AoS — Vol 52 Issue 3 · 2026-07-04¶

共 16 篇 · Annals of Statistics
目录核对 ✅ 16 篇全部抓到（对照 OpenAlex 16 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。

这一期共16篇论文，整体可归纳为四条主线：高维随机矩阵与协方差估计（4篇）、非参数与半参数方法（4篇）、因果推断与条件独立性检验（3篇）、假设检验与推断框架（4篇），另有1篇统计计算。高维随机矩阵主线集中关注缺失数据、动态波动率、时间依赖和分块结构下的谱性质与估计；非参数主线覆盖分类、最优传输、样条和降维；因果推断主线围绕条件独立性检验的双重稳健性、分布式半参数估计和序贯变化检测；假设检验主线涉及扩散模型相似性检验、两样本检验、选择性推断和时间序列频域推断。

高维随机矩阵与协方差估计是本期最密集的主题。Spectral analysis of gram matrices with missing at random observations 在缺失观测下建立了Gram矩阵经验谱分布的收敛性和线性谱统计量的CLT，关键发现是特征值波动受总体协方差特征向量影响，与完全观测情形不同。High-dimensional covariance matrices under dynamic volatility models 将RMT拓展到非线性动态波动率模型（标量BEKK），提出时间变异调整样本协方差矩阵使其服从Marchenko-Pastur定律，并开发了渐近最优非线性收缩估计量。Change-point inference in high-dimensional regression models under temporal dependence 首次在函数依赖框架下处理高维回归变点推断，提出块型长程方差估计量并推导极限分布。On blockwise and reference panel-based estimators for genetic data prediction in high dimensions 则揭示了分块对角协方差结构下，调整局部依赖的分块方法可能劣于控制全协方差的方法，且参考面板估计在高维下表现差异显著。这四篇共同推进了RMT在非i.i.d.、缺失、时间依赖和分块结构下的理论，并直接服务于协方差检验、变点定位和遗传预测。

因果推断与条件独立性检验主线中，Reconciling model-X and doubly robust approaches to conditional independence testing 统一了Model-X方法（如dCRT）与双重稳健方法，证明dCRT在结果模型估计足够好时具有双重稳健性，且与GCM检验渐近等价，后者在部分线性备择下最优。Distributed estimation and inference for semiparametric binary response models 处理分布式半参数二元选择模型，通过平滑目标函数和迭代带宽缩小实现超线性收敛，消除机器数量约束，可迁移至因果效应估计中的分布式计算。Change acceleration and detection 提出序贯变化检测与加速问题，在马尔可夫变化点模型下给出最优解，适用于在线因果推断中的干预分配。这三篇分别从检验稳健性、分布式推断和序贯决策角度拓展了因果推断的工具箱。

假设检验主线中，Sharp adaptive and pathwise stable similarity testing for scalar ergodic diffusions 针对非参数扩散模型提出自适应多重检验，达到极小极大最优率，且对分数布朗运动驱动稳健。Spectral regularized kernel two-sample tests 证明MMD检验非最优，提出谱正则化MMD检验达到minimax最优，自适应版本仅差对数因子。Locally simultaneous inference 提出局部同时推断框架，通过数据驱动筛选问题子集，在控制第一类错误下严格优于传统同时推断方法，且无需精确刻画选择机制。A blockwise empirical likelihood method for time series in frequency domain inference 结合块经验似然与周期图经验似然，构造谱经验似然统计量，渐近卡方分布，无需估计周期图方差。这四篇分别从自适应检验、最优两样本检验、选择性推断和时间序列非参推断角度推进了假设检验理论。

非参数与半参数主线中，Nonparametric classification with missing data 在MNAR缺失下推导excess risk的minimax率，ambient维度不出现在率中，HAM分类器结合k-NN和硬阈值达到该率。Plugin estimation of smooth optimal transport maps 证明经验测度最优耦合加线性平滑扩展即可达到minimax最优率，并给出二次Wasserstein距离的CLT。MARS via LASSO 提出基于LASSO的MARS变体，收敛速度仅对数依赖维度。Deep nonlinear sufficient dimension reduction 用深度网络学习充分降维子空间，基于U-过程推导慢速和快速收敛率，快速率接近非参数回归极小极大率。这四篇覆盖了缺失数据分类、最优传输、样条和深度降维，均涉及非参数收敛率分析。

