JRSS-C — Vol 74 Issue 2 · 2026-06-20¶

共 12 篇 · Journal of the Royal Statistical Society Series C
目录核对 ✅ 12 篇全部抓到（对照 OpenAlex 25 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。

本期《JRSS-C》74卷2期共12篇论文，整体呈现三条方法主线：因果识别与双重稳健估计（1篇）、复杂抽样与依赖结构下的假设检验（1篇）、流行病学与生物医学中的贝叶斯/半参数建模（3篇）。其余论文覆盖极值建模、贝叶斯优化、隐马尔可夫模型、高维变量选择、函数数据聚类、交通流混合模型等，分散在非参数贝叶斯、空间极值、高维变量选择等子领域。

在因果识别与假设检验层面，最突出的推进是“Doubly robust estimation of policy-relevant causal effects under interference”，将双重稳健差分法扩展到干扰存在下的政策效应估计，利用地理分离的相邻区域作为对照，并允许空间相关性与效应异质性，是因果推断中处理干扰的明确方法论贡献。另一篇“Inferring bivariate associations with continuous data from studies using respondent-driven sampling”则针对RDS复杂抽样下的关联检验，通过置换网络连接构造零分布，为依赖样本的假设检验提供了半参数解决方案，可直接用于流行病学中的暴露–结局关联推断。

流行病学方向的三篇论文集中体现了时变效应与复发事件的灵活建模。“Multiphasic stochastic epidemic models”采用分层随机流行病模型与Dirichlet过程自动学习再生数的分段常数变点，实现了多阶段干预下因果效应（Rt变化）的非参数贝叶斯推断；“Flexible modelling of time-varying exposures and recurrent events to analyse training load effects in team sports injuries”基于分段指数加性混合模型（PAMM）和惩罚方法，估计过去时变暴露对当前复发风险的累积效应，并自动选择关键时间窗口；“Building absolute breast cancer risk prediction models for women treated with chest radiation for Hodgkin lymphoma”则通过分段辐射剂量捕捉异质性处理效应，结合加权相对风险估计与人群发病率数据构建绝对风险模型，其处理异质性效应和匹配因子加权的方法对因果推断的敏感性分析有参考价值。

对于因果推断、半参数效率、高维统计方向的研究者，优先阅读“Doubly robust estimation…”（因果识别与双重稳健估计）、“Inferring bivariate associations…”（复杂抽样关联检验）和“Multiphasic stochastic epidemic models”（时变干预因果效应贝叶斯推断），后两篇分别提供了依赖结构下假设检验和贝叶斯变点检测的工具，与常用因果推断框架（如DiD、IV）有直接互补关系。其余如“Multivariate Bayesian variable selection for multi-trait genetic fine mapping”涉及高维变量选择与组结构，也可视兴趣翻阅。

因果推断 (causal_inference, 1 篇)¶

1. 10.1093/jrsssc/qlae066 — Doubly robust estimation of policy-relevant causal effects under interference¶

作者: Gary Hettinger, Christina Roberto, Youjin Lee, Nandita Mitra
期刊/来源: Journal of the Royal Statistical Society Series C
机构: University of Pennsylvania · Brown University
分类: vol 74 · issue 2 · pp 530-549
相关性 9/10 · novelty: new_method
摘要: 该文在干扰（interference）存在的设定下，目标估计公共政策在实施区域和邻近控制区域的因果效应。作者将双重稳健差分法（doubly robust difference-in-differences）扩展到地理上可分离的干预和邻接控制区域，并利用未受影响的控制区域数据来调整混杂。方法允许重复观测、空间相关和未知的效应异质性，同时放松了模型设定的标准假设。估计器结合了结局回归和倾向性得分模型，实现了双重稳健性。应用部分使用费城饮料税数据，分析了231个商店的销售变化，并探索了沿边界的效应异质性。该文对因果推断中干扰下的识别和估计有明确的扩展，与您的因果推断研究方向高度相关，特别是双重稳健估计和差分法的交叉。
关键技术: doubly robust estimation, difference-in-differences, interference / spillover effects, spatial correlation, repeated measures
为什么对您有用: 本文直接切入因果推断中的干扰问题（interference），属于您的 primary interest 核心子方向，且使用双重稳健差分法这一您熟悉的估计框架。您可以用 very_familiar 中的非参数统计和估计理论来评审其识别假设和估计效率。立即可做：该文方法不依赖复杂计算，适合快速复现或扩展。

