EJS — Vol 18 Issue 2 · 2026-06-23¶

共 14 篇 · Electronic Journal of Statistics
目录核对 ⚠️ 疑似漏 59 篇（对照 OpenAlex 74 篇）：10.1214/24-ejs2304、10.1214/24-ejs2307、10.1214/24-ejs2298、10.1214/24-ejs2327、10.1214/24-ejs2308 等

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。

本期内容主要围绕非参数与半参数方法、高维统计推断以及假设检验三条主线展开。非参数与半参数方向的文章数量最多，涵盖了密度估计、反卷积、治愈模型及函数型数据推断等议题；高维统计方向聚焦于线性回归的过拟合现象与变量选择中的 FDR 控制；假设检验方向则关注分布尾部模型的区分与极值数据的变异性分析。

在非参数与半参数估计方面，本期重点推进了反问题与复杂结构下的估计理论。针对测量误差问题，Multiplicative deconvolution 与 A supervised deep learning method 分别处理了乘法误差下的密度反卷积与利用深度学习规避维数诅咒的密度估计，前者解决了误差分布未知时的谱截断正则化问题，后者通过将无监督问题转化为监督回归建立了 oracle 不等式。针对模型结构复杂性，Single-index mixture cure model 利用保序回归处理单调单指标治愈模型，Bootstrap inference 则在异方差函数型线性回归中建立了中心极限定理并修正了 Bootstrap 的截断偏差。此外，A note on estimating the dimension 与 On the notion of polynomial reach 分别从随机几何图与几何测度论角度提供了维数与体积的非参数估计新视角。

在高维统计与推断方面，工作集中在预测风险与变量选择的界限分析。Benign overfitting 利用 Convex Gaussian Minimax Theorem 分析了非稀疏高维线性回归在噪声相关时的估计一致性，揭示了特定特征值条件下的“良性过拟合”机制；Trade-off between predictive performance and FDR control 则在高斯模型下提出了惩罚参数校准策略，给出了非渐近 FDR 上界以实现预测风险与错误发现率的平衡。此外，Tail-adaptive Bayesian shrinkage 在贝叶斯框架下提出了能根据稀疏度自适应调整尾部厚度的先验分布，实现了 minimax 最优收缩。

对于关注因果推断与半参数效率的研究者，建议优先阅读 Bootstrap inference in functional linear regression models（异方差下的推断与 CLT）与 Single-index mixture cure model（单调约束下的半参数估计）；关注高维统计与稀疏建模的读者可重点关注 Benign overfitting of non-sparse high-dimensional linear regression 与 Tail-adaptive Bayesian shrinkage。

高维统计 / 随机矩阵 (high_dim_rmt, 2 篇)¶

1. 10.1214/24-ejs2297 · arXiv — Benign overfitting of non-sparse high-dimensional linear regression with correlated noise¶

作者: Toshiki Tsuda, Masaaki Imaizumi
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 2
相关性 8/10 · novelty: new_theory
摘要: 在高维线性回归设定下，本文研究存在内生性（noise 与 covariates 相关）时无正则化估计量的 benign overfitting 现象，目标参数无需稀疏性假设。核心方法是 Convex Gaussian Minimax Theorem (CGMT)，用于分析最小二乘估计量在对偶问题中的风险表现。主要理论结果表明，当 correlated noise 与 instrumental variables 的协方差矩阵特征值满足特定条件时，估计误差依概率收敛到零，实现了 consistency。技术贡献包括将 CGMT 扩展到更一般的设定，并给出了具体的 eigenvalue condition。对您有用之处在于这是高维统计中 benign overfitting 理论向内生性设定的延伸，与您的高维渐近理论和 RMT 背景直接相关。
关键技术: Convex Gaussian Minimax Theorem, benign overfitting, high-dimensional linear regression, endogeneity, eigenvalue conditions, random matrix theory
为什么对您有用: 本文连接到您 primary interest 中的高维统计与 RMT，具体是将 benign overfitting 理论从 i.i.d. noise 延伸到内生性设定，用 CGMT 作为核心技术工具。您武器库中的 high-dimensional asymptotics 和 minimax bounds 可以用来审视其 eigenvalue condition 是否紧、是否可以给出更精细的 minimax lower bound。follow-up 判断：中期可做——CGMT 是您 moderately_familiar 的工具，需要先在 CGMT 及其与 RMT 的结合上长肌肉，才能深入审视其 proof strategy 或考虑更一般的协方差结构。