与因果推断、半参数效率、高维方向最贴合的论文：因果推断方向优先看 Reconciling model-X and doubly robust approaches（双重稳健性与半参数效率）、Distributed estimation and inference for semiparametric binary response models（分布式半参数估计与推断）；高维方向优先看 Spectral analysis of gram matrices with missing at random observations（缺失数据谱分析CLT）、High-dimensional covariance matrices under dynamic volatility models（非线性动态波动率RMT）、Change-point inference in high-dimensional regression models under temporal dependence（时间依赖高维变点推断）；半参数/非参数效率方向优先看 Plugin estimation of smooth optimal transport maps（minimax最优率与CLT）、Nonparametric classification with missing data（minimax率与维度无关性）。

因果推断 (causal_inference, 3 篇)¶

1. 10.1214/24-aos2372 · arXiv — Reconciling model-X and doubly robust approaches to conditional independence testing¶

作者: Ziang Niu, Abhinav Chakraborty, Oliver Dukes, Eugene Katsevich
期刊/来源: Annals of Statistics
分类: vol 52 · issue 3
相关性 8/10 · novelty: new_theory
摘要: 本文研究条件独立性检验中 Model-X 方法与双重稳健方法的统一。Model-X 方法（如 dCRT）通常假设已知预测变量给定协变量的条件分布，但实践中常从样本中学习该分布。作者证明，只要结果变量给定协变量的条件均值估计足够好，dCRT 仍能控制第一类错误，即 dCRT 具有双重稳健性。进一步，作者将 dCRT 与广义协方差度量（GCM）检验进行对比，证明两者渐近等价，并利用半参数效率理论证明 GCM 检验在（广义）部分线性备择假设下是最优的。模拟研究表明，两种方法在控制第一类错误和检验功效上表现相似，但 dCRT 在小样本或离散响应下控制稍好而功效稍弱。Post-lasso 统计量相比 lasso 能显著改善两类方法的第一类错误控制。
关键技术: distilled conditional randomization test (dCRT), generalized covariance measure (GCM) test, doubly robust conditional independence testing, semiparametric efficiency theory, post-lasso
为什么对您有用: 本文直接连接您的因果推断兴趣（条件独立性检验），并展示了半参数效率理论在检验问题中的应用——这是您非常熟悉的武器。dCRT 与 GCM 的等价性及最优性结果，可启发您将 higher-order U-statistics 或 HOIF 工具用于构造更高效的检验统计量。中期可做：需先在 moderately_familiar 的 HOIF 上长肌肉，以推广至更高阶的局部备择假设。

2. 10.1214/24-aos2376 — Distributed estimation and inference for semiparametric binary response models¶

作者: Xi Chen, Wenbo Jing, Weidong Liu, Yichen Zhang
期刊/来源: Annals of Statistics
机构: New York University · Shanghai Jiao Tong University
分类: vol 52 · issue 3
相关性 7/10 · novelty: new_method
摘要: 本文研究分布式计算环境下半参数二元选择模型的最大得分估计与推断问题。目标是在不预设噪声分布的情况下估计系数向量，属于半参数M估计框架。传统分治估计器因目标函数高度非光滑而受限于机器数量的非正则约束。作者提出(1)通过平滑目标函数得到单轮分治估计器以放松约束，(2)通过迭代平滑的多轮估计器完全消除机器数量约束。核心机制是自适应选择核平滑器并逐步缩小带宽，使优化误差呈超线性下降，每轮统计精度提升，最终达到二次收敛至最优统计误差率。理论结果包括收敛速率和推断性质，并推广到数据异质性和高维稀疏参数情形。对您有用：该文处理半参数模型在分布式环境下的估计与推断，其平滑技巧和收敛分析可迁移至您熟悉的因果推断中半参数效率估计的分布式计算场景。
关键技术: maximum score estimator, divide-and-conquer, kernel smoothing, iterative smoothing, adaptive bandwidth selection, quadratic convergence
为什么对您有用: 本文直接关联您 primary interest 中的 semiparametric theory 和 estimation theory in causal inference，特别是半参数模型在分布式环境下的估计与推断。您 very_familiar 中的 nonparametric statistics 和 minimax bounds 可用于分析其平滑估计器的收敛速率是否最优；moderately_familiar 中的 semiparametric theory 可帮助理解其效率损失。中期可做：需先在 moderately_familiar 的 semiparametric theory 上加强，以评估其推断方法在因果效应估计中的适用性。