数理统计 / 假设检验 (hypothesis_testing, 1 篇)¶

1. 10.1093/jrsssc/qlae061 — Inferring bivariate associations with continuous data from studies using respondent-driven sampling¶

作者: Samantha Malatesta, Karen R Jacobson, Tara Carney, Eric D Kolaczyk, Krista J Gile, Laura F White
期刊/来源: Journal of the Royal Statistical Society Series C
机构: Boston University · South African Medical Research Council · University of Cape Town · McGill University · University of Massachusetts Amherst
分类: vol 74 · issue 2 · pp 429-446
相关性 7/10 · novelty: new_method
摘要: 在受访者驱动抽样（RDS）研究中，由于链接追踪和同质性导致样本间存在依赖，传统关联检验（如t检验、回归）的I类错误率膨胀。现有半参数随机化检验仅适用于两个分类变量，本文将其扩展至至少一个变量为连续的情形。方法的核心是构造一个基于RDS抽样权重和网络结构的检验统计量（如加权相关系数或回归系数），并通过置换链接结构生成零分布，从而在保持边缘分布和依赖结构的同时避免参数假设。模拟实验表明该方法能有效控制I类错误，并具有合理的检验功效。将该方法应用于南非伍斯特市中吸烟吸毒人群的结核病流行病学数据，分析了结核病相关变量之间的关联。对您有用：该工作展示了在复杂抽样下进行可靠关联推断的方案，直接服务于您的流行病学应用（如横断面研究中的变量筛选），并可结合您的非参数统计知识进一步优化。
关键技术: respondent-driven sampling, semiparametric randomization test, bivariate association test, link-tracing design, weighted test statistics
为什么对您有用: 本文聚焦流行病学RDS数据中的关联检验，直接对应您的secondary interest流行病学中的变量筛选与因果推断应用。您的nonparametric statistics和estimation theory in causal inference（非常熟悉）能够帮助理解和评价该随机化检验的统计性质（如功效和I类错误控制），并可立即将其与更高效的半参数方法（如基于交叉拟合的影响函数调整）结合，提升检验效率或扩展到条件独立检验。立即可做。

流行病学 (epidemiology, 3 篇)¶

1. 10.1093/jrsssc/qlae064 · arXiv — Multiphasic stochastic epidemic models¶

作者: Petros Barmpounakis, Nikolaos Demiris
期刊/来源: Journal of the Royal Statistical Society Series C
分类: vol 74 · issue 2 · pp 491-505
相关性 6/10 · novelty: new_method
摘要: 在 COVID-19 多阶段干预设定下，目标是推断随时间分段常数变化的再生数 Rt 及真实感染规模，关键假设为感染过程由 Poisson 点过程驱动且 Rt 变点结构未知。核心机制利用分层随机流行病模型，结合 Poisson 点过程刻画感染事件与 Dirichlet 过程组件自动学习 Rt 的变点数量与位置，无需预设阶段数。估计方法通过贝叶斯推断同时还原变点时间、Rt 水平与疾病规模，并在合成数据与四地真实数据上验证，最终通过大型血清流行病学调查独立校验真实感染数估计。对您可能有用：该文提供了流行病学多阶段因果干预效应（Rt 变化）的非参数贝叶斯推断框架，可作为 epi 领域应用因果/时变干预设定的入门案例。
关键技术: Poisson point process, Dirichlet process, hierarchical Bayesian model, piecewise-constant reproduction number, Bayesian change-point detection, seroprevalence validation
为什么对您有用: (1) 连接到 epidemiology 的时变干预效应推断，Rt 的分段常数设定本质是 longitudinal causal effect 的变点识别问题。(2) 武器库中 semiparametric theory 与 M-estimation 可攻其变点估计的效率界与一致性证明口子，当前 Dirichlet process 贝叶斯非参数推断不在 very/moderately_familiar 内。(3) 中期可做：需先在 moderately_familiar 的 semiparametric theory 上长肌肉，将贝叶斯非参数变点替换为 semiparametric / HOIF 框架下的效率推断；作为 epi 应用入门读物值得花时间读全文了解数据结构与模型设定。

2. 10.1093/jrsssc/qlae063 — Building absolute breast cancer risk prediction models for women treated with chest radiation for Hodgkin lymphoma¶

