JRSS-C — Vol 73 Issue 2 · 2026-07-04¶

共 13 篇 · Journal of the Royal Statistical Society Series C
目录核对 ✅ 13 篇全部抓到（对照 OpenAlex 13 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JRSS-C Vol 73 Issue 2共13篇论文，整体围绕三条主线展开：因果推断与个体化治疗（约4篇）、贝叶斯方法与模型扩展（约5篇）、以及流行病学与生存分析中的方法改进（约4篇）。因果推断主线集中在利用历史数据或辅助信息提升效率、变量选择与子集识别；贝叶斯主线涵盖变量选择、聚类、空间设计和数据融合；流行病学主线则处理测量误差、潜类模型和生存分析中的辅助信息合成。

在因果推断主线中，最突出的是对效率提升与自适应设计的推进。Adaptive hybrid control design 将因果识别与组序贯设计结合，通过历史对照数据自适应调整随机化比例，在保持检验功效的同时节省样本量，直接连接了identification与trial design。Variable selection for individualised treatment rules 针对离散结局提出双重稳健的变量选择方法，在倾向性评分或结局回归之一正确时仍能一致选择重要变量，其思路可迁移至其他因果推断场景。Pseudo-response approach 则聚焦于识别预期获益子集（EB subset），将CATE阈值问题转化为伪响应回归，并允许纳入辅助协变量提升效率，与Comparison of paired ordinal data（处理测量误差的部分验证设计）共同构成了对因果推断中不同目标estimand（ATE、CATE、子集、配对差异）的多样化处理。

另一条值得关注的主线是贝叶斯方法在复杂数据结构中的扩展。Multivariate Bayesian structured variable selection 利用马尔可夫随机场先验引入药物-基因网络结构，提升多组学与多药物反应间的稀疏关联识别。Bayesian profile regression 将剖面回归推广至纵向响应，通过多元正态或高斯过程回归引导聚类。Bayesian design with sampling windows 引入采样窗口概念，通过高斯过程代理模型处理复杂空间协方差结构下的设计问题。Combining individual- and population-level data 则通过贝叶斯数据融合与GAM平滑，改进按胎次分层的生育率预测。这些工作虽未直接涉及因果推断，但在贝叶斯变量选择、聚类和空间设计方面提供了方法学工具。

与因果推断和半参数效率最贴合的论文包括：Adaptive hybrid control design（因果识别与自适应试验设计）、Variable selection for individualised treatment rules（双重稳健变量选择）、Pseudo-response approach（CATE子集推断与效率提升）、以及Efficient auxiliary information synthesis for cure rate model（利用控制变量技术提升估计效率，虽属生存分析但技术可迁移）。此外，Comparison of paired ordinal data 和 Spatial modelling of infectious diseases 分别处理测量误差问题，对因果推断中的错分校正有参考价值。

因果推断 (causal_inference, 4 篇)¶

1. 10.1093/jrsssc/qlad103 — Adaptive hybrid control design for comparative clinical trials with historical control data¶

作者: Beibei Guo, Glen Laird, Yang Song, Josh Chen, Ying Yuan
期刊/来源: Journal of the Royal Statistical Society Series C
机构: Louisiana State University · Vertex Pharmaceuticals (United States) · The University of Texas MD Anderson Cancer Center
分类: vol 73 · issue 2 · pp 444-459
相关性 7/10 · novelty: new_method
摘要: 本文提出一种自适应混合对照因果（AHCC）设计，在因果推断框架下利用历史对照数据减少随机对照试验（RCT）所需的样本量。目标 estimand 是平均处理效应（ATE），基于试验数据和历史对照数据构造估计量。设计采用多阶段或组序贯方法，根据从历史对照数据借用的信息量（以有效样本量量化）自适应调整当前对照组的随机化比例，以在试验完成时接近标准 RCT 的统计性质。模拟研究表明，当历史对照信息丰富时，AHCC 设计能显著节省样本量；当历史对照信息有限时，仍能维持检验功效。该工作将因果推断中的 identification 与 adaptive trial design 结合，对您可能有用：它直接连接 primary interest 中的因果推断（ATE 估计与 sensitivity）和 longitudinal/sequential 设定，且其“有效样本量”更新机制可与您熟悉的 minimax 界或 U-statistic 视角下的信息借用效率分析对接。
关键技术: adaptive trial design, causal estimand, effective sample size, group sequential method, historical control borrowing
为什么对您有用: 直接连接 primary interest 中的因果推断（ATE 估计与 sensitivity）和 longitudinal/sequential 设定。您的武器库中“estimation theory in causal inference”和“nonparametric statistics”可直接用于分析其估计量的偏差-方差权衡及信息借用效率。中期可做：若想深入其 adaptive 随机化比率的理论最优性，需先在 moderately_familiar 的“identification theory in causal inference”上长肌肉（如 formalize 历史对照的可交换性假设）。