2. 10.1214/24-ejs2260 · arXiv — Trade-off between predictive performance and FDR control for high-dimensional Gaussian model selection¶

作者: Perrine Lacroix, Marie-Laure Martin
期刊/来源: Electronic Journal of Statistics
机构: Laboratoire de Mathématiques d'Orsay · Institut des Sciences des Plantes de Paris Saclay · Institut de Mécanique Céleste et de Calcul des Éphémérides · AgroParisTech
分类: vol 18 · issue 2
相关性 7/10 · novelty: new_method
摘要: 在高维高斯线性回归（ordered variables）框架下，研究通过惩罚最小二乘准则进行变量选择时，惩罚参数中未知乘子的校准问题。传统校准通常针对预测风险优化，本文提出一种新的校准策略，使得可以同时控制预测风险（prediction risk）和错误发现率（FDR）。核心方法是：基于可观测数据量（如残差方差估计）推导了非渐近的FDR上界，并利用该界构建算法自动选择惩罚参数，无需预知信号强度。理论部分给出了FDR与超参数之间的非渐近不等式，证明了在合适选择下FDR可被控制在预设水平以下；模拟实验表明该方法在预测误差和FDR权衡上优于Lasso、自适应Lasso等现有程序。最后，讨论了当变量无自然顺序时该方法的扩展版本。对您而言，这是一篇将高维正则化方法直接关联到多重检验错误控制的理论工作，契合您在高维统计和假设检验方向的兴趣。
关键技术: Penalized least-squares, False Discovery Rate (FDR), Non-asymptotic bound, Penalty calibration, High-dimensional linear regression
为什么对您有用: 直接关联到您 primary interest 中的“high-dimensional statistics”与“mathematical statistics (hypothesis testing)”。本文在高维线性模型下建立了FDR的非渐近界，原理清晰且可复现；您已有的 high-dimensional asymptotics 和 nonparametric statistics 武器足以理解其理论证明和算法设计。立即可做：您可以直接阅读并尝试复现其模拟，或进一步将FDR控制思路迁移到您熟悉的因果推断变量选择场景中（如倾向得分模型的正则化），尽管后者需要额外处理缺失数据与识别假设。

非参数 / 半参数 (nonparam_semipara, 8 篇)¶

1. 10.1214/24-ejs2314 · arXiv — Multiplicative deconvolution under unknown error distribution¶

作者: Sergio Brenner Miguel, Jan Johannes, Maximilian Siebel
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 2
相关性 8/10 · novelty: new_method
摘要: 本文研究乘法反卷积问题：基于 i.i.d. 观测 Y = X·U 估计正随机变量 X 的密度 f 或生存函数 S^X，其中乘法测量误差 U 独立于 X 但误差密度 f^U 未知。除 Y 样本外，额外假设可独立获得误差 U 的样本。估计策略结合 Mellin 变换估计与谱截断正则化；核心贡献是构造完全数据驱动的截断参数选择方法（模型选择途径），无需预知误差分布。推导出密度和生存函数估计的风险边界及 oracle 型不等式，证明在适当光滑性假设下数据驱动估计量能以常数倍达到 oracle 风险。通过模拟研究验证了不同分布组合下的有限样本表现。该方法属于非参数反问题中处理未知误差分布的前沿工作，对您熟悉的非参数统计与逆问题（非常熟悉项）构成直接扩展——其基于 Mellin 变换的谱截断框架与您惯用的 U-统计量/张量收缩工具不同，但数据驱动调参的逻辑可启发您在 U-统计量核的带宽选择或高阶影响函数中的截断参数选择问题。
关键技术: Mellin transform, spectral cut-off regularization, model selection for cutoff, oracle inequality, unknown error density, multiplicative deconvolution
为什么对您有用: (1) 本文对应您主要兴趣中的非参数统计与逆问题（very_familiar），尤其是未知误差分布下的非参估计——这是您长期关注的反问题方向的新进展。(2) 可用 your '高阶 U-统计量的树宽/张量收缩复杂度' 工具来分析该估计器的计算成本：谱截断估计可通过 Mellin 变换的数值求逆实现，其计算复杂性可由截断阶数和样本量决定，但该文未讨论计算复杂度，因此存在 follow-up 空间，属于中期可做——需先在 moderately_familiar 的 '高阶影响函数理论' 上熟悉逆问题中的正则化路径分析。 (3) 本文提供的数据驱动截断选择方法（模型选择途径）可直接迁移到您当前研究中的 other inverse problems（如加性反卷积或测量误差模型），且文中推导的 oracle 不等式可为比较不同正则化策略提供理论基准。

