AoS — Vol 52 Issue 5 · 2026-06-20¶

共 21 篇 · Annals of Statistics
目录核对 ⚠️ 疑似漏 2 篇（对照 OpenAlex 23 篇）：10.1214/24-aos2430、10.1214/24-aos2443

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。

AoS Vol 52 Issue 5 共 21 篇论文，整体分布在四条主线上：（1）因果识别与半参数效率，涉及局部差分隐私下的效率理论、高维混杂下 ATE 的去偏逆概率加权、以及多环境线性模型的不变性识别；（2）高维推断与随机矩阵，涵盖样本块相关矩阵的谱统计、重尾协方差估计的次高斯界、相位与正交群同步化的精确极小极大最优性、谱聚类留一法奇异子空间扰动，以及多层 SBM 和 graphon 估计中的计算‑统计阈值（后者可归入计算统计主线）；（3）假设检验的新框架与方法，包括高维线性回归系数检验、复合假设下 p‑value 与 e‑value 的存在性条件、线性模型的共形检验 PALMRT、高维两样本均值相关性结构检验、椭圆分布的非参数核检验、相依数据流的序贯检测与隔离、时间序列二阶参数的同时推断（wild bootstrap）、非平稳序列的最优高斯逼近；（4）非参数与半参数估计，涉及未知流形附近密度的贝叶斯非参估计、多元格点数据的 Kronecker 趋势滤波、基于核的时序差分策略评估、以及有限总体分位数过程与光滑 L‑估计量。

因果识别与效率方向有 4 篇值得展开。在高维混杂下估计 ATE 的 debiased IPW 一文，通过仅对倾向得分的稀疏模型做去偏修正，允许 outcome 模型任意复杂不可估，代价是方差相对于半参有效界仅膨胀常数倍。 Environment invariant linear least squares 利用跨环境条件期望不变性识别真实参数，无需额外结构知识，并在高维下达到变量选择一致性。关于局部差分隐私效率的论文为隐私保护下的参数估计建立了 LAN、卷积定理与 LAM 下界，指明了最优方差由所有 α‑LDP 边际 Markov 核的最大 Fisher 信息量决定，并给出近似最优的显式算法与估计量。这三篇分别从去偏 IPW、不变性和隐私约束三个角度推进了半参数效率与因果识别的理论边界。

高维推断与假设检验是本期最密集的两条主线。谱方法方面，相位与正交群同步化论文证明主特征向量归一化在一致估计区域内达到精确 minimax 最优，与 MLE、SDP 等程序等价；留一法奇异子空间扰动分析为谱聚类提供了比 Wedin 定理更紧的 entrywise 界，导出子高斯混合下的最优误分类率。多层 SBM 与 graphon 估计的两篇计算统计论文分别给出密度阈值随层数 L 线性下降与平方根下降之间的差距，以及低度多项式框架下 graphon 估计的计算屏障。假设检验部分，PALMRT 将共形预测与置换结合，对任意固定设计和误差分布实现有限样本 I 类错误不超过 2α 的严格控制；高维线性回归系数检验利用鞅 CLT 避免了协方差矩阵求逆，ARE 至少不劣于经典检验；复合假设下 p/e‑value 存在性的刻画借助最优传输技术揭示了“过滤粗化”的必要性；非平稳序列高斯逼近给出两条显式构造路径（物理相依性与分块光滑化），并在此基础上建立变点检测与同时推断的理论保证。此外，高维两样本均值检验引入精度矩阵的线性结构以提升功效，椭圆分布的非参数核检验允许维度随样本增长且保持一致性，这些新方法均提供了可用于实际推断的工具。

与因果推断、半参数效率、高维理论最贴合的论文包括：debiased IPW（ATE 估计）、环境不变线性最小二乘（因果识别）、局部差分隐私效率理论（半参数下界）、相位同步化精确 minimax（高维谱方法）、留一法奇异子空间扰动（谱聚类理论）、PALMRT（有限样本共形检验）、复合假设 p/e‑value（最优检验存在性）、非平稳高斯逼近（时间序列推断基础）。

因果推断 (causal_inference, 1 篇)¶

1. 10.1214/24-aos2435 · arXiv — Environment invariant linear least squares¶

作者: Jianqing Fan, Cong Fang, Yihong Gu, Tong Zhang
期刊/来源: Annals of Statistics
分类: vol 52 · issue 5
相关性 8/10 · novelty: new_method
摘要: 在多环境线性回归设定下，各环境联合分布可变但给定真实重要变量的条件期望不变，目标是识别真实参数与变量集以解决内生性问题。本文构造了环境不变线性最小二乘（EILLS）目标函数，利用跨环境异质性与条件期望不变性结构，无需额外结构知识即可在近极小识别条件下识别真实参数。在存在虚假变量时，建立了 EILLS 估计量的非渐近 ℓ₂ 误差界，并证明 ℓ₀ 惩罚 EILLS 估计量在高维设定下具有变量选择一致性。这些非渐近结果展示了 EILLS 估计量的样本效率及其以算法方式规避内生性诅咒的能力。对您有用：EILLS 将不变性结构与最小二乘结合，为多环境因果推断与内生性处理提供了新的估计框架。
关键技术: environment invariant linear least squares, multi-environment heterogeneity, conditional expectation invariance, non-asymptotic l2 error bound, l0 penalized variable selection, endogeneity correction
为什么对您有用: 直接连接 causal inference 的内生性与 identification 理论子方向，EILLS 利用多环境不变性实现近极小识别条件下的参数识别，是因果推断中处理遗漏变量偏误的新框架。可用 very_familiar 的高维渐近与 minimax bound 工具验证其声称的 ℓ₂ 误差界是否紧，或用 moderately_familiar 的 M-estimation 理论分析 EILLS 目标函数的渐近性质。立即可做：用现有武器库即可展开对 EILLS 估计量 minimax rate 与 semiparametric efficiency bound 的理论分析。

