AoS — Vol 51 Issue 6 · 2026-07-04¶

共 10 篇 · Annals of Statistics
目录核对 ✅ 10 篇全部抓到（对照 OpenAlex 10 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《AoS》第51卷第6期的10篇论文大致可归为四条主线：假设检验与推断（5篇）、高维时间序列与网络模型（2篇）、非参数/半参数方法与模型（2篇）、稳健估计（1篇）。其中，假设检验与推断是数量最多的方向，覆盖了形状约束检验、子群选择、自协方差推断、网络模型拟合优度检验和模型无关的carving推断；高维方向则聚焦于长程依赖协方差矩阵估计和网络自回归模型；非参数方向涉及高斯过程回归的平坦极限和潜在位置网络模型的投影稀疏化；稳健估计方向以结构化协方差矩阵的S估计收尾。

在假设检验与推断主线中，多篇论文围绕“形状约束”或“选择后推断”展开。Testing nonparametric shape restrictions提出基于部分和经验过程的统一检验框架，适用于导数符号、凸性等多种形状约束，且不依赖光滑参数选择，其bootstrap算法直接关联非参数假设检验的实践需求。Efficient shape-constrained inference for the autocovariance sequence from a reversible Markov chain则利用自协方差序列的矩序列凸性约束，构造无需调参的估计量，直接服务于MCMC方差估计，与前者共享形状约束工具但目标不同。Optimal subgroup selection将子群选择问题形式化为约束优化，推导极小极大最优速率，并推广到处理效应异质性（HTE）设定，为因果推断中的子群分析提供了理论速率基准。Carving model-free inference将传统条件推断（data carving）推广到模型无关框架，仅依赖渐近正态性，适用于高维选择后推断，绕开了参数模型假设。Adjusted chi-square test for degree-corrected block models则针对网络社区检测提出序贯拟合优度检验，通过调整卡方统计量适应稀疏网络，其序贯检验策略与社区数量一致性恢复直接相关。

高维与网络方向的两篇论文分别处理不同结构。Local Whittle estimation of high-dimensional long-run variance and precision matrices针对高维时间序列的长程依赖，引入阈值化和惩罚化收缩技术，并建立非渐近浓度不等式，直接服务于长程依赖下的协方差矩阵估计。Nonlinear network autoregression则在高维网络时间序列中引入光滑链接函数，建立拟极大似然推断框架，并处理线性性检验中的参数可识别与不可识别情况，其网络自回归框架与网络干扰下的因果推断（如treatment effect估计）有直接关联。非参数方向中，Gaussian process regression in the flat limit通过固定样本分析揭示平坦极限下GP回归与多项式/样条回归的等价性，其谱分析结果对理解核方法行为有理论意义；Projective, sparse and learnable latent position network models则用Poisson点过程替代独立同分布假设，使潜在位置模型兼容稀疏图，并定义投影序列确保跨规模推断一致性，与网络建模的稀疏化趋势紧密相关。

对于因果推断方向的研究者，Optimal subgroup selection（子群选择与HTE推广）和Nonlinear network autoregression（网络干扰下的推断框架）最直接相关；半参数效率方向可关注Efficient shape-constrained inference for the autocovariance sequence（形状约束下的效率估计）和Carving model-free inference（模型无关的条件推断）；高维方向则优先看Local Whittle estimation of high-dimensional long-run variance and precision matrices（长程依赖下的高维协方差估计）和Adjusted chi-square test for degree-corrected block models（稀疏网络拟合优度检验）。