2. 10.1214/24-ejs2332 · arXiv — A supervised deep learning method for nonparametric density estimation¶

作者: Thijs Bos, Johannes Schmidt-Hieber
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 2
相关性 7/10 · novelty: new_method
摘要: 本文研究非参数密度估计问题，传统上属于无监督学习。作者提出一种两步法：第一步通过构造伪响应变量将密度估计转化为监督回归问题；第二步应用深度神经网络进行回归拟合。由于第一步产生的训练样本之间存在依赖关系，无法直接使用独立同分布数据的理论，因此作者针对这种特殊的依赖结构推导了oracle不等式，用于建立风险上界。在假设真实密度函数具有成分结构（compositional structure）的平滑性条件下，证明该方法可以达到比标准非参数收敛速率更快的速率，例如避免了维数诅咒。模拟实验验证了有限样本下的性能。该工作将无监督问题转化为监督学习，并利用了深度学习的表达能力，为非参数密度估计提供了新的理论框架。对您而言，非参数收敛速率与极小化最优性分析直接对应，可用您熟悉的nonparametric statistics工具评估该速率是否最优。
关键技术: two-step density estimation via supervised regression, oracle inequality for dependent samples, compositional structure assumption, deep neural network regression, risk bounds
为什么对您有用: 本文直击您的非参数统计兴趣——非参数密度估计的监督转化策略及收敛速率分析。您的武器库中'nonparametric statistics'和'minimax bounds for estimation problems'非常熟悉，能够直接评估该两步法是否达到极小化最优速率，以及成分结构假设是否可进一步放松。立即可做：可基于现有武器推导该框架下的自适应速率或检验假设的可识别性。

3. 10.1214/24-ejs2317 · arXiv — Tail-adaptive Bayesian shrinkage¶

作者: Se Yoon Lee, Peng Zhao, Debdeep Pati, Bani K. Mallick
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 2
相关性 6/10 · novelty: new_method
摘要: 在高维稀疏正态均值模型下，本文研究如何在不同稀疏度水平下实现稳健的贝叶斯收缩估计。传统 shrinkage priors（如 Horseshoe）主要针对 ultra-sparsity 设计，在中等稀疏度下表现欠佳。作者提出 global-local-tail (GLT) Gaussian mixture 分布，其尾部厚度能根据后验信号数量自适应调整：稀疏度高时尾部变重以保留少量信号，稀疏度低时尾部变轻以容纳更多信号。理论上证明了 GLT 后验以 minimax optimal rate 收缩，并分析了 tail-index 与真实稀疏度之间的匹配关系。实证结果显示 GLT 在多种稀疏度设定下优于固定尾部的 Horseshoe prior。对您研究 semiparametric efficiency 与高维估计理论有参考价值。
关键技术: global-local shrinkage prior, posterior contraction rate, minimax optimal rate, sparse normal mean model, tail-adaptive shrinkage, Bayesian robust estimation
为什么对您有用: 本文连接到您 primary interest 中的高维统计与 semiparametric theory：它提供了一个具体的后验收缩率分析案例，展示了如何通过 prior 设计达到 minimax optimal rate。您可以用 very_familiar 的 minimax bounds 工具验证其声称的 rate 是否紧，或用 moderately_familiar 的 semiparametric theory 视角审视其 tail-adaptive 机制是否可推广到更一般的 semiparametric 模型。中期可做：需先在 moderately_familiar 的 semiparametric theory 上加深，才能将 GLT 的 tail-adaptive 思路迁移到因果推断中的高维 nuisance parameter 估计问题。

