JBES — Vol 43 Issue 3 · 2026-06-21¶

共 19 篇 · Journal of Business & Economic Statistics
目录核对 ✅ 19 篇全部抓到（对照 OpenAlex 19 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 19 篇论文集中在三条相互交织的主线上。第一条是 因果推断与处理效应估计，涵盖工具变量误分类校正、配对实验的不完全依从、随机化实验的 Lasso 调整、面板因子模型的 IV 组合以及大规模数据的均值泛函估计。第二条是 非参数 / 半参数方法与高维建模，包括高维部分线性测量误差模型的校准平衡估计、时间序列最可预测方面的半参数互信息、面板二元选择模型的无穷远识别、内生性阈值回归的非参控制函数、分位数因子分析的概率变分推断、以及阈值自回归移动平均模型的稳健 M-估计和神经网络 Phillips 曲线。第三条是 假设检验与模型规范选择，覆盖 copula 结构变化检验、时变因子模型的随机化检验、非稳定环境下平均预测精度检验，以及多元动态分位数预测的 oracle 不等式。

因果推断主线最为密集：多篇论文围绕 工具变量 展开，但各有侧重——“Correcting for Misclassified Binary Regressors”放松了误分类率恒定的假设，用矩不等式获得部分识别；“Inference in Experiments with Matched Pairs”针对配对设计下不依从的 LATE 推断，给出非保守的方差估计；“Combining Instrumental Variable Estimators”将多个 IV 估计线性组合以获取效率增益，并用最优权重统一框架；“Design-Based Theory for Lasso Adjustment”在随机化实验的设计框架下用 Lasso 调整高维协变量，无需正确结果模型；“An Improved Divide-and-Conquer Approach”则聚焦 ATE 估计的效率，通过统一全局最优带宽实现了半参有效界和计算可扩展性。这些工作反复触及 测量误差、高维协变量调整、实验设计与 IV 组合 等主题，形成了从识别到推断的完整链条。

非参数 / 半参数主线中，“Calibrated Equilibrium Estimation”将高维稀疏估计与测量误差校正结合，引入双重选择控制 FDR，代表了半参高维问题的系统性处理；“Another Look at Dependence”通过局部化基函数与正则化截断刻画时间序列的可预测性，其互信息估计思路可类比高阶影响函数中的无穷级数处理；“Revisiting Panel Data Binary Choice Models”采用无穷远识别绕开传统方法限制，是面板二元选择半参估计的新路径；“Endogenous Kink Threshold Regression”将非参控制函数嵌入 kink 结构，同时处理内生性与非线性阈值，拓展了经典阈值模型的经济应用。

假设检验与模型规范线中，“Testing for Equal Average Forecast Accuracy”修正了 Diebold-Mariano 检验在时变均值下的尺寸扭曲，用局部去均值估计长方差，提供了对不稳定环境稳健的推断工具；“An Adaptive Kernel-Based Structural Change Test for Copulas”走向非参数化，对平滑与突变均一致；“Distinguishing Time-Varying Factor Models”直接区分确定性与随机性因子载荷，检验结果可指导模型选择。此外，“An Oracle Inequality for Multivariate Dynamic Quantile Forecasting”虽非检验本身，但为分位数预测提供了非渐近的泛化边界，可作为模型评估的理论基准。

与 因果推断 / 半参数效率 / 高维 方向最贴近的论文：因果线中的四篇 IV 与实验设计论文（“Correcting for Misclassified”、“Inference in Experiments”、“Design-Based Theory”、“Combining Instrumental”）以及效率线中的“An Improved Divide-and-Conquer”；半参数方法中的“Calibrated Equilibrium Estimation”和“Another Look at Dependence”；高维协方差建模中的“Penalized Sparse Covariance Regression”。

因果推断 (causal_inference, 4 篇)¶

1. 10.1080/07350015.2024.2415102 — Correcting for Misclassified Binary Regressors Using Instrumental Variables¶

作者: Steven J. Haider, Melvin Stephens
期刊/来源: Journal of Business & Economic Statistics
机构: Michigan State University · University of Michigan
分类: vol 43 · issue 3 · pp 592-602
相关性 8/10 · novelty: new_method
摘要: 本文处理二元回归变量存在误分类时的工具变量估计问题。现有IV纠偏方法通常假定误分类率在IV的不同取值间保持不变，但作者通过实证例子指出该假定在实际应用中经常失效。为此，作者提出一个新的估计量，允许误分类率随IV取值变化，其核心识别条件为：误分类率之和（假阳性率与假阴性率之和）在IV的不同水平下保持恒定。进一步，作者利用矩不等式放松该假设，获得部分识别区间。通过蒙特卡洛模拟和关于Medicaid资格对其他健康保险挤出效应的再分析，展示了新估计量的有效性与实用性。该工作对因果推断中处理测量误差、增强IV方法的稳健性具有直接参考价值。
关键技术: Instrumental variables, Misclassification correction, Moment inequalities, Measurement error, Binary regressor
为什么对您有用: 直接关联您因果推断方向中的IV方法与测量误差处理，属于identification假设的放松。您熟悉的'identification theory in causal inference'可用于评估本文识别条件的可检验性，'estimation theory in causal inference'可支持实现该矩条件估计量。该估计量不依赖高维或复杂计算，利用现有的GMM或矩不等式工具即可复现，属于'立即可做'的follow-up（例如应用于其他经济学或流行病学数据集检验敏感度）。

