JRSS-C — Vol 73 Issue 3 · 2026-07-04¶

共 14 篇 · Journal of the Royal Statistical Society Series C
目录核对 ✅ 14 篇全部抓到（对照 OpenAlex 14 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。

JRSS-C Vol 73 Issue 3 的 14 篇论文可归纳为三条主线：因果推断与缺失数据处理（2 篇）、复杂数据结构的贝叶斯与混合模型（5 篇）、以及假设检验与模式匹配（3 篇）。其余 4 篇分散在极值统计、时间序列平滑、体育建模和宏观经济预测，与上述主线无直接交集。

因果推断与缺失数据处理是本期最突出的方法学主线。Revisiting the effects of maternal education 在社交网络干扰下提出双重稳健估计量，结合倾向得分加权与结果回归，证明只要处理模型或结果模型之一正确即一致，相比纯 IPW 方法方差更低。Testing unit root non-stationarity 则从时间序列预处理角度切入，针对移动健康数据中的缺失值扩展 ADF 检验，利用状态空间模型和多重插补处理随机/非随机缺失，为纵向因果推断提供稳健工具。两篇均聚焦于实际数据中的非理想条件（干扰、缺失），但前者直接处理因果 estimand，后者服务于因果推断前的平稳性检验。

复杂数据结构的贝叶斯与混合模型构成另一条密集主线。Bayesian semi-parametric inference for clustered recurrent events 将 Dirichlet 过程先验扩展到聚类复发事件+终止事件+零膨胀的联合框架，通过共享随机效应处理聚类内相关性。Identifying Brexit voting patterns 用光滑函数灵活建模混合成分权重随协变量的非线性变化，适用于分组分析。Unsupervised Bayesian classification for models with scalar and functional covariates 同时纳入标量和函数型协变量，通过基展开降维处理维数灾难。Nonlinear network-based quantitative trait prediction 将个体聚类与调控网络估计嵌入同一预测框架，输出亚群归属和网络结构。Bayesian smoothing for time-varying extremal dependence 则聚焦极值依赖的时变结构，属于极值统计与贝叶斯建模的交叉。这五篇的共同点是利用贝叶斯框架处理多层次、非参数或高维结构，但未涉及因果识别或效率理论。

假设检验与模式匹配方面，A two-sample tree-based test 针对基因组学中沿染色体分层组织的信号，用树距离聚合叶节点检验结果，其聚合策略与 U-统计量投影有潜在联系。Optimal transport-based machine learning 通过 Sinkhorn-Knopp 算法学习最优传输计划与仿射变换，实现模式匹配与共聚类，属于统计计算工具。Estimating the size of undeclared work 用 EM 算法校正调查数据中的误分类，虽属流行病学应用，但其似然模型思路可迁移至因果推断中的测量误差问题。

与因果推断最贴的是 Revisiting the effects of maternal education（网络干扰下的双重稳健估计）和 Testing unit root non-stationarity（缺失数据下的平稳性检验）。与半参数效率方向相关的是前一篇的双重稳健框架。与高维结构化数据检验相关的是 A two-sample tree-based test。

因果推断 (causal_inference, 2 篇)¶

1. 10.1093/jrsssc/qlae008 · arXiv — Revisiting the effects of maternal education on adolescents’ academic performance: Doubly robust estimation in a network-based observational study¶

作者: Vanessa McNealis, Erica E M Moodie, Nema Dean
期刊/来源: Journal of the Royal Statistical Society Series C
分类: vol 73 · issue 3 · pp 715-734
相关性 7/10 · novelty: application
摘要: 本文在社交网络干扰（interference）存在的观察性研究中，关注母亲大学教育对青少年学业成绩的直接与间接因果效应。目标 estimand 为平均处理效应（ATE）及同伴间接效应，关键假设为基于网络结构的条件可忽略性与一致性。方法上，作者提出双重稳健（DR）估计量，结合倾向得分加权（IPW）与结果回归模型，利用网络邻接信息构造权重，并证明若处理模型或结果模型之一正确设定，估计量即一致且渐近正态。与仅依赖 IPW 的现有方法相比，DR 估计量在有限样本中展现出更低的方差和更高的效率，即使处理模型误设时仍保持稳健。实证部分使用 Add Health 数据，发现母亲大学教育对青少年自身成绩有显著直接效应，但未发现显著的同伴间接效应，这与部分先前研究结论相左。对您而言，本文是网络干扰下因果推断的典型应用，其 DR 估计框架与您熟悉的因果推断估计理论（尤其是 IPW 与结果回归的结合）高度相关，且实证分析中处理网络依赖的策略可迁移至流行病学队列研究中的同伴效应问题。
关键技术: doubly robust estimation, inverse probability weighting, network interference, causal inference under interference, asymptotic normality
为什么对您有用: 本文直接连接您的 primary interest 中因果推断的估计理论，特别是网络干扰下的 DR 估计。您非常熟悉的非参数统计与因果推断估计理论（如 IPW、结果回归）可直接用于理解其估计量构造与渐近性质；中期可做的是，利用您 moderately_familiar 的识别理论（如网络干扰下的条件可忽略性假设）来评估其识别假设在更复杂网络结构下的合理性。本文属于应用型论文，但方法学贡献（DR 估计量在网络干扰下的推广）值得关注，可作为流行病学或教育政策因果推断的参考案例。