高维统计 / 随机矩阵 (high_dim_rmt, 4 篇)¶

1. 10.1214/24-aos2375 · arXiv — Spectral statistics of sample block correlation matrices¶

作者: Zhigang Bao, Jiang Hu, Xiaocong Xu, Xiaozhuo Zhang
期刊/来源: Annals of Statistics
分类: vol 52 · issue 5
相关性 8/10 · novelty: new_theory
摘要: 在高维设定下研究随机子向量间依赖结构的检验问题，构造了基于 N 个样本的 sample block correlation matrix，其谱统计量在子向量独立的零假设下不依赖未知的总体均值与协方差。利用自由概率理论，在 k 与子向量维度 p_t 的三种不同渐近设定下，证明了该矩阵的经验谱分布分别收敛到 free Poisson binomial 分布、Marchenko-Pastur 律与半圆律。进一步在一般分布假设下推导了线性谱统计量的 CLT，由于相关型矩阵的自标准化效应，该 CLT 具有普适性且不依赖分量四阶累积量。还在备择假设下推导了 CLT 并分析了检验功效，经典 Wilks 与 Schott 统计量被包含为特例。对您可能有用：本文将自由概率工具引入 block correlation 矩阵的谱分析，为高维独立性检验提供了不依赖四阶矩的普适 CLT 理论。
关键技术: sample block correlation matrix, free probability theory, Marchenko-Pastur law, semicircle law, linear spectral statistics CLT, self-normalizing effect
为什么对您有用: 直接连接到 primary interest 中的 high-dimensional statistics 与 Random matrix theory 子方向，将经典 RMT 谱分析从 sample covariance 推广到 block correlation 结构。您武器库中的 high-dimensional asymptotics 可直接对接本文的 LSD 与 CLT 推导，且普适性（不依赖四阶矩）的 self-normalizing 机制值得与您熟悉的 higher-order U-statistics 自标准化性质做类比。立即可做：用 very_familiar 的高维渐近工具复现其 LSD 极限并验证 free Poisson binomial 的具体参数映射。

2. 10.1214/24-aos2407 · arXiv — Improved covariance estimation: Optimal robustness and sub-Gaussian guarantees under heavy tails¶

作者: Roberto I. Oliveira, Zoraida F. Rico
期刊/来源: Annals of Statistics
分类: vol 52 · issue 5
相关性 7/10 · novelty: sharper_rate
摘要: 本文研究重尾分布下协方差矩阵Σ的估计问题，假设d维随机向量的每个一维边际满足有界L^p-L^2矩条件（p≥4）。作者提出一种新的稳健估计量，在仅有有限p阶矩的极端重尾场景下，仍能获得与高斯数据中样本协方差矩阵相同的次高斯高概率误差界。该估计量还可对抗性污染达到最优鲁棒性，即误差率同时随污染比例而线性退化。主要结果改进了Mendelson & Zhivotovskiy和Catoni & Giulini的近期工作，并与Abdalla & Zhivotovskiy的平行结果匹配。技术核心可能涉及截断、中位数化或阈值化等方法，并结合精细的浓度不等式与控制矩条件的技巧。本文直接关联高维统计中协方差估计的基础问题，您熟悉的高维渐近理论与minimax下界可用于验证其最优性，并进一步扩展到协方差驱动的高维假设检验或主成分分析。
关键技术: robust covariance estimation, heavy-tailed sub-Gaussian guarantees, adversarial contamination robustness, L^p-L^2 moment assumption, concentration inequalities
为什么对您有用: 本文属于高维统计的核心子方向——在重尾与污染下实现协方差矩阵的次高斯估计，直接匹配您primary_interests中的高维统计兴趣。您非常熟悉的高维渐近理论和minimax界（very_familiar）可直接用于严格验证本文所声称的最优率，并可能利用极值不等式推广至更高阶矩推断。立即可做：您已有足够工具深入评估其方法并探索后续问题（如应用至协方差检验或因子模型）。

3. 10.1214/24-aos2424 · arXiv — Exact minimax optimality of spectral methods in phase synchronization and orthogonal group synchronization¶

作者: Anderson Ye Zhang
期刊/来源: Annals of Statistics
分类: vol 52 · issue 5
相关性 7/10 · novelty: sharper_rate
摘要: 在相位同步化与正交群同步化模型（加性高斯噪声、可能有不完全数据）下，目标是群元素参数的 minimax 估计。本文证明谱方法（取数据矩阵主特征向量后归一化）在平方 ℓ2 损失下达到 minimax 下界且首项常数精确匹配，从而在一致估计可行区域内与 MLE、广义幂方法、SDP 等更复杂程序等价。核心机制包括：选取新颖的总体特征向量以在无噪声时实现精确恢复，以及开发新的主特征向量扰动分析工具，证明其一阶近似在 ℓ2 误差下紧致逼近。结果进一步推广至正交群同步化，确立谱方法的 exact minimax optimality。对您有用：此结果直接触及高维谱方法与 minimax 理论的交汇，是随机矩阵扰动界在统计推断中精确刻度的范例。
关键技术: spectral method, minimax lower bound with matching constant, leading eigenvector perturbation analysis, phase synchronization, orthogonal group synchronization, first-order approximation of eigenvector
为什么对您有用: 本文连接到高维统计与随机矩阵理论（RMT）子方向，核心是谱方法在同步化问题的 exact minimax optimality。您武器库中 minimax bounds for estimation problems 与 high-dimensional asymptotics 可直接攻其 minimax 下界匹配的证明口子，而其新 eigenvector perturbation toolkit 则需 moderately_familiar 的 M-estimation / 矩阵扰动理论稍作延伸即可跟进。Follow-up 粗判：立即可做——用 very_familiar 的 minimax 工具验证其下界构造，并审视该扰动分析能否迁移至您熟悉的 inverse problems with random noise 中的谱估计场景。