作者: Sander Roberti, Flora E van Leeuwen, Michael Hauptmann, Ruth M Pfeiffer
期刊/来源: Journal of the Royal Statistical Society Series C
机构: The Netherlands Cancer Institute · Oncode Institute · National Cancer Institute · Medizinische Hochschule Brandenburg Theodor Fontane
分类: vol 74 · issue 2 · pp 466-490
相关性 5/10 · novelty: application
摘要: 在霍奇金淋巴瘤（HL）幸存者队列的嵌套病例对照设计中，目标是构建接受胸部放疗女性的绝对乳腺癌风险预测模型。核心估计分两步：首先估计风险因子（含10个乳腺分段辐射剂量以捕捉异质性处理效应）的相对风险（RR），针对病例对照匹配因子的RR估计提出了新的加权方法；随后将RR与HL队列及人群登记处的年龄别乳腺癌发病率与竞争死亡率结合，并调整两来源间的差异，推导绝对风险。模型比较显示，使用分段剂量比仅用平均剂量预测性能更优。对您可能有用：该文在流行病学队列中处理异质性处理效应（分段剂量）与匹配因子加权的方法，可启发因果推断中 IV / sensitivity analysis 的具体应用场景。
关键技术: nested case-control design, matching-factor weighting, absolute risk projection, heterogeneous treatment effects, competing mortality adjustment, segment-specific radiation dose
为什么对您有用: 本文属于流行病学应用，连接到 epidemiology secondary interest 的因果推断与数据集方向；其处理异质性处理效应（分段剂量）与匹配因子加权的思路，可用您 very_familiar 的 estimation theory in causal inference 检视其加权估计的效率与稳健性。Follow-up 判断：中期可做——需先在 moderately_familiar 的 identification theory in causal inference 上长肌肉，以将流行病学匹配加权与因果 identification 框架更严格对接。

3. 10.1093/jrsssc/qlae059 — Flexible modelling of time-varying exposures and recurrent events to analyse training load effects in team sports injuries¶

作者: Lore Zumeta-Olaskoaga, Andreas Bender, Dae-Jin Lee
期刊/来源: Journal of the Royal Statistical Society Series C
机构: University of the Basque Country · Basque Center for Applied Mathematics · Munich Center for Machine Learning · Ludwig-Maximilians-Universität München · IE University
分类: vol 74 · issue 2 · pp 391-405
相关性 5/10 · novelty: application
摘要: 在团队运动损伤的复发事件设定下，目标是估计时变暴露（高强度训练负荷）对当前损伤风险的累积效应。模型基于 piecewise exponential additive mixed model (PAMM)，允许过去暴露的效应随时间累积并呈现非参数的复杂关联形式。为识别过去暴露影响当前风险的关键时间窗口，作者提出了一种基于惩罚的方法（penalty approach）对权重函数进行选择与估计。模拟评估了不同真实权重函数与复发事件异质性水平下的模型表现。实证分析使用了西班牙 LaLiga 精英足球队的 GPS 追踪数据与时间损失损伤记录。对您可能有用：本文展示了 PAMM 在流行病学复发事件与时变暴露建模中的具体应用，可作为 longitudinal causal inference 中处理 time-varying confounding 与累积效应的参考案例。
关键技术: piecewise exponential additive mixed model, penalty-based weight function selection, time-varying exposure modelling, recurrent event analysis, distributed lag nonlinear model
为什么对您有用: 本文连接到 epidemiology 的 applied causal work 子方向，展示了时变暴露与复发事件的建模框架。用您 very_familiar 中的 minimax bounds for estimation problems 与 moderately_familiar 中的 semiparametric theory，可以审视其 penalty approach 下权重函数估计的收敛率与效率性质，这是当前论文未深入的理论口子。中期可做：需先在 moderately_familiar 的 M-estimation theory 上长肌肉，以严格刻画 PAMM 在复发事件设定下的 asymptotic properties。

其他 (other, 7 篇)¶

1. 10.1093/jrsssc/qlae062 — Semiparametric Bayesian modelling of nonstationary joint extremes: How do big tech’s extreme losses behave?¶