2. 10.1093/jrsssc/qlae010 · arXiv — Testing unit root non-stationarity in the presence of missing data in univariate time series of mobile health studies¶

作者: Charlotte Fowler, Xiaoxuan Cai, Justin T Baker, Jukka-Pekka Onnela, Linda Valeri
期刊/来源: Journal of the Royal Statistical Society Series C
机构: Columbia University · The Ohio State University · Harvard University · McLean Hospital
分类: vol 73 · issue 3 · pp 755-773
相关性 3/10 · novelty: new_method
摘要: 本文针对移动健康研究中单变量时间序列存在缺失数据（随机缺失或非随机缺失）时的单位根非平稳性检验问题，扩展了增广Dickey-Fuller检验。现有方法（完整病例分析、末次观测结转、链式方程多重插补、卡尔曼平滑插补、线性插值）对缺失机制和自相关结构施加了限制，影响单位根检验的可靠性。作者提出基于状态空间模型的最大似然估计和多重插补方法，以适应缺失数据下的ADF检验。进一步开发了针对非随机缺失数据的敏感性分析方法。通过大量模拟和一项双相情感障碍患者多年智能手机研究的数据应用，评估了现有和所提方法在不同缺失机制下的表现。该工作为纵向因果推断中时间序列预处理步骤提供了缺失数据下的稳健工具。
关键技术: Augmented Dickey-Fuller test, state space model, multiple imputation, maximum likelihood estimation, missing not at random (MNAR), sensitivity analysis
为什么对您有用: 直接连接到纵向因果推断中时间序列预处理的关键步骤——平稳性检验，且处理了移动健康研究中常见的缺失数据问题。武器库中'非参数统计'和'因果推断中的估计理论'可用于评估其状态空间模型假设的稳健性，'软件工程'技能可用于复现和扩展其模拟框架。中期可做：若需深入其敏感性分析方法，需先在'识别理论'上加强。

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

1. 10.1093/jrsssc/qlae011 — A two-sample tree-based test for hierarchically organized genomic signals¶

作者: Pierre Neuvial, Nathanaël Randriamihamison, Marie Chavent, Sylvain Foissac, Nathalie Vialaneix
期刊/来源: Journal of the Royal Statistical Society Series C
机构: Centre National de la Recherche Scientifique · Université Toulouse III - Paul Sabatier · Université Fédérale de Toulouse Midi-Pyrénées · Institut de Mathématiques de Toulouse · Institut National de Recherche pour l'Agriculture, l'Alimentation et l'Environnement · Institut national de recherche en sciences et technologies du numérique · Université de Bordeaux · Institut Polytechnique de Bordeaux 等
分类: vol 73 · issue 3 · pp 774-795
相关性 4/10 · novelty: new_method
摘要: 本文针对基因组学中沿线性染色体分层组织的信号数据，提出一种两样本树基检验方法。研究问题是在两种生物学条件下，比较两组基因组矩阵的差异显著性。方法核心是将数据表示为树结构，利用树距离度量差异，并对叶节点对水平的检验结果进行聚合。数值实验表明该方法在统计有效性和检验功效上优于现有替代方法。实际数据应用包括GWAS和Hi-C数据。该方法为高维结构化数据的假设检验提供了新视角，其树聚合策略与您熟悉的U-统计量投影思想有潜在联系。
关键技术: tree-based distance, aggregation of leaf-pair tests, hierarchical data representation, genomic matrix comparison
为什么对您有用: 本文属于假设检验方向，直接连接您的primary interest。其树聚合检验策略可视为一种特殊的高阶U-统计量结构，您可以用very_familiar的treewidth/einsum工具分析其计算复杂度。中期可做：若将树距离替换为更一般的度量，可能导出新的minimax检验界，这需要先在moderately_familiar的HOIF理论上提升。