2. 10.1093/jrsssc/qlad096 — Variable selection for individualised treatment rules with discrete outcomes¶

作者: Zeyu Bian, Erica E M Moodie, Susan M Shortreed, Sylvie D Lambert, Sahir Bhatnagar
期刊/来源: Journal of the Royal Statistical Society Series C
机构: University of Miami · McGill University · Kaiser Permanente Washington Health Research Institute · University of Washington
分类: vol 73 · issue 2 · pp 298-313
相关性 7/10 · novelty: new_method
摘要: 本文针对离散结局下的个体化治疗规则（ITR）变量选择问题，提出了一种双重稳健（doubly robust）的变量选择方法。在观察性研究中，协变量集合可能包含大量与治疗决策无关的变量，纳入所有变量会降低效率并产生复杂的治疗规则。该方法基于倾向性评分和结局回归的逆概率加权估计，构造了双重稳健的损失函数，并引入惩罚项实现变量选择。理论分析表明，所提方法在倾向性评分或结局回归之一正确指定时仍能一致地选择重要变量，且渐近性质优于仅依赖单一模型的竞争方法。通过模拟研究和来自自适应网络压力管理工具的实际数据验证，该方法在变量选择准确性和ITR性能上均优于现有方法。对您而言，本文的双重稳健变量选择思路可迁移至您熟悉的因果推断中的IV或mediation设定，且其理论分析框架（基于M-estimation）与您的semiparametric theory工具箱直接对接。
关键技术: doubly robust estimation, variable selection, individualised treatment rule, inverse probability weighting, penalized M-estimation
为什么对您有用: 本文属于因果推断中ITR的变量选择，直接连接您的primary interest中的causal inference（identification, estimation）。您的technical arsenal中的M-estimation theory（moderately_familiar）可直接用于理解其理论框架，而您very_familiar的nonparametric statistics和estimation theory in causal inference可帮助评估其双重稳健性质是否可推广至连续结局或更复杂的treatment regimes。中期可做：若想将本文方法扩展到proximal CI或longitudinal设定，需先在semiparametric theory（moderately_familiar）上加强，特别是处理time-varying confounding时的g-computation公式。

3. 10.1093/jrsssc/qlad105 — Comparison of paired ordinal data with mis-classification and covariates adjustment¶

作者: Yuanyuan Han, Zhao-Hua Lu, Yimei Li, Wai-Yin Poon
期刊/来源: Journal of the Royal Statistical Society Series C
机构: St. Jude Children's Research Hospital · Chinese University of Hong Kong
分类: vol 73 · issue 2 · pp 478-496
相关性 6/10 · novelty: new_method
摘要: 本文针对配对有序分类数据，在存在混杂因素和分类错误的情况下，提出了一种估计与检验程序。核心设定是：对所有单元使用一种易错分类方法，而对部分单元（验证子集）使用无错分类方法，形成部分验证数据。通过引入相关二元高斯潜变量对有序分类变量的联合分布建模，并将混杂因素作为协变量纳入。利用部分验证结构估计错分概率，采用两阶段极大似然估计参数，并用Wald检验评估配对有序结局的差异。模拟研究评估了参数估计的准确性及检验的I类错误率和功效，Garki项目数据展示了方法的实用性。该方法本质上是一种处理测量误差的因果推断工具，其部分验证设计类似于因果推断中的负对照或验证集思想。
关键技术: partial validation design, two-stage maximum likelihood, correlated Gaussian latent variables, misclassification probabilities, Wald test
为什么对您有用: 本文直接关联您的因果推断兴趣，特别是测量误差和错分问题，这是观察性研究中常见的偏倚来源。您武器库中'非参数统计'和'因果推断中的估计理论'可用于分析其两阶段MLE的渐近性质，或探索更鲁棒的半参数估计（如逆概率加权）以替代参数假设。中期可做：若想将方法推广到更灵活的错分模型，需先在'半参数理论'上加强，以处理非参数错分概率的估计。