因果推断 (causal_inference, 1 篇)¶

1. 10.1214/23-aos2345 · arXiv — Nonlinear network autoregression¶

作者: Mirko Armillotta, Konstantinos Fokianos
期刊/来源: Annals of Statistics
机构: Tinbergen Institute · Vrije Universiteit Amsterdam · University of Cyprus
分类: vol 51 · issue 6
相关性 7/10 · novelty: new_method
摘要: 本文研究高维时间序列网络数据的非线性自回归模型，其中节点响应向量通过光滑链接函数非线性地依赖于自身滞后值和邻居节点的滞后值。在已知网络结构下，建立了该多元过程的稳定性条件，并发展了拟极大似然推断方法，允许网络维度随样本量增长。针对线性性检验，分别处理了参数可识别和不可识别两种情况：可识别时检验统计量收敛到卡方分布；不可识别时构造了上确界型检验，通过可行界和自助法近似p值。模拟和实际数据示例支持了理论结果。对您而言，该文的网络自回归框架与您关注的纵向因果推断（如带有网络干扰的treatment effect估计）有直接关联，其拟似然推断和检验方法可迁移至网络干扰下的敏感性分析。
关键技术: quasi maximum likelihood inference, network autoregression, supremum-type test, bootstrap p-value approximation, high-dimensional time series
为什么对您有用: 本文直接关联您primary interest中的纵向因果推断和假设检验：网络自回归模型是处理带有干扰（interference）的纵向数据的自然框架，其拟似然推断和线性性检验方法可迁移至网络干扰下的因果效应估计和敏感性分析。您的武器库中'非参数统计'和'高维渐近'可直接用于理解其稳定性条件和检验的渐近性质，属于立即可做的交叉方向。

高维统计 / 随机矩阵 (high_dim_rmt, 1 篇)¶

1. 10.1214/23-aos2330 · arXiv — Local Whittle estimation of high-dimensional long-run variance and precision matrices¶

作者: Changryong Baek, Marie-Christine Düker, Vladas Pipiras
期刊/来源: Annals of Statistics
分类: vol 51 · issue 6
相关性 7/10 · novelty: new_theory
摘要: 本文研究高维时间序列下长程方差矩阵及其逆矩阵（精度矩阵）的估计问题，允许序列存在长程依赖（long-range dependence）。估计方法基于经典的多变量局部Whittle估计，并引入阈值化（thresholding）和惩罚化（penalizing）的收缩技术，以在高维稀疏设定下实现一致估计。核心理论贡献是建立了局部Whittle估计量围绕真实参数的非渐近浓度不等式（concentration inequality），该不等式同时处理了记忆参数（memory parameters）的估计，这是模型中的关键参数。作者还提出了新的算法，并提供了模拟研究和实际数据应用。该工作将高维协方差矩阵估计的经典框架（如Bickel & Levina 2008）推广到了长程依赖时间序列场景，填补了理论空白。对您而言，本文的非渐近浓度不等式技术（特别是处理长程依赖的谱域方法）与您在高维统计和随机矩阵理论方面的兴趣高度相关，其中的稀疏性假设和阈值化策略也可迁移至您熟悉的因果推断中的高维协方差估计问题。
关键技术: local Whittle estimation, long-run variance matrix, concentration inequality, thresholding, high-dimensional time series, long-range dependence
为什么对您有用: 本文直接关联您的高维统计与随机矩阵理论兴趣，具体涉及长程依赖时间序列下的协方差矩阵估计。您武器库中'高维渐近理论'和'逆问题'的功底可直接用于理解其浓度不等式的证明框架；而'阈值化'技术是您熟悉的非参数统计工具，可尝试迁移至因果推断中处理序列相关的协方差结构。中期可做：若您想将本文的谱域方法用于您关注的proximal CI或IV中的序列依赖问题，需先在'moderately_familiar'的'identification theory in causal inference'上加强，以理解如何将长程依赖假设融入识别条件。

非参数 / 半参数 (nonparam_semipara, 2 篇)¶

1. 10.1214/23-aos2336 · arXiv — Gaussian process regression in the flat limit¶

作者: Simon Barthelmé, Pierre-Olivier Amblard, Nicolas Tremblay, Konstantin Usevich
期刊/来源: Annals of Statistics
分类: vol 51 · issue 6
相关性 6/10 · novelty: new_theory
摘要: 本文研究高斯过程回归在长度尺度趋于无穷大时的“平坦极限”行为，即固定样本量下核函数变得平坦的渐近性质。作者利用核矩阵在平坦极限下的谱行为，证明GP回归的预测均值与预测方差分别收敛到多项式回归或(polyharmonic)样条回归的对应量，具体取决于核函数类型（如高斯核收敛到多项式插值，Matern核收敛到样条插值）。技术核心是固定样本分析而非传统的大n渐近，借助Driscoll & Fornberg (2002)的逼近论结果和核矩阵谱分析。结果表明后验预测分布在平坦极限下等价于经典非参数回归方法，且最优留一法交叉验证可能发生在极大长度尺度处，这在实际计算中因数值困难常被忽略。对您而言，该工作连接了非参数统计中的核方法与样条方法，其固定样本分析视角和谱工具可迁移到您熟悉的高维渐近与逆问题分析中。
关键技术: flat limit asymptotics, kernel matrix spectral analysis, Gaussian process regression, polynomial interpolation, polyharmonic splines, fixed-sample analysis
为什么对您有用: 本文直接关联您的非参数统计与高维渐近兴趣，其固定样本分析框架和核矩阵谱工具可被您非常熟悉的非参数统计与高维渐近武器直接攻破。中期可做：若需将平坦极限推广到更复杂核（如自适应长度尺度），需先在 moderately_familiar 的M估计理论中积累经验。