统计计算 / 算法 (stat_computing, 1 篇)¶

1. 10.1093/jrsssc/qlae001 — Prediction for distributional outcomes in high-performance computing input/output variability¶

作者: Li Xu, Yili Hong, Max D Morris, Kirk W Cameron
期刊/来源: Journal of the Royal Statistical Society Series C
机构: Boston University · Harvard University · Harvard University Press · Virginia Tech · Iowa State University
分类: vol 73 · issue 3 · pp 561-580
相关性 2/10 · novelty: application
摘要: 本文针对高性能计算（HPC）系统中输入/输出（I/O）吞吐量的性能变异性预测问题，提出了一种改进的高斯过程（GP）框架。目标是预测给定HPC系统配置下I/O吞吐量的累积分布函数（CDF），而非仅预测均值或分位数。方法核心是构建一个单调约束的GP模型，确保预测的CDF函数非递减，同时能够处理定量和定性输入变量（如系统参数和配置类型）。模型通过修改协方差函数或后验采样实现单调性，并利用贝叶斯推断进行参数估计。在IOzone变异性数据集上的实证分析表明，该框架在预测精度上优于现有方法（如标准GP或分位数回归），并能进一步导出均值、标准差和分位数等标量摘要。对您而言，本文展示了统计计算在计算机系统性能管理中的实际应用，属于gateway-reading范畴，可作为了解HPC领域数据结构和建模挑战的入门材料。
关键技术: Gaussian process with monotonic constraint, functional output prediction, cumulative distribution function estimation, mixed quantitative and qualitative inputs
为什么对您有用: 本文属于gateway-reading：它清晰阐述了HPC性能变异性这一计算机科学问题，并给出了数据侧（I/O吞吐量分布、系统配置变量）和模型侧（单调GP、贝叶斯推断）的详细说明，适合作为统计学家进入该领域的入门读物。武器库中'nonparametric statistics'和'high-dimensional asymptotics'可支撑理解GP的理论基础，但核心方法（单调GP的构造和计算）与当前武器库的直接重叠有限，属于'暂不可做'——缺少对GP协方差函数设计和贝叶斯计算（如MCMC）的深度经验。不过，若您对统计计算在系统性能中的应用感兴趣，本文值得花时间阅读全文以了解问题设定和数据特征。

经济理论 / 应用 (econ_theory, 1 篇)¶

1. 10.1093/jrsssc/qlae007 — Macroeconomic and financial mixed frequency factors in a big data environment¶

作者: Weijia Peng, Norman R Swanson, Xiye Yang, Chun Yao
期刊/来源: Journal of the Royal Statistical Society Series C
机构: Sacred Heart University · Welch College · College of Business and Technology · Rutgers, The State University of New Jersey
分类: vol 73 · issue 3 · pp 682-714
相关性 4/10 · novelty: application
摘要: 本文在混合频率大数据环境下，利用高频金融数据和低频宏观经济时间序列构建新的商业状况指数和不确定性度量。具体方法是将非参数估计的二次变差成分与混合频率宏观变量纳入状态空间模型，提取潜在因子作为预测变量。在预测月度金融和宏观经济变量增长率时，新因子显著优于多种基准模型。预测公司债收益率时，新因子的预测增益随债券评级降低而单调增加，表明金融风险（波动因子）对低评级债券包含更多预测信息。现有风险因子（如Aruoba等商业状况指数）虽具边际预测能力，但无法削弱新因子的作用。本文是应用导向的实证研究，方法学创新有限，但展示了混合频率因子在宏观经济预测中的实用价值。
关键技术: mixed frequency state space model, quadratic variation decomposition, latent factor extraction, predictive content evaluation
为什么对您有用: 本文属于经济理论/应用方向，可作为gateway reading了解混合频率因子在宏观预测中的应用。武器库中的非参数统计和高维渐近工具可帮助理解其二次变差估计和因子提取方法，但核心是实证应用而非方法学创新，暂不可做直接跟进。

