JBES — Vol 43 Issue 2 · 2026-06-21¶

共 17 篇 · Journal of Business & Economic Statistics
目录核对 ✅ 17 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。

这一期 JBES 第 43 卷第 2 期共 17 篇论文，覆盖因果推断、非参/半参数估计、高维矩阵因子模型、经济理论建模、假设检验与统计计算等多条主线。因果推断方向贡献最为集中：四篇论文分别处理随机实验多处理组的回归调整效率（比较 separate RA 与 pooled RA 的渐进方差）、双重差分框架下的分位数处理效应估计（基于经验 CDF 逆变换并允许协变量）、样本选择下因果概率的部分识别（引入单调处理和随机占优假设收紧识别界），以及高维工具变量模型中异方差稳健的过度识别检验（基于极大范数与 power-enhancement 技术）。非参/半参数方向有两篇：一篇用非负多项式最小范数似然比实现密度比估计（凸优化、半定规划），另一篇将 Shapley 值从有限样本重要性度量提升为非参平滑曲线，推导 minimax 速率及 wild bootstrap 推断。高维矩阵与因子模型方向有三篇：矩阵因子模型的准极大似然估计（显式建模异方差特质误差并给出渐近分布）、多期动态组合优化中提出的 RP-PPCA 因子降维与半参数模型平均（AMA）、大维偏 t copula 的贝叶斯变分推断（因子结构、随机梯度上升）。此外还有数篇涉及样本选择下的分布分解、ICA 核似然估计、贝叶斯组合共轭先验、零利率下界的 shadow-rate DNS 模型、几乎随机占优一致检验、系统性传染检验，以及两类统计计算算法（潜变量面板的 PX-SEM、贝叶斯变点与异常值 ABCO）。

因果推断主线最为突出，集中展示了在随机实验、DID、部分识别、高维 IV 等不同设定下对识别效率与推断可靠性的推进。其中 Robust and Efficient Estimation of Potential Outcome Means 对多处理组回归调整的渐进方差做了严格比较，指出 separate RA 在斜率异质时严格优于 pooled RA，这一结论直接关乎因果估计的效率选择。Difference-in-Differences Estimator of Quantile Treatment Effect 将 DID 框架扩展到分位数处理效应，假设条件与均值 DID 兼容但弱于 Changes-in-Changes，并给出简单可实施的逆分位数估计。Probability of Causation with Sample Selection 在单调样本选择假设下推导因果概率的 sharp 识别界，再通过单调处理反应和随机占优逐步收紧，属于部分识别方法在因果概率问题上的直接应用。A Heteroscedasticity-Robust Overidentifying Restriction Test 则在高维 IV 中解决了传统 J 检验不可行的问题，引入 max-norm 统计量和 power-enhancement，为过度识别检验提供了异方差稳健且有效的新工具。

高维与矩阵方向同样密集，三篇论文均在因子结构或降维框架下处理高维数据。Quasi Maximum Likelihood Estimation for Large-Dimensional Matrix Factor Models 显式建模误差异方差，其渐近理论依赖矩阵谱分析，与随机矩阵理论直接相通。Multiperiod Dynamic Portfolio Choice 中的 RP-PPCA 和 AMA 将半参数模型平均与高维因子降维结合，在动态优化中近似最优。Large Skew-t Copula Models 则用变分推断处理高维非对称尾部依赖，因子 copula 结构可支持多达 15 个因子，计算效率优于 MCMC。

若主要关注因果推断与半参数效率，可优先阅读 Robust and Efficient Estimation of Potential Outcome Means（随机实验下的 RA 效率比较）、Difference-in-Differences Estimator of Quantile Treatment Effect（DID 分位数方法）、Probability of Causation with Sample Selection（部分识别在因果概率中的应用）及 A Heteroscedasticity-Robust Overidentifying Restriction Test（高维 IV 检验）。若关注高维矩阵与因子分析，则 Quasi Maximum Likelihood Estimation for Large-Dimensional Matrix Factor Models 和 Multiperiod Dynamic Portfolio Choice 的相关部分值得细读。非参方向中 Shapley Curves 将可解释性度量纳入非参推断框架，对理解变量重要性估计的收敛性质也有参考价值。

因果推断 (causal_inference, 4 篇)¶

1. 10.1080/07350015.2024.2394576 · arXiv — Robust and Efficient Estimation of Potential Outcome Means Under Random Assignment¶