2. 10.1214/23-aos2340 · arXiv — Projective, sparse and learnable latent position network models¶

作者: Neil A. Spencer, Cosma Rohilla Shalizi
期刊/来源: Annals of Statistics
分类: vol 51 · issue 6
相关性 4/10 · novelty: new_method
摘要: 本文针对潜在位置网络模型（latent position network model）中节点位置独立同分布假设导致平均度随节点数线性增长、不适用于稀疏图的缺陷，提出用 Poisson 点过程生成潜在位置的新假设。该框架兼容多种稀疏度（如平均度增长为 O(n^α), α∈(0,1)），并自然定义了投影序列（projective sequence）概率模型，确保不同规模网络间统计推断的一致性。作者建立了潜在位置一致估计的条件，并与现有稀疏网络建模框架（如 graphon 的稀疏化、随机块模型的度修正）进行了对比。理论工具涉及点过程、随机图极限和 M-估计的一致性条件。对您而言，本文的投影序列思路可迁移至纵向因果推断中处理时变网络结构的一致性建模，而稀疏性假设的放松可能启发高维 U-统计量在网络数据上的收敛速率分析。
关键技术: Poisson point process, projective sequence, latent position model, sparse network, consistent estimation, M-estimation
为什么对您有用: 本文直接关联非参数/半参数理论中的网络建模，其投影序列框架为纵向因果推断中处理不同规模网络的一致性提供了新视角。技术武器库中的非参数统计和 M-估计理论可直接用于验证其估计条件，而高维 U-统计量的树宽视角可分析其估计量的计算成本。中期可做：需先在 moderately_familiar 的识别理论上长肌肉，以将投影序列与因果推断中的 time-varying confounding 结合。

数理统计 / 假设检验 (hypothesis_testing, 5 篇)¶

1. 10.1214/23-aos2311 · arXiv — Testing nonparametric shape restrictions¶

作者: Tatiana Komarova, Javier Hidalgo
期刊/来源: Annals of Statistics
分类: vol 51 · issue 6
相关性 8/10 · novelty: new_method
摘要: 本文在非参数回归框架下，针对一类广泛的形状约束（如导数符号、U形/ S形、对称性、拟凸性、对数凸性、r-凸性等）提出了一种检验方法。检验统计量基于部分和（partial sums）经验过程，通过适当的变换后，其渐近分布可表示为标准布朗运动的泛函，从而可以直接获得渐近临界值。由于渐近临界值在有限样本下可能近似不佳，作者还给出了一个有效的bootstrap算法。该方法不依赖于特定的光滑参数选择，适用于多种形状约束的统一检验框架。理论部分建立了检验统计量在原假设下的弱收敛性，并证明了bootstrap的一致性。模拟研究表明该检验具有良好的有限样本性质。对于您而言，该工作直接关联到数学统计中的假设检验方向，特别是非参数约束检验这一经典问题，其基于部分和经验过程的技术工具与您熟悉的非参数统计和M估计理论有很好的衔接。
关键技术: partial sums empirical process, shape constraints testing, bootstrap consistency, Brownian motion functional, nonparametric regression
为什么对您有用: 本文直接对应您primary interest中的'假设检验'和'非参数统计'方向，提出了一种统一的非参数形状约束检验框架。技术核心是部分和经验过程，这与您熟悉的非参数统计和M估计理论（very_familiar）高度契合，可以立即理解其渐近论证思路。中期可做：若想将此类检验推广到高维或因果推断中的形状约束（如单调性假设检验），需先在moderately_familiar的M估计理论或HOIF上进一步熟悉，但当前论文本身是可直接阅读的经典非参数检验工作。

