JRSS-C — Vol 74 Issue 3 · 2026-06-20¶

共 16 篇 · Journal of the Royal Statistical Society Series C
目录核对 ✅ 16 篇全部抓到（对照 OpenAlex 17 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 (Vol 74 Issue 3) 共16篇论文，按方法与主题可归为几条主线：因果识别与效率（第1、2篇，聚焦信息性访视偏差的敏感性分析、交叉设计中治疗效应修饰子的识别与效率改进）、时空与非参数贝叶斯建模（第3、5、10、11、12篇，覆盖泊松自回归、可微高斯过程、INLA极值模拟、warped multifidelity GP、动态变形协方差等工具）、统计计算与大数据策略（第9、10、11、16篇，面临点过程heavy subsampling、高维极值推断的INLA快速拟合、偏态数据融合的warped GP、共轭结构变分推断等计算挑战）、以及个性化预测与机器学习（第4、6、7篇，涉及POSL动态集成、病人相似性贝叶斯预后、树模型条件方法一致性）。此外还有假设检验组合（第8）、物种丰富度估计（14）、电网脆弱性（13）和变点检测（15）等孤立应用。

因果推断主线贯穿两篇工作：第1篇针对不规则纵向数据中信息性访视导致的偏差，在逆强度加权基础上引入包含当前结局的选入函数，构造平衡权重估计量并辅以敏感性参数校准程序，使估计在稳健性和效率上优于现有加权方法；第2篇聚焦交叉设计临床试验中治疗效应修饰子的检验与个体化预测，利用自身对照消除混杂，数值上展示其效率显著高于平行组设计。两篇均直接涉及因果参数的识别与效率提升，且提供了实际数据分析流程（R教程、糖尿病案例）。

时空与非参数贝叶斯建模是本期数量最多的主线。第3篇用泊松自回归刻画COVID-19感染率时空动态，在Stan中利用稀疏矩阵实现高效推断。第5篇将可微高斯过程（Integrated Wiener + Matérn）用于废水监测，同时估计病毒浓度信号及其导数，模型对可微性敏感。第10篇借助INLA框架对高分辨率雷达降水进行空间极值模拟，在数小时内完成高维推断，验证了计算可行性。第11篇将warped GP的单调变换（处理偏态）与multifidelity GP的层级结构结合，实现偏态环境数据融合并削弱长距离插值不确定性。第12篇通过状态空间模型对变形参数动态建模，允许空间协方差随时间平滑变化，提升了非平稳温度数据的拟合效果。这些方法工具各异，共同指向处理复杂时空结构中非平稳性、偏态、多源数据与计算瓶颈。

若聚焦因果推断与半参数效率方向，优先看第1篇（平衡权重与敏感性分析）和第2篇（交叉设计修饰子检验）；对非参数贝叶斯与半参数方法感兴趣，可关注第5篇（可微高斯过程）与第11篇（warped multifidelity GP）；统计计算方向则第9篇（heavy subsampling处理超大点过程）、第10篇（INLA极值模拟）与第16篇（共轭变分动态预测）提供具体思路。

因果推断 (causal_inference, 1 篇)¶

1. 10.1093/jrsssc/qlaf002 · arXiv — Accommodating informative visit times for analysing irregular longitudinal data: a sensitivity analysis approach with balancing weights estimators¶

作者: Sean Yiu, Li Su
期刊/来源: Journal of the Royal Statistical Society Series C
分类: vol 74 · issue 3 · pp 824-843
相关性 8/10 · novelty: new_method
摘要: 该论文针对不规则纵向数据中信息性访问时间（即患者访视受当前疾病结局驱动）导致的估计偏差问题，提出一种基于平衡权重（balancing weights）的敏感性分析方法。逆强度加权（IIW）是处理此类问题的标准方法，但常忽略或未充分评估信息性访问的影响。作者通过平衡观测历史变量分布在时间上的分布，并引入含敏感性参数的选入函数来刻画当前结局对访视过程的额外影响，从而构建新的平衡权重估计量。进一步提出校准程序，将敏感性参数范围锚定到由当前结局额外解释的访视变异量上。模拟表明，所提估计量在稳健性和效率上优于现有加权方法。论文还提供了R Markdown教程，并应用于银屑病关节炎队列的临床数据。该工作直接服务于纵向因果推断中的敏感性分析需求，与您熟悉的IIW和M估计理论紧密相关，可立即用于改进您当前纵向数据研究的估计策略。
关键技术: inverse intensity weighting, balancing weights, sensitivity analysis, calibration procedure, R Markdown tutorial
为什么对您有用: 本文直接属于您primary interests中的纵向因果推断子方向，且提出的平衡权重框架为信息性访视时间问题提供了新的敏感性分析工具。您非常熟悉的因果推断估计理论（如逆概率加权、M估计）可直接用来理解和扩展该方法（例如推导其影响函数或半参数效率界）。立即可做：您现有的理论工具箱足以复现并对比其性能，甚至可进一步提出更高效的正交估计量。