3. 10.1214/24-aos2382 · arXiv — Change acceleration and detection¶

作者: Yanglei Song, Georgios Fellouris
期刊/来源: Annals of Statistics
机构: Queen's University · University of Illinois Urbana-Champaign
分类: vol 52 · issue 3
相关性 4/10 · novelty: new_method
摘要: 本文提出了一种新颖的序贯变化检测问题，其中变化不仅需要被检测，还需要被加速。具体设定是：序贯收集的观测值是对实时选择的治疗（treatment）的响应，治疗分配不仅决定响应在变化前和变化后的分布，还影响变化发生的时间。目标是找到一个治疗分配规则和一个停止规则，在满足用户指定的虚警概率约束下，最小化期望总观测数。在一般的马尔可夫变化点模型下，得到了该问题的最优解。此外，还提出了一种替代程序，其适用性不限于马尔可夫变化点模型，且设计所需计算量极小。对于一大类变化点模型，该程序在渐近意义上达到了最优性能。两个模拟研究表明，其性能在误差概率上均匀地接近最优。
关键技术: sequential change detection, optimal stopping, Markovian change-point model, asymptotic optimality, treatment assignment
为什么对您有用: 本文连接了因果推断中的序贯治疗分配与变化检测，属于纵向因果推断的交叉方向。武器库中'因果推断的估计理论'和'M估计理论'可用于分析其提出的替代程序的渐近性质。中期可做：需先在 moderately_familiar 的'因果推断的识别理论'上长肌肉，以理解治疗分配对变化时间影响的识别假设。

高维统计 / 随机矩阵 (high_dim_rmt, 4 篇)¶

1. 10.1214/24-aos2392 — Spectral analysis of gram matrices with missing at random observations: Convergence, central limit theorems, and applications in statistical inference¶

作者: Huiqin Li, Guangming Pan, Yanqing Yin, Wang Zhou
期刊/来源: Annals of Statistics
机构: Chongqing University · Nanyang Technological University · National University of Singapore
分类: vol 52 · issue 3
相关性 9/10 · novelty: new_theory
摘要: 本文研究缺失随机观测下 Gram 矩阵的谱性质。设定高维框架，观测矩阵 Z = D ∘ (Σ^{1/2} X)，其中 D 是独立 Bernoulli 缺失指示矩阵，X 为独立同分布随机变量。首先建立了经验谱分布向确定极限分布的收敛性。进一步推导了线性谱统计量的中心极限定理，揭示了缺失机制对谱分布二阶性质的影响。一个关键发现是：即使在理想高斯分布下，特征值统计量的波动也受总体协方差矩阵特征向量的影响，这与经典完全观测情形形成鲜明对比。最后，将所建立的 CLT 应用于总体协方差矩阵的假设检验。该结果对高维统计推断中缺失数据的谱分析具有直接的理论价值，尤其适用于您在高维统计与随机矩阵理论方向的研究。
关键技术: empirical spectral distribution, central limit theorem for linear spectral statistics, Marchenko-Pastur law, missing at random, Hadamard product random matrix
为什么对您有用: 直接连接您的高维统计与随机矩阵理论兴趣，特别是缺失数据下 Gram 矩阵谱分析这一具体子方向。您的 technical_arsenal 中 high-dimensional asymptotics 和 inverse problems with random noise 可直接用于理解其 CLT 证明框架，而 moderately_familiar 的 M-estimation theory 可用于拓展其假设检验应用。中期可做：将缺失机制下的谱 CLT 与您的 higher-order U-statistics 结合，分析缺失数据下 U-statistic 的谱表示。

2. 10.1214/24-aos2381 · arXiv — High-dimensional covariance matrices under dynamic volatility models: Asymptotics and shrinkage estimation¶