作者: Miguel de Carvalho, Karla Vianey Palacios Ramirez
期刊/来源: Journal of the Royal Statistical Society Series C
机构: Maxwell Institute for Mathematical Sciences · University of Aveiro · University of Edinburgh · Newcastle College · University of Newcastle Australia · Newcastle University
分类: vol 74 · issue 2 · pp 447-465
相关性 7/10 · novelty: application
摘要: 本文提出一个半参数贝叶斯模型，用于分析非平稳联合极值，特别是大科技股（FAANG）的极端损失随时间变化的联合尾部行为。模型核心包括两部分：一是通过贝叶斯非参数方法对超过高阈值的观测强度进行建模，定义了一种称为“极端依赖强度函数”上的先验；二是对尾部依赖系数设置参数先验，用于评估两个随机过程是否渐近依赖。作者使用马尔可夫链蒙特卡洛（MCMC）进行后验推断，模拟实验表明方法能有效恢复目标参数。应用于FAANG股票数据，揭示了这些股票联合损失强度的时变特征。该方法对金融风险管理和极值依赖动态有一定的实际价值，但与您的主要研究方向（因果推断、高维统计、半参效率理论等）关联较弱。
关键技术: Bayesian nonparametric prior, extremal dependence intensity function, tail dependence coefficient, MCMC, joint tail modeling
为什么对您有用: 本文属于金融极值应用，与您的主要兴趣（因果推断、高维统计、半参效率理论、统计计算等）缺乏直接联系。您武器库中的非参数统计有一定重叠，但木星（极值理论）并非核心方向。鉴于本文是应用导向且涉及贝叶斯方法，而您对此熟悉度一般，可暂不深入阅读，除非未来有跨领域合作需求。

2. 10.1093/jrsssc/qlae058 · arXiv — Bayesian optimization for personalized dose-finding trials with combination therapies¶

作者: James Willard, Shirin Golchi, Erica E M Moodie, Bruno Boulanger, Bradley P Carlin
期刊/来源: Journal of the Royal Statistical Society Series C
分类: vol 74 · issue 2 · pp 373-390
相关性 5/10 · novelty: new_method
摘要: 在早期联合用药剂量寻找试验中，目标是在小样本下识别最优剂量组合（estimand 为剂量-响应曲面的全局最优），面临非单调响应面多参数估计与小样本的 trade-off。本文引入 Bayesian optimization（BO）框架：用 Gaussian process（GP）作为 surrogate model 近似目标函数，配合 acquisition function 的序贯设计策略选择下一剂量点，分别提出标准与个性化（纳入患者协变量）的 BO 剂量寻找方法。模拟基于低毒性双药联合场景，比较标准与个性化方法在异质性下的表现，结论是异质性存在时个性化策略收益显著。对您可能有用：若将剂量寻找视为 causal dose-response 的最优 treatment regime 问题，GP surrogate 与 acquisition function 的序贯设计可类比于 sequential causal inference 中的 adaptive experiment 设计。
关键技术: Bayesian optimization, Gaussian process surrogate model, acquisition function, personalized dose-finding, sequential experimental design
为什么对您有用: 本文连接到 causal inference 中 longitudinal / personalized treatment regime 的 adaptive experiment 设计子方向，但核心机器是 Bayesian optimization 与 GP surrogate，而非 semiparametric efficiency 或 minimax 理论。用您 very_familiar 的 minimax bounds 工具可以分析 GP surrogate 在小样本下的 estimation error 界，但本文本身未触及此理论层面。follow-up 判断：中期可做——需先在 moderately_familiar 的 M-estimation theory 上长肌肉，结合 GP regression 的 nonparametric convergence rate 来为 BO 序贯剂量寻找建立 formal asymptotic guarantee；当前武器库不直接覆盖 GP surrogate 与 acquisition function 的理论分析。

3. 10.1093/jrsssc/qlae065 — A zero-inflated hidden semi-Markov model with covariate-dependent sojourn parameters for analysing marine data in the Venice lagoon¶