流行病学 (epidemiology, 1 篇)¶

1. 10.1093/jrsssc/qlae013 — Estimating the size of undeclared work from partially misclassified survey data via the Expectation–Maximization algorithm¶

作者: Maria Felice Arezzo, Giuseppina Guagnano, Domenico Vitale
期刊/来源: Journal of the Royal Statistical Society Series C
机构: Sapienza University of Rome
分类: vol 73 · issue 3 · pp 816-834
相关性 5/10 · novelty: application
摘要: 本文针对未申报工作（UW）的规模估计问题，提出了一种基于EM算法的统计方法，以处理调查数据中因受访者不诚实回答导致的分类错误。研究设定中，目标估计量为UW的真实发生率及其决定因素，关键假设是存在部分误分类（即部分实际从事UW的受访者谎报为正规工作）。方法核心是构建一个包含误分类概率的似然模型，并通过EM算法迭代估计真实类别概率和协变量效应。模拟研究验证了该方法在有限样本下的偏差校正效果和收敛性。实证部分应用至Special Eurobarometer no. 402调查数据，估计了欧洲各国的UW规模。对您而言，本文展示了在敏感主题调查中处理误分类的实用统计框架，其EM算法思路可迁移至流行病学队列研究中暴露或结局的误分类校正问题，属于应用导向的方法学工作。
关键技术: Expectation-Maximization algorithm, misclassification model, sensitivity analysis, survey sampling, latent class model
为什么对您有用: 本文属于流行病学应用方向，处理敏感调查中的误分类问题，与您的secondary interest（流行病学数据集、应用因果工作）直接相关。您的technical arsenal中'非参数统计'和'M估计理论'可用于分析其EM算法的收敛性和偏差校正的稳健性，但核心机器（误分类似然模型）不在您的武器库中，属于暂不可做——需要先熟悉misclassification模型和EM算法的统计性质。不过作为入门读物，本文方法清晰、实证完整，值得花时间读全文以了解流行病学中误分类问题的标准处理框架。

其他 (other, 8 篇)¶

1. 10.1093/jrsssc/qlae005 · arXiv — Optimal transport-based machine learning to match specific patterns: application to the detection of molecular regulation patterns in omics data¶

作者: Thi Thanh Yen Nguyen, Warith Harchaoui, Lucile Mégret, Cloé Mendoza, Olivier Bouaziz, Christian Neri et al.
期刊/来源: Journal of the Royal Statistical Society Series C
机构: Mathématiques Appliquées à Paris 5 · Brain (Germany)
分类: vol 73 · issue 3 · pp 639-657
相关性 5/10 · novelty: application
摘要: 本文提出一套基于最优传输（optimal transport）的机器学习算法，用于在两个数据集之间学习符合已知参数模型的对应模式。算法分两阶段：第一阶段利用Sinkhorn-Knopp算法和小批量梯度下降联合学习最优传输计划P与最优仿射变换；第二阶段基于P导出共聚类（co-clusters）或匹配元素集。模拟研究展示了算法的运行机制与性能，真实数据应用为亨廷顿病模型小鼠纹状体中micro-RNA调控模式的检测。该方法本质上是模式匹配与聚类工具，而非统计推断或因果方法。对您而言，本文属于应用导向的统计计算工作，与您的主要兴趣（因果推断、高维统计、U统计量）无直接技术重叠，但可作为统计计算中算法设计的参考案例。
关键技术: optimal transport, Sinkhorn-Knopp algorithm, mini-batch gradient descent, co-clustering, pattern matching
为什么对您有用: 本文属于统计计算与生物信息学应用，与您的primary interests（因果推断、高维统计、U统计量）无直接技术连接。武器库中的'软件发展'可帮助复现其算法，但核心问题（模式匹配而非推断）不在您的技术路径上。暂不可做——缺乏最优传输与共聚类的核心工具。

2. 10.1093/jrsssc/qlae003 · arXiv — Bayesian semi-parametric inference for clustered recurrent events with zero inflation and a terminal event¶