作者: Yi Ding, Xinghua Zheng
期刊/来源: Annals of Statistics
分类: vol 52 · issue 3
相关性 8/10 · novelty: new_method
摘要: 本文研究动态波动率模型（标量BEKK模型）下高维协方差矩阵的估计及其经验谱分布的渐近性质。数据在截面和时间维度上均存在非线性相依性，这不同于经典的独立同分布设定。作者首先建立了样本协方差矩阵的极限谱分布（LSD）与i.i.d.情形不同的条件。随后提出了一种时间变异调整（TV-adj）样本协方差矩阵，并证明其LSD服从Marchenko-Pastur定律。基于TV-adj样本协方差矩阵的渐近理论，进一步开发了一致总体谱估计量和无条件协方差矩阵的渐近最优非线性收缩估计量。该工作将随机矩阵理论（RMT）的应用范围从i.i.d.或线性时间序列拓展到非线性动态波动率模型，对高维金融时间序列的协方差估计具有直接价值。对您而言，本文的RMT分析框架（Marchenko-Pastur定律、非线性收缩）可直接用于您在高维统计与随机矩阵理论方向的研究，尤其是处理非独立数据时的谱分布修正问题。
关键技术: Marchenko-Pastur law, nonlinear shrinkage estimation, limiting spectral distribution, scalar BEKK model, time-variation adjustment
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（RMT）兴趣子方向，特别是将Marchenko-Pastur定律推广到非线性动态相依数据。您的技术武器库中'high-dimensional asymptotics'和'minimax bounds for estimation problems'可直接用于验证本文提出的非线性收缩估计量的最优性是否紧（例如，与i.i.d.情形下的最优收缩率对比）。中期可做：若想进一步推导该设定下的minimax最优收缩率，需先在'moderately_familiar'的'identification theory in causal inference'上长肌肉（此处实为'高维协方差估计的minimax下界'，但武器库中无此项，建议补充为'高维协方差估计的minimax理论'），目前暂不可做。

3. 10.1214/24-aos2380 · arXiv — Change-point inference in high-dimensional regression models under temporal dependence¶

作者: Haotian Xu, Daren Wang, Zifeng Zhao, Yi Yu
期刊/来源: Annals of Statistics
分类: vol 52 · issue 3
相关性 6/10 · novelty: new_method
摘要: 本文研究高维线性回归时间序列模型中变点估计量的极限分布。设定为观测序列 (y_t, X_t) ∈ R × R^p，回归系数在未知时间点发生突变，跳跃大小以 ℓ₂ 范数度量。作者考虑了最小跳跃大小趋于零和保持常数两种情形，并允许协变量和噪声序列在函数依赖框架下具有时间相关性，这是变点推断文献中首次处理该设定。方法上，提出一种块型长程方差估计量，在函数依赖下证明其相合性，从而支持极限分布的实际应用。理论贡献包括：在时间依赖下给出变点定位的相合率、推导新的 Bernstein 不等式，以及提出动态规划算法的一个变体以提升计算效率。数值实验和 R 包 changepoints 支持了理论结果。对您而言，本文在高维设定下处理时间依赖的变点推断，其极限分布理论和块型方差估计方法可直接迁移至您在高维统计和因果推断（如纵向数据中的结构突变检测）中的研究。
关键技术: functional dependence framework, block-type long-run variance estimator, Bernstein inequality for dependent data, dynamic programming variant, change-point localization rates
为什么对您有用: 本文直接连接您的高维统计和因果推断兴趣——纵向数据中的结构突变检测是因果推断（如 DID 或断点回归）的核心问题。技术武器库中，您对高维渐近理论和非参数统计非常熟悉，可立即用 minimax 界验证其定位率是否紧，或用更高阶 U-统计量的树宽视角分析其动态规划算法的计算复杂度。中期可做：若想将结果推广至更一般的依赖结构，需先在 moderately_familiar 的 M-估计理论上长肌肉。

4. 10.1214/24-aos2378 — On blockwise and reference panel-based estimators for genetic data prediction in high dimensions¶