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

1. 10.1093/jrsssc/qlae069 — Combining density forecast accuracy tests: an application to agricultural, energy, and metal commodities¶

作者: Bernardina Algieri, Arturo Leccadito, Danilo Sicoli, Diana Tunaru
期刊/来源: Journal of the Royal Statistical Society Series C
机构: University of Bonn · University of Calabria · UCLouvain · University of Kent
分类: vol 74 · issue 3 · pp 598-616
相关性 6/10 · novelty: application
摘要: 本文提出一种组合密度预测准确性检验的新方法，旨在融合多个统计检验以提升对预测模型整体表现的判断能力。该方法通过蒙特卡洛模拟生成组合检验统计量的p值，从而避免多重比较问题。仿真实验在多种数据生成过程下评估了方法的检验功效，并应用于农产品、能源和金属商品期货收益的密度预测。实证结果表明，引入心理情绪变量能显著改善密度预测的准确性，尤其对农产品效果最突出；同时，组合多个情绪指标比单独使用更有效。该工作为预测评估提供了可操作的假设检验工具，对经济学和金融领域的预测模型选择具有参考价值。
关键技术: density forecast accuracy test, combined test statistic, Monte Carlo p-value, psychological indicators, commodity return forecasting
为什么对您有用: （1）直接关联您对假设检验的兴趣，尤其针对预测模型评估的组合检验构造方法；（2）武器库中'非常熟悉'的高维渐近理论可用来分析组合检验统计量的极限分布，但本文主要通过数值模拟，理论深度有限；（3）暂不可做：核心问题（密度预测检验组合）不在您的现有武器库内，需补充密度预测诊断与多重比较调整的相关工具。

统计计算 / 算法 (stat_computing, 3 篇)¶

1. 10.1093/jrsssc/qlae068 · arXiv — Exploring first and second-order spatio-temporal structures of lightning strike impacts in the French Alps using heavy subsampling¶

作者: Juliette Blanchet, Jean-François Coeurjolly, Alexis Pellerin
期刊/来源: Journal of the Royal Statistical Society Series C
机构: Institut de Recherches en Technologies et Sciences pour le Vivant · Laboratoire Jean Kuntzmann · Leonard J. Chabert Medical Center · Institut des Géosciences de l'Environnement
分类: vol 74 · issue 3 · pp 576-597
相关性 6/10 · novelty: application
摘要: 本文分析法国阿尔卑斯山 2011–2021 年间约 140 万次云对地闪电击点，建模为时空点过程。目标包括检验强度函数的均匀性、一阶可分离性以及事件间的二阶依赖性。由于数据量巨大且时空极度非均匀，标准非参数方法和统计检验遭遇数值问题或集群超时。作者提出 heavy subsampling 策略大幅减少事件数量，从而绕过计算瓶颈。通过保留空间或时间结构的多种子抽样方案，仍能从子样本中得出对原始点模式一阶、二阶结构的可靠推断。该文为应用统计案例，并未发展新理论，但系统展示了在大数据下运行经典空间点过程方法时的实际计算困境与应对策略。这对您关注的统计计算（特别是大规模数据下的算法选择与计算折衷）有直接参考价值，也可启发在天文学点过程（如星系目录）中应用类似子抽样思路。
关键技术: spatio-temporal point process, nonparametric intensity estimation, second-order K-function, heavy subsampling, tests for homogeneity and separability, computational feasibility
为什么对您有用: 本文与您的统计计算兴趣直接相关，具体展示了经典非参数方法在超大数据量下的计算失效及简单子抽样策略的补救效果。您的技术武库中“非参数统计”和“高维渐近”可帮助评估子抽样对二阶估计量的信息损失，但该文本身未提供理论保证，因此宜作为应用案例而非方法学突破。如果未来想将子抽样理论严格化（例如在 M-估计框架下刻画子抽样对均方误差的影响），则属中期可做，需先在 moderately_familiar 的 M-estimation 上提升。对于天文学点模式的应用迁移，因数据结构和科学目标不同，也需额外领域适应。总体而言，该文值得速读以了解实际计算困难及工程解法，但不构成直接可复用的方法论突破。

