelty 不足以支撑独立跟进。

3. 10.1093/jrsssc/qlaf047 — The role of data and priors in estimating climate sensitivity¶

作者: Masako Ikefuji, Jan R Magnus, Andrey L Vasnev
期刊/来源: Journal of the Royal Statistical Society Series C
机构: Tinbergen Institute · The University of Sydney
分类: vol 75 · issue 2 · pp 344-363
相关性 2/10 · novelty: application
摘要: 本文提出"逆向贝叶斯"思路：通常由先验与数据得后验，作者展示从可观测的数据与后验出发可反推不可观测的先验分布，本质上是对贝叶斯公式的代数重排。将该方法应用于IPCC报告中的平衡气候敏感性（equilibrium climate sensitivity）估计，试图揭示IPCC科学家隐含的先验信念形状。实证结果表明IPCC隐含先验并非均匀分布而带有特定倾向，右尾偏重。方法学核心仅是 Bayes rule 的逆运算，无复杂渐近理论或效率分析。对您而言，此文既不在primary interests（因果/高维/半参数/效率）也不在secondary interests（astro/econ/epi）范围内，方法迁移价值极低。
关键技术: reverse Bayesian inference, prior recovery from posterior and data, equilibrium climate sensitivity, IPCC prior elicitation
为什么对您有用: 本文核心方法（从后验反推先验）与您的primary interests无交集——不涉及因果identification、半参数效率界、高维渐近或U-statistics；应用领域（气候科学）也不在astrostats/econ/epi的secondary范围内。武器库中minimax bounds、HOIF、tensor contraction等均无法攻入此文的任何口子。暂不可做：核心问题（先验恢复）不在您的研究议程中，且无方法论迁移路径，不建议花时间读全文。

4. 10.1093/jrsssc/qlaf046 · arXiv — Joint space-time modelling for upper daily maximum and minimum temperature record-breaking¶

作者: Jorge Castillo-Mateo, Zeus Gracia-Tabuenca, Jesús Asín, Ana C Cebrián, Alan E Gelfand
期刊/来源: Journal of the Royal Statistical Society Series C
机构: Universidad de Zaragoza · Duke University
分类: vol 75 · issue 2 · pp 320-343
相关性 1/10 · novelty: application
摘要: 本文在西班牙半岛逾60年日最高与最低温度数据下，将每日是否打破年度记录转化为双变量二元指标，进行联合时空建模。核心机制是构建双变量时间序列的联合模型（基于Bayesian hierarchical spatial modeling），同时处理五个推断问题：记录打破的定义与建模、两过程间关系强度、联合/条件/边际预测、跨日持续性以及空间插值。实证结果显示，最高与最低温度的记录打破过程存在强相关性，但气候变化趋势在两者间呈现时空分化，且持续性与空间依赖强度各异。对您而言，本文属于纯应用时空统计，与因果推断、高维/半参效率等核心理论方向无直接交集。
关键技术: bivariate binary time series, Bayesian hierarchical spatial modeling, record-breaking indicators, spatial interpolation, conditional prediction
为什么对您有用: (1) 本文属于气候数据的时空应用统计，不在您关注的 astrostats / econ / epi 三个应用方向内，与因果/高维/半参等核心理论方向亦无交集。(2) 武器库中的 nonparametric statistics / M-estimation 无法直接攻入本文的 Bayesian 时空建模框架。(3) 暂不可做：核心机器（Bayesian hierarchical spatial models / GP for binary data）不在武器库中，且主题不在目标应用领域，不建议展开阅读。

5. 10.1093/jrsssc/qlaf044 · arXiv — Towards more realistic climate model outputs: a multivariate bias correction based on zero-inflated vine copulas¶

作者: Henri Funk, Ralf Ludwig, Helmut Küchenhoff, Thomas Nagler
期刊/来源: Journal of the Royal Statistical Society Series C
分类: vol 75 · issue 2 · pp 271-302
相关性 1/10 · novelty: application
摘要: 本文针对气候模型大集合在3小时分辨率下的多变量偏差校正问题，目标 estimand 是模型分布与参考分布之间的系统性偏差转移。核心设定涉及五个气候变量，其中降水和辐射具有显著的零膨胀特征。提出 vine copula bias correction (VBC) 方法：利用 vine copula 估计模型域与参考域的联合分布，并通过 (逆) Rosenblatt 变换完成偏差校正；为处理零膨胀边际，发展了新的 vine 密度分解并引入随机化 Rosenblatt 变换以保持零值结构的概率一致性。实证对比显示 VBC 在校正零膨胀事件及整体多变量依赖结构上优于现有方法。对您而言，本文作为 vine copula 处理零膨胀多变量数据的应用案例，可为因果推断中零膨胀混杂变量的建模提供参考，但方法学 novelty 属应用层面。
关键技术: vine copula, Rosenblatt transformation, zero-inflated margin modeling, vine density decomposition, multivariate bias correction
为什么对您有用: 本文连接到因果推断中零膨胀混杂变量的建模需求（proximal CI / IV 设定下零膨胀 negative control 的分布刻画），但核心是 vine copula 的应用而非理论推进。武器库中 semiparametric theory 和 M-estimation 可用于分析 VBC 估计量的收敛性质（当前 paper 未涉及），但 vine copula 的理论细节需先在 moderately_familiar 的 semiparametric theory 上补充 copula 估计的 asymptotic 工具。中期可做：若想将零膨胀 vine copula 引入因果框架，需先长肌肉在 copula 估计的 semiparametric efficiency bound 上。

Maintained by 陈星宇 · Homepage · Source on GitHub