4. 10.1214/24-ejs2331 · arXiv — A note on estimating the dimension from a random geometric graph¶

作者: Caelan Atamanchuk, Luc Devroye, Gábor Lugosi
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 2
相关性 6/10 · novelty: new_theory
摘要: 在随机几何图模型下，目标是仅从邻接矩阵估计潜在空间的维数 d，其中边 (i,j) 存在当且仅当 ‖X_i - X_j‖ ≤ r_n，X_i 为 ℝ^d 上未知密度 f 的 i.i.d. 样本。作者构造了一个基于局部邻域结构（如共享邻居比例）的估计量，利用 U-statistic 形式的统计量捕捉流形维数信息。主要理论结果是：当密度满足 ∫f^5 < ∞ 且 n^{3/2} r_n^d → ∞、r_n = o(1) 时，估计量相合；在无密度条件下，当 n r_n^d → ∞ 时也存在相合估计。条件 n^{3/2} r_n^d → ∞ 几乎是必要的，因为当 n^{3/2} r_n^d → 0 时图中仅含孤立边，信息不足以估计 d。本文对您理解高阶 U-statistic 在图结构推断中的相合性条件有参考价值。
关键技术: U-statistic consistency, random geometric graph, dimension estimation, local neighborhood counting, graph sparsity regime
为什么对您有用: 本文涉及 U-statistic 形式的估计量及其在稀疏条件下的相合性分析，与您 primary interest 中的 higher-order U-statistics 直接相关。您可以用 very_familiar 的 U-statistic 计算工具（treewidth / tensor contraction）分析该估计量的计算复杂度，或用 minimax bounds 工具检验其收敛条件是否紧。follow-up 判定：立即可做——用现有武器库即可分析其估计量的高阶展开或计算效率。

5. 10.1214/24-ejs2296 · arXiv — Simultaneous factors selection and fusion of their levels in penalized logistic regression¶

作者: Lea Kaufmann, Maria Kateri
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 2
相关性 5/10 · novelty: new_method
摘要: 在 logistic 回归设定下，本文针对分类协变量提出 \(L_0\)-Fused Group Lasso 方法，同时实现变量选择与水平融合（level fusion），目标是在保持预测精度的同时获得更稀疏的参数估计。方法核心是组合 Group Lasso 惩罚进行因子选择、\(L_0\) 惩罚作用于水平参数差值以实现融合；自适应权重版本进一步改进有限样本表现。理论贡献包括：在固定 \(p\) 情形下证明估计量的存在性、\(\sqrt{n}\)-consistency 及 oracle property；在 \(p_n \to \infty\) 的发散参数情形下同样建立 \(\sqrt{n}\)-consistency 和变量选择一致性。计算方面开发了 PIRLS 和 block coordinate descent（配合 quasi-Newton）两种算法。模拟显示该方法在高维情形下表现优异。对您而言，这是 M-estimation 理论与惩罚回归结合的一个具体实例，展示了 oracle property 证明技巧。
关键技术: Group Lasso penalty, L0 fusion penalty, oracle property, diverging parameters, block coordinate descent, PIRLS algorithm
为什么对您有用: 本文属于 M-estimation 理论与高维惩罚回归的交叉，与您 moderately_familiar 的 M-estimation theory 直接相关。技术层面，oracle property 的证明路径和 diverging parameter 情形下的 \(\sqrt{n}\)-consistency 分析是您用 very_familiar 的 minimax bound 和 high-dimensional asymptotics 武器可以审视的口子——例如验证其正则条件是否可放松。立即可做：用您熟悉的 high-dimensional asymptotics 视角审视其 \(p_n \to \infty\) 情形的 rate 是否 sharp，或尝试用 higher-order U-statistics 的 treewidth 视角分析 BCD 算法的计算复杂度。