4. 10.1214/24-aos2418 · arXiv — Leave-one-out singular subspace perturbation analysis for spectral clustering¶

作者: Anderson Y. Zhang, Harrison Y. Zhou
期刊/来源: Annals of Statistics
分类: vol 52 · issue 5
相关性 7/10 · novelty: sharper_rate
摘要: 在子高斯混合模型的谱聚类设定下，目标是建立谱聚类误分类率的精确 entrywise 界，关键假设为较弱的信噪比条件。核心机制是提出一种 leave-one-out 奇异子空间扰动界：对任意矩阵及其 leave-one-column-out 子矩阵，给出两者奇异子空间距离的 novel upper bound，该界比经典 Wedin theorem 更紧、更精细。基于此扰动理论，对谱聚类进行确定性 entrywise 分析，导出子高斯混合模型下误分类率的显式指数衰减率；对等方差高斯混合，该率在比 Löffler et al. (2021) 更弱的 SNR 条件下达到最优。对您有用：leave-one-out 扰动分析是高维统计与 RMT 的核心工具，此界可直接用于您熟悉的高维渐近理论中子空间估计的 minimax 分析。
关键技术: leave-one-out perturbation bound, singular subspace perturbation, spectral clustering, entrywise analysis, sub-Gaussian mixture model, exponential error rate
为什么对您有用: 直接连接您 primary interest 中的 high-dimensional statistics / RMT 子空间扰动理论，leave-one-out 技术是高维渐近与 minimax bound 的核心武器。您 very_familiar 中的 minimax bounds for estimation problems 与 high-dimensional asymptotics 可直接用来检验本文声称的 sharper rate 是否紧，或推广到其他子空间估计问题。立即可做：用您熟悉的 minimax 与高维渐近工具复现并拓展该扰动界到更一般的奇异值设定。

非参数 / 半参数 (nonparam_semipara, 4 篇)¶

1. 10.1214/24-aos2423 · arXiv — Estimating a density near an unknown manifold: A Bayesian nonparametric approach¶

作者: Clément Berenfeld, Paul Rosa, Judith Rousseau
期刊/来源: Annals of Statistics
分类: vol 52 · issue 5
相关性 6/10 · novelty: new_theory
摘要: 在未知子流形的偏移集（offset）上估计数据密度，目标 estimand 为支撑于低维流形附近（偏移宽度可趋于零）的密度函数，关键假设为流形光滑及密度满足新定义的各向异性 Hölder 条件。方法采用基于 location-scale Gaussian mixtures 的贝叶斯非参数程序，利用各向异性自适应先验以区分沿流形切向与法向的光滑度。理论证明后验收敛率在偏移宽度非极小时达到 minimax 最优，且自适应于密度光滑度、流形内在维度与偏移宽度；当偏移趋于零时仍保持合理收敛率。实证显示该 Gibbs-type 混合程序易于实现，对奇异支撑数据表现良好。对您可能有用：该各向异性 Hölder 定义与 minimax 自适应率可直接迁移至您在非参数统计与 minimax bound 方面的工作。
关键技术: Bayesian nonparametric density estimation, location-scale Gaussian mixtures, anisotropic Hölder regularity, posterior contraction rates, minimax adaptive rates, manifold-offset model
为什么对您有用: 直接连接非参数统计与 minimax bound 子方向：本文提出的各向异性 Hölder 定义与 minimax 自适应率结果，可用您 very_familiar 的 minimax bounds 工具验证其声称的 rate 是否紧，并探索偏移宽度极小时的信息-计算 gap。立即可做：用 minimax lower bound 技术复验其收敛率下界；中期可做：若想将此各向异性光滑结构嵌入高维/流形约束下的 semiparametric efficiency bound 问题，需先在 moderately_familiar 的 semiparametric theory 上长肌肉。

2. 10.1214/24-aos2440 · arXiv — Multivariate trend filtering for lattice data¶

作者: Veeranjaneyulu Sadhanala, Yu-Xiang Wang, Addison J. Hu, Ryan J. Tibshirani
期刊/来源: Annals of Statistics
分类: vol 52 · issue 5
相关性 5/10 · novelty: new_theory
摘要: 本文针对d维格点数据提出Kronecker趋势滤波(KTF)，是单变量趋势滤波的多元推广，通过沿每个坐标方向的绝对高阶差分惩罚来估计参数。惩罚算子由单变量趋势滤波惩罚算子的Kronecker积构成，等价于以张量积落因子基(discrete spline)为基函数的l1惩罚回归问题。对于任意阶数k≥0和维度d≥1，论文给出了完整的理论结果，包括KTF在估计异质性光滑函数时优于线性平滑器，并在d=2(k+1)处出现相变——超过该边界后线性平滑器完全不一致。基于离散样条插值结果，还实现了将KTF估计扩展到任意非格点位置的常数时间预测(与格点大小n无关)。该工作统一并扩展了以往的结果，为高维非参数回归提供了新的理论见解。对您而言，本文在非参数回归框架下建立了清晰的结构性光滑理论，其minimax性质和相变结论可直接与您的非参数统计和高维渐近兴趣对接。
关键技术: Kronecker product, trend filtering, discrete spline, tensor product basis, total variation penalization, phase transition
为什么对您有用: 本文属于非参数估计的理论与方法论文，直接连接您的非参数统计兴趣子方向。您武器库中的“非参数统计”和“高维渐近”工具（如minimax下界技术）可直接用于验证其相变结论的紧性，甚至尝试将KTF框架推广到更一般的张量结构或与更高阶U统计量结合。基于当前技术储备，这篇论文的内容可立即可读并用于拓展您在高维非参数回归方面的理论理解。