2. 10.1214/23-aos2328 · arXiv — Optimal subgroup selection¶

作者: Henry W. J. Reeve, Timothy I. Cannings, Richard J. Samworth
期刊/来源: Annals of Statistics
分类: vol 51 · issue 6
相关性 7/10 · novelty: new_theory
摘要: 本文研究回归设定下的最优子群选择问题：目标是找到一个低复杂度的数据依赖选择集，使得在该集合上回归函数以高概率一致不低于预设阈值，同时最大化该集合在边际特征分布下的质量。问题被形式化为一个约束优化问题，并定义了自然的遗憾（regret）概念。主要贡献是确定了该遗憾在样本量和第一类错误概率下的极小极大最优速率，该速率涉及回归函数光滑性参数与最优选择集可被良好子集族逼近的指数之间的微妙交互。方法上使用了经验过程理论和浓度不等式来推导上界，并通过构造匹配的下界证明最优性。最后，文章将结果推广到处理效应异质性（HTE）的设定，展示了方法在因果推断中的应用。对您而言，本文的极小极大率分析框架和子群选择问题的形式化方法可直接应用于您感兴趣的因果推断中的异质性处理效应识别问题。
关键技术: minimax optimal rate, empirical process theory, concentration inequalities, subgroup selection, heterogeneous treatment effect
为什么对您有用: 本文直接关联到您的主要兴趣：因果推断中的异质性处理效应（HTE）识别问题，以及数学统计中的假设检验和极小极大理论。您武器库中的非参数统计和极小极大界工具（very_familiar）可直接用于理解本文的率分析，而识别理论（moderately_familiar）可帮助您将子群选择框架推广到因果参数。中期可做：将本文的约束优化方法应用于proximal causal inference中的子群识别，需先在识别理论上加强。

3. 10.1214/23-aos2335 · arXiv — Efficient shape-constrained inference for the autocovariance sequence from a reversible Markov chain¶

作者: Stephen Berg, Hyebin Song
期刊/来源: Annals of Statistics
分类: vol 51 · issue 6
相关性 7/10 · novelty: new_method
摘要: 本文研究可逆马尔可夫链自协方差序列的估计问题，其核心动机是估计中心极限定理中的渐近方差（即 MCMC 方差估计）。作者利用自协方差序列可表示为某个矩序列这一关键观察，提出了一种新颖的形状约束估计量（shape-constrained estimator），该估计量强制序列满足矩序列的凸性/单调性约束。理论方面，对于几何遍历的可逆马尔可夫链，证明了该估计量在 ℓ₂ 距离下强相合于真实自协方差序列，并由此得到渐近方差的强相合估计。方法上，该估计量无需调参，且与 batch means、spectral variance 估计、初始凸序列估计等现有方法相比，在数值实验中表现出竞争力。对您而言，该工作将非参数形状约束（moment sequence 的凸性）与 MCMC 方差估计这一具体统计推断问题结合，属于 hypothesis testing 和 nonparametric theory 的交叉应用，且其理论分析（强相合性证明）可迁移至您熟悉的 minimax bounds 框架下评估其最优性。
关键技术: shape-constrained estimation, moment sequence, reversible Markov chain, autocovariance sequence, MCMC variance estimation, strong consistency
为什么对您有用: 该工作直接连接您的 primary interest 中的 hypothesis testing（MCMC 方差估计是推断的基础）和 nonparametric theory（形状约束估计）。您的 technical arsenal 中 very_familiar 的 nonparametric statistics 和 minimax bounds 可直接用于分析该估计量的最优性（例如，在 ℓ₂ 损失下是否达到 minimax 最优率？），这是立即可做的 follow-up。此外，该问题与您 moderately_familiar 的 M-estimation theory 也有交集（形状约束估计常通过凸优化实现，可视为 M-estimator）。

4. 10.1214/23-aos2329 · arXiv — Adjusted chi-square test for degree-corrected block models¶