4. 10.1093/jrsssc/qlad108 — A pseudo-response approach to constructing confidence intervals for the subset of patients expected to benefit from a new treatment¶

作者: Wei Liu, Zhiwei Zhang, Zonghui Hu, Ping Xu, Calvin J Cohen
期刊/来源: Journal of the Royal Statistical Society Series C
机构: Harbin Institute of Technology · Gilead Sciences (United States) · National Institutes of Health · National Institute of Allergy and Infectious Diseases · Janssen (United States)
分类: vol 73 · issue 2 · pp 522-539
相关性 5/10 · novelty: new_method
摘要: 本文研究精准医疗中“预期获益子集”（EB subset）的推断问题，即根据基线特征识别哪些患者能从新治疗中获益。目标 estimand 是条件平均处理效应（CATE）超过某阈值的患者子集，而非传统的 ATE 或 CATE 本身。作者提出一种“伪响应”（pseudo-response）方法：将每个患者的治疗获益近似为一个可构造的伪响应变量，从而将 EB 子集估计转化为一个回归问题，只需对条件处理效应函数建模，而非对条件均值结局建模。该方法可自然纳入不参与定义 EB 子集的额外协变量，通过辅助回归提升效率。置信区间构造基于伪响应的 bootstrap 或分位数方法，模拟显示纳入辅助协变量能显著缩小置信区间宽度。应用于一项比较两种 HIV 药物的随机临床试验。对您而言，本文属于因果推断中 treatment effect heterogeneity 的推断问题，其伪响应技巧与您熟悉的 nonparametric estimation 和 causal inference 中的 efficiency 思路有交集，可作为中期可做的参考：若想将 HOIF 或 semiparametric efficiency bound 引入 EB 子集的置信区间构造，需先在 moderately_familiar 的 semiparametric theory 上进一步熟悉 influence function 的局部性质。
关键技术: pseudo-response, conditional average treatment effect (CATE), expected-to-benefit (EB) subset, confidence interval construction, bootstrap, efficiency improvement via auxiliary covariates
为什么对您有用: 本文直接连接您的 primary interest 中的 causal inference 子方向（treatment effect heterogeneity 的推断），且其伪响应方法可视为一种简化版的 influence function 构造，与您 moderately_familiar 的 semiparametric theory 有接口。中期可做：若您先补上 semiparametric efficiency bound 在子集推断中的具体应用（moderately_familiar 项），则可用 HOIF 或 debiased ML 框架为 EB 子集构造更紧的置信区间。

流行病学 (epidemiology, 2 篇)¶

1. 10.1093/jrsssc/qlad100 — A Bayesian latent class model for integrating multi-source longitudinal data: application to the CHILD cohort study¶

作者: Zihang Lu, Padmaja Subbarao, Wendy Lou
期刊/来源: Journal of the Royal Statistical Society Series C
机构: Queen's University · University of Toronto · Hospital for Sick Children · SickKids Foundation · Public Health Ontario
分类: vol 73 · issue 2 · pp 398-419
相关性 4/10 · novelty: application
摘要: 本文针对多源纵向数据（即同一组个体来自多个数据源的重复测量）提出贝叶斯潜类模型，以 CHILD 队列研究为应用背景。每个数据源可包含不同类型和测量频率的多个纵向标记，模型允许各数据源有源特定的聚类结构，再通过聚合得到全局聚类。方法采用贝叶斯框架，通过 MCMC 实现参数估计和聚类分配。模拟和真实数据分析展示了模型在识别异质性亚组方面的有效性。该工作属于应用型方法论文，方法学 novelty 有限（潜类模型与纵向聚类的结合已有先例），但提供了完整的数据分析流程和 R 代码。
关键技术: Bayesian latent class model, multi-source longitudinal data, joint clustering, MCMC
为什么对您有用: 本文属于流行病学应用（CHILD 队列），是您的 secondary interest。作为入门读物，它清晰展示了多源纵向数据的结构（不同标记类型、测量频率）和聚类分析流程，但方法学深度有限，未涉及因果推断或高维统计。您的武器库中非参数统计和 M-估计理论可帮助评估其聚类一致性和模型选择，但核心机器（潜类模型与 MCMC）不在您的主要兴趣内，暂不可做。

2. 10.1093/jrsssc/qlad104 — Spatial modelling of infectious diseases with covariate measurement error¶

