Biometrika — Vol 109 Issue 4 · 2026-06-20¶

共 19 篇 · Biometrika
目录核对 ✅ 19 篇全部抓到（对照 OpenAlex 20 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。

Biometrika Vol 109 Issue 4 的 19 篇论文可归纳为四条主线：因果识别与干扰效应（4 篇——敏感性分析、多中介分解、网络治疗效应、干扰下平均效应）、高维假设检验与选择后推断（4 篇——典型相关显著性、Behrens–Fisher 随机化检验、knockoff 的 BH 调整、众数的可 elicitability）、非参数 / 半参数框架扩展（6 篇——分布间回归、Fréchet 充分降维、图形高斯过程、随机森林 MDA 不一致性、函数混合因子回归、二维 Wishart 预测）、高维与计算（4 篇——过参数化线性回归的隐式正则化、稀疏协方差估计的近端距离算法、全局随机优化粒子滤波、通信受限粒子滤波）。

因果推断主线最为集中。敏感性分析（Sensitivity analysis for unmeasured confounding）将偏离条件可交换性量化为两个偏倚参数的网格化变化，不依赖未测量混杂分布；多中介分解（Decomposition, identification and multiply robust estimation）提出退出间接效应与交互项，并给出四重稳健估计；网络治疗效应（Efficient semiparametric estimation of network treatment effects）利用部分干扰结构分解似然和 Neyman 正交得分，证明了已有估计量的局部有效性；干扰下平均效应（Average direct and indirect causal effects under interference）给出非参数间接效应定义，建立与 Bernoulli 试验的政策效果间的等式关系。这四篇文章共同推进了干扰 / 多中介场景下因果效应的识别、分解与有效估计。

高维假设检验与半参数方法构成另一条密集主线。假设检验方面：高维典型相关（Significance testing for canonical correlation）设计单步估计量和贪心搜索以构建后选择推断；高维两样本 Behrens–Fisher（Approximate randomization test）不要求协方差谱条件并给出随机化统计量的渐近分布；knockoff 辅助变量选择（Adjusting the Benjamini–Hochberg method）通过调整 BH 阈值实现 FDR 控制，无需已知相关结构；众数（Is the mode elicitable）证明即使在强单峰分布类中也不可 elicit，强化了基础性结果。半参数 / 非参数方面：分布间回归（Distribution-on-distribution regression）利用最优传输映射估计 Fréchet 均值；Fréchet 充分降维（Fréchet sufficient dimension reduction）将逆回归集成推广至随机对象；图形高斯过程（Graphical Gaussian process）通过 stitching 构造 cross-covariance 实现过程级条件独立；随机森林 MDA（Mean decrease accuracy for random forests）揭示了不一致性并给出 Sobol 指数修正；函数混合因子回归（Functional hybrid factor regression）以未知潜在因子处理异质性，结合 FDA 与因子模型谱方法。计算方面的高维线性回归（High-dimensional linear regression via implicit regularization）以过参数化梯度下降配合早期停止达到近稀疏 rate-optimal 解，与 Lasso 等显式正则化形成对比；稀疏协方差估计（A proximal distance algorithm）利用 MM 原理避免非必要收缩；粒子滤波两项（Global stochastic optimization particle filter, Particle filter efficiency under limited communication）分别从全局优化和通信效率角度改进 SMC。

因果推断与半参数效率方向最贴的论文是四篇因果文章（敏感性分析、多中介分解、网络治疗效应、干扰下平均效应）；高维方向最贴的包括高维线性回归隐式正则、高维典型相关检验、Behrens–Fisher 随机化检验、knockoff 的 BH 调整以及 Sobol-MDA。

因果推断 (causal_inference, 4 篇)¶

1. 10.1093/biomet/asac018 — Sensitivity analysis for unmeasured confounding in the estimation of marginal causal effects¶

作者: I Ciocănea-Teodorescu, E E Gabriel, A Sjölander
期刊/来源: Biometrika
机构: Karolinska Institutet · University of Copenhagen
分类: vol 109 · issue 4 · pp 1101-1116
相关性 9/10 · novelty: new_method
摘要: 本文针对观察性研究中未测量混杂对边际因果效应估计的威胁，提出一套易于应用且假设宽松的敏感性分析方法。聚焦于二元结局和二元暴露设定，目标估计量为边际因果效应（如ATE），关键识别假设为条件可交换性（无未测量混杂）。现有敏感性分析方法或对未测量混杂施加强结构假设，或难以扩展至高维测量混杂；本文通过暴露水平内的标准化框架，将偏离条件可交换性量化为两个参数的网格化变化，不依赖未测量混杂的具体分布形式。方法的核心机制是：在给定暴露水平下，通过调节两个偏倚参数（分别反映未测量混杂与暴露和结局的关联强度）来构造一组可能的因果效应估计值，从而量化对结论的敏感性。作者提出三种估计策略：基于模型的标准估计、逆概率加权和双重稳健估计，均可结合任意复杂度的测量混杂（如高维协变量）。模拟和实例分析表明该方法对未测量混杂类型不敏感，且计算简便、结果直观。该工作直接连接到您的primary interest中因果推断的敏感性分析子方向，且您对估计理论（estimation theory in causal inference）的熟悉程度足以快速理解并评估其估计量性质。
关键技术: sensitivity analysis via standardization within exposure levels, two-parameter sensitivity grid, conditional exchangeability deviation quantification, binary outcome binary exposure, inverse probability weighting, doubly robust estimation
为什么对您有用: 本文属于因果推断中敏感性分析的核心方法，直接对应您primary interest中的'sensitivity analysis'子方向。您very_familiar工具中的'estimation theory in causal inference'可以立即用于评估其三种估计量的有限样本性质或扩展至连续结局。此外，该方法的识别假设框架与您moderately_familiar的'identification theory in causal inference'高度关联，可进一步探讨更弱假设下的推广。立即可做：直接实现其估计方法并测试在您现有因果推断软件中的兼容性。