3. 10.1214/24-aos2399 · arXiv — Optimal policy evaluation using kernel-based temporal difference methods¶

作者: Yaqi Duan, Mengdi Wang, Martin J. Wainwright
期刊/来源: Annals of Statistics
分类: vol 52 · issue 5
相关性 4/10 · novelty: sharper_rate
摘要: 在无限折扣 Markov 奖励过程（MRP）设定下，目标是估计值函数（value function），核心假设仅涉及奖励函数与 population-level kernel LSTD 解的性质，不依赖转移算子结构。方法采用基于 RKHS 的正则化 kernel LSTD 估计，其 population 极限为投影 Bellman 算子的不动点；样本估计归结为求解涉及 kernel 矩阵的线性系统。利用 empirical process theory 推导了 \(L^2(\mu)\)-误差的非渐近上界，显式依赖 kernel 算子特征值与 Bellman 残差方差。同时证明了 minimax 下界，确认 rate 在样本量 \(n\) 与有效视野 \(H\) 上最优。理论揭示 horizon 依赖的实际 scaling 由 kernel、平稳分布与残差方差共同决定，远优于现有 worst-case 的 \(H^3\) 界；仅参数/近参数问题才可能触及 \(H^3\)。对您可能有用：此文的 minimax rate 与 instance-dependent scaling 分析可直接迁移到 longitudinal causal inference 中动态策略评估的 off-policy learning 设定。
关键技术: kernel LSTD, projected Bellman operator fixed point, RKHS eigenvalue decay, empirical process theory, minimax lower bounds, instance-dependent variance
为什么对您有用: 本文直接连接到 causal inference 的 longitudinal / dynamic treatment regime 子方向（值函数估计即 off-policy evaluation）。您武器库中 minimax bounds for estimation problems 与 high-dimensional asymptotics 可直接用来审视其下界紧性，moderately_familiar 的 semiparametric theory 可用于将 RKHS 投影 Bellman 不动点与 semiparametric efficiency bound 做桥接对比。Follow-up 判断：立即可做——用 very_familiar 的 minimax bound 工具验证其声称的 rate 紧性，并尝试将 instance-dependent scaling 推广到带 confounding 的 longitudinal CI 设定。

4. 10.1214/24-aos2432 · arXiv — Quantile processes and their applications in finite populations¶

作者: Anurag Dey, Probal Chaudhuri
期刊/来源: Annals of Statistics
分类: vol 52 · issue 5
相关性 4/10 · novelty: new_theory
摘要: 在有限总体抽样与超总体模型设定下，本文研究基于不同有限总体分位数估计量构建的分位数过程的弱收敛性，关键regularity假设涉及超总体分布的平滑条件与抽样设计的正则性。核心机制是建立分位数过程的渐近理论，进而推导光滑 L-估计量及光滑分位数函数估计量的渐近分布，并据此构建中位数、α-修剪均值、四分位距等参数的置信区间。理论结果揭示了辅助信息的使用在多种抽样设计下可能对估计量性能产生不利影响，甚至使其表现劣于简单随机无替换抽样（SRSWOR）。对您可能有用：本文的分位数过程弱收敛工具与光滑 L-估计量渐近理论可直接服务于非参数/半参数理论兴趣中的分位数推断与 M-估计理论。
关键技术: quantile process weak convergence, smooth L-estimators, superpopulation model, finite population sampling designs, asymptotic distribution of quantile functionals, auxiliary information in survey sampling
为什么对您有用: 直接连接到非参数/半参数理论中的分位数过程与 M-估计渐近性，以及有限总体推断这一经典设定。用 very_familiar 中的非参数统计与 M-估计理论武器可以立刻切入本文的渐近分布推导与辅助信息的负面效应分析，评估其效率损失是否可由半参数效率界刻画。立即可做：用 M-估计理论验证其光滑 L-估计量的渐近正态性条件，并探索辅助信息引入后是否破坏了正则性或效率。