6. 10.1214/24-ejs2285 · arXiv — Bootstrap inference in functional linear regression models with scalar response under heteroscedasticity¶

作者: Hyemin Yeon, Xiongtao Dai, Daniel J. Nordman
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 2
相关性 5/10 · novelty: new_method
摘要: 该文研究功能线性回归模型（标量响应）在误差异方差下的推断问题。核心目标是对条件均值进行分布推断，而现有文献在该设定下甚至缺乏中心极限定理。作者首先建立了条件均值估计量的中心极限定理，允许误差为一般依赖结构（异方差）。在此基础上，对配对 Bootstrap 方法进行了重要改进：标准的配对 Bootstrap 在函数型回归器中会因截断偏差导致失败，作者通过去偏技术消除了该偏差，使得 Bootstrap 在更宽的截断参数范围内有效且鲁棒。所提方法可用于构造投影系数的置信区间以及多条件均值检验。理论证明了 Bootstrap 一致性，模拟和实例验证了方法优势。对您而言，该文提供了非参数/半参数框架下处理函数型协变量异方差推断的通用工具，其去偏 Bootstrap 策略可直接迁移至因果推断中具有函数型混杂变量的场景。
关键技术: functional linear regression, paired bootstrap with debiasing, central limit theorem under heteroscedasticity, confidence intervals for functional regression, hypothesis testing for conditional mean
为什么对您有用: 本文属于非参数/半参数理论中的功能数据推断，直接对应您的 primary interest 中的 nonparametric & semiparametric theory 和 hypothesis testing。技术上，其去偏 Bootstrap 思路可借助您的 very_familiar 非参数统计工具轻松理解，而异方差下的 CLT 证明技巧也能丰富您的推断工具箱；由于功能协变量涉及截断参数选择，需在 moderately_familiar 的半参数理论上进一步熟悉功能主成分分析等技术，属于中期可做的扩展方向。

7. 10.1214/24-ejs2273 · arXiv — Single-index mixture cure model under monotonicity constraints¶

作者: Eni Musta, Tsz Pang Yuen
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 2
相关性 5/10 · novelty: new_method
摘要: 针对存在治愈比例的生存数据，论文提出混合治愈模型（mixture cure model），包括发病率（incidence）和潜伏期（latency）两个子模型；其中发病率通常采用参数logistic回归，但本文提出使用单调单指标模型（monotone single-index model）以在灵活性和可解释性之间取得平衡。估计方法基于剖面最大似然（profile maximum likelihood）和保序回归（isotonic regression）技术，在单调性约束下同时估计单指标的系数向量和未知的单调链接函数。理论上证明了所提估计量的相合性，但未给出收敛速率或渐近分布。模拟研究显示，当单调性假设成立时，所提方法在偏差和均方误差上均优于无单调约束的单指标/Cox混合治愈模型。将方法应用于黑色素瘤生存数据，展示了实际可用性。对您而言，该工作融合了半参单指标模型和非参单调约束，与您在非参数统计和半参理论方面的兴趣直接相关；同时混合治愈模型是流行病学中的常用工具，可视为 secondary interest 中流行病学应用的实例。
关键技术: profile maximum likelihood, isotonic regression, single-index model, mixture cure model, consistency proof
为什么对您有用: 本文涉及半参/非参理论中的单调单指标模型，以及流行病学应用中的混合治愈模型，与您的nonparametric statistics和semiparametric theory兴趣吻合。您可以用非常熟悉的nonparametric statistics中的isotonic regression和profile likelihood技术来验证其一致性证明，并考虑从minimax bound角度分析单调约束对估计误差的影响。该方法原理清晰，立即可尝试将其推广到因果推断框架下的治愈模型（如处理效应异质性分析），或与您的高阶U-statistics结合评估其方差性能。

8. 10.1214/24-ejs2278 · arXiv — On the notion of polynomial reach: A statistical application¶