2. 10.1093/jrsssc/qlae074 · arXiv — Fast spatial simulation of extreme high-resolution radar precipitation data using integrated nested Laplace approximations¶

作者: Silius M Vandeskog, Raphaël Huser, Oddbjørn Bruland, Sara Martino
期刊/来源: Journal of the Royal Statistical Society Series C
分类: vol 74 · issue 3 · pp 691-716
相关性 4/10 · novelty: application
摘要: 本文针对高分辨率雷达降水数据的空间极值模拟问题，提出了一种基于集成嵌套拉普拉斯近似（INLA）的快速推断方法。研究目标是为水文影响评估提供更精准的降水模拟，重点捕捉极值的尾部依赖结构。空间降水发生与否用四种竞争模型刻画，非零极端降水强度则采用空间条件极值模型的潜高斯版本，边际分布使用Gamma和广义帕累托似然。利用INLA框架实现快速贝叶斯推断，在挪威中部13年、1×1km²分辨率、6461km²区域的数据上，数小时内完成高维推断。模拟结果较好地再现了观测降水的主要趋势。该方法的核心贡献在于将INLA应用于高维空间极值建模，并验证了计算可行性，对统计计算中大规模空间数据的高效算法设计有参考价值。
关键技术: Integrated nested Laplace approximations (INLA), spatial conditional extremes model, latent Gaussian model, Generalized Pareto distribution
为什么对您有用: 本文直接关联您的统计计算兴趣（数值方法与算法实现）：INLA是高维空间数据快速推断的成熟工具，您对软件开发和逆问题处理很熟悉，可以借鉴其计算管线设计；此外，文中高分辨率雷达数据（空间维度高、依赖结构复杂）可作为测试算法效率的基准案例，属于中期可做的延伸方向——需先提升对空间极值模型（如条件极值）的熟悉度。

3. 10.1093/jrsssc/qlaf003 · arXiv — Warped multifidelity Gaussian processes for data fusion of skewed environmental data¶

作者: Pietro Colombo, Claire Miller, Xiaochen Yang, Ruth O’Donnell, Paolo Maranzano
期刊/来源: Journal of the Royal Statistical Society Series C
分类: vol 74 · issue 3 · pp 844-865
相关性 3/10 · novelty: new_method
摘要: 在多源异构环境监测数据融合设定下，目标是处理偏态分布与长距离插值不确定性，对具有不同可靠度与分辨率的时间序列进行预测。本文提出 warped multifidelity Gaussian process (WMFGP)，将 warped GP 的非线性单调变换（处理偏态）与 multifidelity GP 的层级协方差结构（融合低/高精度数据源）结合。核心机制在于：通过 warp 函数将原始偏态数据映射至正态空间再拟合 GP，同时利用 multifidelity 的 auto-regressive 结构保留跨数据集关系，部分削弱了插值距离对不确定性的强依赖。模拟实验与意大利 ARPA Lombardia 风速数据实证表明，WMFGP 在填补大间隔缺失值时优于传统变换或多保真度方法。对您可能有用：本文的多保真度层级协方差建模思路，可作为非参数/半参数理论中多源数据融合效率界讨论的案例参考。
关键技术: warped Gaussian process, multifidelity Gaussian process, auto-regressive covariance structure, monotonic warp transformation, data fusion, skewness normalization
为什么对您有用: 本文属于 stat_computing 与非参数建模交叉的应用方法论文，核心是 GP 的多保真度与 warp 变换的工程组合，理论 novelty 较有限（novelty_flag = new_method 但无 sharper rate 或 efficiency bound）。(1) 连接到 stat_computing 中的数值方法与多源数据融合算法，以及非参数 GP 回归设定；(2) 用 very_familiar 的非参数统计与 minimax bound 视角，可以审视 WMFGP 在偏态 warp 后的估计效率是否达到某种 minimax rate——当前论文未触及此理论口子；(3) 中期可做：需先在 moderately_familiar 的 M-estimation theory 上长肌肉，以将 warp + multifidelity GP 的估计问题严格嵌入半参数效率框架，推导 influence function 与效率界。