2. 10.1093/biomet/asac004 — Decomposition, identification and multiply robust estimation of natural mediation effects with multiple mediators¶

作者: Fan Xia, Kwun Chuen Gary Chan
期刊/来源: Biometrika
机构: University of Washington
分类: vol 109 · issue 4 · pp 1085-1100
相关性 9/10 · novelty: new_method
摘要: 本论文研究多个中介变量（multiple mediators）下自然中介效应（natural mediation effects）的分解、识别与估计。作者提出将多个中介变量的自然间接效应分解为单个中介的退出间接效应（exit indirect effects）和一个剩余交互项，并对比了与现有自然效应和干预效应的异同。基于一组识别假设，推导了所有效应分量的半参数效率界（semiparametric efficiency bounds）。其有效影响函数中包含变分依赖的条件密度，这可能导致模型不兼容；通过基于copula的重参数化确保模型兼容性，构造的四重稳健（quadruply robust）估计量在四种可能的模型误设下仍保持相合性与渐近正态性，且局部半参数有效。还提出了稳定化的四重稳健估计量和基于样本分裂的非参数扩展以改进实际表现。该方法为多中介因果机制研究提供了严格的识别与推断框架，对您的中介分析（causal inference 子方向）和半参数理论（moderately familiar）有直接参考价值。
关键技术: natural mediation effects, multiple mediators, quadruply robust estimation, semiparametric efficiency bounds, efficient influence functions, copula reparameterization, sample splitting
为什么对您有用: 本文直接关联到您 primary interest 中的因果推断（中介分析）方向，特别是在多中介设定下处理识别与多重稳健估计。其四重稳健估计量依赖于 copula 重参数化来保证模型兼容性，这正是您 moderately_familiar 中的半参数理论和识别理论的延伸应用。follow-up 粗判：中期可做——您需要先在 moderately_familiar 的“半参数理论”和“因果推断的识别理论”上长肌肉（特别是多重稳健估计的兼容性条件和 copula 建模），才能深入探索本文方法的扩展或应用于纵向数据。

3. 10.1093/biomet/asac009 · arXiv — Efficient semiparametric estimation of network treatment effects under partial interference¶

作者: C Park, H Kang
期刊/来源: Biometrika
分类: vol 109 · issue 4 · pp 1015-1031
相关性 9/10 · novelty: new_theory
摘要: 本文研究部分干扰假设下网络治疗效应的半参数有效估计问题。作者提出一个简单而灵活的渐近框架，用于推导家庭网络因果效应（如直接效应和溢出效应）的有效影响函数和半参数效率下界。关键技术工具包括通过部分干扰结构分解似然，以及利用条件期望的Neyman正交得分。重要推论是Liu等人(2019)的现有估计量是局部有效的，即达到半参数效率下界。文中还提出了其他有效估计量，讨论了自适应估计，允许在不同子网间借用信息以提高效率。通过哥伦比亚有条件现金转移计划的数据，展示了方法在实际直接效应和溢出效应估计中的应用。该论文直接连接您的因果推断与效率理论兴趣，特别是在网络干扰场景下，您的半参数理论和因果推断估计工具可以立即用于理解其效率和扩展方向。
关键技术: efficient influence function, semiparametric efficiency bound, partial interference, network treatment effects, adaptive estimation, Neyman orthogonality
为什么对您有用: 本文直接对应您的primary interest中因果推断与效率理论的交叉，具体是部分干扰下的网络因果效应识别与有效估计。您的very_familiar武器库中非参数统计和因果推断估计理论可直接用于理解文章的框架；moderately_familiar中的半参数理论正是本文核心，通过研读此文可进一步强化该工具。立即可做：您可以基于本文效率框架，尝试将网络干扰设定与您的其他因果推断主题（如proximal CI或IV）结合，或使用高阶U统计量分析估计量的方差结构。

4. 10.1093/biomet/asac008 · arXiv — Average direct and indirect causal effects under interference¶