作者: Akanksha Negi, Jeffrey M. Wooldridge
期刊/来源: Journal of Business & Economic Statistics
分类: vol 43 · issue 2 · pp 454-467
相关性 8/10 · novelty: new_theory
摘要: 在随机实验（randomized experiment）设定下，研究当处理水平多于两个时，使用回归调整（RA）估计各潜在结果均值的效率问题。目标 estimand 是每个处理组的 E[Y(t)]，识别由随机分配保证。线性 RA 对每个处理组分别拟合斜率（separate RA），其渐近方差不大于仅用子样本均值（subsample averages）的方差。进一步证明，除非各组线性投影的斜率参数完全相同，否则 separate RA 严格优于将数据合并后只估计一个斜率的 pooled RA。对于非线性 RA（如 logit、Probit 等非线性条件均值模型），文章刻画了一类“一致估计”条件：只要对每个处理组单独估计参数，即使条件均值函数任意误设，潜在结果均值估计量仍保持一致性。最后，将上述方法应用于加州石油泄漏预防计划的支付意愿下限估计，展示实际效率增益。这篇文章对因果推断中随机实验的估计实践有直接指导意义，尤其是多处理组场景下的回归调整策略选择。
关键技术: regression adjustment, potential outcome means, asymptotic variance comparison, separate vs. pooled estimation, misspecification robustness
为什么对您有用: 本文直接涉及 causal inference 中随机实验的估计效率问题，属于 primary interest 中的 estimation theory。研究者 very_familiar 的“estimation theory in causal inference”可以立即理解全文技术细节并判断方法迁移价值。立即可做：本文的理论结果（separate RA 优于 pooled RA 的条件）可直接用于研究者已有因果推断项目中的多处理组估计，无需额外工具。

2. 10.1080/07350015.2024.2388643 — Difference-in-Differences Estimator of Quantile Treatment Effect on the Treated¶

作者: Doosoo Kim, Jeffrey M. Wooldridge
期刊/来源: Journal of Business & Economic Statistics
机构: Toronto Metropolitan University · Michigan State University
分类: vol 43 · issue 2 · pp 401-412
相关性 8/10 · novelty: new_method
摘要: 本文在双重差分（DID）框架下，针对处理组的分位数处理效应（QTT）提出新的识别和估计方法。关键识别假设是未处理潜在结果的累积分布函数（CDF）在处理组和对照组之间具有共同时间效应，且允许包含协变量。该假设等价于两组未处理结果密度变化的净差异相同，与传统均值DID假设兼容，但不同于Changes-in-Changes模型的强条件。估计方法基于经验CDF的逆变换，计算简单，可直接用STATA实现。理论部分建立了QTT估计量及相关函数的一致性和弱收敛性，同时置信带对离散结果变量仍然有效。实证应用研究了美国劳动所得税抵免（EITC）对出生体重的分布影响。本文对您的主要兴趣——因果推断中的DID方法及其分布效应识别——直接相关，尤其适合作为传统均值DID向分位数效应扩展的入门阅读。
关键技术: Difference-in-Differences, Quantile Treatment Effect on the Treated (QTT), Cumulative distribution function, Uniform consistency, Weak convergence, Covariate adjustment
为什么对您有用: 本文直接切入您第一兴趣‘因果推断’中的双重差分（DID）方法，且聚焦于分位数处理效应（QTT）而非平均效应，拓展了DID的应用场景。虽然未涉及高阶U统计量或半参数效率界，但其识别假设的构建和估计量的渐近理论（一致收敛、弱收敛）可类比于您‘非常熟悉’的非参数统计工具进行检验或扩展。立即可做：您可尝试将本文的DID-QTT识别假设与您熟悉的非参数最小最大界结合，评估其在弱分布偏离下的鲁棒性；或利用其实证数据结构，作为您经济理论应用（次要兴趣）的入门示例。

3. 10.1080/07350015.2024.2388639 · arXiv — Probability of Causation with Sample Selection: A Reanalysis of the Impacts of Jóvenes en Acción on Formality¶