作者: Lorena Ricciotti, Marco Picone, Alessio Pollice, Antonello Maruotti
期刊/来源: Journal of the Royal Statistical Society Series C
机构: University of Bari Aldo Moro · Istituto Superiore per la Protezione e la Ricerca Ambientale · Libera Università Maria SS. Assunta
分类: vol 74 · issue 2 · pp 506-529
相关性 4/10 · novelty: new_method
摘要: 本文针对威尼斯泻湖海洋计数数据（acqua alta事件）提出了一种零膨胀隐藏半马尔可夫模型。数据中存在大量零值，采用零膨胀泊松分布来拟合。模型假设数据动态由一组离散的隐藏环境风险状态驱动，状态演变遵循非齐次隐藏半马尔可夫链。核心创新在于引入协变量依赖的状态停留时间参数，突破了传统HSMM停留时间分布固定的限制，提高了对复杂现实过程的捕捉能力。参数估计通过直接最大化对数似然实现，未使用EM算法或贝叶斯方法。实证分析展示了模型在刻画天气状态、环境变量与观测计数之间精细交互方面的价值。该方法属于纵向离散时间序列建模，但主要工具是经典极大似然估计和隐半马尔可夫链，与研究者关注的因果推断、半参数效率理论等方向距离较远。
关键技术: hidden semi-Markov model, zero-inflated Poisson distribution, covariate-dependent sojourn parameters, maximum likelihood estimation, non-homogeneous Markov chain
为什么对您有用: 本文属于纵向离散数据建模，对研究者次要兴趣中流行病学领域的计数数据（如疾病事件序列）有方法学借鉴价值，但核心技术（隐半马尔可夫链、极大似然）不在研究者武器库中（既不属于very_familiar的U统计量/半参数理论，也不属于moderately_familiar的HOIF/因果识别），武器库中唯一接近的'high-dimensional asymptotics'在此处无用武之地。视为暂不可做的方向拓展读物，除非研究者有意进入隐变量时间序列领域，否则不建议展开精读。

4. 10.1093/jrsssc/qlae055 · arXiv — Multivariate Bayesian variable selection for multi-trait genetic fine mapping¶

作者: Travis Canida, Hongjie Ke, Shuo Chen, Zhenyao Ye, Tianzhou Ma
期刊/来源: Journal of the Royal Statistical Society Series C
分类: vol 74 · issue 2 · pp 331-351
相关性 4/10 · novelty: new_method
摘要: 本文针对多性状遗传精细映射问题，即从基因组关联研究（GWAS）中大量相关且可能具有组结构的SNP中识别因果变异。现有多变量变量选择方法假设所有响应共享相同的选择模式，忽视了性状间的异质性。作者提出一种新颖的多变量贝叶斯变量选择方法，能够在多个层次（变异、性状子集）进行选择，并纳入先验生物学知识。方法通过贝叶斯层次模型同时推断各SNP是否与一组性状关联，并识别其靶向的最佳性状子集。模拟研究表明，该方法在典型精细映射设定下优于现有方法。在UK Biobank真实数据中，该方法识别出与不同成瘾行为和风险因素相关的关键因果变异。本文对您可能有用：虽然不属于您主要因果推断方向，但作为流行病学中高维变量选择的应用，可提供处理组结构变量和多重响应问题的思路。
关键技术: Bayesian variable selection, multivariate response, group-structured SNPs, prior biological knowledge incorporation, fine mapping
为什么对您有用: 本文属于流行病学领域的遗传精细映射应用，与您的secondary interest流行病学（数据集、应用因果工作）直接相关。您熟悉的非参数统计和高维渐近工具可用于理解其变量选择的理论性质，但本文核心为贝叶斯计算，您的武器库目前缺乏MCMC和贝叶斯模型选择的专门技能，因此属于暂不可做项，需先补充贝叶斯变量选择知识才能展开后续研究。不过，本文作为方法学论文，提供了处理多响应组变量选择的案例，值得阅读。

5. 10.1093/jrsssc/qlae060 · arXiv — Object oriented data analysis of surface motion time series in peatland landscapes¶

作者: Emily G Mitchell, Ian L Dryden, Christopher J Fallaize, Roxane Andersen, Andrew V Bradley, David J Large et al.
期刊/来源: Journal of the Royal Statistical Society Series C
分类: vol 74 · issue 2 · pp 406-428
相关性 3/10 · novelty: application
摘要: 在泥炭地生态监测设定下，目标是利用 InSAR 时间序列的函数结构对泥炭地表面运动进行分类，以评估退化程度。核心方法是将整条时间序列视为函数数据对象，采用面向对象数据分析（OODA）范式下的贝叶斯聚类分析。该方法避免了逐像素拟合年度函数模型的高计算成本，直接基于时间序列的函数结构进行后验类别分配，识别出软/湿、干/灌木化、薄/退化三类泥炭地。实证结果表明后验类别分布能有效量化退化规模并指导修复决策。对您而言，本文展示了函数数据与贝叶斯聚类在环境监测中的典型应用流程，但方法学 novelty 较低。
关键技术: object oriented data analysis, functional time series clustering, Bayesian cluster analysis, InSAR surface motion
为什么对您有用: 本文属于环境科学的应用统计，与您 primary interests（因果推断、高维/效率理论、U-statistics）无直接交集，亦非 astrostats / econ / epi 的 gateway reading。您 technical_arsenal 中的工具（如 minimax bounds / HOIF / tensor contraction）无法在此找到可攻的口子。作为泥炭地 InSAR 数据的函数聚类应用，方法学 novelty 为 minor，不建议花时间读全文。