作者: Xinyuan Tian, Maria Ciarleglio, Jiachen Cai, Erich J Greene, Denise Esserman, Fan Li et al.
期刊/来源: Journal of the Royal Statistical Society Series C
分类: vol 73 · issue 3 · pp 598-620
相关性 5/10 · novelty: application
摘要: 本文针对临床研究中常见的聚类复发事件数据，同时处理零膨胀（部分个体对复发事件结构不敏感）和终止事件（如死亡）的复杂结构。研究问题是在 pragmatic trial 的聚类（如诊所）嵌套结构下，估计复发事件的风险因素效应。方法上采用贝叶斯共享随机效应模型，对生存过程的加速失效时间（AFT）模型残差和聚类共享 frailties 分别用 Dirichlet 过程先验建模，以实现非参数稳健性。后验推断通过高效的 MCMC 采样算法实现。该方法应用于一项关于跌倒损伤预防的聚类随机试验。主要理论贡献在于将 Dirichlet 过程混合模型扩展到聚类复发事件+终止事件+零膨胀的联合框架，但未涉及因果推断或效率理论。对您而言，本文属于流行病学应用方向，但方法学 novelty 有限（贝叶斯非参数共享 frailty 模型已有较多工作），且未使用您武器库中的核心工具（如 U-statistic、高维渐近、半参效率界），暂不可做 follow-up。
关键技术: Bayesian shared random effects model, Dirichlet process mixture, accelerated failure time model, zero-inflated recurrent events, MCMC sampling
为什么对您有用: 本文属于流行病学应用（跌倒损伤预防的聚类随机试验），是您的 secondary interest。但方法学上以贝叶斯非参数建模为主，未涉及因果推断 identification、半参效率或高维统计，与 primary interests 连接弱。武器库中 very_familiar 的非参统计和 moderately_familiar 的 M-estimation 理论可帮助理解其模型设定，但核心机器（Dirichlet process 后验计算）不在您的武器库中，且问题本身不涉及您擅长的 U-statistic 或效率理论。作为流行病学 gateway reading，本文数据结构和分析流程清晰，但方法学贡献偏应用，不值得花时间全文精读。

3. 10.1093/jrsssc/qlae012 — Nonlinear network-based quantitative trait prediction from biological data¶

作者: Mélisande Blein-Nicolas, Emilie Devijver, Mélina Gallopin, Emeline Perthame
期刊/来源: Journal of the Royal Statistical Society Series C
机构: Centre National de la Recherche Scientifique · AgroParisTech · Université Paris-Saclay · Institut National de Recherche pour l'Agriculture, l'Alimentation et l'Environnement · Génétique Quantitative et Évolution Le Moulon · Institut polytechnique de Grenoble · Laboratoire d'Informatique de Grenoble · Université Grenoble Alpes 等
分类: vol 73 · issue 3 · pp 796-815
相关性 4/10 · novelty: application
摘要: 本文提出一种新的参数化预测模型，用于从生物标志物（如基因、蛋白质、代谢物）预测多变量定量表型。模型同时处理两个关键挑战：生物观测数据的异质性（个体可能属于不同的亚群，对应不同的生物机制）以及生物标志物之间因未知调控网络导致的高度相关性。核心方法是将个体聚类与调控网络估计嵌入同一个预测框架：模型假设每个亚群内部存在一个（有向）调控网络，连接生物标志物与表型变量，并通过一个统一的似然函数进行参数估计。预测通过模型平均（对各亚群预测加权）实现，因此模型不仅给出预测值，还输出每个个体的亚群归属和网络结构，便于生物学解释。在模拟和两个真实组学数据集（拟南芥蛋白质组与代谢组）上，该方法在预测精度上优于或持平于随机森林、弹性网等黑箱方法，同时提供了可解释的网络结构。对您而言，本文属于应用导向的统计建模工作，其将聚类与网络推断耦合的思路在流行病学或因果推断的异质性处理效应（HTE）设定中可能有借鉴价值，但方法学新颖性有限，核心工具（混合模型、高斯图模型）不在您的主要兴趣前沿。
关键技术: mixture model, Gaussian graphical model, EM algorithm, network-based prediction, model-based clustering
为什么对您有用: 本文属于应用统计建模，与您的主要兴趣（因果推断、高维统计、效率理论）直接关联较弱。其将聚类与网络推断耦合的思路在流行病学异质性处理效应（HTE）设定中可能有参考价值，但方法学核心（混合模型+高斯图模型）是成熟工具，无理论创新。武器库中'非参数统计'或'因果推断估计理论'无法直接攻入本文的技术口子——本文是纯参数化似然方法，不涉及半参数效率或高维稀疏性。暂不可做：核心机器（混合模型EM、高斯图模型结构学习）不在您的武器库里，且本文不提供可迁移的新理论工具。