作者: Linfan Zhang, Arash A. Amini
期刊/来源: Annals of Statistics
分类: vol 51 · issue 6
相关性 7/10 · novelty: new_method
摘要: 本文针对度修正随机块模型（DCSBM）提出一种拟合优度检验。检验统计量基于调整的卡方统计量，用于检验 n 个多项分布（每个节点对应一个多项分布，观测次数为节点度 d_i）的组均值是否相等。在网络模型中，n 远大于 d_i，偏离经典渐近框架。作者证明，只要 {d_i} 的调和平均趋于无穷，调整后的统计量在原假设下依分布收敛到卡方分布。该检验可序贯应用于确定社区数量，其操作基于度条件化后的邻接矩阵压缩版本，因此对大规模稀疏网络高度可扩展。关键创新在于：当检验 K 个社区时，基于 (K+1)-社区分配压缩行，这在不牺牲计算效率的前提下提高了序贯检验的势，并证明了恢复社区数量的一致性。由于检验统计量不依赖于特定备择假设，其应用不限于序贯检验，可同时检验 DCSBM 族之外的广泛备择模型，例如具有社区结构的潜变量网络模型。对您而言，该工作直接关联假设检验与高维统计兴趣，其调整卡方统计量的渐近理论（在 n 大 d_i 小的非标准设定下）与您熟悉的非参数统计和 minimax 界工具可形成对话，尤其适合作为检验理论在随机图模型中的应用案例。
关键技术: adjusted chi-square statistic, degree-corrected stochastic block model, goodness-of-fit test, sequential community detection, row compression, sparse network asymptotics
为什么对您有用: 直接关联您的假设检验与高维统计兴趣：该文在 n 远大于 d_i 的非标准渐近框架下推导调整卡方统计量的极限分布，与您熟悉的非参数统计和 minimax 界工具可形成对话。您可以用 very_familiar 的高维渐近工具验证其调和平均条件的紧性，或用 moderately_familiar 的 M-估计理论分析其势函数。中期可做：若想将类似调整卡方方法推广到更一般的图模型（如加权网络），需先在 moderately_familiar 的识别理论（如 DCSBM 的参数化）上长肌肉。

5. 10.1214/23-aos2318 · arXiv — Carving model-free inference¶

作者: Snigdha Panigrahi
期刊/来源: Annals of Statistics
分类: vol 51 · issue 6
相关性 6/10 · novelty: new_method
摘要: 本文研究探索性分析后对选定参数进行确认性推断时，如何避免选择偏差。传统条件推断（data carving）依赖高斯等参数模型，限制了应用范围。作者提出一种渐近框架，将 carving 推广到模型无关（model-free）设定，仅需估计量满足渐近正态性和某些正则条件。核心机制是构造一个渐近版本的 carving 条件分布，通过估计渐近方差和协方差结构实现条件推断。理论结果表明，即使初始模型错误指定，carving 后的置信区间仍保持渐近覆盖率。这对您的高维统计和假设检验兴趣有直接连接——特别是当您处理高维选择后推断时，该框架可绕过参数模型假设，与您熟悉的非参数统计和渐近理论工具兼容。
关键技术: data carving, selective inference, asymptotic conditional inference, model-free inference, post-selection inference
为什么对您有用: 直接连接您的假设检验兴趣——本文解决选择后推断的核心问题（selection bias），且将 carving 从参数模型推广到渐近模型无关设定，与您熟悉的非参数统计和渐近理论（very_familiar）高度匹配。中期可做：您可用 moderately_familiar 的 semiparametric theory 工具，检验该框架在更弱正则条件下的有效性，或将其与您的高维 U-statistics 工作结合，处理复杂统计量的选择后推断。

其他 (other, 1 篇)¶

1. 10.1214/23-aos2334 · arXiv — S-estimation in linear models with structured covariance matrices¶

作者: Hendrik Paul Lopuhaä, Valerie Gares, Anne Ruiz-Gazen
期刊/来源: Annals of Statistics
分类: vol 51 · issue 6
相关性 5/10 · novelty: new_method
摘要: 本文研究线性模型中带结构化协方差矩阵的S估计的统一框架。主要关注线性混合效应模型的S估计，但也涵盖多元回归、多元位置散度等标准多元模型。在一般可识别协方差结构下，给出了S泛函和S估计量存在的充分条件，建立了相合性和渐近正态性，并推导了崩溃点和影响函数等稳健性性质。所有结果都在观测分布的温和条件下建立，远超出椭圆等高分布假设。部分结果是新的，其他则推广了现有文献。通过模拟研究和铅暴露儿童治疗试验数据应用进行了验证。
关键技术: S-estimation, structured covariance matrices, linear mixed effects models, influence function, breakdown point
为什么对您有用: 本文属于稳健统计和线性模型理论，与您的主要兴趣（因果推断、高维统计、半参理论）无直接交集。武器库中的非参统计和M估计理论可帮助理解其技术细节，但核心问题（结构化协方差的S估计）不在您的核心方向内。暂不可做——缺乏对稳健估计和混合效应模型领域的深度投入。

Maintained by 陈星宇 · Homepage · Source on GitHub