2. 10.1080/07350015.2024.2416972 · arXiv — Inference in Experiments with Matched Pairs and Imperfect Compliance¶

作者: Yuehao Bai, Hongchang Guo, Azeem M. Shaikh, Max Tabord-Meehan
期刊/来源: Journal of Business & Economic Statistics
分类: vol 43 · issue 3 · pp 627-642
相关性 8/10 · novelty: new_method
摘要: 研究配对随机对照试验中不完全依从情形下局部平均处理效应(LATE)的推断问题。配对设计下，单位依基线协变量配对后随机分配处理，但存在不依从。推导了Wald估计量(即两阶段最小二乘)的极限分布，并证明常规异方差稳健方差估计是保守的——其概率极限(通常严格)大于真实渐近方差。因此提出了一致的方差估计量，克服了保守性偏差。进一步考虑将未用于配对的额外基线协变量纳入模型，结合配对固定效应的2SLS估计量，其极限方差总是不小于Wald估计量，即精度提升，并给出相应的一致方差估计。模拟研究验证了理论结果；最后用该框架重新分析埃及宏观保险实验的经济学效应。对您而言，这是IV方法在常用实验设计下的精确推断成果，可直接利用您熟悉的因果推断估计理论评估其有限样本表现或扩展至更复杂的实验设计。
关键技术: two-stage least squares (2SLS), Wald estimator, heteroscedasticity-robust variance estimation, matched pairs design, local average treatment effect (LATE), consistent variance estimation
为什么对您有用: 本文直接服务于您的核心兴趣之一——因果推断中的工具变量(IV)与实验设计，具体为配对随机实验下LATE的识别与推断。您武器库中'因果推断估计理论'可立即用于验证其方差估计量的有限样本性质，或推广至更复杂的配对机制(如分层配对)。该论文在方法上给出了配对设计中IV推断的完整渐近理论，且附带真实的微观经济学应用(埃及实验)，属于立即可消化的方法论工作。

3. 10.1080/07350015.2024.2403381 · arXiv — Design-Based Theory for Lasso Adjustment in Randomized Block Experiments and Rerandomized Experiments¶

作者: Ke Zhu, Hanzhong Liu, Yuehan Yang
期刊/来源: Journal of Business & Economic Statistics
分类: vol 43 · issue 3 · pp 544-555
相关性 8/10 · novelty: new_method
摘要: 该论文在随机化块实验（包括配对实验、精细分层实验）的 design-based 框架下，提出使用 Lasso 回归调整高维协变量来估计平均处理效应（ATE）。估计量通过 Lasso 选择协变量并构造调整后的差分估计，不需要假设正确的结果生成模型。作者推导了该估计量的渐近正态性和一致性方差估计，并给出了比未调整估计更有效的充分条件（协变量能解释结果变异时）。该框架允许每块仅有一个处理或对照单元，以及块间倾向得分异质性；同时可扩展到再随机化（rerandomization）实验，以及阻塞与再随机化的组合。渐近分析中块数和块大小均可趋于无穷，且允许处理效应异质性。仿真和两个真实数据分析展示了方法优势。该工作为高维协变量下随机化实验的回归调整提供了严谨的 design-based 理论基础，对您在因果推断中的实验设计和 debiased ML 方向有直接参考价值。
关键技术: Lasso regression, randomized block experiments, rerandomization, average treatment effect estimation, high-dimensional covariates, conservative variance estimation, design-based inference
为什么对您有用: (1) 紧扣您 primary interest 中因果推断的实验设计子方向，尤其是 block/rerandomization 下的回归调整问题，补充了高维协变量场景下的理论保证。 (2) 您武器库中 very_familiar 的 high-dimensional asymptotics 和 causal inference estimation theory 可直接用于理解其渐近论证，并可能进一步将其与 debiased ML 的 cross-fitting 框架结合以提升有限样本表现。 (3) 立即可做：该文的核心技术（Lasso 调整 + design-based 方差估计）已非常成熟，您可基于此探索更复杂的正交得分构造或处理效应异质性的鲁棒推断。

4. 10.1080/07350015.2024.2421991 — Combining Instrumental Variable Estimators for a Panel Data Model with Factors¶