作者: Vitor Possebom, Flavio Riva
期刊/来源: Journal of Business & Economic Statistics
分类: vol 43 · issue 2 · pp 391-400
相关性 8/10 · novelty: new_method
摘要: 本文在存在样本选择（sample selection）的情况下，研究因果概率（probability of causation）的部分识别问题。目标 estimand 是“因处理而导致结果转变”的条件概率，针对治疗状态下始终被观测到的子群（always-observed）。作者首先在外生处理和单调样本选择机制（monotone sample selection）的假设下，推导了 sharp 识别界。为收紧界，进一步引入单调处理反应（monotone treatment response）和随机占优（stochastic dominance）假设，形成三组递增严格的识别集。方法论上，使用部分识别框架，结合经验过程推导出置信区域。最后，利用哥伦比亚职业培训项目 Jóvenes en Acción 的随机实验数据进行实证分析：对于始终就业的女性群体，程序使 10.2%–13.4% 的人转向正规劳动市场，但 90% 置信区间的下界不能拒绝为零。本文对因果推断中样本选择与部分识别的结合提供了直接的工具，适合您在因果推断领域内扩展纵向或 IV 设定下的类似 bound 分析。
关键技术: partial identification, sharp bounds, monotone sample selection, monotone treatment response, stochastic dominance, confidence regions via empirical process
为什么对您有用: 本文直接对应您 primary interest 中因果推断的 sample selection 与 partial identification 子方向，尤其是“causation probability”的识别问题。您 very_familiar 的 estimation theory in causal inference 可直接用于理解其 sharp bounds 推导逻辑及数据应用，无需额外工具即可复现并尝试扩展至纵向或 IV 框架。中期可做：若希望将此类 bound 推广至违反单调性假设的敏感性分析，需先在 moderately_familiar 的 identification theory 上积累（如弱工具变量下的部分识别），但非必要。

4. 10.1080/07350015.2024.2388654 — A Heteroscedasticity-Robust Overidentifying Restriction Test with High-Dimensional Covariates¶

作者: Qingliang Fan, Zijian Guo, Ziwei Mei
期刊/来源: Journal of Business & Economic Statistics
机构: Chinese University of Hong Kong · Rutgers Sexual and Reproductive Health and Rights
分类: vol 43 · issue 2 · pp 413-422
相关性 8/10 · novelty: new_method
摘要: 本文在高维线性工具变量（IV）模型框架下，提出了一个异方差稳健的过度识别检验，允许协变量和工具变量的维数超过样本量。与传统过度识别检验（如Hansen J检验）不同，该方法不依赖于协方差矩阵的逆，因此在高维设定下可行。检验统计量基于多个参数的极大范数（max norm），并证明其渐近分布可由bootstrap逼近。针对大量“局部无效”工具变量的极端备择，作者进一步引入power-enhancement技术，加入一个渐近为零的分量以提升检出力。理论结果表明，所提检验比已有的修正Cragg-Donald检验具有更高的渐近功效。最后通过贸易与经济增长的实证例子展示了方法的实用价值。这篇论文直接关联研究者的因果推断（IV）和高维统计兴趣，同时提供了真实经济数据集的分析思路。
关键技术: overidentifying restriction test, high-dimensional IV, maximum norm test statistic, power enhancement
为什么对您有用: 本文直接对接因果推断中IV模型的假设检验和高维统计两个核心兴趣点，特别是协变量和工具变量皆可高维的场景。研究者武器库中的高维渐近理论和IV估计理论可立即用于理解检验的渐近性质和bootstrap实现，属于立即可做的范围。此外，实证部分涉及贸易与经济增长数据集，可作为经济理论应用的一个案例。

高维统计 / 随机矩阵 (high_dim_rmt, 1 篇)¶

1. 10.1080/07350015.2024.2393724 — Quasi Maximum Likelihood Estimation for Large-Dimensional Matrix Factor Models¶

作者: Sainan Xu, Chaofeng Yuan, Jianhua Guo
期刊/来源: Journal of Business & Economic Statistics
机构: Northeast Normal University · Heilongjiang University · Beijing Technology and Business University
分类: vol 43 · issue 2 · pp 439-453
相关性 7/10 · novelty: new_method
摘要: 在高维矩阵因子模型设定下，本文提出 quasi maximum likelihood estimation (Q-MLE) 以同时估计因子载荷与异方差特质误差矩阵。与基于 PCA 的 projected estimator (PE) 不同，Q-MLE 显式建模并估计误差的行/列异方差结构；在误差同方差时，Q-MLE 退化为 PE。作者在 mild regularity 条件下给出了 Q-MLE 的收敛速率与渐近分布，并通过数值实验与金融/宏观经济学实证展示了异方差设定下 Q-MLE 的优势。对您可能有用：该文的渐近理论推导涉及高维矩阵谱分析，与您的高维渐近/随机矩阵理论兴趣直接相连。
关键技术: quasi maximum likelihood estimation, matrix factor model, heteroscedastic idiosyncratic error, projected estimator, high-dimensional asymptotics, convergence rate
为什么对您有用: 本文直接连接到您的高维统计与随机矩阵理论（RMT）子方向：矩阵因子模型的 Q-MLE 渐近分析本质上依赖高维谱理论，是 RMT 在计量经济中的应用场景。用您 very_familiar 的「高维渐近」武器可以审视其收敛速率是否达到 minimax 界、以及异方差建模是否改变了经典的 Marchenko-Pastur 型谱极限。Follow-up 粗判：立即可做——用您熟悉的高维渐近工具即可复现/验证其速率与渐近分布推导。