作者: Bingxin Zhao, Shurong Zheng, Hongtu Zhu
期刊/来源: Annals of Statistics
机构: University of Pennsylvania · Northeast Normal University · University of North Carolina at Chapel Hill
分类: vol 52 · issue 3
相关性 5/10 · novelty: new_theory
摘要: 本文研究高维遗传预测中基于分块和参考面板的估计量。在遗传学中，SNP间的连锁不平衡（LD）矩阵常呈现块对角结构，因此许多方法在预设的局部LD块内处理依赖关系；同时，由于隐私限制，LD块内的协方差结构通常从外部参考面板估计而非原始训练数据。本文在高维预测框架下（无稀疏性假设）对这些分块和参考面板估计量进行了统一分析。令人惊讶的是，即使协方差矩阵具有边界清晰的分块对角结构，调整局部依赖的分块估计方法在精度上可能显著劣于控制全协方差矩阵的方法。此外，基于原始训练数据和外部参考面板的估计方法在高维下表现可能差异很大，这反映了仅能访问训练数据汇总级数据的代价。该分析基于针对分块对角协方差矩阵的随机矩阵理论新结果。数值实验和UK Biobank真实数据分析验证了理论发现。对您而言，本文直接关联高维统计与随机矩阵理论（primary interest），其关于分块对角协方差矩阵的RMT新结果可能为您的U-statistic或因果推断中的高维协方差估计提供新的分析工具。
关键技术: random matrix theory, block-diagonal covariance, reference panel estimation, high-dimensional prediction, linkage disequilibrium
为什么对您有用: 本文直接连接您的高维统计与随机矩阵理论兴趣，特别是针对分块对角协方差矩阵的RMT新结果。您的武器库中'高维渐近理论'和'逆问题'可用于分析其估计量的收敛性；'higher-order U-statistics的树宽/张量收缩'视角可能用于刻画分块估计的计算-统计权衡。中期可做：需先在moderately_familiar的'HOIF'或'semiparametric theory'上长肌肉，以将本文的RMT结果推广到更一般的因果推断设定（如proximal CI中的协方差估计）。

非参数 / 半参数 (nonparam_semipara, 4 篇)¶

1. 10.1214/24-aos2389 · arXiv — Nonparametric classification with missing data¶

作者: Torben Sell, Thomas B. Berrett, Timothy I. Cannings
期刊/来源: Annals of Statistics
分类: vol 52 · issue 3
相关性 8/10 · novelty: new_method
摘要: 本文在缺失数据下研究非参数分类问题，目标是最小化 excess risk。关键设定是回归函数具有 ANOVA 型正交分解结构，部分（甚至许多）成分可能为零。缺失机制允许特征非随机缺失（MNAR），非常一般。作者推导了 excess risk 的 minimax 率，该率依赖于尾部行为、回归函数光滑度和 margin condition，但 ambient data dimension 不出现在率中，因此可能比经典非参数设定更快。方法上提出 HAM 分类器，结合 k-NN 和 hard-thresholding，达到 minimax 率（至多对数因子）。数值实验验证了实用性。该结果对您在高维非参数统计和 minimax 界方面的兴趣有直接参考价值，尤其是维度诅咒被结构假设打破的机制。
关键技术: minimax rate, ANOVA decomposition, k-nearest neighbour, hard-thresholding, margin condition, missing not at random
为什么对您有用: 直接连接到 primary interest 中的非参数统计和 minimax 界：本文展示了在缺失数据下如何通过 ANOVA 结构避免维度诅咒，与您熟悉的非参数 minimax 理论高度契合。技术武器库中 'minimax bounds for estimation problems' 和 'nonparametric statistics' 可直接用于验证其率是否紧或推广到其他设定。中期可做：若想将 ANOVA 分解与 higher-order U-statistics 的 tensor 结构结合，需先在 moderately_familiar 的 'theory of higher-order U-statistics' 上加强。

2. 10.1214/24-aos2379 · arXiv — Plugin estimation of smooth optimal transport maps¶

作者: Tudor Manole, Sivaraman Balakrishnan, Jonathan Niles-Weed, Larry Wasserman
期刊/来源: Annals of Statistics
分类: vol 52 · issue 3
相关性 7/10 · novelty: new_method
摘要: 本文研究光滑最优传输（OT）映射的插件估计，目标是在两个分布之间估计Brenier势的梯度（即OT映射）。在Lipschitz假设下，作者证明直接用经验测度的最优耦合加上线性平滑扩展即可达到minimax最优率；当映射具有更高正则性（如Hölder光滑）时，改用非参数密度估计的耦合可获得更快的收敛速度。核心技术工具包括：稳定性论证（利用光滑强凸Brenier势的Hessian下界）、非参数密度估计的收敛率、以及经验过程理论。文章还给出了二次Wasserstein距离的插件估计的CLT，该CLT以总体Wasserstein距离为中心，可直接用于统计推断（如构造置信区间）。对您而言，本文是半参数/非参数理论中minimax最优估计的经典范例，其稳定性论证和收敛率分析可直接迁移到您熟悉的因果推断中的非参数估计问题（如ATE的minimax率分析）。
关键技术: plugin estimation, optimal transport map, Brenier potential, minimax optimality, nonparametric density estimation, stability argument
为什么对您有用: 本文属于非参数/半参数理论（primary interest），其minimax最优估计框架与您熟悉的非参数统计和minimax界技术高度吻合。具体而言： (1) 连接子方向：非参数估计的收敛率分析，特别是光滑性假设下的率改进； (2) 武器库对接：可用您very_familiar的minimax bounds for estimation problems工具验证本文的率是否紧，或尝试将稳定性论证迁移到因果推断中的非参数估计问题（如条件平均处理效应的估计）； (3) follow-up粗判：立即可做——您对非参数统计和minimax界非常熟悉，可直接复现或扩展其理论结果（如考虑更一般的损失函数或分布假设）。