作者: Matthew Harding, Carlos Lamarche, Chris Muris
期刊/来源: Journal of Business & Economic Statistics
机构: University of California, Irvine · University of Kentucky · McMaster University
分类: vol 43 · issue 3 · pp 684-695
相关性 7/10 · novelty: new_method
摘要: 在因子增强面板数据模型（factor-augmented panel data model）中，研究者利用多个观测测量代理未观测因子或载荷，并通过内部工具变量处理由此产生的内生性。经济理论通常不指导应选择哪些测量作为代理，这构成模型识别的关键挑战。本文提出一类新估计量，将多个工具变量估计量进行线性组合，并建立其大样本渐近性质。进一步推导出最优加权方案，使组合估计量相对于单一IV估计量获得效率增益。蒙特卡洛模拟表明该方法在有限样本下显著优于现有替代方法。将方法应用于美国学区测试分数数据，展示了实际价值。该工作直接连接您对工具变量和因果推断中估计方法的核心兴趣，且与您非常熟悉的因果推断估计理论高度匹配，属于立即可读并能在应用中借鉴的方法论文。
关键技术: instrumental variable estimation, linear combination of estimators, optimal weighting, factor-augmented panel data models, internal instruments, large sample asymptotics
为什么对您有用: 该论文直接服务于您工具变量（IV）和因果推断这一首要兴趣，特别是面板数据中基于IV的估计与识别问题。您武器库中'causal inference estimation theory'（very_familiar）可即刻分析其组合估计量的渐近行为与效率性质。立即可做：该方法的理论框架（线性组合+最优加权）与您熟悉的IPW、DR估计等工具变量范式相通，无需额外工具即可复现及拓展到更复杂的IV设定（如proximal CI）。

高维统计 / 随机矩阵 (high_dim_rmt, 1 篇)¶

1. 10.1080/07350015.2024.2415109 · arXiv — Penalized Sparse Covariance Regression with High Dimensional Covariates¶

作者: Yuan Gao, Zhiyuan Zhang, Zhanrui Cai, Xuening Zhu, Tao Zou, Hansheng Wang
期刊/来源: Journal of Business & Economic Statistics
分类: vol 43 · issue 3 · pp 615-626
相关性 7/10 · novelty: new_method
摘要: 本文针对协方差回归问题，提出稀疏协方差回归（SCR）方法，利用辅助相似矩阵建模高维协方差矩阵，处理高维预测变量（相似矩阵）。采用Lasso和折叠凹惩罚估计（SCAD, MCP）同时进行变量选择和系数估计，并利用协方差矩阵和相似矩阵的谱性质推导Lasso估计的非渐近误差界，建立折叠凹惩罚估计的oracle性质（变量选择一致性、估计量渐近正态性等）。模拟研究验证了理论结果，并将方法应用于中国股票市场数据集展示了其实用性。对您而言，本文将高维稀疏估计方法拓展至协方差矩阵建模，可直接对接您在高维渐近领域的现有工具，并有望进一步应用于因果推断中的协方差结构建模（如纵向数据随机效应）。
关键技术: sparse covariance regression, Lasso, folded concave penalization (SCAD, MCP), non-asymptotic error bounds, spectral properties of covariance matrices, oracle property
为什么对您有用: 本文直接关联到您在高维统计与随机矩阵理论（high_dim_rmt）方面的兴趣，特别是协方差矩阵的稀疏估计问题。您武器库中的高维渐近（very_familiar）工具和逆问题处理技能可直接用于理解本文的谱范数误差界推导，且可进一步将此类方法推广至因果推断中协方差结构的建模（如纵向数据中的随机效应协方差）。本文属于立即可做的范畴——您已具备所需的技术基础，可关注其估计量的有限样本性质与后续拓展。

非参数 / 半参数 (nonparam_semipara, 2 篇)¶

1. 10.1080/07350015.2024.2422982 — Calibrated Equilibrium Estimation and Double Selection for High-dimensional Partially Linear Measurement Error Models¶

作者: Jingxuan Luo, Gaorong Li, Heng Peng, Lili Yue
期刊/来源: Journal of Business & Economic Statistics
机构: Beijing Normal University · Hong Kong Baptist University · Nanjing Audit University
分类: vol 43 · issue 3 · pp 710-722
相关性 9/10 · novelty: new_method
摘要: 本文研究高维部分线性测量误差模型，目标是在协变量存在经典测量误差时同时估计线性参数分量和非参数函数，并进行变量选择与多重检验控制。为解决测量误差带来的额外偏差以及高维非凸优化中目标函数无下界的问题，提出校准平衡（CARE）估计方法：通过构造校准后的损失函数显式校正偏差，并引入Bootstrap程序估计测量误差协方差矩阵以避免直接假设已知。在此基础上，针对超高维情形开发CARE-MUSE算法，通过双重选择（double selection）将FDR控制在一定水平以下。理论上推导了CARE估计量的估计误差与预测风险的oracle不等式、非参数部分的收敛速度，并在弱于符号一致的信号条件下证明了CARE-MUSE的FDR与功效保证。模拟与真实数据应用展示了有限样本中的良好表现。本文方法可直接连接至高维因果推断中测量误差问题的处理思路（如proximal CI或IV中的变量误差修正），对您的高维统计与半参数理论兴趣具有参考价值。
关键技术: calibrated equilibrium estimation, double selection, bootstrap covariance estimation, high-dimensional partial linear model, FDR control via multiple testing
为什么对您有用: 该论文直接处理高维半参数模型下的测量误差与变量选择问题，贴合您的高维统计与非参数理论兴趣；您的high-dimensional asymptotics和nonparametric statistics能力可用于审视其oracle不等式与非参分量收敛速率的紧性，且semiparametric theory可以帮助判断该CARE估计量在更一般的因果设定下（如带测量误差的ATT识别）的泛化可能性。当前武器库足以理解并复现其核心理论推导，属于立即可做的评估与扩展工作。