作者: Leila Amiri, Mahmoud Torabi, Rob Deardon
期刊/来源: Journal of the Royal Statistical Society Series C
机构: University of Manitoba · University of Calgary
分类: vol 73 · issue 2 · pp 460-477
相关性 3/10 · novelty: application
摘要: 本文针对空间传染病模型（GD-ILM）中协变量存在测量误差的问题，提出了一个扩展框架。传统GD-ILM假设协变量（如社会经济地位SES）被准确观测，但实际中这类变量常含误差。作者将个体层面和区域层面的协变量测量误差同时纳入模型，使用Monte Carlo期望条件最大化（MCECM）算法进行推断。通过模拟研究评估了所提方法在偏差校正和预测精度上的表现，并应用于加拿大曼尼托巴省流感数据，预测高平均感染率区域。该方法为流行病学中空间传播建模提供了处理测量误差的实用工具，但理论贡献集中在算法实现而非新识别策略或效率界。对您而言，本文属于流行病学应用方向，展示了测量误差在传染病空间模型中的处理流程，可作为您在该领域应用因果推断或统计方法的参考案例。
关键技术: geographically-dependent individual-level models, measurement error correction, Monte Carlo expectation conditional maximization, spatial infectious disease modelling
为什么对您有用: 本文属于流行病学应用方向，直接对应您的secondary interest。它展示了在空间传染病模型中处理协变量测量误差的完整流程（MCECM算法），可作为您进入流行病学数据分析的入门读物。武器库中'非参数统计'和'因果推断估计理论'可用于评估其偏差校正方法的稳健性，但核心算法（MCECM）不在您的技术栈中，属于'暂不可做'——需先熟悉空间点过程模型和EM算法变体。

其他 (other, 7 篇)¶

1. 10.1093/jrsssc/qlad106 — Efficient auxiliary information synthesis for cure rate model¶

作者: Jie Ding, Jialiang Li, Xiaoguang Wang
期刊/来源: Journal of the Royal Statistical Society Series C
机构: Dalian University of Technology · National University of Singapore · Duke-NUS Medical School
分类: vol 73 · issue 2 · pp 497-521
相关性 5/10 · novelty: new_method
摘要: 本文在 semiparametric mixture cure rate model 框架下，提出利用 subgroup 在多个时间点的生存信息作为辅助信息，通过 estimating equations 汇总后，采用 control variate 技术降低估计量的方差，并构造检验统计量检验同质性假设。进一步引入 penalization 自适应处理潜在的人群异质性，同时允许辅助信息存在不确定性。作者建立了所提估计量的渐近性质，并通过模拟和乳腺癌数据验证了方法的有限样本表现。该工作属于生存分析中 cure rate model 的估计效率改进，与您的主要兴趣方向（因果推断、高维统计、U-statistics）没有直接的方法学重叠。
关键技术: control variate, estimating equations, penalized estimation, semiparametric mixture cure rate model
为什么对您有用: 本文属于生存分析应用方向，与您的主要兴趣（因果推断、高维统计、U-statistics）无直接方法学连接。武器库中的 nonparametric statistics 和 estimation theory 可帮助理解其渐近论证，但核心问题（cure rate model 的辅助信息合成）不在您的兴趣射程内。暂不可做——缺少 cure rate model 领域的背景知识。

2. 10.1093/jrsssc/qlad109 — Augmenting predictive models in forensic psychiatry with Cultural Consensus Theory¶

作者: Don van den Bergh, Erwin Schuringa, Eric-Jan Wagenmakers
期刊/来源: Journal of the Royal Statistical Society Series C
机构: University of Amsterdam
分类: vol 73 · issue 2 · pp 540-556
相关性 4/10 · novelty: application
摘要: 本文在法医精神病学预测建模中引入文化共识理论（CCT），以替代简单的评分平均聚合。CCT 构建了一个跨患者、评估者和项目的分层模型，在估计每个患者每项“真实”评分时考虑了评估者间的差异和患者间的独立性假设。作者将 CCT 模型应用于荷兰最高安全法医精神病中心的数据，并用推断出的评分预测患者的暴力行为。结果显示 CCT 模型在预测性能上略优于随机森林和提升回归树等替代方法。文章还讨论了实际应用中的局限性和未来改进方向。对您而言，本文属于应用导向的实证研究，方法学新颖性有限，但展示了分层模型在聚合多源评分数据中的价值，与您的因果推断和流行病学应用兴趣有间接关联。
关键技术: Cultural Consensus Theory, hierarchical Bayesian model, random forest, boosted regression trees
为什么对您有用: 本文属于流行病学应用领域，展示了分层模型在聚合多源评估数据中的实际应用。虽然方法学新颖性有限，但您若对流行病学队列中多源数据聚合问题感兴趣，可作为入门阅读。武器库中的非参数统计和因果推断估计理论可帮助您理解其模型假设，但核心方法（CCT）不在您的技术武器库中，属于暂不可做方向。