效率理论 / Debiased ML (efficiency_dml, 2 篇)¶

1. 10.1214/24-aos2425 · arXiv — Efficiency in local differential privacy¶

作者: Lukas Steinberger
期刊/来源: Annals of Statistics
分类: vol 52 · issue 5
相关性 9/10 · novelty: new_theory
摘要: 在局部差分隐私（LDP）约束下，研究正则参数模型中参数估计的渐近效率理论。针对独立同分布敏感数据经序列交互式隐私机制扰动后的观测数据，建立沿子序列的局部渐近混合正态性（LAN）性质。该LAN性质直接导出卷积定理和局部渐近极小极大（LAM）下界，刻画了LDP下参数估计的不可克服的精度损失。对于一维参数，证明最优渐近方差等于所有α-LDP边际Markov核所诱导的最大Fisher信息量的倒数。提出算法构造近似最优的隐私机制，并基于扰动数据构造估计量，能渐近达到该最优方差。该工作将经典参数效率理论系统性地扩展到差分隐私框架，为隐私保护下的统计推断提供了理论基准。对您有用：不仅深化效率理论的方向，其极大极小最优性分析与您的minimax bounds武器直接衔接，同时LDP下的信息损失刻画可启发统计-计算权衡研究中隐私约束的建模。
关键技术: local differential privacy, local asymptotic mixed normality, convolution theorem, Fisher information under privacy, minimax optimal estimation, Markov kernel
为什么对您有用: 该论文将您核心兴趣之一的效率理论拓展到差分隐私场景，直接连接效率理论子方向。您非常熟悉minimax bound工具，可立即理解该文的最优性刻画逻辑；但要自行设计隐私机制或扩展至半参数模型，则需在moderately_familiar的半参数理论上发力（例如将参数LAN推广至半参数效率界）。中期可做：先深入学习该文构造隐私机制与最优估计量的具体技巧，再尝试应用到您关注的因果推断或高维问题中的隐私保护估计。

2. 10.1214/24-aos2409 · arXiv — Debiased inverse propensity score weighting for estimation of average treatment effects with high-dimensional confounders¶

作者: Yuhao Wang, Rajen D. Shah
期刊/来源: Annals of Statistics
机构: Tsinghua University · University of Cambridge
分类: vol 52 · issue 5
相关性 9/10 · novelty: new_method
摘要: 在高维混杂观测数据下估计 ATE，本文提出 debiased inverse propensity score weighting (DIPW) 方法；核心设定是 propensity score 服从稀疏 logistic 模型，而回归函数（outcome model）可任意复杂、不可估。DIPW 通过对 IPW 权重的 debiasing 修正实现 n^{-1/2}-consistent 的 ATE 估计，无需对 outcome 做任何稀疏或平滑假设。理论结果表明，允许回归函数不可估的代价体现为方差膨胀：DIPW 的方差相比半参数有效方差界至多膨胀 O(1) 常数倍（在温和条件下）。基于此 n^{-1/2} 收敛性，文中进一步给出了置信区间构造以及异质性处理效应投影的估计扩展。对您有用：本文在 outcome model 完全无假设下仅靠稀疏 propensity 实现 ATE 的 debiased 估计，直接触及 efficiency theory 与高维因果推断的交叉点。
关键技术: debiased inverse propensity score weighting, sparse logistic propensity model, n^{-1/2}-consistent estimation, semiparametric efficiency bound inflation, high-dimensional confounding
为什么对您有用: 本文直接连接 efficiency theory（半参数有效方差界与方差膨胀的量化）与高维因果推断（仅依赖 propensity 稀疏性、outcome 无假设的 ATE 估计）。您可用 minimax bounds 与 semiparametric theory 的 very_familiar 武器验证其声称的 O(1) 方差膨胀界是否紧，或用 moderately_familiar 的 semiparametric theory 探究该 debiased score 是否可嵌入 HOIF 框架以进一步降低方差膨胀。立即可做：用 very_familiar 的高维渐近与 minimax 工具即可动手分析其方差界紧性与有效性的 gap。

数理统计 / 假设检验 (hypothesis_testing, 8 篇)¶

1. 10.1214/24-aos2420 — Testing high-dimensional regression coefficients in linear models¶

作者: Alex Zhao, Changcheng Li, Runze Li, Zhe Zhang
期刊/来源: Annals of Statistics
机构: Pennsylvania State University · Dalian University of Technology
分类: vol 52 · issue 5
相关性 7/10 · novelty: new_method
摘要: 本文研究高维线性模型中回归系数的假设检验问题。提出一个新的检验统计量，利用鞅中心极限定理（martingale CLT）建立其渐近正态性，无需对协方差矩阵进行求逆。与Zhong & Chen (2011)的经典检验进行渐近相对效率（ARE）比较，证明该检验的ARE在局部备择假设下总是大于或等于1。数值模拟表明，基于渐近正态临界值的方法能较好控制第一类错误，并在功效上优于现有方法。此外，通过真实数据示例进一步验证了实用性。对您有用：该工作直接连接您对高维假设检验的兴趣，您可以用熟悉的高维渐近工具分析其收敛速率和有限样本表现。
关键技术: martingale central limit theorem, asymptotic relative efficiency, high-dimensional linear regression, test statistic construction
为什么对您有用: 本文聚焦高维回归系数的假设检验，属于您'hypothesis testing'和'high-dimensional statistics'的核心兴趣。武器库中'high-dimensional asymptotics（very_familiar）'可直接用于解析该检验的渐近行为，并评估其与Zhong-Chen检验的ARE优越性是否紧。中期可做：若想将检验拓展至非参数/半参数设定或引入更高阶U统计量，需先熟悉'HOIF（moderately_familiar）'，此处暂无立即可做的直接入口。

2. 10.1214/24-aos2434 · arXiv — On the existence of powerful p-values and e-values for composite hypotheses¶