2. 10.1080/07350015.2024.2424345 — Another Look at Dependence: The Most Predictable Aspects of Time Series¶

作者: Tommaso Proietti
期刊/来源: Journal of Business & Economic Statistics
机构: University of Rome Tor Vergata
分类: vol 43 · issue 3 · pp 723-736
相关性 4/10 · novelty: new_method
摘要: 本文在平稳时间序列设定下，目标是寻找使过去与未来之间互信息最大化的可测变换，即“最可预测方面”（most predictable aspect），而非仅关注一步预测MSE。该变换由无条件分布分位数处局部化的基函数线性组合构成，本质上是对序列的非参数/半参数特征提取。互信息的估计基于样本偏自相关函数，通过半参数方法将无穷求和截断为正则化的有限求和。在适当正交约束下可递推定义第二及更高阶的最可预测方面。作者将此变换用于无预测性原假设的检验及原序列的点/区间预测。对您可能有用：该半参数互信息估计与正则化截断策略，可类比您熟悉的 HOIF 中无穷级数正则化估计思路。
关键技术: mutual information estimation, partial autocorrelation function, semiparametric regularization, quantile-localized basis functions, serial dependence testing, most predictable aspect transformation
为什么对您有用: 本文连接到半参数理论子方向：其用分位数局部基函数做非参数变换、再用偏自相关做半参数互信息估计并正则化截断无穷级数，与 HOIF 的无穷级数正则化估计结构相似。可用您 very_familiar 的 minimax bounds 工具分析该互信息估计量的收敛率是否达到最优；用 moderately_familiar 的 HOIF 理论审视其正则化截断是否可纳入更高阶影响函数框架。中期可做：需先在 moderately_familiar 的 HOIF 无穷级数正则化理论上长肌肉，才能将本文方法与 HOIF 做严格理论对接。

效率理论 / Debiased ML (efficiency_dml, 1 篇)¶

1. 10.1080/07350015.2024.2395429 — An Improved Divide-and-Conquer Approach to Estimating Mean Functional, with Application to Average Treatment Effect Estimation¶

作者: Zhengtian Zhu, Liping Zhu
期刊/来源: Journal of Business & Economic Statistics
机构: Chinese Academy of Sciences · Academy of Mathematics and Systems Science · Renmin University of China
分类: vol 43 · issue 3 · pp 520-529
相关性 8/10 · novelty: weaker_assumption
摘要: 在 massive data 设定下，目标是估计由多个非参数函数构成的 mean functional（如 ATE），直接非参数平滑的计算复杂度至少为 O(n²)。传统 divide-and-conquer (DC) 方法若在各局部机器使用局部最优带宽，对局部样本量施加了严苛条件。本文提出在各局部机器统一使用全局最优带宽，大幅放宽了对局部样本量的限制。理论证明：使用全局最优带宽的 DC 估计量达到了将所有数据 pooled 时的 semiparametric efficiency bound，且计算效率远优于 pooled 算法。该结果从渐近与非渐近视角均得到了严格验证，并在 ATE 估计中具体展示。对您有用：本文为 ATE 的分布式 semiparametric efficient estimation 提供了更弱假设下的理论保证。
关键技术: divide-and-conquer, globally optimal bandwidth, semiparametric efficiency bound, nonparametric smoothing, average treatment effect, one-step estimation
为什么对您有用: 直接连接 efficiency theory (semiparametric efficiency bounds) 与 ATE estimation 这两个 primary interest 子方向。您武器库中 very_familiar 的 minimax bounds 与 estimation theory in causal inference 可直接用来审视其全局带宽选择下的效率声称是否紧，以及非渐近视角下的 finite-sample bound 是否可进一步 sharpen。立即可做：用 very_familiar 的 minimax / estimation theory 工具验证其效率界与收敛率，并可探索该全局带宽策略在您熟悉的 higher-order U-statistics / HOIF 框架下的分布式计算推广。

数理统计 / 假设检验 (hypothesis_testing, 3 篇)¶

1. 10.1080/07350015.2024.2422980 — An Adaptive Kernel-Based Structural Change Test for Copulas¶