非参数 / 半参数 (nonparam_semipara, 2 篇)¶

1. 10.1080/07350015.2024.2394587 · arXiv — Constrained Polynomial Likelihood¶

作者: Caio Almeida, Ricardo Masini, Paul Schneider
期刊/来源: Journal of Business & Economic Statistics
分类: vol 43 · issue 2 · pp 482-493
相关性 7/10 · novelty: new_method
摘要: 本文提出非负多项式最小范数似然比（PLR），用于在仅已知部分矩条件下估计两个分布的似然比。PLR通过求解凸优化问题，在多项式函数空间中寻找满足矩约束且范数最小的正函数，从而实现密度比估计。样本PLR在温和条件下一致收敛到真实PLR，并可额外添加形状约束（如非负性、单调性）。方法核心是使用多项式基和半定规划等凸优化技术，避免了核密度估计的带宽选择。两个金融实证应用展示了PLR在跳跃扩散过程转移密度估计和期权隐含密度提取中的有效性。该方法为非参数密度估计提供了灵活且计算可行的新工具。对您而言，本文涉及非参数统计和数值优化，与您的非参数理论与统计计算兴趣直接相关，尤其可借鉴其约束优化思路应用于经济数据中的密度估计问题。
关键技术: minimum-norm likelihood ratio, polynomial approximation, convex optimization (SDP), shape constraints, nonnegative density estimation
为什么对您有用: 本文属于经济理论应用（期权定价、跳跃扩散过程）中的非参数密度估计方法，与您的secondary interest in economic theory和primary interest in nonparametric statistics直接相关。您武器库中的'非参数统计'和'软件开发'技能可立即用于实现本文的PLR算法，并可拓展至其他形状约束或矩条件场景。立即可做：无需学习新工具即可复现并推广该方法。

2. 10.1080/07350015.2024.2365781 · arXiv — Shapley Curves: A Smoothing Perspective¶

作者: Ratmir Miftachov, Georg Keilbar, Wolfgang Karl Härdle
期刊/来源: Journal of Business & Economic Statistics
分类: vol 43 · issue 2 · pp 312-323
相关性 7/10 · novelty: new_theory
摘要: 本文在非参数平滑视角下，将 Shapley 值从有限样本的变量重要性度量提升为群体水平的 estimand——Shapley 曲线，其由条件期望函数与协变量分布共同决定。针对该 estimand，作者在一般条件下推导了两种主流估计策略的 minimax 收敛速率与渐近正态性，填补了 Shapley 值作为统计量缺乏收敛理论的空白。为实现有限样本推断，提出了一种适配 Shapley 曲线估计中低阶项的 wild bootstrap 新变体，以捕捉估计的剩余不确定性。数值模拟验证了理论结论，实证分析应用于汽车价格决定因素。对您可能有用：本文将可解释性机器学习的 Shapley 值严格纳入非参数估计与 minimax 理论框架，直接对接您的 nonparametric statistics 与 minimax bounds 武器库。
关键技术: Shapley curve (population estimand), minimax convergence rate, asymptotic normality, wild bootstrap inference, nonparametric smoothing, conditional expectation estimation
为什么对您有用: 本文直接对接 primary interest 中的 nonparametric theory 与 minimax bounds，将黑箱可解释性工具严格定义为非参数 estimand 并给出 minimax rate。(2) 您 very_familiar 的 minimax bounds for estimation problems 与 nonparametric statistics 可直接用来审视其声称的 minimax rate 是否紧，以及 wild bootstrap 对低阶项的覆盖是否完备。(3) 立即可做：用您熟悉的 minimax 与非参数工具即可复现/检验其速率与推断理论，甚至可尝试用 HOIF 视角改进其低阶项估计效率。

数理统计 / 假设检验 (hypothesis_testing, 2 篇)¶

1. 10.1080/07350015.2024.2374274 · arXiv — Tests for Almost Stochastic Dominance¶