4. 10.1093/jrsssc/qlae002 — Bayesian smoothing for time-varying extremal dependence¶

作者: Junho Lee, Miguel de Carvalho, António Rua, Julio Avila
期刊/来源: Journal of the Royal Statistical Society Series C
机构: University of Aveiro · University of Edinburgh · Banco de Portugal · Universidade Nova de Lisboa · Pontificia Universidad Católica de Chile
分类: vol 73 · issue 3 · pp 581-597
相关性 4/10 · novelty: application
摘要: 本文提出一种贝叶斯时变模型，用于学习联合极值随时间变化的依赖结构。模型基于双重视角的时变极值依赖度量，在大阈值条件下通过广义线性模型类进行建模。模拟研究表明该方法在多种场景下表现良好。将模型应用于全球主要股票市场，揭示了近30年间极值依赖的复杂模式，包括从渐近依赖到渐近独立的转变。本文主要贡献在于极值统计与时间序列的交叉领域，方法学上属于贝叶斯建模与极值理论的结合。对您而言，该文与您的主要兴趣方向（因果推断、高维统计、半参理论等）无直接交集，属于方法学应用型工作。
关键技术: Bayesian time-varying model, extremal dependence, generalized linear models, threshold-based modeling
为什么对您有用: 本文属于极值统计与时间序列的应用，与您的主要兴趣方向（因果推断、高维统计、半参理论等）无直接交集。作为gateway-reading，该文对统计学家而言入门门槛不高，但极值依赖的时变建模并非您武器库中的核心工具，且缺乏与您higher-order U-statistics或einsum复杂度的直接连接。暂不可做，核心机器（极值理论、贝叶斯时变建模）不在武器库中。

5. 10.1093/jrsssc/qlad110 — On the combination of data smoothing and Markov-switching models¶

作者: Rouven Michels, Jan-Ole Koslik
期刊/来源: Journal of the Royal Statistical Society Series C
机构: Bielefeld University
分类: vol 73 · issue 3 · pp 557-560
相关性 3/10 · novelty: minor
摘要: 本文讨论数据平滑与马尔可夫转换模型的结合问题。研究背景是时间序列分析中，平滑方法（如核平滑、样条平滑）与隐状态转换模型（如Markov-switching）常被分别使用，但二者结合的理论性质尚不明确。作者通过理论分析和模拟研究，探讨了在Markov-switching框架下引入数据平滑对参数估计和状态推断的影响。核心发现是，平滑预处理可能扭曲状态转换的识别，导致估计偏差增大，尤其在转换概率较小或状态持续性较强时。文章还提出了一种基于滤波的修正方法，以减轻平滑带来的信息损失。模拟结果表明，修正后的方法在均方误差和状态分类准确率上优于直接平滑后建模。本文属于应用统计方法讨论，未提出新的理论工具或算法突破。对您而言，本文与您的主要兴趣方向（因果推断、高维统计、U-统计量等）无直接关联，且方法学新颖性有限，属于领域内增量工作。
关键技术: Markov-switching models, data smoothing, kernel smoothing, state filtering, simulation study
为什么对您有用: 本文与您的主要兴趣方向（因果推断、高维统计、U-统计量、半参效率理论等）无直接连接。它属于时间序列应用统计方法讨论，不涉及您武器库中的具体工具（如U-统计量的树宽分析、minimax界、半参效率界等）。暂不可做：核心机器（Markov-switching与平滑的交互效应）不在您的武器库中，且该方向与您的研究主线距离较远，不值得投入时间精读。

6. 10.1093/jrsssc/qlae004 · arXiv — Identifying Brexit voting patterns in the British house of commons: an analysis based on Bayesian mixture models with flexible concomitant covariate effects¶