作者: Xiaohui Lu, Yahong Zhou
期刊/来源: Journal of Business & Economic Statistics
机构: Shanghai University of Finance and Economics · Shanghai Institute for Mathematics and Interdisciplinary Sciences
分类: vol 43 · issue 3 · pp 696-709
相关性 6/10 · novelty: new_method
摘要: 本文针对copula模型的结构变化检验问题，提出一种基于核平滑的自适应检验方法。方法允许边际分布灵活地通过参数或半参数方式估计，检验统计量由局部平滑copula与经验copula间的加权二次距离构建，使用伪观测值消除边际估计影响。该统计量渐近服从标准正态分布，且不依赖边际分布、参数及其估计，对平滑渐变和突变均具有一致性。模拟表明有限样本表现良好，尤其在周期性变化情形下优于现有检验。对您而言，该方法为假设检验领域提供了一种非参数化的结构变化检验工具，与您的假设检验和非参数统计兴趣直接相关。
关键技术: kernel smoothing, weighted quadratic distance, local smoothing copula, pseudo-observations, asymptotic standard normality, structural break detection
为什么对您有用: 该方法属于假设检验方向，直接对应您的primary interest中的hypothesis testing和nonparametric statistics。您可以使用非常熟悉的非参数统计工具（如核方法、经验过程）深入理解其理论性质，并可立即可做地考虑将该检验推广至因果推断中的联合分布变化检测。

2. 10.1080/07350015.2024.2395424 — Distinguishing Time-Varying Factor Models¶

作者: Zhonghao Fu, Liangjun Su, Xia Wang
期刊/来源: Journal of Business & Economic Statistics
机构: Fudan University · Shanghai University of International Business and Economics · Tsinghua University · Renmin University of China
分类: vol 43 · issue 3 · pp 508-519
相关性 5/10 · novelty: new_method
摘要: 在时变因子模型设定下，目标是区分因子载荷为时间确定性函数与单位根随机过程两种规范，关键假设为因子载荷的两种演化机制及因子强度的常规条件。本文基于随机化方法构造了两个一致检验统计量，分别以两种设定之一为原假设，证明在原假设下统计量渐近服从 Chi-squared 分布，而在对立假设下以概率趋向无穷。模拟显示有限样本表现良好，应用于美国宏观经济与全球宏观金融数据集后，实证结果支持确定性时间函数设定。对您可能有用：该检验为经济/金融时变参数模型的规范选择提供了正式的假设检验工具，直接连接到您对 hypothesis testing 与经济理论应用的双重兴趣。
关键技术: time-varying factor model, randomization-based test, unit root process vs deterministic time function, asymptotic chi-squared distribution, consistent specification test
为什么对您有用: 本文直接连接到 hypothesis testing 子方向，并在经济理论数据集上做了应用，属于两个兴趣的交叉。从 technical_arsenal 看，您 very_familiar 的高维渐近理论足以理解其因子模型渐近部分，但随机化构造检验的特定技巧可能需要补充。Follow-up 判断：中期可做——若想在此类时变参数检验上做理论延伸（如更高维因子或更复杂载荷结构），需先在 moderately_familiar 的 M-estimation theory 上长肌肉以掌握随机化/bootstrap 检验的局部渐近幂分析。

3. 10.1080/07350015.2024.2418835 — Testing for Equal Average Forecast Accuracy in Possibly Unstable Environments¶

作者: David I. Harvey, Stephen J. Leybourne, Yang Zu
期刊/来源: Journal of Business & Economic Statistics
机构: University of Nottingham · University of Macau
分类: vol 43 · issue 3 · pp 643-656
相关性 4/10 · novelty: weaker_assumption
摘要: 在预测误差损失差分序列可能具有时变均值的非稳定环境下，研究相等平均预测精度原假设的检验问题。标准Diebold-Mariano检验在时变均值下渐近尺寸为零且局部功效降低，原因是基于全样本去均值的长期方差估计量不一致（发散）。本文提出修正统计量，用非参数局部去均值估计长期方差，该估计量在原假设和备择下均一致，不受均值是否时变的影响。修正检验恢复了渐近尺寸和标准条件下的功效性质，提供了对均值不稳定性稳健的检验方法。蒙特卡洛模拟和两个实际数据应用（如预测GDP增长）验证了修正检验的有限样本表现。对您可能有用的连接：这篇论文直接涉及假设检验在时间序列经济预测中的稳健方法，与您的假设检验兴趣以及经济理论应用方向密切相关；您已有的非参数统计（核估计）知识可用于深入分析局部去均值带宽选择对检验的影响。
关键技术: Diebold-Mariano test, nonparametric local demeaning, long-run variance estimation, kernel-based estimation, time-varying mean
为什么对您有用: 本文关注预测精度相等性检验在非稳定环境下的稳健性，直接对口您"假设检验"兴趣中关于检验稳健性的方向。您武器库中的"非参数统计"（核平滑）可用于分析局部去均值带宽选择与收敛速度，尤其可扩展至多步预测或高维预测误差序列的联合检验。follow-up判读：中期可做，需要先熟悉时间序列非参数核平滑的带宽理论（您已有非参数基础，但时间序列依赖下的核估计需额外掌握）。