作者: Amparo Baíllo, Javier Cárcamo, Carlos Mora-Corral
期刊/来源: Journal of Business & Economic Statistics
分类: vol 43 · issue 2 · pp 338-350
相关性 6/10 · novelty: new_method
摘要: 本文在两变量比较设定下，引入二维随机占优（2DSD）指标来刻画严格与几乎随机占优（almost stochastic dominance），目标 estimand 为最小违规比（MVR，即 almost ordering 的临界参数）。基于经验 2DSD 指标构造 MVR 估计量，并在常用随机序（如一阶、二阶占优）下推导其渐近性质（n^{-1/2}-CAN 与 influence function）。进一步建立 bootstrap 估计量的强一致性条件，并据此提出一致 bootstrap 检验程序用于 almost stochastic dominance 假设检验。模拟与实证验证了检验的有限样本表现。对您可能有用：本文将非参数占优检验拓展到 almost 版本，其经验过程与 bootstrap 理论工具与您在 hypothesis testing 及 nonparametric theory 方向的武器库直接对接。
关键技术: almost stochastic dominance, minimum violation ratio, empirical process asymptotics, bootstrap consistency, nonparametric hypothesis testing
为什么对您有用: 本文直接连接您 primary interest 中的 hypothesis testing 与 nonparametric theory 子方向，核心是非参数占优序的 almost 版本检验与 bootstrap 理论。您 very_familiar 的 nonparametric statistics 与 minimax bounds 可直接用来审视其 MVR 估计量的效率与检验的 minimax power 性质，这是一个可深挖的理论口子。follow-up 判断：立即可做——用您熟悉的 empirical process 与非参数检验工具即可复现并推进其 power 分析。

2. 10.1080/07350015.2024.2394580 — Systemic Contagion¶

作者: Soon Heng Leong
期刊/来源: Journal of Business & Economic Statistics
机构: ESCP Business School
分类: vol 43 · issue 2 · pp 468-481
相关性 3/10 · novelty: application
摘要: 本文统一现有系统性风险度量，提出“系统性传染”的新概念，旨在捕捉由金融系统受困而放大的机构风险传导。作者构建了一个检验统计量，用于系统性传染的存在性检验，并通过数值实验验证其检验能力。利用该检验，进一步构造前瞻性有向网络，实证测量美国主要金融机构间的系统性传染规模。该度量在市场崩盘（包括疫情引发的金融危机）中提供及时预警信号。论文融合假设检验与网络分析，为金融传染的统计推断提供了新工具。
关键技术: Test statistic for financial contagion, Systemic risk measures, Forward-looking directed network, Numerical experiments, Empirical analysis of US financial institutions
为什么对您有用: 本文直接连接您的假设检验兴趣与金融应用。您可用非常熟悉的 minimax bounds 思考该检验的最优性，或用高维渐近工具分析其在大规模网络中的表现。论文的实证管道可作为经济理论（次要兴趣）的案例参考。follow-up: 中期可做——需先了解金融网络推断方法（当前武器库外），但本文作为入门读物有价值。

统计计算 / 算法 (stat_computing, 2 篇)¶

1. 10.1080/07350015.2024.2365783 — Estimating Latent-Variable Panel Data Models Using Parameter-Expanded SEM Methods¶

作者: Siqi Wei
期刊/来源: Journal of Business & Economic Statistics
机构: IE University
分类: vol 43 · issue 2 · pp 324-337
相关性 4/10 · novelty: new_method
摘要: 本文针对含潜变量的动态面板数据模型（包括因子模型、离散选择模型和持久-暂时分位数过程），提出参数扩展随机期望最大化（PX-SEM）估计算法。该方法将Liu, Rubin和Wu的“参数扩展”思想融入随机EM（SEM）的M步，在每次迭代中通过一个扩展模型重新定义伪数据，从而缓解远离真值时原始模型误设导致的收敛缓慢。理论分析表明，基于似然的PX-SEM与一种基于原模型的替代SEM渐近等价，但前者的期望缺失信息比例更小，因此全局收敛速度更快。仿真实验显示，相比标准SEM，新算法可将总计算时间从数小时降至数分钟，幅度显著。本文属于统计计算中算法改进的典范，对您而言，它可直接连接至经济理论中的面板数据实证研究，也能为纵向因果推断中的计算瓶颈提供参考。
关键技术: Parameter-Expanded SEM, Stochastic EM, Latent Variable Panel Data Models, Expected Fraction of Missing Information, Convergence Rate Analysis
为什么对您有用: 本文的核心是统计计算中的算法创新，直接对应您主要兴趣中的统计计算（数值方法）以及次要兴趣中的经济理论（面板数据模型应用）。利用您非常熟悉的“software development”技能，可以立即复现该算法并测试其在不同面板数据集上的效率提升，属于立即可做的后续工作。此外，文中对SEM收敛性的理论分析（期望缺失信息比例）也为您在高维潜变量模型中的计算加速提供了思路。