作者: Yuchen Hu, Shuangning Li, Stefan Wager
期刊/来源: Biometrika
分类: vol 109 · issue 4 · pp 1165-1172
相关性 8/10 · novelty: new_theory
摘要: 在存在跨单元干扰（interference）的潜在结果模型下，该论文提出了二元处理平均间接效应（average indirect effect）的非参数定义。该定义与平均直接效应的标准定义类似，无需通过多个随机实验的对比即可表达。论文证明，在 Bernoulli 试验中，平均直接效应与间接效应之和恰好等于微增处理概率的政策干预效果。它还考察了多种参数干扰模型，并说明该非参数间接效应在这些模型中仍是自然的估计目标。该工作为干扰场景下的因果效应分解提供了理论框架，可直接用于后续非参数识别和估计方法的设计。
关键技术: potential outcomes, interference, direct effect, indirect effect, Bernoulli trial, policy intervention
为什么对您有用: 本文聚焦于因果推断中干扰下的效应分解，直接对应您的主要兴趣子方向（干扰下的因果效应识别与估计）。借助您非常熟悉的非参数统计和因果推断估计理论，可以立即基于该定义设计非参数估计量并推导其渐近性质，属于立即可做的 follow-up。

高维统计 / 随机矩阵 (high_dim_rmt, 1 篇)¶

1. 10.1093/biomet/asac010 · arXiv — High-dimensional linear regression via implicit regularization¶

作者: Peng Zhao, Yun Yang, Qiao-Chu He
期刊/来源: Biometrika
分类: vol 109 · issue 4 · pp 1033-1046
相关性 8/10 · novelty: new_theory
摘要: 在过参数化高维线性回归设定下，目标是估计稀疏参数向量，关键假设为 restricted isometry property (RIP) 与小初始化。本文提出一类由离散梯度动力系统隐式定义的估计器：对残差平方和直接做梯度下降，配合适当的 early stopping，迭代轨迹收敛至近稀疏的 rate-optimal 解。核心机制在于过参数化带来的 implicit regularization 避免了显式惩罚项引入的额外偏差；当信噪比足够高时，估计器可达到参数级 root-n 收敛率。理论证明依赖 RIP 条件与梯度迭代轨迹的偏差-方差分解控制，模拟对比显示其优于 Lasso 等显式正则化方法。对您可能有用：此文的 implicit regularization 视角为高维估计的 bias-variance tradeoff 提供了新切入点，与您的高维渐近理论及 minimax bound 工具直接相关。
关键技术: implicit regularization, gradient descent dynamics, early stopping, restricted isometry property, overparameterized linear regression, minimax rate-optimal estimation
为什么对您有用: 本文直接连接高维统计与过参数化估计的 minimax rate 问题，属于您的高维渐近理论 primary interest。您可用 minimax bound 工具验证其声称的 rate-optimal 与 root-n rate 是否紧，或用 higher-order U-stat / treewidth 视角分析梯度迭代中多项式统计量的计算代价。立即可做：用 very_familiar 的高维 minimax 理论审视其收敛率与 RIP 条件的紧性。

非参数 / 半参数 (nonparam_semipara, 6 篇)¶

1. 10.1093/biomet/asac026 · arXiv — Scalable and accurate variational Bayes for high-dimensional binary regression models¶

作者: Augusto Fasano, Daniele Durante, Giacomo Zanella
期刊/来源: Biometrika
分类: vol 109 · issue 4 · pp 901-919
相关性 8/10 · novelty: new_theory
摘要: 在高维 probit 回归（Gaussian prior）设定下，研究 mean-field variational Bayes (MFVB) 在不确定性量化、点估计与预测中的病理行为，并提出改进方案。核心发现是 MFVB 在 p→∞ 时无法收敛到精确后验，导致估计与推断严重失真。作者提出一种 partial factorization 变分近似，仅对局部变量（augmented latent variables）做因子化假设，保留全局变量的联合结构。理论证明该近似属于 tractable 的 unified skew-normal (SUN) 密度族，关键地捕捉了后验偏度，且在 p→∞ 时收敛到精确后验。配套的 CAVI 算法可扩展至 p 数万级别，且迭代次数在 p→∞ 时收敛至 1。对您而言，本文提供了高维非 Gaussian 回归下变分推断收敛率的精确刻画，与 semiparametric / high-dimensional asymptotics 的效率理论视角形成对照。
关键技术: mean-field variational Bayes, partially factorized variational approximation, unified skew-normal distribution, coordinate ascent variational inference, high-dimensional probit regression, asymptotic convergence of variational approximation
为什么对您有用: 本文连接到 semiparametric / nonparametric theory 与 high-dimensional asymptotics 子方向：它精确刻画了 MFVB 在 p→∞ 下的非收敛病理，并给出 SUN 密度近似的收敛率，这为评估高维 Bayesian 推断的效率损失提供了具体数学框架。用您 very_familiar 的 minimax bounds 与 high-dimensional asymptotics 武器，可以审视其声称的 p→∞ 收敛率是否紧、是否可进一步给出有限 p 下的 rate——立即可做。