作者: Zhenyuan Zhang, Aaditya Ramdas, Ruodu Wang
期刊/来源: Annals of Statistics
分类: vol 52 · issue 5
相关性 7/10 · novelty: new_theory
摘要: 本文研究复合零假设与复合备择假设下，能否构造出精确均匀分布（零假设下）且备择下随机更小的p-value，以及期望恰好为1（零假设下）且备择下对数期望为正的e-value。当这两个假设是概率空间中的凸多面体时，作者证明了此类构造可行的充要条件是备择不落在零假设的线性张成空间中；若允许p-value略大于均匀分布、e-value期望不超过1，则只需假设不相交即可。对于非多面体的一般情形，文章利用最近发展的同步最优传输技术，刻画了有界非平凡e-variable的存在性。一个关键发现是：有时在原始数据过滤中不存在这样的p/e-value，但在某个粗化过滤中却存在，本文提供了这一现象的首个一般刻画，并给出了显式的迭代构造算法。最后讨论了构造复合非负（超）鞅的意义，并提出了若干开放问题。该工作为假设检验的基础理论提供了深刻的存在性条件，与您在假设检验方向的核心兴趣直接相关，值得深入阅读。
关键技术: p-values and e-values, composite hypotheses, simultaneous optimal transport, coarsening the filtration, convex polytopes in probability space
为什么对您有用: 本文直击您主要兴趣中的‘hypothesis testing’子方向，特别是复合假设下p值与e值的存在性理论。虽然不直接使用您非常熟悉的minimax bound或U-statistics，但其数学框架（最优传输、粗化过滤）与您熟练掌握的非参数统计和估计理论有潜在交叉，例如利用minimax论证判定构造的可实现性。该论文为纯理论成果，您作为假设检验的熟悉者，可以立即阅读并吸收其核心结论，无需额外技术准备。

3. 10.1214/24-aos2421 · arXiv — A conformal test of linear models via permutation-augmented regressions¶

作者: Leying Guan
期刊/来源: Annals of Statistics
分类: vol 52 · issue 5
相关性 6/10 · novelty: new_method
摘要: 本文针对线性模型中部分相关系数检验的有限样本I类错误控制问题，提出了基于置换增广回归的共形检验方法PALMRT。该方法将共形预测的思想与置换检验结合，通过对原始数据和置换数据分别进行回归并构建检验统计量，实现了对任意固定设计及任意误差分布下I类错误率不超过2α的严格有限样本控制（α为目标水平）。与传统随机置换检验（如残差置换检验RPT、循环置换检验CPT）相比，PALMRT在保持良好检验功效的同时，无需对样本量或误差分布施加额外假设，且计算简单、易于实现。模拟实验和一项长新冠数据研究验证了其在实际应用中的优越性：PALMRT能够复现t检验多重校正后的显著发现，而CPT和RPT因功效严重损失无法识别任何发现。该方法为线性模型中的变量显著性检验提供了一种稳健、可证且实用的替代方案，与您对假设检验理论与方法的长期关注高度吻合，尤其适用于生物医学等需要严格错误控制的应用场景。
关键技术: permutation test, conformal prediction, type I error control, partial correlation test, residual permutation, finite-sample guarantee
为什么对您有用: 直接关联您‘假设检验’这一核心兴趣：论文为线性模型中的部分相关系数检验提供了首个有限样本下I类错误可严格控制的随机置换方法。您熟悉的‘非参数统计’（very_familiar）中大量使用置换检验，可立即将PALMRT的思路拓展至因果推断中的安慰剂检验或工具变量排除限制检验等场景，属于‘立即可做’的follow-up。此外，论文明确给出了type I error上界2α，您可用‘minimax bound’工具分析该界是否可改进至α，从而完善其理论紧性。

4. 10.1214/24-aos2433 — A new test for high-dimensional two-sample mean problems with consideration of correlation structure¶

作者: Songshan Yang, Shurong Zheng, Runze Li
期刊/来源: Annals of Statistics
机构: Renmin University of China · Northeast Normal University · Pennsylvania State University
分类: vol 52 · issue 5
相关性 6/10 · novelty: sharper_rate
摘要: 本文考虑高维两样本均值检验问题，假设数据精度矩阵具有线性结构（即可以表示为若干已知基矩阵的线性组合），以利用变量间的相关性提高检验功效。首先提出一种基于线性结构的精度矩阵估计方法，并采用正则化选择真正的基矩阵并剔除无关基矩阵。在此基础上，利用估计的精度矩阵替代样本协方差矩阵的逆，构造了一个新的Hotelling型检验统计量。该统计量适用于低维和高维情形，且允许维度超过样本量。推导了在原假设和局部备择假设下的渐近零分布和渐近功效函数，证明精度矩阵的估计误差不影响渐近功效。与经典Hotelling检验相比，当维度与样本量之比趋近于1时，新检验的渐近相对效率趋于无穷。模拟和实证表明，所提正则化方法能有效剔除无关基矩阵，且在变量方差不相等时检验效果优于现有方法。该工作对您在high-dimensional hypothesis testing（如高维均值检验）的子方向有直接参考价值，其利用稀疏/结构化协方差估计提升功效的思路也可迁移到您熟悉的高维渐近理论中。
关键技术: precision matrix estimation with linear structure, regularization for basis matrix selection, Hotelling-type test via estimated precision matrix, asymptotic null distribution under high dimension, asymptotic relative efficiency
为什么对您有用: ① 本文直接对应您主兴趣中的高维假设检验（hypothesis testing）子方向，具体涉及高维两样本均值检验的渐近理论，与您very_familiar中的高维渐近（high-dimensional asymptotics）完全匹配。② 您的technical_arsenal中very_familiar包含high-dimensional asymptotics，可直接用于验证其渐近功效的紧致性，或推广到其他协方差结构（如banded/toeplitz）。③ 立即可做：您可以用非常熟悉的高维渐近工具（如随机矩阵理论、集中不等式）研究该检验在更一般的协方差结构下的行为，或者将线性结构假设放松为稀疏结构。

5. 10.1214/24-aos2438 · arXiv — A nonparametric test for elliptical distribution based on kernel embedding of probabilities¶