流行病学 (epidemiology, 6 篇)¶

1. 10.1093/jrsssc/qlae072 — Evaluating treatment effect modifiers using data from randomized two-sequence, two-period crossover clinical trials: application to a diabetes study¶

作者: Ryo Emoto, Masataka Igeta, Kota Matsui, Kiyoaki Ishii, Toshinari Takamura, Shigeyuki Matsui
期刊/来源: Journal of the Royal Statistical Society Series C
机构: Nagoya University · Hyogo Medical University · Kanazawa University · Kanazawa Medical University · National Center for Geriatrics and Gerontology · The Institute of Statistical Mathematics
分类: vol 74 · issue 3 · pp 659-674
相关性 7/10 · novelty: application
摘要: 本文聚焦于两序列两阶段交叉设计（crossover）临床试验中治疗效应修饰子的识别与评估，以2型糖尿病研究为背景。目标是在有限样本下检验基线标记物是否修饰治疗效应，并估计个体化的治疗差异预测值。利用交叉设计中的患者自身对照消除个体间混杂，提出相应的统计检验方法和预测模型。数值评估表明，交叉设计在效率上显著高于平行组设计。案例应用于糖尿病临床试验，发现治疗前外周血基因表达可显著修饰药物效应，并定义出推荐不同治疗方案的亚组。对于您而言，本文提供了流行病学中交叉设计用于个性化治疗的因果推断分析范式，与您的因果推断和流行病学应用兴趣直接相关，其效率分析思路可借鉴非参数统计框架。
关键技术: crossover design, treatment effect modifier, personalized medicine, efficiency enhancement, statistical testing, prediction model
为什么对您有用: (1) 连接次要兴趣流行病学的因果推断应用，具体为交叉设计在治疗效应修饰分析中的运用； (2) 您非常熟悉的因果推断估计理论（estimation theory in causal inference）可直接评估该方法在效率提升上的理论边界，例如对比平行组设计的方差缩减； (3) 中期可做：若需系统推导交叉设计下的最优估计量（如半参数有效估计），可借助您 moderately familiar 的半参数理论（semiparametric theory）进行影响函数分析，是可行的拓展方向。

2. 10.1093/jrsssc/qlae067 — A Bayesian spatio-temporal Poisson auto-regressive model for the disease infection rate: application to COVID-19 cases in England¶

作者: Pierfrancesco Alaimo Di Loro, Dankmar Böhning, Sujit K Sahu
期刊/来源: Journal of the Royal Statistical Society Series C
机构: Libera Università Maria SS. Assunta · University of Southampton
分类: vol 74 · issue 3 · pp 551-575
相关性 7/10 · novelty: application
摘要: 本文提出一个贝叶斯时空泊松自回归模型，用于COVID-19每周感染率的分析和预测，数据为英格兰地方政府区域的病例计数。模型通过泊松自回归整合时空依赖性，并利用相邻区域信息借力，以刻画局部动态。采用稀疏矩阵表示在Stan软件中实现高效贝叶斯推断，并通过模拟研究验证模型性能。实际分析中，模型检测到显著的时空异质性，并验证了若干驱动疫情的因素。本文提供了完整的流行病学数据分析管道，包括数据整合、模型拟合和结果解释，对流行病学应用方向具有参考价值。
关键技术: Bayesian spatio-temporal model, Poisson auto-regression, sparse matrix representation, Stan software, MCMC, borrowing strength from adjacent areas
为什么对您有用: 本文属于流行病学应用，展示了贝叶斯时空建模在COVID-19数据分析中的完整流程，可作为该方向的入门读物。您的软件开发和逆问题经验（very_familiar）可用于审视和优化其稀疏矩阵实现效率。深入理解需补充贝叶斯分层建模知识，属“中期可做”。