经济理论 / 应用 (econ_theory, 7 篇)¶

1. 10.1080/07350015.2024.2412006 — Revisiting Panel Data Binary Choice Models with Lagged Dependent Variables¶

作者: Christopher R. Dobronyi, Fu Ouyang, Thomas Tao Yang
期刊/来源: Journal of Business & Economic Statistics
机构: Google (United States) · The University of Queensland · Australian National University
分类: vol 43 · issue 3 · pp 568-578
相关性 6/10 · novelty: new_method
摘要: 本文研究带滞后因变量、外生协变量与个体固定效应的面板数据半参数二元选择模型的识别与估计问题，目标 estimand 为模型系数且不假设误差分布。作者提出基于"无穷远识别"(identification at infinity)的新识别策略，绕开了 Honoré & Kyriazidou (2000) 对时间趋势的严格限制与维数诅咒。核心估计量为条件最大得分估计器 (conditional maximum score estimator)，其实现简单且渐近性质被完整刻画。Monte Carlo 模拟显示有限样本表现满意，并利用 HILDA 调查数据对私人医院保险参保进行了实证分析。对您可能有用：若关注半参数面板因果/结构模型的 identification 与 M-estimation 理论，本文提供了一个避开维数诅咒的新视角。
⚠️ 摘要不完整，待重跑（python -m research_news.rerun）
关键技术: identification at infinity, conditional maximum score estimator, semiparametric binary choice, panel data fixed effects, lagged dependent variables
为什么对您有用: 直接连接经济理论（面板二元选择模型）中的半参数 identification 与 estimation，属于应用因果/结构经济学的核心设定。您武器库中 moderately_familiar 的 M-estimation theory 与 semiparametric theory 可直接攻入该估计器的渐近性质与效率分析口子。中期可做：若想深挖其 identification at infinity 假设的检验或估计器的效率界，需先在 moderately_familiar 的 semiparametric theory 上长肌肉（特别是效率 bound 与 influence function 计算），但核心机器已在库中。

2. 10.1080/07350015.2024.2421279 · arXiv — A Neural Phillips Curve and a Deep Output Gap¶

作者: Philippe Goulet Coulombe
期刊/来源: Journal of Business & Economic Statistics
分类: vol 43 · issue 3 · pp 669-683
相关性 5/10 · novelty: new_method
摘要: 在 Phillips Curve (PC) 框架下，目标是在通胀预期与产出缺口均不可观测的设定下，对通胀进行可解释的非线性估计与预测。本文提出 Hemisphere Neural Network (HNN)，其架构在最终层将隐变量强制分解为可经济解释的成分（通胀预期与产出缺口），从而避免了传统依赖代理变量或强假设 Kalman filter 的路径。HNN 先通过高维可观测指标的非线性变换提取隐状态，再在半球约束下保证预测符号的经济合理性（如正产出缺口对应通胀上行）。实证表明，HNN 提取的产出缺口路径与传统基于失业率/GDP 的缺口显著不同，成功捕捉 2021 通胀上行并将其归因于 2020 年末的大幅正缺口。对您可能有用：本文展示了神经网络在宏观因果结构（隐变量识别）中的可解释性设计，为经济理论中 latent variable 的非线性 proxy 提供了新思路。
关键技术: Hemisphere Neural Network, latent state extraction, interpretable neural architecture, nonlinear Phillips Curve, output gap estimation
为什么对您有用: 本文属于经济理论应用，连接到 secondary interest 中的 econ_theory (datasets, models, applied causal work)。(1) 它处理的是宏观经济学中经典的 latent variable (output gap / inflation expectations) identification 问题，属于因果推断中 unobserved confounder / proxy 的经济应用版；(2) 从 technical_arsenal 看，HNN 的架构设计（将最终层映射为经济可解释成分）本质上是一种 constrained M-estimation / nonlinear sieve，您对 M-estimation theory 与 software development 的 very_familiar 知识足以审视其优化与收敛性质；(3) Follow-up 判断：中期可做——若想深入，需先在 moderately_familiar 的 semiparametric theory 上长肌肉，以建立此类 constrained neural sieve estimator 的正式 asymptotic theory（如是否达到 semiparametric efficiency bound），当前武器库缺 neural network sieve 的收敛率理论。