2. 10.1093/biomet/asac005 · arXiv — Distribution-on-distribution regression via optimal transport maps¶

作者: Laya Ghodrati, Victor M Panaretos
期刊/来源: Biometrika
分类: vol 109 · issue 4 · pp 957-974
相关性 8/10 · novelty: new_method
摘要: 在响应与协变量均为紧区间上概率分布的 distribution-on-distribution 回归设定下，目标是估计连接条件 Fréchet 均值与协变量的最优传输映射（optimal transport map）。作者提出 Fréchet 最小二乘估计量，在完全与部分观测情形下均证明了其一致性并给出了收敛速率。估计量的计算可归结为标准凸优化问题，实现简便。理论分析依托于 Wasserstein 空间的 Fréchet 回归框架与最优传输映射的连续性/可逆性假设。主要结果给出了非参数收敛速率，对您可能有用：此框架为分布对象间的因果/回归建模提供了新视角，其 Fréchet 估计量的收敛速率分析可直接与您熟悉的 minimax rate 工具对接。
关键技术: optimal transport map, Fréchet regression, Wasserstein space, Fréchet-least-squares estimator, convex optimization, convergence rate
为什么对您有用: 本文连接到非参数理论（nonparametric theory）与统计计算（statistical computing）子方向：Fréchet 回归在 Wasserstein 空间上的收敛速率分析，可用您 very_familiar 的 minimax bounds 工具检验其速率是否紧；凸优化计算部分与您 statistical computing 兴趣吻合。Follow-up 判断：中期可做——需先在 moderately_familiar 的 M-estimation theory 上长肌肉，以严格推导 Fréchet 目标函数的 M-estimator 渐近分布与 semiparametric efficiency bound，当前武器库缺 Wasserstein 空间上 M-estimator 的 influence function 推导经验。

3. 10.1093/biomet/asac012 · arXiv — Fréchet sufficient dimension reduction for random objects¶

作者: Chao Ying, Zhou Yu
期刊/来源: Biometrika
分类: vol 109 · issue 4 · pp 975-992
相关性 7/10 · novelty: new_method
摘要: 本文针对响应变量为度量空间中的复杂随机对象（如分布、流形值数据）且协变量为高维欧几里得向量的设定，提出了 Fréchet 充分降维框架。在线性降维假设下，作者发展了加权逆回归集成（weighted inverse regression ensemble）方法，通过组合多个逆回归方向来估计中心降维子空间。为处理非线性结构，该方法进一步被推广为基于再生核希尔伯特空间（RKHS）的算子形式，实现非线性 Fréchet 充分降维。理论方面，文章建立了估计量的相合性和渐近正态性，推导了收敛速率。模拟研究表明所提方法在有限样本下表现良好，真实数据应用（手写数字辨识和情感面部数据）展示了其实用价值。该工作将经典充分降维从欧几里得响应推广到一般度量空间，为非参数降维工具箱增添了新成员。对于您熟悉的非参数理论与高维统计兴趣，本文提供了一种可立即消化的新框架，其加权逆回归集成思路可结合您掌握的核方法与渐近分析进一步深入。
关键技术: Fréchet sufficient dimension reduction, weighted inverse regression ensemble, reproducing kernel Hilbert space, inverse regression, metric space valued responses
为什么对您有用: 本文直接关联您的主要兴趣——非参数/半参数理论和高维统计，尤其是降维方法。您武器库中的非参数统计（核方法、渐近理论）和高维渐近分析恰好是理解该文证明核心的工具，读后可立即考虑将该加权集成思路与您熟悉的高阶 U-统计或树宽张量方法结合，用于更复杂响应类型的降维问题。立即可做：用非参数统计和渐近理论工具即可完全消化本文的理论与方法。

4. 10.1093/biomet/asab061 · arXiv — Graphical Gaussian process models for highly multivariate spatial data¶