3. 10.1093/jrsssc/qlae070 — Personalized dynamic super learning: an application in predicting hemodiafiltration convection volumes¶

作者: Arthur Chatton, Michèle Bally, Renée Lévesque, Ivana Malenica, Robert W Platt, Mireille E Schnitzer
期刊/来源: Journal of the Royal Statistical Society Series C
机构: Université de Montréal · Centre Hospitalier de l’Université de Montréal · Harvard University · Jewish General Hospital · McGill University
分类: vol 74 · issue 3 · pp 617-637
相关性 6/10 · novelty: application
摘要: 该论文针对个性化医学中动态预测的挑战，将个性化在线超级学习器（POSL）改编用于重复测量的连续结局（血液透析滤过患者对流体积的预测），并提出了一种新的验证此类动态个性化预测模型的方法。POSL通过在线集成参数回归和机器学习候选学习器，利用累积数据进行实时更新预测，并采用加权集成策略。作者使用中位绝对误差、校准-in-the-large、区分度和净获益等指标评估性能，并与候选学习器比较。实证结果显示POSL在所有指标上均优于单个候选学习器。该工作为临床预测模型提供了一种灵活且可定制的框架，并讨论了如计算成本、候选库选择等使用中的挑战。对您而言，本文是流行病学中预测模型应用的一个实例，展示了一种集成学习与在线学习结合的实际解决方案，可借鉴其模型验证和性能评估思路。
关键技术: Personalized Online Super Learner (POSL), dynamic prediction, super learner ensemble, calibration-in-the-large, net benefit, repeated continuous outcome
为什么对您有用: 本文属于您的 secondary interest「流行病学应用」，展示了如何利用集成学习构建动态预测模型，并提出了新的验证框架。您可以用 moderately_familiar 中的 M-estimation theory 分析其加权集成的渐近性质及验证指标的一致性，从而判断该方法在因果推断预测场景中的适用性。该方向立即可做：您对 nonparametric statistics 和 software development 非常熟悉，可直接复现或扩展其验证方法至因果预测问题。

4. 10.1093/jrsssc/qlae073 — Wastewater surveillance using differentiable Gaussian processes¶

作者: Emily Somerset, Patrick E Brown
期刊/来源: Journal of the Royal Statistical Society Series C
机构: University of Toronto · Statistical Research (United States) · Centre for Global Health Research
分类: vol 74 · issue 3 · pp 675-690
相关性 5/10 · novelty: application
摘要: 本文针对废水监测中的病毒信号推断问题，提出了一个贝叶斯分层建模框架，用于联合估计病毒浓度信号及其导数。核心方法使用可微高斯过程：共同趋势建模为Integrated Wiener过程，站点特异性偏差采用阶数1.5的Matérn协方差函数。该框架能够处理废水数据的常见特征（如测量误差、缺失值）和局限性，并通过马尔可夫链蒙特卡洛进行后验推断。应用于加拿大、英国伦敦的SARS-CoV-2浓度以及加州中部的RSV浓度数据，结果表明该框架在回顾性和实时监测场景下均能可靠估计信号及其变化率，且导数估计对模型的可微性敏感。本文是非参数贝叶斯方法在流行病学中的实际应用，研究者可借助非参数统计和软件工程背景评估或改进该模型的计算效率。
关键技术: differentiable Gaussian processes, Integrated Wiener Process, Matérn covariance of order 1.5, Bayesian hierarchical modelling, derivative estimation, wastewater-based surveillance
为什么对您有用: 本文属于流行病学领域的应用研究，与您的secondary interests直接相关。其使用的可微高斯过程属于非参数统计范畴（very_familiar），您可用非参数工具评估其模型假设的合理性；同时，该模型的贝叶斯计算涉及大规模协方差矩阵操作，与您对数值方法和软件开发的兴趣（very_familiar）高度契合。作为流行病学方向的门槛阅读，本文模型架构清晰、数据说明详细，值得花时间读全文，后续可考虑引入因果结构或以更高计算效率的变分推断替代MCMC。

5. 10.1093/jrsssc/qlaf001 — A patient similarity-embedded Bayesian approach to prognostic biomarker inference with application to thoracic cancer immunity¶