作者: Yin Tang, Bing Li
期刊/来源: Annals of Statistics
分类: vol 52 · issue 5
相关性 5/10 · novelty: new_method
摘要: 在椭圆分布假设检验设定下，目标是检验经中心化与重缩放后随机向量的方向与长度独立且方向向量在单位球面上均匀分布。本文基于 kernel embedding of probabilities 构造非参数检验统计量，将椭圆分布的两个特征性质嵌入 RKHS 距离中。通过 von-Mises expansion 推导检验统计量的渐近分布，并给出样本级拒绝域确定程序，证明了检验的 consistency 与 validity。进一步建立检验统计量的 concentration bounds，允许维度随样本量增长，证明了高维设定下的一致性。模拟与 SENIC 数据集应用验证了方法实用性。对您有用：该检验的 von-Mises expansion 与 concentration bound 技术路线可直接迁移至您关注的非参数假设检验与高维渐近理论。
关键技术: kernel embedding of probabilities, von-Mises expansion, RKHS distance, concentration bounds, high-dimensional consistency, nonparametric goodness-of-fit test
为什么对您有用: 本文直接连接到您 primary interest 中的 mathematical statistics (hypothesis testing) 与 high-dimensional statistics：它用 von-Mises expansion（即 influence function 的 V-statistic 展开）推导渐近分布，这是您 moderately_familiar 的 HOIF 与 semiparametric theory 的核心工具，且高维 concentration bound 的推导与您 very_familiar 的高维渐近与 minimax bound 直接对接。用您 very_familiar 的高维渐近工具可以立刻审视其 concentration bound 的紧性，并评估其高维一致性条件是否可进一步弱化；立即可做：用 minimax bound 验证其声称的高维 consistency rate 是否紧，或用 HOIF 视角审视其 von-Mises expansion 的更高阶修正潜力。

6. 10.1214/24-aos2385 · arXiv — Joint sequential detection and isolation for dependent data streams¶

作者: Anamitra Chaudhuri, Georgios Fellouris
期刊/来源: Annals of Statistics
分类: vol 52 · issue 5
相关性 4/10 · novelty: new_theory
摘要: 在多相依数据流设定下，研究联合序贯检测与隔离问题；目标是在控制四种错误概率（检测与隔离各两种）低于用户指定水平的前提下，最小化期望停止时间（stopping time）。提出多重检验框架，每个假设对应不同数据流子集，样本量取为观测的停时。理论贡献在于将最优期望样本量刻画到误差概率趋于0时的 first-order asymptotic approximation，并区分了检测与隔离任务不同优先级的若干渐近 regime。方法上提出一族新颖的序贯检验：对每个假设分别计算两个统计量（分别针对检测与隔离），不同计算复杂度的检验在不同设定下被证明渐近最优。最后将一般理论应用于异常相依数据流的检测与隔离，以及未知相依结构的检测与隔离。
关键技术: sequential multiple testing, stopping time optimization, first-order asymptotic approximation, detection-isolation decomposition, dependent data streams, asymptotic optimality
为什么对您有用: 直接连接到 primary interest 中的 hypothesis testing 子方向，特别是序贯检验与多重检验的渐近最优性刻画。用 technical_arsenal 中 very_familiar 的 minimax bounds 工具可以审视其 first-order approximation 是否紧，或用 moderately_familiar 的 M-estimation theory 分析其停时估计的渐近性质。中期可做：需先在 moderately_familiar 的 M-estimation theory 上长肌肉，以深入其停时最优性的严格证明细节。

7. 10.1214/24-aos2439 · arXiv — Simultaneous statistical inference for second order parameters of time series under weak conditions¶

作者: Yunyi Zhang, Efstathios Paparoditis, Dimitris N. Politis
期刊/来源: Annals of Statistics
分类: vol 52 · issue 5
相关性 4/10 · novelty: weaker_assumption
摘要: 在弱平稳时间序列设定下，本文研究样本自协方差/自相关系数及AR模型系数估计量的极大值的渐近分布，目标参数为二阶参数集合，核心假设仅为弱平稳而非严格平稳。方法上，利用Gaussian approximation技术推导极大值的渐近分布，并提出second-order wild bootstrap算法进行同时统计推断，证明了其一致性。与现有bootstrap方法不同，该方法不需要严格平稳或线性结构假设，显著放松了条件。模拟表明有限样本表现良好。对您可能有用：该工作在弱条件下实现了二阶参数的同时推断，其Gaussian approximation与bootstrap一致性证明技术可迁移至您关注的hypothesis testing与semiparametric理论。
关键技术: Gaussian approximation for maxima, second-order wild bootstrap, weak stationarity assumption, simultaneous statistical inference, autoregressive coefficient estimation
为什么对您有用: 本文直接关联您primary interest中的mathematical statistics (hypothesis testing)子方向，在弱平稳条件下做二阶参数的simultaneous inference，放松了传统严格平稳假设。您武器库中very_familiar的high-dimensional asymptotics与minimax bounds可直接用来审视其Gaussian approximation的收敛率是否可达最优；moderately_familiar的M-estimation theory可用来分析其AR系数估计量的渐近性质。Follow-up判断：立即可做——用您熟悉的high-dim asymptotics工具即可切入，验证其Gaussian approximation在更一般依赖结构下的sharpness。

8. 10.1214/24-aos2436 — Gaussian approximation for nonstationary time series with optimal rate and explicit construction¶