2. 10.1080/07350015.2024.2362269 · arXiv — Trend and Variance Adaptive Bayesian Changepoint Analysis and Local Outlier Scoring¶

作者: Haoxuan Wu, Toryn L. J. Schafer, David S. Matteson
期刊/来源: Journal of Business & Economic Statistics
分类: vol 43 · issue 2 · pp 286-297
相关性 4/10 · novelty: new_method
摘要: 本文提出自适应贝叶斯变点与异常值检测模型（ABCO），在贝叶斯动态线性模型框架下同时估计趋势变点和局部异常值过程。模型利用全局-局部收缩先验对状态方程参数施加稀疏正则化，并引入局部参数以追踪每个时间步的噪声变化，同时通过随机波动率建模捕捉异方差性。后验推断采用马尔可夫链蒙特卡洛（MCMC）方法实现，能够灵活适应复杂时间序列中趋势中断、异常值和异方差噪声的共存场景。通过模拟研究以及美国GDP和就业数据两个经济应用实例，ABCO在变点检测精度和异常值鲁棒性上优于多种现有基准方法。该方法为时间序列分析中的贝叶斯计算提供了一种实用的算法框架，对统计计算方向（数值方法与算法）有直接参考价值；其经济案例也可服务于次要兴趣中的经济理论应用方向。
关键技术: Bayesian dynamic linear model, global-local shrinkage priors, state-space model, stochastic volatility, changepoint detection, local outlier scoring
为什么对您有用: 本文归属统计计算方向（数值方法与算法），与您 primary interest 中的统计计算子方向直接相关。您 very_familiar 的软件开发技能可用于复现或优化其 MCMC 实现，并测试不同经济数据集上的性能；同时，模型中的全局-局部收缩先验与高维参数稀疏化思想可借助您熟悉的高维渐近工具进一步分析其收缩性质。follow-up 粗判：立即可做——用软件开发技能复现论文代码并在经济应用上验证，无需额外工具。

经济理论 / 应用 (econ_theory, 6 篇)¶

1. 10.1080/07350015.2024.2385823 · arXiv — Decomposition of Differences in Distribution under Sample Selection and the Gender Wage Gap¶

作者: Santiago Pereda-Fernández
期刊/来源: Journal of Business & Economic Statistics
分类: vol 43 · issue 2 · pp 378-390
相关性 6/10 · novelty: new_method
摘要: 在样本自选择（sample selection）设定下，本文研究两组人群（如男女）结果分布差异的分解问题，目标参数包括参与者人群与全人群的分布差异。作者区分了参与者与全人群两类分解，并引入两个辅助分解以揭示两组在不可观测变量分布与参与机制上的差异来源。估计基于现有分位数回归（quantile regression）方法，理论贡献在于给出均匀有效推断（uniformly valid inference）的证明流程。实证以性别工资差距为例，发现女性参与率与自选择机制的变化是缩小工资差距的主要驱动力。对您有用：该文将样本选择机制与分布分解结合，为经济应用中的因果/反事实分析提供了新视角。
关键技术: sample selection correction, distributional decomposition, quantile regression, uniformly valid inference, counterfactual distribution analysis
为什么对您有用: 本文直接连接到经济理论（secondary interest）中的因果推断与工资分解应用，同时样本选择下的分布分解本质上是一个 identification + semiparametric estimation 问题。您 very_familiar 的因果推断 identification theory 可以直接审视其 identification 策略，moderately_familiar 的 semiparametric theory 可用于检验其 uniformly valid inference 的效率性质。判断：立即可做——用现有武器即可复现其估计流程并审视其 semiparametric efficiency bound 是否达到。

2. 10.1080/07350015.2024.2388657 — Statistical Identification of Independent Shocks with Kernel-based Maximum Likelihood Estimation and an Application to the Global Crude Oil Market¶