作者: Duo Yu, Meilin Huang, Michael J Kane, Brian P Hobbs
期刊/来源: Journal of the Royal Statistical Society Series C
机构: Medical College of Wisconsin · Kaiser Permanente South San Francisco Medical Center · The University of Texas MD Anderson Cancer Center · The University of Texas at Austin
分类: vol 74 · issue 3 · pp 800-823
相关性 4/10 · novelty: application
摘要: 本文提出了一种整合机器学习与贝叶斯建模的新统计方法，用于个性化预后预测，并应用到非小细胞肺癌肿瘤微环境中的抗癌免疫标志物的预后价值评估。核心方法是基于power prior构建“病人相似性嵌入”（patient-similarity embedding），以识别局部的预后模式。该方法在调整已知临床特征的同时，利用贝叶斯框架量化生物标志物的预后贡献。与传统回归和标准机器学习模型相比，该方法在预测准确性上表现更优，并能有效识别亚组异质性。研究结果为免疫标志物的临床预后价值提供了统计推断支持和假设检验框架。对您而言，这是一篇流行病学领域的真实数据应用论文，展示了如何将贝叶斯方法与相似性度量结合用于高维生物标志物筛选，其分析流程对您关注的因果推断和统计计算实践具有参考价值。
关键技术: power prior, patient-similarity embedding, Bayesian modeling, prognostic biomarker inference, subgroup identification
为什么对您有用: 本文属于您secondary interest中的流行病学应用方向，直接涉及肿瘤免疫标志物的预后价值评估，使用了非平凡的贝叶斯与机器学习融合方法。您的技术武器库中“软件开发和M-estimation理论”可以作为理解该方法实现和推断框架的基础，但当前方法的创新点更偏向贝叶斯建模而非因果推断，因此属于暂不可做范畴——需要补充power prior和贝叶斯模型平均的相关知识才能完全吸收。不过作为流行病学应用案例，值得一读以了解真实数据中的变量调整与亚组分析模式。

6. 10.1093/jrsssc/qlae077 — Tree models for assessing covariate-dependent method agreement with an application to physical activity measurements¶

作者: Siranush Karapetyan, Achim Zeileis, André Henriksen, Alexander Hapfelmeier
期刊/来源: Journal of the Royal Statistical Society Series C
机构: Technical University of Munich · Universität Innsbruck · UiT The Arctic University of Norway
分类: vol 74 · issue 3 · pp 775-799
相关性 3/10 · novelty: application
摘要: 本文针对方法比较研究（如两设备测量一致性）中常见Bland-Altman分析假定差异同分布的限制，提出‘条件方法一致性’概念，使一致性可依赖协变量而异。作者开发了多种基于回归树的分组模型，根据协变量（如性别、年龄等）自动划分子组，并在子组内独立评估一致性。应用于两个加速度计测量身体活动的实际数据，结果显示一致性显著依赖于参与者年龄。模拟研究表明，随着样本量增大，树模型能以高准确率识别出真实子组。方法已封装为R包coat公开发布。虽然方法学深度有限，但为流行病学中处理异质性测量协议提供了实用且可复现的工具，与您统计计算（R包开发）兴趣直接相关。
关键技术: tree-based models, Bland-Altman analysis, conditional method agreement, subgroup detection, R package coat
为什么对您有用: 该文直接关联您二级兴趣中的流行病学应用（physical activity测量方法比较），其提供的R包与您武器库中‘软件发展’项高度匹配，可快速评估其代码结构与实现逻辑。由于您已熟悉非参数树模型（very_familiar），理解该方法并动手复现或扩展属于‘立即可做’范围。

其他 (other, 5 篇)¶

1. 10.1093/jrsssc/qlae076 — Spatiotemporal modelling with dynamic deformation for nonstationary covariance structures¶