作者: Soham Bonnerjee, Sayar Karmakar, Wei Biao Wu
期刊/来源: Annals of Statistics
机构: University of Chicago · University of Florida
分类: vol 52 · issue 5
相关性 3/10 · novelty: new_method
摘要: 本文研究非平稳时间序列的高斯逼近问题，旨在获得最优收敛速率并给出显式构造，以弥补现有结果仅存在性证明的不足。作者提出了两条构造路径：第一条理论性更强，利用物理相依性（physical dependence）刻画非平稳过程的弱相依结构；第二条实际可操作，结合分块技巧和光滑化方法，可直接用于推断。两种构造均适用于一大类非平稳时间序列，并且在最优速率意义下是紧的。基于所建高斯逼近，文章进一步推导了变点检测和同时推断的理论性质，在非平稳误差下仍保持有效。数值模拟和真实数据分析验证了方法的实用性。该结果对假设检验理论有直接贡献，尤其在时间序列中非平稳误差下的推断问题，连接了您的primary interest 'hypothesis testing'。
关键技术: Gaussian approximation, optimal convergence rate, physical dependence measure, nonstationary time series, change-point detection, simultaneous inference
为什么对您有用: 本文属于假设检验理论的核心工具——高斯逼近，直接对应您primary interest中的hypothesis testing。您武器库中'nonparametric statistics'和'high-dimensional asymptotics'可帮助理解最优速率背后的渐近论证，但物理相依性度量不是您当前熟悉的工具，因此中期可做：需要先在physical dependence measure上提升熟悉度，之后可将显式构造推广至更复杂的相依设定（如面板数据或高维时间序列）。

统计计算 / 算法 (stat_computing, 2 篇)¶

1. 10.1214/24-aos2441 · arXiv — Computational and statistical thresholds in multi-layer stochastic block models¶

作者: Jing Lei, Anru R. Zhang, Zihan Zhu
期刊/来源: Annals of Statistics
分类: vol 52 · issue 5
相关性 9/10 · novelty: new_theory
摘要: 本文研究多层随机块模型（multi-layer SBM）中的社区恢复与检测问题，重点关注网络密度阈值对一致推断的影响。在无计算约束时，密度阈值随层数L线性下降；但若限制为多项式时间算法，在低度多项式硬度猜想下，该阈值仅随L的平方根下降，揭示了多层设定中特有的计算-统计差距。方法核心是对偏差校正谱方法的最优性分析，并利用低度多项式障碍证明计算下界。理论结果几乎刻画了多层SBM的最优推断，部分解决了Lei & Lin (2022)的开放问题。对您而言，本文直接触及您感兴趣的统计-计算权衡主题，提供了一个清晰、精确的阈值对比案例，有助于理解信息-计算差距的现实表现。
关键技术: low-degree polynomial hardness, spectral method, community detection, multi-layer stochastic block model, computational barrier, minimax rate
为什么对您有用: 1) 直接对应您primary interest中的“统计-计算权衡（信息-计算差距）”，具体是多层网络社区检测这一经典检验平台。2) 您非常熟悉的高维渐近理论与最小化最大界技术可用于验证本文所声称的阈值（线性vs平方根）是否为最优，并对比已有的单层结果。3) 暂不可做：核心工具（低度多项式障碍、SoS层级）目前不在您的武器库中，需要系统学习该学派的形式化框架后才能展开实质性延伸工作；但本文作为Annals论文，引言与方法概述较为清晰，适合作为gateway reading。

2. 10.1214/24-aos2437 · arXiv — Computational lower bounds for graphon estimation via low-degree polynomials¶

作者: Yuetian Luo, Chao Gao
期刊/来源: Annals of Statistics
分类: vol 52 · issue 5
相关性 8/10 · novelty: new_theory
摘要: 在 graphon 估计与随机块模型（SBM）设定下，目标是揭示统计最优率与多项式时间可达率之间的信息-计算间隙。统计 minimax 率由约束最小二乘达到但计算复杂度指数级；已知最优多项式时间估计器 USVT 的收敛率远慢于 minimax 率。本文利用低阶多项式（low-degree polynomial）框架证明：在 SBM 与非参 graphon 估计中，低阶多项式估计器的误差率不能显著优于 USVT 所达率，从而为计算屏障提供了严格证据。技术核心是将 Schramm & Weinberger (2022) 的低阶方法适配到 graphon 的依赖结构，克服了邻接矩阵条目间非独立带来的矩计算挑战。对您而言，这是理解低阶多项式屏障如何作用于经典统计模型（而非 planted 子图等典型计算复杂度模型）的绝佳入口。
关键技术: low-degree polynomial method, graphon estimation, stochastic block model, universal singular value thresholding (USVT), computational lower bounds, Kesten-Stigum threshold
为什么对您有用: 本文直接连接到您 primary interest 中的 stat-computational tradeoff / low-degree polynomial barrier 子方向，且是 outsider gateway reading 的上佳选择：它处理的不是 planted clique 等典型平均-case 硬度模型，而是您 very_familiar 的 minimax estimation 与高维渐近中的经典问题（graphon/SBM），信号阈值与间隙表述精确、证明策略对 stats reader 可读。您可用 very_familiar 的 minimax bound 与 high-dimensional asymptotics 武器验证其声称的 USVT 率是否紧，并思考如何用 moderately_familiar 的 HOIF / higher-order U-stat 视角刻画多项式估计器的阶-率权衡。Follow-up 判断：中期可做——需先在 moderately_familiar 的低阶多项式框架上长肌肉（掌握其矩计算与正交性论证），但核心统计设定已在武器库内。

Maintained by 陈星宇 · Homepage · Source on GitHub