3. 10.1093/jrsssc/qlad102 · arXiv — Multivariate Bayesian structured variable selection for pharmacogenomic studies¶

作者: Zhi Zhao, Marco Banterle, Alex Lewin, Manuela Zucknick
期刊/来源: Journal of the Royal Statistical Society Series C
分类: vol 73 · issue 2 · pp 420-443
相关性 4/10 · novelty: application
摘要: 本文针对药物基因组学研究中多组学特征与多个相关药物反应之间的稀疏关联识别问题，提出了一种多变量贝叶斯结构化变量选择模型。模型采用稀疏似无关回归框架，并通过马尔可夫随机场先验引入药物与其靶向基因之间的已知结构信息。与常见的先验相比，MRF先验能够利用药物-基因网络结构提升变量选择的性能。模型应用于癌症药物敏感性基因组学数据集，展示了实际效果。该方法本质上是贝叶斯变量选择在特定生物信息学问题中的应用，未涉及因果推断、高维统计或半参效率理论等核心兴趣方向。
关键技术: Bayesian variable selection, Markov random field prior, seemingly unrelated regression, sparse identification
为什么对您有用: 本文属于应用统计方法在药物基因组学中的具体案例，与您的主要兴趣（因果推断、高维统计、半参理论等）无直接交集。武器库中的非参统计或高维渐近工具在此处无直接攻击口。本文可作为流行病学或生物信息学应用方向的入门阅读，但方法学新颖性有限，不值得投入全文时间。

4. 10.1093/jrsssc/qlad098 · arXiv — CRP-Tree: a phylogenetic association test for binary traits¶

作者: Julie Zhang, Gabriel A Preising, Molly Schumer, Julia A Palacios
期刊/来源: Journal of the Royal Statistical Society Series C
机构: Stanford University
分类: vol 73 · issue 2 · pp 340-377
相关性 4/10 · novelty: application
摘要: 本文提出一种基于系统发育树的二值性状关联检验方法CRP-Tree。模型受中国餐馆过程启发，引入偏好依附参数控制同类型节点聚集倾向，无偏好依附时等价于结构化溯祖模型，作为零假设。检验统计量具有线性计算复杂度，在模拟中比现有方法统计功效更高。应用于剑尾鱼、乳腺癌、黄热病病毒和甲型H1N1流感病毒等真实数据集。该方法本质上是进化基因组学中的假设检验问题，与您的主要兴趣（假设检验）有概念上的交集，但核心设定（系统发育树上的性状演化）与您的统计工具库距离较远。
关键技术: Chinese Restaurant Process, structured coalescent model, preferential attachment, phylogenetic association test, linear computational complexity
为什么对您有用: 本文属于进化基因组学应用，与您的primary interests（因果推断、高维统计等）无直接方法学关联。武器库中'非参数统计'和'假设检验'可提供一般性理解，但核心模型（系统发育树上的随机过程）不在您的技术栈内。作为gateway reading，本文对统计学家友好度中等——模型设定清晰但需要进化生物学背景。暂不可做：核心机器（系统发育模型、溯祖理论）不在武器库中。

5. 10.1093/jrsssc/qlad099 · arXiv — Bayesian design with sampling windows for complex spatial processes¶

作者: Katie Buchhorn, Kerrie Mengersen, Edgar Santos-Fernandez, Erin E Peterson, James M McGree
期刊/来源: Journal of the Royal Statistical Society Series C
分类: vol 73 · issue 2 · pp 378-397
相关性 3/10 · novelty: application
摘要: 本文提出了一种全贝叶斯设计方法，用于具有复杂协方差结构的空间过程，如自然生态系统中常见的空间相关性。核心创新在于引入“采样窗口”概念，通过高斯过程代理模型识别多维空间中设计效率高的区域，而非传统的最优设计点。方法基于坐标交换算法，但扩展了其灵活性，允许在实际不可行精确采样点的情况下进行设计。通过两个生态案例（美国西北部河流网络水温监测和澳大利亚西北部珊瑚礁监测）验证了方法的有效性。对您而言，本文属于应用统计方法，与您的主要兴趣（因果推断、高维统计等）无直接技术关联，但展示了贝叶斯设计与空间统计的交叉应用。
关键技术: Bayesian optimal design, Gaussian process emulation, coordinate exchange algorithm, sampling windows, spatial covariance
为什么对您有用: 本文属于空间统计与贝叶斯设计的应用，与您的主要兴趣（因果推断、高维统计、U-统计量等）无直接技术重叠。作为gateway阅读，它清晰展示了生态监测中的数据收集挑战和统计设计方法，但武器库中缺乏空间统计和贝叶斯优化的核心工具（如高斯过程、坐标交换算法），暂不可做。