作者: Christian M. Hafner, Helmut Herwartz, Shu Wang
期刊/来源: Journal of Business & Economic Statistics
机构: UCLouvain · Cambridge Econometrics (United Kingdom) · University of Göttingen
分类: vol 43 · issue 2 · pp 423-438
相关性 5/10 · novelty: new_method
摘要: 在独立成分分析（ICA）框架下，本文研究多变量动态系统中结构冲击的统计识别问题，目标是在因果模式未知时通过独立性假设实现 identification。提出 kernel-based maximum likelihood (KML) 估计方法，利用核密度估计拟合结构冲击的分布特征，从而构建似然函数进行估计。Monte Carlo 模拟显示 KML 在 independence-based identification 上优于现有方法，且在存在依赖冲击时仍可实现 partial identification 与降维。实证部分将方法应用于 Kilian 全球原油市场模型，揭示石油供给与投机性需求冲击间未被模型捕捉的高阶依赖结构。对您可能有用：该文将非参数核密度与 SVAR identification 结合，为经济理论中结构冲击的 semiparametric 估计提供了一个具体案例。
关键技术: independent component analysis, kernel density estimation, maximum likelihood estimation, SVAR identification, partial identification, higher-order dependence
为什么对您有用: 本文直接连接到经济理论中的因果识别与结构 VAR 设定，属于 secondary interest 的应用因果工作。技术上，KML 用核密度估计替代参数化分布假设，属于 semiparametric M-estimation 范畴，您在 moderately_familiar 中的 M-estimation theory 与 identification theory 可以用来审视其估计量的渐近性质（如是否达到 semiparametric efficiency bound）。实证部分对原油市场高阶依赖的捕捉，为经济数据集提供了一个可复用的分析模式。Follow-up 判断：中期可做——若想深入其 semiparametric 估计量的效率分析，需先在 moderately_familiar 的 semiparametric theory 上长肌肉，以验证 KML 是否可进一步改进为 one-step / orthogonal 版本。

3. 10.1080/07350015.2024.2374971 — Multiperiod Dynamic Portfolio Choice: When High Dimensionality Meets Return Predictability¶

作者: Wenfeng He, Xiaoling Mei, Wei Zhong, Huanjun Zhu
期刊/来源: Journal of Business & Economic Statistics
机构: Renmin University of China · Xiamen University · Xiamen University of Technology
分类: vol 43 · issue 2 · pp 351-364
相关性 4/10 · novelty: new_method
摘要: 在高维资产与大量状态变量预测收益的设定下，本文解决多期动态投资组合优化问题。第一步提出 Risk-Premium Projected-PCA (RP-PPCA)，在高维低样本 (HLSS) 数据中同时提取具有时间序列变异与期望收益解释力的潜在因子以降维。第二步在动态规划递归中，采用 Adjusted semiparametric Model Averaging (AMA) 避免大量状态变量导致的维度灾难并保持计算效率。理论证明在温和假设下 DRAMA 组合近似最优；实证显示其具有优异的样本外表现。对您有用：该文将 semiparametric model averaging 与高维因子结构结合，为经济理论中的高维动态决策提供了可迁移的降维-半参数两步框架。
关键技术: Projected-PCA, semiparametric model averaging, high-dimension-low-sample-size (HLSS), dynamic programming recursion, latent factor estimation
为什么对您有用: 本文直接连接经济理论（高维资产组合）与您 primary interest 中的高维统计及 semiparametric theory：RP-PPCA 涉及 HLSS 设定下的因子估计，AMA 属于 semiparametric M-estimation 与 model averaging 范畴。您武器库中的 very_familiar（高维渐近理论）可直接审视其因子估计的收敛条件是否与 RMT Marchenko-Pastur 设定一致；moderately_familiar（M-estimation theory / semiparametric theory）可用来检验 AMA 的近似最优性证明中 influence function 与 rate 的严谨度。Follow-up 判断：中期可做——需先在 moderately_familiar 的 semiparametric model averaging 理论上长肌肉，才能严格推导 AMA 步骤的 semiparametric efficiency bound 并与 DML 去偏框架对比。

4. 10.1080/07350015.2024.2360592 · arXiv — Large Skew-t Copula Models and Asymmetric Dependence in Intraday Equity Returns¶

作者: Lin Deng, Michael Stanley Smith, Worapree Maneesoonthorn
期刊/来源: Journal of Business & Economic Statistics
分类: vol 43 · issue 2 · pp 269-285
相关性 3/10 · novelty: application
摘要: 本文研究高维金融数据中偏t copula模型的估计问题，该模型能刻画非对称和极端尾部依赖，但估计困难。作者提出一种快速贝叶斯变分推断（VI）方法，利用偏t分布的生成表示定义增广后验，并通过随机梯度上升求解变分优化。该方法适用于因子copula结构，最多支持15个因子，相比MCMC显著提高计算效率。实证分析基于2017–2021年93只美国股票的日内收益率，发现不同股票对之间的非对称依赖存在显著异质性，且随时间变化。在滚动窗口预测中，偏t copula模型产生的预测密度精度优于基准copula模型。基于估计的非对称依赖构造的投资组合策略，其表现也优于市场指数。对您而言，本文展示了变分推断在高维依赖模型中的实用算法设计，与您的统计计算兴趣（贝叶斯算法）和经济应用（金融建模）高度相关。
关键技术: Bayesian variational inference, skew-t copula, factor copula model, stochastic gradient ascent, asymmetric tail dependence, intraday equity returns
为什么对您有用: 本文属于经济金融应用领域的高维依赖建模，直接对接您的secondary interest“经济理论（应用数据与模型）”。其核心技术——贝叶斯变分推断——属于您primary interest“统计计算（算法）”的范畴，您可以用moderately_familiar的M估计或高维渐近知识来理解VI的收敛性质。目前是中期可做：您需要先在“统计计算（变分推断算法）”上补充一些文献，但您对非参数统计和逆问题的熟悉程度足以支撑您读懂后验逼近的核心思想。