作者: Debangan Dey, Abhirup Datta, Sudipto Banerjee
期刊/来源: Biometrika
分类: vol 109 · issue 4 · pp 993-1014
相关性 5/10 · novelty: new_method
摘要: 在高维多变量空间 Gaussian process 设定下，传统 cross-covariance 函数（如 multivariate Matérn）参数与浮点运算量随变量数呈二次/三次增长，且未利用变量间图结构保证过程级条件独立。本文提出 graphical Gaussian process，通过 stitching 构造法从 decomposable graph 生成 cross-covariance，确保图指定的过程级条件独立性；对 Matérn 族，stitching 生成的新 GP 各边际仍为 Matérn GP。在 decomposable graph 假设下，stitching 实现参数维度与计算量的大幅缩减（利用图分解的 block 结构）。模拟与空气污染数据实证验证了 graphical Matérn GP 的可用性。对您有用：stitching 构造利用图结构降维/降算的思路，与您用 treewidth/tensor contraction 分析高阶 U-statistic 计算复杂度的视角有结构相似性。
关键技术: graphical Gaussian process, stitching construction, multivariate Matérn covariance, process-level conditional independence, decomposable graph, spatial cross-covariance
为什么对您有用: 本文核心是利用 decomposable graph 结构对多变量 GP 的参数与计算复杂度进行降维，这与您用 treewidth/tensor contraction 分析高阶 U-statistic 计算复杂度的技术 arsenal（very_familiar）在'图结构约束计算代价'这一逻辑上高度同构。您可尝试用 einsum/tensor contraction 视角重新审视 stitching 构造中 covariance matrix 的 block Cholesky 或 KL 展开，看是否能给出更紧的算力界。立即可做：用 very_familiar 的 treewidth/einsum 工具分析 decomposable graph 下 stitching GP 的浮点运算复杂度下界。

5. 10.1093/biomet/asac017 — Mean decrease accuracy for random forests: inconsistency, and a practical solution via the Sobol-MDA¶

作者: Clément Bénard, Sébastien Da Veiga, Erwan Scornet
期刊/来源: Biometrika
机构: Safran (France) · École Polytechnique
分类: vol 109 · issue 4 · pp 881-900
相关性 4/10 · novelty: new_theory
摘要: 在随机森林变量重要性分析设定下，本文严格形式化了主流软件中 Mean Decrease Accuracy (MDA) 的多种实现算法，并研究其大样本性质。理论分析表明，不同 MDA 版本收敛到不同极限量；作者将极限量分解为三项，前两项对应 Sobol 指数（衡量协变量对响应方差的贡献），第三项随协变量间依赖性增大而膨胀。这从理论上证明了 MDA 在协变量相依时无法正确识别有影响力的变量。为修正此缺陷，作者提出 Sobol-MDA，它一致地估计了剔除某协变量后重新训练森林的精度下降，且计算成本可控。实证显示 Sobol-MDA 在变量选择上优于现有方法。对您可能有用：本文将非参数随机森林的重要性度量与全局敏感性分析（Sobol 指数）桥接，其极限量分解技术可迁移到其他非参数/半参数设定中分析估计量的偏差来源。
关键技术: Mean Decrease Accuracy (MDA), Sobol indices, asymptotic limit decomposition, random forest variable importance, Sobol-MDA
为什么对您有用: 本文连接了非参数随机森林与全局敏感性分析（Sobol 指数），属于 nonparametric theory 的具体应用；其将 MDA 极限量分解为 Sobol 指数项与依赖性偏差项的手法，与您熟悉的 minimax bounds 和 M-estimation theory 中分析偏差-方差分解的思路同构。用您 very_familiar 的 nonparametric statistics 与 moderately_familiar 的 M-estimation theory，可以审视其极限量分解是否可推广至其他非参数估计器（如 sieve / kernel M-estimator）的重要性度量——立即可做。

6. 10.1093/biomet/asac007 — Functional hybrid factor regression model for handling heterogeneity in imaging studies¶

作者: C Huang, H Zhu
期刊/来源: Biometrika
机构: Florida State University · Woodward (United States) · University of North Carolina at Chapel Hill
分类: vol 109 · issue 4 · pp 1133-1148
相关性 4/10 · novelty: new_method
摘要: 在多中心/多研究影像数据整合分析中，由于环境、人群与协议差异导致的异质性，本文提出 functional hybrid factor regression model (FHFRM) 来处理未观测混杂因子。模型将异质性来源参数化为未知的潜在因子，目标是在部分参数未识别的半参数设定下实现主效应的估计与潜在因子的检测。核心估计与推断程序结合了 functional data analysis 与 factor model 的谱方法，系统证明了估计量的渐近性质（一致性、收敛率）及因子检测推断的渐近分布。Monte Carlo 模拟与 ADNI 海马表面数据实证验证了方法的有效性。对您可能有用：本文的半参数因子回归框架与潜在因子检测，为处理因果推断中未观测混杂（如 proximal CI 的 negative control 设定）提供了可借鉴的异质性建模与推断思路。
关键技术: functional factor model, spectral estimation, latent factor detection, semiparametric inference, integrative multi-center analysis
为什么对您有用: 本文连接到因果推断中未观测混杂/异质性处理（proximal CI 的 negative control 设定）以及半参数理论。用您 very_familiar 的高维渐近理论可以审视其因子估计的收敛率是否紧；用 moderately_familiar 的半参数理论可以检查其主效应推断是否达到 semiparametric efficiency bound。中期可做：需先在 moderately_familiar 的 M-estimation theory 上长肌肉，以严格推导该 hybrid factor model 下主效应的 influence function 与效率界。

数理统计 / 假设检验 (hypothesis_testing, 4 篇)¶

1. 10.1093/biomet/asab059 · arXiv — Significance testing for canonical correlation analysis in high dimensions¶