作者: Alejandro Cholaquidis, Antonio Cuevas, Leonardo Moreno
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 2
相关性 4/10 · novelty: new_method
摘要: 本文提出统计方法估计紧集S的polynomial reach——即体积函数V(t)为多项式的最小区间长度，并利用该多项式近似估计S的体积和Minkowski边界测度。方法基于几何测度论中positive reach条件的推广，允许V(t)在未知长度区间上保持多项式形式。核心机制是从S内均匀随机采样，通过计数样本点与S的距离来近似不同t下的V(t)，再以多项式回归（如最小二乘）拟合系数并估计多项式区间。作者给出了polynomial reach估计量的一致性和收敛速度的理论结果，并通过模拟验证了在正方形、环形等简单形状上的表现。本文为非参数几何估计提供了一个新视角，研究者可利用其熟悉的非参数最小最大界方法分析该估计量的最优收敛速率，或将其与统计计算中的多项式逼近相结合开拓新问题。
关键技术: polynomial reach, volume function, Minkowski content, polynomial regression, boundary measure estimation, consistent estimation
为什么对您有用: 连接非参数统计中几何量估计这一子方向，研究者非常熟悉的非参数统计和最小最大界可直接用于分析polynomial reach估计量的minimax最优速率（立即可做）。此外，该方法为统计计算中的几何逼近提供了新工具，适合作为进入天体统计学中形状分析门类的基础阅读。

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

1. 10.1214/24-ejs2328 · arXiv — Location- and scale-free procedures for distinguishing between distribution tail models¶

作者: Igor Rodionov
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 2
相关性 4/10 · novelty: new_method
摘要: 论文研究区分两种分布尾部模型的问题，给定其中一个模型的尾部更轻（或更重）。提出了两种检验方法：一种是无尺度（scale-free）过程，另一种是无位置和尺度（location- and scale-free）过程，并建立了它们的渐近性质。通过模拟表明，与文献中已有检验相比，这些方法在区分某些尾部模型时更有优势。最后将方法应用于美国绿湾和瑞士森蒂斯日降水量数据。文章聚焦于单变量极值统计中的假设检验，核心是构造对位置和尺度参数稳健的检验统计量。对假设检验兴趣者，‘无位置和尺度’的稳健性设计值得注意，可用于实际数据的尾部模型选择。
关键技术: extreme value theory, tail index, location-scale free test, asymptotic normality
为什么对您有用: 假设检验是您的核心兴趣之一，本文直接在尾部模型检验中提出新的稳健检验方法，与您的数学统计方向吻合。您的武器库中‘非参数统计’和‘极小极大界’可以用于分析该检验的最优性（例如能否达到非参数收敛速度），但该检验标准是渐近正态性而非极小极大率。目前看无需新武器即可理解其主要结果，属于‘立即可做’的阅读范畴。

其他 (other, 3 篇)¶

1. 10.1214/24-ejs2316 · arXiv — Decompositions of the mean continuous ranked probability score¶

作者: Sebastian Arnold, Eva-Maria Walz, Johanna Ziegel, Tilmann Gneiting
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 2
相关性 4/10 · novelty: new_method
摘要: 本文研究连续等级概率评分（CRPS）的均值分解问题，这是评估概率预测最常用的评分规则。作者提出一种基于等值回归（isotonicity-based）的新分解方法，将平均CRPS分解为三个可解释分量：误校准（MSC）、判别能力（DSC）和不确定性（UNC）。理论分析比较了该分解与已有经验分解的差异，推广到总体版本，并探讨了校准概念间的层级关系。等值回归分解保证了各分量的非负性，且在非退化的经验分解下提供了更强的校准量化。通过天气预报和机器学习案例验证了分解的实用性和解释力。对您而言，该工作属于预测评估的方法论，但与主要兴趣方向（因果推断、高维统计）的直接关联较弱。
关键技术: Continuous Ranked Probability Score (CRPS), isotonic regression, calibration decomposition, discrimination ability, proper scoring rules
为什么对您有用: 该论文涉及概率预测评估的分解方法，可间接用于因果推断中预测模型（如倾向得分或结果回归）的校准评估。研究者熟悉非参数统计和软件实现（very_familiar），但本文核心的等值回归分解校准概念与当前武器库无直接接口，属于暂不可做——缺乏对预测评估分解理论工具的储备。