5. 10.1080/07350015.2024.2379361 — Incorporating Different Sources of Information for Bayesian Optimal Portfolio Selection¶

作者: Olha Bodnar, Taras Bodnar, Vilhelm Niklasson
期刊/来源: Journal of Business & Economic Statistics
机构: Örebro University · Linköping University · Stockholm University
分类: vol 43 · issue 2 · pp 365-377
相关性 2/10 · novelty: new_method
摘要: 本文在贝叶斯框架下研究最优投资组合中的切线组合（tangency portfolio）推断问题，重点推导了组合权重的共轭先验分布。该共轭先验不仅支持对权重的直接贝叶斯推断，还能灵活整合额外信息，包括高频收益数据以及市场条件度量（如VIX情绪指数和经济政策不确定性指数EPU），从而提升投资决策质量。文中同时提及Jeffreys先验，但更强调共轭先验的实用优势。实证部分使用真实金融数据集，将所提方法与多种现有交易策略进行比较，结果表明在大多数情形下，基于共轭先验的贝叶斯策略表现更优。本文为投资组合选择问题提供了一套完整的贝叶斯建模与推断流程，对从事应用经济或金融数据建模的统计学者具有参考价值。
关键技术: Bayesian inference, conjugate prior for portfolio weights, tangency portfolio, high-frequency returns, market condition metric (VIX, EPU)
为什么对您有用: 本文属于经济理论的应用方向，使用了真实金融数据集（高频收益、VIX、EPU）并展示了贝叶斯建模的完整流程，作为该方向的入门阅读材料合适。研究者对投资组合选择中的贝叶斯方法不熟悉，但本文的共轭先验构造思路可能对因果推断中的信息整合有启发，属于立即可读的网关文献。

6. 10.1080/07350015.2024.2365779 — A Smooth Shadow-Rate Dynamic Nelson-Siegel Model for Yields at the Zero Lower Bound¶

作者: Daan Opschoor, Michel van der Wel
期刊/来源: Journal of Business & Economic Statistics
机构: Tinbergen Institute · Erasmus University Rotterdam
分类: vol 43 · issue 2 · pp 298-311
相关性 2/10 · novelty: new_method
摘要: 在零下界（ZLB）约束下，本文研究利率期限结构的建模与预测问题，关键设定是放松无套利限制以引入 shadow-rate 机制。核心方法是将动态 Nelson-Siegel（DNS）模型扩展为 smooth shadow-rate 版本，通过放松无套利条件获得了闭式收益率曲线表达式，从而可直接套用标准 DNS 的时变参数与宏观变量扩展。实证基于美国国债数据，展示了收益率进出 ZLB 状态的平滑过渡，并在拟合与预测上优于基准 DNS 及（shadow-rate）仿射期限结构模型，同时给出合理的 ZLB 政策推断。对您可能有用：本文提供了利率期限结构在 ZLB 下的完整数据建模流程与宏观-金融联动思路，可作为经济理论中因果/结构模型应用的数据与设定参考。
关键技术: dynamic Nelson-Siegel model, shadow-rate term structure, closed-form yield curve, zero lower bound modeling, time-varying parameter extension, macro-finance yield forecasting
为什么对您有用: 本文属于经济理论（利率期限结构）的应用建模工作，直接连接您 secondary interest 中的 econ_theory 数据集与模型方向。您武器库中的 very_familiar（高维渐近理论、软件开发）与 moderately_familiar（M-estimation 理论）足以支撑对本文估计方法（DNS 状态空间模型的 M-estimation 与数值实现）的深入阅读与复现。作为 gateway-reading：本文对 ZLB 下利率数据的结构、噪声与宏观联动有清晰展示，适合作为入门读物；武器库完全够用；值得花时间读全文以获取经济数据建模的实战直觉。

Maintained by 陈星宇 · Homepage · Source on GitHub