3. 10.1214/24-aos2384 — MARS via LASSO¶

作者: Dohyeong Ki, Billy Fang, Adityanand Guntuboyina
期刊/来源: Annals of Statistics
机构: University of California, Berkeley · Google (United States)
分类: vol 52 · issue 3
相关性 7/10 · novelty: new_method
摘要: 本文提出并研究了一种基于LASSO的多元自适应回归样条（MARS）变体。该方法通过考虑MARS基函数的无限维线性组合并施加基于变差的复杂度约束，在一个凸函数类上进行最小二乘估计。尽管定义为一个无限维优化问题，但该估计量可通过有限维凸优化计算。在标准设计假设下，作者证明了该估计量达到的收敛速度仅对数依赖于维度，从而在一定程度上避免了维数诅咒。该方法与基于光滑性约束的非参数估计技术有自然联系。通过交叉验证选择调优参数，并在模拟和真实数据中与经典MARS方法进行了比较。
关键技术: LASSO, multivariate adaptive regression splines (MARS), convex optimization, rate of convergence, curse of dimensionality
为什么对您有用: 本文直接关联到非参数统计和估计理论，属于您的首要兴趣领域。该方法的收敛速度对数依赖维度，与您熟悉的minimax界技术高度相关，可尝试用您掌握的minimax下界工具验证其最优性。中期可做：若想将类似思想扩展到高维因果推断中的非参数回归，需先在semiparametric theory上加强。

4. 10.1214/24-aos2390 · arXiv — Deep nonlinear sufficient dimension reduction¶

作者: YinFeng Chen, YuLing Jiao, Rui Qiu, Zhou Yu
期刊/来源: Annals of Statistics
分类: vol 52 · issue 3
相关性 6/10 · novelty: new_method
摘要: 本文提出一种基于深度神经网络的非线性充分降维方法。核心思想是利用广义鞅差散度（generalized martingale difference divergence）作为目标函数，通过深度网络直接学习充分降维子空间，避免了传统核方法或谱分解的线性算子特征分解。理论部分基于U-过程（U-process）的先进工具，系统推导了估计误差的慢速率和快速率，其中快速率几乎达到非参数回归的极小极大最优率。优化方案采用深度网络而非经典特征分解，在灵活性和计算效率上更具优势。模拟和实际数据验证了方法的有效性。对您而言，该工作将U-统计量/U-过程理论应用于深度降维的收敛性分析，与您熟悉的higher-order U-statistics和nonparametric statistics有直接技术交集。
关键技术: generalized martingale difference divergence, deep neural networks, U-process theory, minimax rate of nonparametric regression, sufficient dimension reduction
为什么对您有用: 本文直接连接您的primary interest中的nonparametric statistics和higher-order U-statistics：其核心理论工具U-process是您very_familiar的领域，您可以用树宽/张量收缩的视角分析其深度网络估计量的计算成本（如网络宽度深度与U-process复杂度之间的tradeoff）。中期可做：若您想将本文的U-process收敛率推广到更一般的深度网络结构，需先在moderately_familiar的higher-order U-statistics理论上进一步熟练（如退化U-统计量的渐近分布）。

数理统计 / 假设检验 (hypothesis_testing, 4 篇)¶

1. 10.1214/24-aos2386 · arXiv — Sharp adaptive and pathwise stable similarity testing for scalar ergodic diffusions¶