3. 10.1080/07350015.2024.2407634 — Endogenous Kink Threshold Regression¶

作者: Jianhan Zhang, Chaoyi Chen, Yiguo Sun, Thanasis Stengos
期刊/来源: Journal of Business & Economic Statistics
机构: Dongbei University of Finance and Economics · Hungarian National Bank · John von Neumann Institute for Computing · John von Neumann University · University of Guelph
分类: vol 43 · issue 3 · pp 556-567
相关性 5/10 · novelty: new_method
摘要: 在 kink threshold regression 设定下，研究阈值变量与回归元均存在内生性时的参数与阈值估计问题，模型允许时间序列与面板数据框架。核心方法采用非参数控制函数（nonparametric control function）策略处理内生性，并推导了所提估计量的一致性与渐近分布。Monte Carlo 模拟验证了有限样本表现，实证部分利用该模型分析了 COVID-19 病例数对美国与加拿大劳动力市场的非线性影响。对您可能有用：本文提供了一个将非参数控制函数与 kink 结构结合的具体案例，可直接作为内生性阈值模型在经济因果应用中的参考。
关键技术: kink threshold regression, nonparametric control function approach, endogenous threshold variable, asymptotic distribution of threshold estimator, panel data with endogeneity
为什么对您有用: 本文连接到经济理论（secondary interest）中的内生性因果模型应用，具体处理了阈值变量内生这一常见经济设定。从技术武器库看，您可用 very_familiar 的非参数统计工具审视其控制函数的收敛条件与渐近分布推导，或用 moderately_familiar 的 M-estimation 理论分析 kink 估计量的非标准渐近性质。Follow-up 判断：中期可做——若想在此方向深入，需先在 moderately_familiar 的 M-estimation 理论（特别是非标准目标函数的极值估计渐近理论）上长肌肉。

4. 10.1080/07350015.2024.2415107 — An Oracle Inequality for Multivariate Dynamic Quantile Forecasting¶

作者: Jordi Llorens-Terrazas
期刊/来源: Journal of Business & Economic Statistics
机构: University of Surrey
分类: vol 43 · issue 3 · pp 603-614
相关性 4/10 · novelty: new_theory
摘要: 本文为多元条件自回归分位数（CAR）预测模型族建立了一个oracle不等式，该族涵盖标准设定的非线性分位数预测模型。该不等式保证，即使模型完全错误设定，最小化样本内平均check loss的预测器在同类模型中也以近乎最优的速率实现最佳样本外预测表现。证明基于经验过程理论和分位数回归的凸性，推导出预测误差的非渐近上界。实证部分应用于全球增长处于风险（Growth-at-Risk）的回测，比较了GARCH与VAR for VaR等模型的样本外表现，结果显示组合模型在check loss下最优。该工作对您可能有用：作为金融计量中经典预测问题的严密非渐近理论分析，可以视为经济理论方向的一个良好入门实例，其oracle不等式的论证思路对高维时间序列的预测推理有借鉴意义。
关键技术: oracle inequality, check loss, conditional autoregressive quantile model, multivariate dynamic quantile forecasting, backtesting, Growth-at-Risk
为什么对您有用: 本文属于经济理论方向的次级兴趣，可作为金融预测领域的一个良好入门读物，清晰阐述了模型设定、损失函数和预测性能的泛化保证。您熟悉的minimax bound分析能力可以直接评估其oracle不等式的紧致性或尝试推广到非参数设定，因此值得花时间阅读全文以拓展时间序列问题的理论视角。

5. 10.1080/07350015.2024.2412011 · arXiv — Robust Estimation for Threshold Autoregressive Moving-Average Models¶

作者: Greta Goracci, Davide Ferrari, Simone Giannerini, Francesco Ravazzolo
期刊/来源: Journal of Business & Economic Statistics
分类: vol 43 · issue 3 · pp 579-591
相关性 4/10 · novelty: new_method
摘要: 本文关注阈值自回归移动平均模型在数据存在重尾或异常值时的稳健估计问题。TARMA 是包含移动平均项的非线性时间序列模型，在经济学和金融学中有广泛应用。现有估计理论未考虑重尾和异常观测的影响，本文首次为 TARMA 模型建立了稳健 M-估计的理论框架。在温和条件下，证明了阈值参数的 M-估计量具有超一致性，自回归和移动平均参数的 M-估计量具有强一致性且渐近正态。蒙特卡洛模拟表明 M-估计量在偏差和方差上均显著优于最小二乘估计量。应用至商品价格时间序列时，稳健 TARMA 模型的标准误更小、预测精度更高。这对您的意义在于：本文在经济时间序列建模中结合了稳健统计方法，既给出了非线性模型的理论性质，也提供了完整的实证应用，符合您对经济理论中模型和数据集的兴趣方向。
关键技术: M-estimation, Threshold autoregressive moving-average (TARMA), Robust estimation, Super-consistency, Strong consistency and asymptotic normality
为什么对您有用: 本文属于您 secondary interest 中经济理论方向的应用性工作，以商品价格数据为例展示了非线性时间序列模型的稳健估计。您 technical arsenal 中 moderately_familiar 的 M-estimation theory 可直接用于理解本文估计量的渐近性质。follow-up 粗判为中期可做：要将稳健方法与时间序列结构下的因果推断（如干预效应估计）结合，需先在时间序列依赖处理上增加熟练度（当前武器库未明确覆盖），但通过阅读本文可快速入门该领域。

6. 10.1080/07350015.2024.2396956 · arXiv — Probabilistic Quantile Factor Analysis¶