作者: Marco Berrettini, Giuliano Galimberti, Saverio Ranciati, Thomas Brendan Murphy
期刊/来源: Journal of the Royal Statistical Society Series C
分类: vol 73 · issue 3 · pp 621-638
相关性 3/10 · novelty: application
摘要: 本文针对英国下议院脱欧相关投票数据，开发了一类新的贝叶斯混合模型，旨在识别具有相似投票行为的议员群体。方法创新在于使用光滑函数（如样条）灵活建模伴随协变量对混合成分权重的影响，从而允许协变量效应随投票维度非线性变化。模型采用贝叶斯框架进行推断，通过MCMC算法实现参数估计。实证分析量化了议员年龄、选区偏好及竞争性对其脱欧立场的影响，揭示了投票模式的分化结构。该方法虽为应用统计工作，但混合模型与伴随协变量的结合在社会科学投票分析中具有实用性。对您而言，本文属于应用领域（政治学/投票行为）的案例，与您的主要兴趣方向（因果推断、高维统计等）无直接方法学关联，但可作为流行病学或经济学中类似分组分析（如基于协变量的潜在类别识别）的参考。
关键技术: Bayesian mixture models, concomitant covariates, smooth functions (splines), MCMC
为什么对您有用: 本文属于应用统计工作，与您的主要兴趣方向（因果推断、高维统计、半参理论等）无直接方法学重叠。作为流行病学或经济学中潜在类别分析的入门案例，其贝叶斯混合模型框架可参考，但方法学新颖性有限。暂不可做：核心工具（贝叶斯混合模型、MCMC）不在您的武器库中，且无直接可迁移的技术口子。

7. 10.1093/jrsssc/qlae006 · arXiv — Unsupervised Bayesian classification for models with scalar and functional covariates¶

作者: Nancy L Garcia, Mariana Rodrigues-Motta, Helio S Migon, Eva Petkova, Thaddeus Tarpey, R Todd Ogden et al.
期刊/来源: Journal of the Royal Statistical Society Series C
分类: vol 73 · issue 3 · pp 658-681
相关性 3/10 · novelty: application
摘要: 本文研究无监督分类问题，通过潜在多项变量将标量响应归入混合模型的 L 个分量，并同时纳入标量和函数型协变量。模型采用层次结构：第一层用参数混合分布建模标量响应，第二层通过含函数型和标量协变量的广义线性模型建模混合概率。为克服函数型协变量作为向量处理时的维数灾难，使用基展开降维，并采用贝叶斯方法估计参数及预测潜在分类向量。方法通过两个实际数据示例验证：一是识别临床试验中的安慰剂应答者（正态混合模型），二是预测奶牛疾病（零膨胀泊松混合模型）。本文属于应用导向的方法开发，未提供新的理论结果或效率界。
关键技术: basis expansion, Bayesian mixture model, functional data analysis, zero-inflated Poisson mixture, latent variable classification
为什么对您有用: 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、半参理论）无直接交集。作为流行病学应用，其零膨胀混合模型和函数型协变量处理对奶牛疾病预测有参考价值，但方法学新颖性有限。武器库中的非参统计和M估计理论可帮助理解其基展开和贝叶斯推断的收敛性，但核心问题（无监督分类）与您的兴趣方向距离较远，暂不可做。

8. 10.1093/jrsssc/qlae009 · arXiv — A doubly self-exciting Poisson model for describing scoring levels in NBA basketball¶

作者: Álvaro Briz-Redón
期刊/来源: Journal of the Royal Statistical Society Series C
分类: vol 73 · issue 3 · pp 735-754
相关性 2/10 · novelty: application
摘要: 本文提出一个双重自激 Poisson 模型（INGARCH(1,1) 结构）来描述 NBA 球队或球员在赛季内每场比赛以及比赛内每分钟的投篮命中数。模型在比赛内层面采用分治策略进行贝叶斯估计，并基于关键参数的后验分布对球员进行聚类分析。数据来自 2018-2019 赛季 NBA。主要贡献是将时间序列自激模型应用于体育计数数据，并展示了聚类结果。该论文是应用导向的，方法学新颖性有限，未涉及因果推断、高维统计或半参效率等核心兴趣方向。
关键技术: INGARCH(1,1) model, self-exciting Poisson process, divide-and-conquer Bayesian estimation, posterior-based clustering
为什么对您有用: 本文属于应用统计在体育科学中的案例，与您的主要兴趣（因果推断、高维统计、半参理论）无直接关联。武器库中的非参数统计或 M-估计理论在此处无直接应用口子。暂不可做：核心问题（体育计数时间序列建模）不在您的武器库覆盖范围内，且方法学贡献不足以支撑 follow-up。

Maintained by 陈星宇 · Homepage · Source on GitHub