作者: Fidel Ernesto Castro Morales, Marina Silva Paez
期刊/来源: Journal of the Royal Statistical Society Series C
机构: Universidade Federal do Rio Grande do Norte · Universidade Federal do Rio de Janeiro · Czech Academy of Sciences, Institute of Mathematics
分类: vol 74 · issue 3 · pp 743-774
相关性 4/10 · novelty: new_method
摘要: 本文提出一种动态变形的时空模型，允许空间相关结构随时间平滑变化。核心方法是利用状态空间模型对变形参数进行动态建模，从而捕捉非平稳协方差结构。模型参数采用贝叶斯方法估计，通过MCMC近似后验分布。研究动机源于南巴西地区月平均气温数据，该区域因高原、山脉和大西洋邻近而具有显著地理多样性，且气象现象随时间变化可能影响空间相关性。应用结果表明，与静态变形模型相比，所提动态模型显著提升了温度建模的拟合效果。该方法在时空统计建模中具有通用性，但并非本文研究者核心方向。
关键技术: spatial deformation, state space models, Bayesian MCMC, nonstationary covariance, dynamic correlation
为什么对您有用: 本文属于时空统计建模的方法应用，与研究者的主要兴趣（因果推断、高维统计、半参数理论等）无直接关联。但统计计算方法（MCMC）是研究者“statistical computing”兴趣中的一个具体工具；此外，时空模型在地理学和流行病学中常见，可能作为研究者次要兴趣（流行病学应用）的备选方法。然而，本文的核心贡献（动态变形）与研究者当前武器库（如非参数统计、U统计量）的衔接较弱，仅作为统计计算方法的一个实例，可能不值得深入阅读。

2. 10.1093/jrsssc/qlae071 — Understanding power grid network vulnerability through the stochastic lens of network motif evolution¶

作者: Yuzhou Chen, Hon Keung Tony Ng, Yulia R Gel, H Vincent Poor
期刊/来源: Journal of the Royal Statistical Society Series C
机构: University of California, Riverside · Bentley University · U.S. National Science Foundation · Virginia Tech · Princeton University
分类: vol 74 · issue 3 · pp 638-658
相关性 4/10 · novelty: application
摘要: 本文针对现代电网等网络系统的高可靠性需求，通过评估网络motif（子图模式）的演化动力学来量化系统脆弱性。作者构建了一个新的随机模型，将复杂网络的拓扑度量（如motif频率及其变化）作为描述网络结构和响应异常事件的关键指标。该模型利用随机过程刻画motif随时间演化的统计特征，从而揭示网络在遭受攻击或故障时的脆弱性模式。在多个真实电网数据集上的实验表明，该方法在系统韧性量化方面优于传统单一拓扑指标。虽然论文主要面向工程可靠性应用，但其核心思想——利用低阶子图结构的统计变化来监测系统退化——可被视为一种非参数网络监控方法。然而，本文未涉及因果推断或高维渐近理论，与研究者当前的核心兴趣方向无直接交叉。
关键技术: network motif dynamics, stochastic model for graph evolution, topological resilience quantification, cyber-physical system reliability
为什么对您有用: 本文属于应用统计范畴，聚焦电力网络韧性评估，与研究者primary interests（因果推断、高维随机矩阵、半参效率理论等）无直接关联。武器库中'树宽/张量收缩'（higher-order U-statistics计算）可能适用于motif计数的最优算法，但本文未涉及计算复杂度或张量网络模型，因此当前暂不可做深入跟进。可作跨领域阅读以扩展统计应用视野，但无需投入大量时间。

3. 10.1093/jrsssc/qlaf005 — A design-based view of species richness estimation in environmental surveys¶

作者: Rosa M Di Biase, Lorenzo Fattorini, Agnese Marcelli
期刊/来源: Journal of the Royal Statistical Society Series C
机构: University of Siena · National Biodiversity Institute · University of Palermo · Università degli Studi della Tuscia
分类: vol 74 · issue 3 · pp 884-903
相关性 3/10 · novelty: application
摘要: 本文从基于设计的视角研究物种丰富度估计，考虑物种的概率抽样方式，并检验SPADE软件中自动估计量的性能。理论和模拟表明这些估计量存在严重的负偏倚，即在估计丰富度时系统性低估。为减少低估，作者提出利用专门调查编制的稀有物种列表进行数据整合，先剔除列表中的物种，再估计剩余物种的丰富度。估计采用自助法均方误差估计量，并通过模拟和四个案例进行评估。结果显示该方法能有效降低偏差，提升估计准确性。对您可能有用：该文展示了抽样设计和非参数估计在生态调查中的应用，但非您的核心兴趣方向，可作为统计计算在应用领域的一个案例。
关键技术: design-based estimation, bootstrap MSE estimation, SPADE estimators, data integration (purposive surveys)
为什么对您有用: 1) 论文属于应用统计范畴，其设计基础视角与因果推断中的设计思想有相通之处，但具体方向为生态统计，并非您的核心兴趣。2) 武器库中的'nonparametric statistics'和'estimation theory'可用于理解该文估计量的偏倚来源，但需要补充生态抽样背景。3) follow-up粗判：暂不可做，因为需要生态领域专业知识且与您当前研究主线距离较远。