6. 10.1093/jrsssc/qlad097 · arXiv — Bayesian profile regression for clustering analysis involving a longitudinal response and explanatory variables¶

作者: Anaïs Rouanet, Rob Johnson, Magdalena Strauss, Sylvia Richardson, Brian D Tom, Simon R White et al.
期刊/来源: Journal of the Royal Statistical Society Series C
分类: vol 73 · issue 2 · pp 314-339
相关性 3/10 · novelty: application
摘要: 本文提出贝叶斯剖面回归（Bayesian profile regression）的扩展，用于处理纵向响应变量（如基因表达时间序列）与解释变量（如转录因子结合位点）的聚类分析。模型采用半监督混合建模框架，利用响应变量引导聚类推断，核心是引入多元正态回归和 Gaussian process 回归两种响应模型。方法通过 MCMC 实现后验推断，并更新了 R 包 PReMiuMlongi。在模拟研究中验证了模型识别正确聚类的能力，并在酿酒酵母细胞周期数据中识别出四个共调控基因群，每个群对应特定的表达轨迹模式。该工作属于应用导向的方法扩展，核心 novelty 在于将剖面回归从静态响应推广到纵向设定，但理论贡献（如后验一致性、聚类数选择）未深入探讨。对您而言，本文与 primary interest 的因果推断或高维统计方向无直接交集，但若您对纵向数据聚类或贝叶斯非参数方法感兴趣，可作为入门参考。
关键技术: Bayesian profile regression, Gaussian process regression, semi-supervised mixture model, MCMC, longitudinal clustering
为什么对您有用: 本文属于应用统计方法扩展，与您的 primary interests（因果推断、高维统计、U-统计量等）无直接技术交集。若您未来涉足纵向数据聚类或贝叶斯非参数建模，可作为入门读物，但武器库中 very_familiar 的非参数统计和 M-estimation 可帮助理解其模型设定。暂不可做：核心机器（贝叶斯非参数、MCMC 诊断）不在您的武器库中，且本文无理论深度可攻。

7. 10.1093/jrsssc/qlad095 — Combining individual- and population-level data to develop a Bayesian parity-specific fertility projection model¶

作者: Joanne Ellison, Ann Berrington, Erengul Dodd, Jonathan J Forster
期刊/来源: Journal of the Royal Statistical Society Series C
机构: University of Southampton · University of Warwick
分类: vol 73 · issue 2 · pp 275-297
相关性 3/10 · novelty: application
摘要: 本文提出一个贝叶斯生育率预测模型，结合个体层面（Understanding Society 调查）与总体层面（英格兰和威尔士官方统计）数据，以改进按胎次（parity）分层的生育率预测。模型使用广义可加模型（GAM）对年龄、队列和上次生育后时间进行平滑，并通过先验分布调节两类数据源的相对权重。该方法能够生成按教育程度等个体变量分层的预测，即使总体数据中缺乏这些变量。实证结果表明，结合个体数据能提高预测的合理性和粒度，尤其适用于对 maternity 和 childcare 服务的需求预测。对您而言，本文属于应用统计工作，方法学贡献有限（贝叶斯数据融合 + GAM 平滑），与您的主要兴趣方向（因果推断、高维统计、U-统计量等）无直接技术关联。
关键技术: Bayesian hierarchical model, generalized additive model (GAM), data fusion, parity-specific fertility projection
为什么对您有用: 本文属于流行病学/人口学应用，但方法学上仅使用贝叶斯分层模型和GAM平滑，未涉及因果推断、高维统计或效率理论等您的主要兴趣方向。武器库中无直接可攻的技术口子，暂不可做。可作为了解生育率预测数据结构的入门读物，但不值得花时间全文精读。

Maintained by 陈星宇 · Homepage · Source on GitHub