2. 10.1214/24-ejs2323 — ANOVEX: ANalysis Of Variability for heavy-tailed EXtremes¶

作者: Stéphane Girard, Thomas Opitz, Antoine Usseglio-Carleve
期刊/来源: Electronic Journal of Statistics
机构: Institut polytechnique de Grenoble · Centre National de la Recherche Scientifique · Centre Inria de l'Université Grenoble Alpes · Laboratoire Jean Kuntzmann · Université Grenoble Alpes · Institut National de Recherche pour l'Agriculture, l'Alimentation et l'Environnement · Biostatistique et processus spatiaux · Université d'Avignon et des Pays de Vaucluse
分类: vol 18 · issue 2
相关性 3/10 · novelty: new_method
摘要: 针对经典ANOVA无法处理重尾数据（均值不存在或高阶矩不一致）的问题，本文提出ANOVEX分解，通过一组用户指定的极端分位数（可位于观测范围外）来描述和比较多个独立样本的尾部变异性。在正规变化假设下，构造了用于检验多个样本尾部差异的检验统计量，并推导了其渐近分布。针对两个Pareto分布样本的情形，给出了检验统计量的理论行为分析，并探讨了超参数设定策略。模拟研究表明，该检验在广泛有限样本情景下表现可靠。案例应用包括识别具有相似极端对数收益率的金融股票指数聚类，以及检测德国日降水极端事件的时间变化。
关键技术: regular variation, extreme quantile estimation, tail variability decomposition, asymptotic null distribution, Pareto distribution analysis
为什么对您有用: 1) 本文属于假设检验方向下的特定问题——比较多个样本的尾部特征，与您primary interest中的hypothesis testing有交集，但更专门于极值领域。2) 您very_familiar中的nonparametric statistics可帮助理解尾部估计的非参数渐近性质，但该论文的核心工具（正规变化、极值渐近理论）不在当前技术栈中。3) 中期可做：若能先系统学习极值理论（如peaks-over-threshold、极值指数估计），即可将本文检验与其他统计检验（如ANOVA或非参数多重比较）进行对比研究，或将其迁移至您关注的因果推断中的敏感分析（例如重尾处理效应）。

3. 10.1214/24-ejs2280 — High-frequency volatility estimation and forecasting with a novel Bayesian LGI model¶

作者: Weiqing Gao, Ben Wu, Bo Zhang
期刊/来源: Electronic Journal of Statistics
机构: Renmin University of China
分类: vol 18 · issue 2
相关性 2/10 · novelty: new_method
摘要: 本文针对高频金融数据中的波动率建模问题，提出一种新颖的贝叶斯框架（Bayesian LGI模型），其核心假设是在一系列不可观测的“锚点”时间点上波动率过程嵌入了潜在的GARCH结构，从而刻画高频下资产波动率的演化。作者引入潜在锚点的理想近似，该近似与真实潜在锚点具有相似的后验分布，并据此开发了一种高效的两阶段推断框架及对应的两阶段MCMC采样算法。仿真实验和真实数据分析表明，所提方法在潜在锚点的解释以及波动率估计与预测方面均优于现有替代方法。该方法本质上是贝叶斯时间序列建模与MCMC计算的结合，与研究者主要关注的因果推断、高维统计等方向无直接交集。
关键技术: Bayesian LGI model, latent GARCH structure, anchor time points, two-stage MCMC, volatility estimation and forecasting
为什么对您有用: 本文主要属于金融计量与贝叶斯计算领域，与研究者列出的primary interests（因果推断、高维统计、U统计量等）距离较远。研究者武器库中‘software development’可作为阅读该文后实现类似MCMC框架的辅助，但核心的贝叶斯时变参数建模与MCMC收敛性分析目前不在熟悉范围内。因此，本文不适合作为研究者当前可动手的方向，属于暂不可读的领域边际论文。

Maintained by 陈星宇 · Homepage · Source on GitHub