4. 10.1093/jrsssc/qlaf004 — A changepoint approach to modelling nonstationary soil moisture dynamics¶

作者: Mengyi Gong, Rebecca Killick, Christopher Nemeth, John Quinton
期刊/来源: Journal of the Royal Statistical Society Series C
机构: Lancaster University
分类: vol 74 · issue 3 · pp 866-883
相关性 2/10 · novelty: application
摘要: 在土壤湿度时间序列设定下，目标是自动识别干降段的结构变点并同时估计指数衰减模型参数，替代传统人工分段方法。核心方法基于 changepoint 检测框架，将分段与参数估计联合进行，并支持协变量引入与 penalty learning。模拟研究展示了变点检测与参数恢复的表现，实证分析使用了 NEON 小时级数据，复现了已知土壤干降关系并揭示不同土壤类型的时间变异性。对您而言，本文是环境时间序列变点检测的应用案例，方法学 novelty 有限（changepoint 模型属成熟工具），但数据结构与建模思路可作为跨领域时间序列分段的参考。
关键技术: changepoint detection, exponential decay model, penalty selection (BIC/CROPS), segmented parameter estimation, covariate adjustment in changepoint
为什么对您有用: 本文属于环境科学应用，核心是成熟 changepoint 方法在土壤湿度时间序列的落地，与您 primary interest（causal inference / high-dim / efficiency）无直接交集。若您对时间序列变点检测的统计计算（如 penalty learning 的数值实现）感兴趣，可作为轻量应用读物；但武器库中无需为此长肌肉。暂不可做：本文无理论突破口可供您用 minimax / U-stat / efficiency 工具攻入，读摘要即可判断无需展开读全文。

5. 10.1093/jrsssc/qlae075 — Bayesian state-space models for the modelling and prediction of the results of English Premier League football¶

作者: P Gareth Ridall, Andrew C Titman, Anthony N Pettitt
期刊/来源: Journal of the Royal Statistical Society Series C
机构: Lancaster University · Australian Research Council · Queensland University of Technology · ARC Centre of Excellence for Mathematical and Statistical Frontiers
分类: vol 74 · issue 3 · pp 717-742
相关性 2/10 · novelty: application
摘要: 本文在贝叶斯状态空间模型（SSM）框架下，对英超足球比赛结果及球队攻防能力与主场优势等隐状态进行动态预测。模型核心利用了观测更新步骤中的共轭性，结合隐状态演化的精确表达式，避免了数值积分。共轭结构使得作者可以采用 mean-field 变分近似来高效更新后验，从而在动态预测中兼顾精度与计算效率。实证基于英超历史全数据，显示该方法在预测精度上优于加权似然与 score-driven 时间序列方法。对您而言，本文展示了共轭结构 + mean-field 在动态隐状态推断中的计算优势，可作为 stat_computing 方向的轻量参考案例。
关键技术: Bayesian state-space model, conjugate update, mean-field variational approximation, score-driven time series, dynamic latent strength estimation
为什么对您有用: 本文属于 stat_computing 与动态推断的交叉应用，核心是共轭结构驱动的 mean-field 变分更新，与您 technical_arsenal 中的 software development / high-dimensional asymptotics 无直接理论对接。用 very_familiar 的软件开发能力可以复现其推断流程，但模型本身（离散体育数据、特定共轭族）对您 primary interests（因果推断、高维 RMT、效率理论）无方法论迁移价值。暂不可做：缺乏与您核心理论武器（U-statistics / minimax / semiparametric efficiency）的接口，仅适合作为计算实现的休闲阅读。

Maintained by 陈星宇 · Homepage · Source on GitHub