作者: Johannes Brutsche, Angelika Rohde
期刊/来源: Annals of Statistics
分类: vol 52 · issue 3
相关性 6/10 · novelty: new_method
摘要: 本文在非参数扩散模型框架下，针对未知漂移函数 b 与参考漂移 b0 的相似性检验问题，提出了一个多重检验方法。该方法能在控制显著性水平的同时，自适应地识别出 b 与 b0 偏离的区域，无需预先知道偏离区域的数量、大小和位置。检验方法被证明是极小极大最优且自适应的，即达到了最优的检验速率。此外，该程序对驱动噪声过程偏离布朗运动的情形具有稳健性，论文详细研究了分数布朗运动驱动（Hurst 指数接近 1/2）下的表现，此时过程既非半鞅也非马尔可夫。核心工具包括多重比较的阈值选择与自适应平滑技术。对您而言，该工作属于假设检验领域，其自适应多重检验框架和极小极大最优性分析思路，可迁移至高维或因果推断中的多重假设检验问题。
关键技术: multiple testing, minimax-optimal adaptive test, nonparametric drift estimation, fractional Brownian motion, ergodic diffusion
为什么对您有用: 直接对应 primary interest 中的 hypothesis testing 子方向，且其自适应多重检验的极小极大最优性分析是您熟悉的非参数统计与 minimax bound 工具可以攻克的。具体而言，可用您 very_familiar 的 minimax bounds for estimation problems 技术来验证其声称的检验速率是否紧，或将其框架推广到高维扩散过程。中期可做：若想将方法推广到非遍历设定，需先在 moderately_familiar 的 M-estimation theory 上加强。

2. 10.1214/24-aos2383 · arXiv — Spectral regularized kernel two-sample tests¶

作者: Omar Hagrass, Bharath Sriperumbudur, Bing Li
期刊/来源: Annals of Statistics
分类: vol 52 · issue 3
相关性 6/10 · novelty: new_method
摘要: 本文研究基于RKHS嵌入的非参数两样本检验的最优性问题。首先证明流行的MMD检验在Hellinger距离下的分离边界并非最优。其次，提出基于谱正则化的改进MMD检验，通过纳入协方差信息（MMD检验未捕捉）实现更小的分离边界，并证明该检验达到minimax最优。进一步，提出自适应版本，通过数据驱动选择正则化参数，达到对数因子内的几乎minimax最优。结果对置换检验变体也成立。数值实验在合成和真实数据上验证了所提检验优于MMD及其他流行方法。该工作直接关联您对假设检验和非参数理论的兴趣，特别是谱正则化与minimax最优性的结合。
关键技术: kernel two-sample test, maximum mean discrepancy (MMD), spectral regularization, minimax optimal separation boundary, Hellinger distance, permutation test
为什么对您有用: 直接命中您primary interest中的'假设检验'和'非参数理论'子方向。本文的谱正则化技术可视为一种'降维'或'特征筛选'，与您武器库中'高维渐近'和'逆问题'工具相通——您可以用minimax下界技术验证其声称的最优性是否紧。中期可做：需先熟悉谱正则化与RKHS特征值衰减的衔接（属moderately_familiar的M估计理论范畴），但核心武器（非参数minimax界）已就绪。

3. 10.1214/24-aos2391 · arXiv — Locally simultaneous inference¶

作者: Tijana Zrnic, William Fithian
期刊/来源: Annals of Statistics
分类: vol 52 · issue 3
相关性 5/10 · novelty: new_method
摘要: 本文提出“局部同时推断”（locally simultaneous inference）框架，解决选择性推断（selective inference）中同时推断过于保守的问题。目标是在数据驱动选择问题后，对“事后看来合理”的问题集合给出有效推断，同时控制第一类错误。核心机制是：对任意同时推断方法（如Bonferroni、Scheffé），通过观测数据筛选出“可能被问及”的问题子集（即局部集），仅对该子集进行同时校正。在温和条件下（如置信区间满足嵌套性），局部同时推断严格优于原同时推断方法——统计效率只增不减。与条件选择性推断（如条件于选择事件）相比，本文方法无需精确刻画选择机制，更易应用于非参数设定，且数值稳定性更好。对您而言，该工作直接关联假设检验与选择性推断这一数学统计核心兴趣，其“局部化”思路可迁移至您熟悉的高维推断或因果推断中的多重比较问题（如多个处理效应的同时置信区间）。
关键技术: selective inference, simultaneous inference, post-selection inference, localization, type I error control
为什么对您有用: 直接命中 primary interest 中的 hypothesis testing 子方向，且选择性推断是当前统计推断的热点。您可以用 very_familiar 的 minimax bounds 工具分析其局部集选择规则的统计效率损失上界，或用 moderately_familiar 的 M-estimation 理论将其推广到半参数设定（如因果推断中的多重处理效应比较）。中期可做：需先在 moderately_familiar 的 semiparametric theory 上长肌肉，以处理非参数局部推断的渐近性质。