6. 10.1093/jrsssc/qlae047 · arXiv — Inference for extreme spatial temperature events in a changing climate with application to Ireland¶

作者: Dáire Healy, Jonathan Tawn, Peter Thorne, Andrew Parnell
期刊/来源: Journal of the Royal Statistical Society Series C
机构: National University of Ireland, Maynooth · Lancaster University
分类: vol 74 · issue 2 · pp 275-299
相关性 3/10 · novelty: application
摘要: 本文研究爱尔兰1942-2020年极端日最高气温事件在气候变化下的频率、强度和空间范围变化。使用广义帕累托分布（GPD）建模单变量尾部，通过半参数Brown-Resnick r-Pareto过程描述极端事件的空间依赖性，并允许两类模型的参数随时间非平稳变化。为解决气象观测站稀疏且空间偏差问题，提出利用高分辨率气候模型数据作为辅助信息的新方法，以改善对极端事件的推断。主要发现是极端温度边缘行为存在显著随时间变化趋势，其幅度远高于同期平均温度变化，导致超过临界温度的事件空间覆盖增加。该方法展示了在观测稀疏条件下融合模型数据的半参数极值建模策略。对您而言，虽然该论文与您的主要兴趣方向重叠有限，但其半参数建模思路可为您处理类似的时空数据融合问题提供参考。
关键技术: generalized Pareto distribution, Brown-Resnick r-Pareto process, semiparametric spatial extremes, climate model data fusion, nonstationary extreme value model
为什么对您有用: 本文与您的主要兴趣方向（因果推断、高维统计、U统计等）关联较弱，属于环境极值应用统计。其中使用的半参数空间过程建模方法（Brown-Resnick r-Pareto过程）在您熟悉的M-estimation和semiparametric theory框架下可部分理解，但极值理论的核心工具（GPD的尾部推断、点过程理论）不在您当前武器库中，因此暂不可做直接迁移。若未来您涉足空间极值或气候模型融合领域，可以基于semiparametric theory的基础先补充极值理论基础。

7. 10.1093/jrsssc/qlae057 · arXiv — Traffic count data analysis using mixtures of Kato–Jones distributions¶

作者: Kota Nagasaki, Shogo Kato, Wataru Nakanishi, M C Jones
期刊/来源: Journal of the Royal Statistical Society Series C
分类: vol 74 · issue 2 · pp 352-372
相关性 1/10 · novelty: application
摘要: 本文研究日内交通流量计数数据的建模问题，目标 estimand 为交通量在一天内的分布形态及其早晚峰的异质性。方法上，作者提出用 Kato–Jones 分布的混合模型拟合数据，该分布每个分量单峰且能覆盖较广的偏度-峰度范围。参数估计采用修正矩法与极大似然法两种途径，实证表明二者均能有效拟合所提混合模型。最终结果显示日内交通量可被分类为形态各异（偏度、峰度不同）的早高峰与晚高峰分布。对您而言，本文属于特定领域（交通流量）的参数混合建模应用，与因果推断、高维/半参效率理论等核心方向无直接技术交集。
关键技术: Kato-Jones distribution, finite mixture model, modified method of moments, maximum likelihood estimation, skewness-kurtosis characterization
为什么对您有用: 本文属于交通流量数据的参数混合建模应用，与您 primary interests（因果推断、高维/RMT、半参效率、higher-order U）无技术交集，亦非 astrostats/econ/epi 等您关注的 secondary 应用领域。武器库中的 minimax bounds 与 semiparametric theory 对此纯参数建模无攻破口子。判断为暂不可做（非难度问题，而是主题与方法均偏离研究方向），不建议花时间深读全文。

Maintained by 陈星宇 · Homepage · Source on GitHub