作者: Ian W McKeague, Xin Zhang
期刊/来源: Biometrika
机构: Columbia University · Florida State University · Woodward (United States)
分类: vol 109 · issue 4 · pp 1067-1083
相关性 9/10 · novelty: new_method
摘要: 本文研究高维环境下典型相关分析（CCA）的显著性检验问题，目标是在变量维度p、q随样本量n增长时，检验两组高维随机变量之间是否存在线性关系。核心挑战在于：挑选具有最大样本相关性的变量子集会导致选择偏差，传统检验失效。作者提出了一种稳定的单步（one-step）估计量，用于估计在指定基数子集上最大化的典型相关系数的欧几里得范数，并证明在维度增长速度不超过n^{1/2}（对数阶）的条件下，该估计量相合且渐近正态。为实际计算，设计了贪心搜索算法以逼近最优子集，进而构造出计算可行的全局零假设检验（omnibus test），并给出考虑变量选择后的置信区间。该方法将后选择推断（post-selection inference）与高维CCA结合，为高维多重性调整提供了新途径。对您而言，本文直接关联高维统计与假设检验两大主要兴趣，其稳定估计量和后选择推断技术可借助您熟悉的‘高维渐近理论’进行理论验证，且在统计计算层面可尝试用贪心搜索实现复现，属于立即可做的方向。
关键技术: post-selection inference, one-step estimation, canonical correlation analysis, greedy search algorithm, high-dimensional asymptotics
为什么对您有用: 本文属于高维统计中的假设检验问题，直接匹配研究者‘hypothesis testing’和‘high-dimensional statistics’的primary interest。研究者可以利用武器库中‘高维渐近理论’（very_familiar）来评估本文维度条件的最优性，并借助‘软件工程’（very_familiar）复现其贪心搜索算法。可做性判断：立即可做——论文的核心理论工具（一致性与渐近正态性证明）在研究者熟悉的高维渐近框架内，且算法实现无需额外专业背景。

2. 10.1093/biomet/asac014 · arXiv — An approximate randomization test for the high-dimensional two-sample Behrens–Fisher problem under arbitrary covariances¶

作者: Rui Wang, Wangli Xu
期刊/来源: Biometrika
分类: vol 109 · issue 4 · pp 1117-1132
相关性 8/10 · novelty: new_theory
摘要: 在高维两样本 Behrens–Fisher 问题（比较两组独立观测的均值）中，基于 Chen & Qin (2010) 的检验统计量提出近似随机化检验程序。理论框架不要求组内观测同分布，不对协方差矩阵的谱结构施加任何条件，且允许两组样本量不平衡。在一般条件下，推导出检验统计量的所有可能渐近分布，并证明随机化统计量能自适应这些分布；由此得到该随机化检验的渐近水平与局部功效，证明其始终具有正确的渐近水平与良好的功效表现。数值实验显示该方法相比多种替代检验具有更优的水平控制与功效。对您有用：本文在无谱假设下给出高维均值检验的完整渐近分布刻画与随机化自适应，直接推进了您在数学统计与高维假设检验方向的工作。
关键技术: approximate randomization test, high-dimensional Behrens-Fisher problem, Chen-Qin test statistic, unbalanced sample sizes, arbitrary covariance eigenstructure, asymptotic local power
为什么对您有用: 直接连接您 primary interest 中的数学统计（假设检验）与高维统计方向：本文在无谱假设、非同分布、不平衡样本量下给出高维均值检验统计量的所有可能渐近分布，并证明随机化程序的自适应性质。您武器库中 very_familiar 的高维渐近理论可直接用来验证其渐近分布推导与局部功效分析是否可进一步收紧或推广到更一般的 M-estimation 检验场景。立即可做：用您熟悉的高维渐近与 minimax 工具，检查其局部功效是否达到 minimax 下界，或尝试将随机化思想迁移到高维协方差检验/线性约束检验。

3. 10.1093/biomet/asab066 · arXiv — Adjusting the Benjamini–Hochberg method for controlling the false discovery rate in knockoff-assisted variable selection¶

作者: Sanat K Sarkar, Cheng Yong Tang
期刊/来源: Biometrika
分类: vol 109 · issue 4 · pp 1149-1155
相关性 7/10 · novelty: new_method
摘要: 在knockoff辅助变量选择的假设检验框架下，作者将Benjamini-Hochberg（BH）方法及其自适应版本调整用于控制错误发现率（FDR）。不同于Barber & Candès（2015）原方法需要知道解释变量的相关结构，所提方法不依赖相关结构的指定，仅基于p值即可控制FDR。方法的核心是将BH过程应用于knockoff构造的统计量，并调整其阈值以保证FDR控制。模拟和实际数据分析表明，新方法与原方法相比具有竞争力，且在某些设定下更稳健。该工作为变量选择中的多重检验提供了新的可行工具，尤其适用于高维回归问题。对您而言，该研究直接联系到假设检验和高维变量选择这一主要兴趣方向，且方法不依赖相关结构，可以推广到因果推断中的混淆变量筛选等场景。
关键技术: Benjamini-Hochberg procedure, knockoff filter, false discovery rate control, multiple testing, variable selection, p-value based method
为什么对您有用: 该论文直接关联到您的假设检验主要兴趣方向，特别是多重检验和FDR控制。您可以利用在 weapon库中very_familiar的high-dimensional asymptotics分析所提方法在更一般设定下的渐近性质，例如相关结构未知时的理论保证。此外，该工作可作为因果推断中变量筛选的工具，您可以使用estimation theory in causal inference来评估其在因果推断问题中的表现。立即可做——无需额外工具即可理解其核心思想。