作者: Dimitris Korobilis, Maximilian Schröder
期刊/来源: Journal of Business & Economic Statistics
分类: vol 43 · issue 3 · pp 530-543
相关性 4/10 · novelty: new_method
摘要: 本文在 quantile factor analysis 框架下，提出一种 probabilistic 变体，通过引入 regularization 与 variational approximation 实现计算高效的估计，目标 estimand 为多分位数下的潜在因子。核心机制是将分位数因子模型嵌入概率潜变量框架，利用 variational Bayes 近似后验，避免了传统 loss-based estimator 的非线性优化困难，并通过 regularization 控制高维载荷矩阵的复杂度。理论层面未给出严格的收敛率或 minimax 界，主要依赖 synthetic 与 real data 验证其相对于 loss-based estimator 的精度提升。实证部分从约 1000 个日频金融序列中提取 low/medium/high economic policy uncertainty 与 loose/median/tight financial conditions 因子，发现 high uncertainty 与 tight conditions 因子对经济活动指标具有更优的预测能力。对您而言，本文展示了高维金融数据中分位数因子的应用模式，可作为经济数据集与因果/预测建模交叉的参考案例。
关键技术: quantile factor analysis, variational approximation, probabilistic latent variable model, regularized factor loading, high-dimensional financial time series
为什么对您有用: 本文连接到经济理论（secondary interest）中的高维金融数据集与因子模型应用，展示了分位数因子在预测经济活动中的实证价值。从 technical_arsenal 角度，您可以用 high-dimensional asymptotics / minimax bounds 的视角审视该 variational estimator 缺失的理论保证（如因子估计的收敛率），这是一个潜在的理论切入点。Follow-up 判断：中期可做——若要为该 probabilistic quantile factor estimator 建立严格的 high-dimensional asymptotics 理论，需先在 moderately_familiar 的 M-estimation theory 与 semiparametric theory 上补充 variational approximation 误差控制的工具。

7. 10.1080/07350015.2024.2395423 — Model-Based Co-Clustering in Customer Targeting Utilizing Large-Scale Online Product Rating Networks¶

作者: Qian Chen, Amal Agarwal, Duncan K. H. Fong, Wayne S. DeSarbo, Lingzhou Xue
期刊/来源: Journal of Business & Economic Statistics
机构: Pennsylvania State University · eBay (Ireland)
分类: vol 43 · issue 3 · pp 495-507
相关性 3/10 · novelty: new_method
摘要: 针对在线产品评分中的大量缺失值问题，本文提出一种基于加权二部网络模型的新共聚类方法，扩展传统共聚类以同时利用客户和产品协变量及序数评分信息。估计阶段采用变分EM算法，在大规模数据下具有可扩展性。仿真结果表明该方法在参数估计和聚类准确性上表现良好。实际客户定向应用中，模型能识别出有业务解释意义的客户与产品分组，并提升评分预测性能。本文的设计思路和计算工具（变分EM、序数回归）与您在经济应用和统计计算方向的兴趣直接相关，可作为客户细分分析的参考。
关键技术: co-clustering, weighted bipartite network, variational EM, ordinal ratings regression
为什么对您有用: 本文属于经济统计（JBES）的应用论文，聚焦客户定向这一典型市场营销问题，与您 secondary interest 中的经济理论应用方向吻合。您非常熟悉 high‑dimensional asymptotics 和 software development，可以评估该方法在高维评分数据下的理论行为，或利用软件能力复现/改进变分EM算法。变分EM的收敛性和模型选择涉及 M‑estimation 理论，属于 moderately_familiar 领域，需先在此项上加强方可深入理论分析，因此属于中期可做的 follow‑up。

其他 (other, 1 篇)¶

1. 10.1080/07350015.2024.2418849 — Group Sparse β -Model for Network¶

作者: Zhonghan Wang, Junlong Zhao
期刊/来源: Journal of Business & Economic Statistics
机构: Beijing Normal University
分类: vol 43 · issue 3 · pp 657-668
相关性 4/10 · novelty: new_method
摘要: 本文提出 Group Sparse β-Model，用于网络数据中核心节点异质性的建模。该模型将核心节点划分为若干组，并允许不同组的参数具有不同数量级，以刻画异质性。在分组已知时，作者给出全局与局部密度的矩估计，证明其一致性与渐近正态性，并基于此推导出剩余参数的 MLE 的相合性、渐近正态性及有限样本误差界。在分组未知时，提出比值法进行组别检测，计算高效。数值模拟和公司间关系网络实例验证了模型的有效性。论文属于参数网络模型的系统推断理论，可为网络数据分析中的假设检验和置信区间提供基础。
关键技术: Sparse β-model, group sparsity, moment estimator, maximum likelihood estimation, ratio method for group detection, finite-sample error bounds
为什么对您有用: 本文提供网络模型参数的渐近正态性和有限样本误差界，与您数理统计（假设检验）兴趣直接相连，可应用于网络数据的推断。您非常熟悉的 high-dimensional asymptotics 武器可用于验证其渐近结果在节点数增多时的表现或推广到高维情形。立即可做：现有理论分析能力足以理解并评估该方法的统计性质。

Maintained by 陈星宇 · Homepage · Source on GitHub