4. 10.1214/24-aos2388 — A blockwise empirical likelihood method for time series in frequency domain inference¶

作者: Haihan Yu, Mark S. Kaiser, Daniel J. Nordman
期刊/来源: Annals of Statistics
机构: University of Rhode Island · Iowa State University
分类: vol 52 · issue 3
相关性 4/10 · novelty: new_method
摘要: 本文针对时间序列频域推断中周期图统计量方差复杂、难以直接估计的问题，提出了一种谱经验似然（Spectral Empirical Likelihood, SEL）方法。该方法创新性地将两种已有的时间序列经验似然框架——基于块的经验似然（block-based EL）和基于周期图的经验似然（periodogram-based EL）——结合起来，通过使用周期图子样本和谱估计方程来构造SEL统计量。在温和的弱相依条件下，证明了SEL对数似然比统计量渐近服从卡方分布，从而无需显式估计周期图统计量的复杂方差即可进行非参数推断。该方法在三个方向上扩展了经验似然在时间序列中的适用性：可处理任意谱均值参数、适用于线性和非线性过程、并具有可证明的bootstrap有效性。模拟和实例分析表明SEL方法表现良好。对您而言，该工作展示了如何通过巧妙的混合策略（block+periodogram）克服经典非参数推断中的方差估计难题，其技术思路（将两种看似不兼容的EL框架统一）对您在高维或因果推断中处理复杂依赖数据时的推断问题有启发意义。
关键技术: empirical likelihood, block-based empirical likelihood, periodogram-based empirical likelihood, spectral estimating functions, chi-square limit, bootstrap
为什么对您有用: 本文属于假设检验方向，直接关联您的primary interest中的'数学统计与假设检验'。技术武器库中'非参数统计'和'M估计理论'（moderately_familiar）可用于理解其EL框架的渐近理论；其混合策略（block+periodogram）的思路可迁移至您在高维或因果推断中处理复杂依赖数据时的推断问题。中期可做：需先在moderately_familiar的'M估计理论'上进一步熟悉经验似然的渐近分析技术。

统计计算 / 算法 (stat_computing, 1 篇)¶

1. 10.1214/24-aos2367 · arXiv — Dimension-free mixing times of Gibbs samplers for Bayesian hierarchical models¶

作者: Filippo Ascolani, Giacomo Zanella
期刊/来源: Annals of Statistics
分类: vol 52 · issue 3
相关性 5/10 · novelty: new_theory
摘要: 本文研究贝叶斯分层模型中Gibbs采样的混合时间，目标是在总变差距离下给出收敛速度的定量界。作者利用贝叶斯渐近理论（后验集中性、Bernstein-von Mises定理）分析了两层分层模型（似然函数+先验）的Gibbs采样器，在随机数据生成假设下得到了与模型维度无关（dimension-free）的混合时间上界。具体技术工具包括：将Gibbs转移核的谱间隙与后验分布的集中性联系起来，利用似然函数的局部行为控制条件分布的收缩性。文中以高斯、二项和分类似然为例展示了结果，并指出混合时间由数据信息量（而非参数维度）主导。对您而言，本文展示了如何用统计渐近工具分析MCMC算法的计算复杂度，属于统计计算与理论统计的交叉，与您对统计-计算权衡的兴趣直接相关。
关键技术: Gibbs sampler, total variation mixing time, spectral gap, Bernstein-von Mises theorem, posterior concentration, dimension-free bound
为什么对您有用: 本文连接您对统计-计算权衡（statistical-computational tradeoff）的兴趣，具体展示了贝叶斯分层模型中Gibbs采样的混合时间如何由数据信息量而非维度主导，属于'polynomial-time possibility'的正面结果。您的武器库中'nonparametric statistics'和'high-dimensional asymptotics'可以直接用于理解其渐近论证，而'computation of higher-order U-statistics'虽不直接相关，但本文的谱间隙分析思路可能启发您思考U-统计量计算中的收敛速度问题。中期可做：需先在'moderately_familiar'的'M-estimation theory'上加深对后验集中性的理解，才能将类似技术迁移到您自己的问题。

Maintained by 陈星宇 · Homepage · Source on GitHub