4. 10.1093/biomet/asab065 · arXiv — Is the mode elicitable relative to unimodal distributions?¶

作者: Claudio Heinrich-Mertsching, Tobias Fissler
期刊/来源: Biometrika
分类: vol 109 · issue 4 · pp 1157-1164
相关性 4/10 · novelty: weaker_assumption
摘要: 本文研究统计泛函众数在单峰分布类中的可elicitable性。可elicitable性指是否存在一个损失函数，使得在期望下该泛函是唯一最优预测。先前研究（Heinrich, 2014）表明在任意Lebesgue密度类中众数不可elicitable。本文将该结果大大加强：即使仅考虑具有连续密度的强单峰分布（即只有一个局部极大值的连续密度），众数仍然不是可elicitable的。同样，众数在强单峰分布类中也不是可identifiable的。证明利用了强单峰分布族的闭包性质和反证法构造。该结果对预测理论和统计泛函的基础性质有重要贡献。
关键技术: Elicitability, Scoring function, Identifiability, Strongly unimodal distribution, Mode functional
为什么对您有用: 该工作属于数学统计理论，与您对假设检验和统计泛函性质的兴趣直接相关。它澄清了众数这一常用统计量在点预测框架下的基本限制。虽然不直接涉及您的主要技术工具，但加深了对统计可识别性与可预测性的理解，对理论统计具有参考价值。

统计计算 / 算法 (stat_computing, 3 篇)¶

1. 10.1093/biomet/asac011 · arXiv — A proximal distance algorithm for likelihood-based sparse covariance estimation¶

作者: Jason Xu, Kenneth Lange
期刊/来源: Biometrika
机构: Duke University
分类: vol 109 · issue 4 · pp 1047-1066
相关性 7/10 · novelty: new_method
摘要: 本文研究在无预设稀疏模式下协方差矩阵的估计问题，目标是在样本量小于参数维度的设定下获得正定的稀疏协方差估计。核心方法是基于似然的 proximal distance 算法：将目标函数构造为负对数似然加上协方差估计到对称稀疏集的距离惩罚，避免了 L1 等范数惩罚带来的非必要收缩。优化通过 proximal distance 版本的 MM（majorization-minimization）原理，将非凸原问题分解为一系列光滑无约束子问题迭代求解，算法收敛性质良好且执行迅速。实证表明该方法在多项指标上优于 thresholding 与 shrinkage 等竞争方法，并在流式细胞术数据上发现边际与条件依赖网络比先前结论更相似。对您有用之处在于：该 proximal distance MM 算法框架为高维协方差估计提供了一种计算与统计兼顾的新思路，直接连接您对 statistical computing 与高维估计理论的兴趣。
关键技术: proximal distance algorithm, majorization-minimization principle, likelihood-based sparse covariance estimation, patternless sparsity, nonconvex optimization via smooth subproblems
为什么对您有用: 本文直接连接您 primary interest 中的 statistical computing（数值方法与算法）以及高维统计设定（p>n 的协方差估计）。您武器库中 very_familiar 的软件开发与高维渐近理论可以立即用来复现该 proximal distance MM 算法并验证其收敛率与估计精度。follow-up 判断：立即可做——用您熟悉的 einsum / tensor contraction 视角审视该算法中矩阵距离计算的复杂度，或在高维渐近框架下分析其估计的 minimax rate。

2. 10.1093/biomet/asab067 · arXiv — A global stochastic optimization particle filter algorithm¶

作者: M Gerber, R Douc
期刊/来源: Biometrika
分类: vol 109 · issue 4 · pp 937-955
相关性 7/10 · novelty: new_method
摘要: 本文提出一种针对期望型目标函数（如 expected log-likelihood）的全局随机优化在线算法，解决目标函数多模态或存在鞍点时的参数估计问题。核心机制是构造一族随样本量增加而集中于真实参数值的概率分布，该分布可通过标准 particle filter 高效估计；分布依赖学习率，学习率越快集中越快但越易陷入局部最优。为在慢学习率下实现快速收敛，算法借鉴随机梯度文献中的 averaging 加速性质（Polyak-Ruppert averaging）。理论证明算法以最优速率收敛到全局最大化点，数值实验在多个挑战性估计问题中验证了其高概率逃离局部最优的能力。对您可能有用：该算法为隐变量模型或非凸 M-estimation 的计算提供了一个 particle-filter-based 的全局优化视角，连接到统计计算与 M-estimation 理论。
关键技术: particle filter optimization, Polyak-Ruppert averaging, expected log-likelihood maximization, online stochastic optimization, global convergence for multimodal objectives
为什么对您有用: 本文连接到统计计算（数值方法与算法）以及 M-estimation 理论（moderately_familiar）的交叉：针对非凸/多模态目标函数的全局优化，给出了 particle filter + averaging 的可计算方案与最优收敛速率理论。用您 very_familiar 的 M-estimation 理论可以审视其收敛速率声称的'最优性'是否与经典 minimax/M-estimator rate 一致；用您 moderately_familiar 的 M-estimation 理论可以探索将此算法推广到 semiparametric M-estimation 场景（如部分识别或非凸目标）的可行性。中期可做：需先在 moderately_familiar 的 M-estimation 理论上长肌肉（特别是非凸 M-estimator 的 asymptotic theory），再考虑将 particle filter 优化嵌入到 semiparametric 估计的 one-step / debiased 步骤中。

3. 10.1093/biomet/asac015 · arXiv — Particle filter efficiency under limited communication¶

作者: Deborshee Sen
期刊/来源: Biometrika
分类: vol 109 · issue 4 · pp 921-935
相关性 6/10 · novelty: new_theory
摘要: 在分布式并行架构下，标准 SMC 重采样需全局通信，α-SMC 通过 α 矩阵限制粒子间通信以实现分布式计算。本文研究 α 矩阵的通信结构对算法收敛与稳定性的影响，定量证明 α 矩阵的混合性质（mixing properties）决定了算法的稳定性。进一步证明，采用随机化通信结构（每个粒子仅与少量邻居通信）即可保证良好的混合性质，且所得算法仍以标准 Monte Carlo n^{-1/2} 速率收敛，从而实现高效的分布式 SMC。对您可能有用：该工作将计算通信约束与统计收敛速率直接挂钩，属于 stat-computing tradeoff 的具体实例，其随机稀疏通信图与混合时间的分析视角可类比高维 U-stat 计算中 treewidth/tensor contraction 的图结构约束。
关键技术: alpha-sequential Monte Carlo, distributed resampling, Markov chain mixing time, randomized communication graph, Monte Carlo convergence rate, stochastic matrix stability
为什么对您有用: 直接连接 stat-computing tradeoff 子方向：将并行计算中的通信约束（稀疏随机图）转化为对算法稳定性与收敛速率的定量影响，是 computational constraint 下统计效率的典型分析。武器库中 very_familiar 的 minimax bounds 与 high-dimensional asymptotics 可用于审视其声称的 n^{-1/2} 速率在更复杂模型下是否仍成立；moderately_familiar 的 M-estimation theory 可延伸分析 α-SMC estimator 的渐近分布与效率。立即可做：用 very_familiar 的图结构/treewidth 视角分析其随机通信图的计算代价与混合时间的显式关系。

其他 (other, 1 篇)¶

1. 10.1093/biomet/asac006 — A correlation-shrinkage prior for Bayesian prediction of the two-dimensional Wishart model¶

作者: T Sei, F Komaki
期刊/来源: Biometrika
机构: The University of Tokyo
分类: vol 109 · issue 4 · pp 1173-1180
相关性 3/10 · novelty: new_method
摘要: 本文研究二维 Wishart 模型下的 Bayesian 预测问题，损失函数为 Kullback–Leibler 散度。构造了一个尺度不变且置换不变的先验分布，该先验通过对相关系数进行收缩，具体表现为右不变先验在置换群作用下的几何均值，等价于 Fisher's z 变换上的均匀分布。证明了基于该先验的 Bayesian 预测密度是极小化最大的（minimax）。方法学贡献在于提供了一种在低维协方差预测中同时实现置换不变性和极小化最大性的先验构造思路。对您的意义：此文是决策理论框架下极小化最大预测的一个经典案例，与您熟悉的极小化最大界限理论（very_familiar）直接衔接，可用于对比评估因果推断中半参数效率界与 Bayesian 预测的差异。
关键技术: Bayesian prediction, Kullback-Leibler divergence, minimax predictive density, scale-invariant prior, Fisher's z-transformation, right invariant prior
为什么对您有用: 本文聚焦于极小化最大预测的 Bayesian 先验构造，直接对应您主要兴趣中的数学统计与假设检验（子方向：决策理论）。您的 very_familiar 武器‘极小化最大界限’可用于检验本文所得 minimax 率是否紧，并对比其与效率界的关系。中期可做：若先深入学习 Bayesian 决策论（当前非舒适区），可尝试将此类先验构造推广至更高维协方差结构或因果推断中的预测问题。

Maintained by 陈星宇 · Homepage · Source on GitHub