JRSS-C — Vol 73 Issue 4 · 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。

这一期JRSS-C Vol 73 Issue 4共14篇论文，整体上呈现两条主线：一是假设检验与同时推断，二是应用导向的贝叶斯与函数型建模。前者集中在非参数检验和置信集构造，后者则覆盖了从生物医学到生态学的多种复杂数据场景。此外，还有少量工作涉及稳健推断、高维降维和临床试验设计，但未形成独立主线。

在假设检验与同时推断主线上，有两篇论文值得关注。Inverse set estimation and inversion of simultaneous confidence intervals 将逆集估计问题推广到稠密与非稠密定义域，通过反转同时置信区间构造多重置信集，并证明其非渐近地控制族系错误率，不依赖函数光滑性假设，方法工具为非参数bootstrap。Testing for distributional structural change with unknown breaks 则针对作物产量分布的结构性变化，基于经验分布函数构造检验统计量，渐近分布为Kolmogorov分布，可检测任意阶矩变化并定制特定区间，工具为经验过程理论。两篇均聚焦于非参数框架下的推断问题，但前者更侧重置信集构造，后者更侧重断点检测。

另一条主线是贝叶斯与函数型建模在复杂数据中的应用，涉及多篇论文。Joint analysis of multivariate longitudinal, imaging, and time-to-event data 通过混合比例风险治愈模型、动态因子分析和半参数轨迹模型联合分析阿尔茨海默病数据，工具为高维函数主成分分析和MCMC。Generalized functional additive mixed models with (functional) compositional covariates 将成分型协变量通过Bayes Hilbert空间等距同构转化为函数型协变量，估计非线性及时变效应，应用于Covid-19发病率曲线。Dynamic factor models for binary data in circular spaces 提出圆环潜在空间的动态因子模型，解释美国最高法院投票中的对立共投现象，工具为贝叶斯MCMC。Bayesian modelling of effective and functional brain connectivity using hierarchical vector autoregressions 用分层VAR模型同时建模rs-fMRI中的有效和功能连接，工具为哈密顿蒙特卡洛。Population-level task-evoked functional connectivity via Fourier analysis 则用傅里叶分析定义群体水平任务诱发功能连接。这些论文虽方法各异，但共同点在于处理复杂结构数据（影像、成分、空间、时间序列），且多采用贝叶斯推断或函数型数据工具。

与因果推断方向最贴的论文较少，但Exponential tilting for zero-inflated interval regression 涉及稳健推断和有序数据建模，可间接关联因果效应估计中的模型误设问题。与半参数效率方向直接相关的论文缺失，但Inverse set estimation 的非渐近置信集构造和Testing for distributional structural change 的经验过程方法，对假设检验和非参数理论研究者有参考价值。高维方向可关注Joint analysis 中的高维函数主成分分析降维步骤。

数理统计 / 假设检验 (hypothesis_testing, 2 篇)¶

1. 10.1093/jrsssc/qlae027 · arXiv — Inverse set estimation and inversion of simultaneous confidence intervals¶

作者: Junting Ren, Fabian J E Telschow, Armin Schwartzman
期刊/来源: Journal of the Royal Statistical Society Series C
分类: vol 73 · issue 4 · pp 1082-1109
相关性 7/10 · novelty: new_method
摘要: 本文研究逆集估计问题，即估计定义域中函数值落入给定目标区间的集合。现有方法对函数光滑性等假设要求严格。作者将问题推广到稠密与非稠密定义域，通过反转同时置信区间（simultaneous confidence intervals）构造多重上集、下集或区间集的置信集，并证明其非渐近地控制族系错误率（family-wise error rate）。方法不依赖函数的光滑性假设，适用于探索性数据分析。提供了非参数bootstrap算法和代码。在气候学（北美温度变化）和医学（他汀类药物与COVID-19住院患者）两个真实数据案例中展示了应用。对您而言，该工作属于假设检验与同时推断的交叉，其非渐近置信集构造思路可迁移至因果推断中的敏感性分析或高维统计中的多重检验问题。
关键技术: simultaneous confidence intervals, inverse set estimation, nonparametric bootstrap, family-wise error rate control, non-asymptotic inference
为什么对您有用: 本文属于假设检验与同时推断方向，直接连接您的primary interest中的hypothesis testing。其非渐近置信集构造方法可迁移至因果推断中的敏感性分析（如用同时置信区间刻画未测量混杂的边界）。武器库中'nonparametric statistics'和'minimax bounds for estimation problems'可直接用于分析其方法的tightness，属于'立即可做'的follow-up。

2. 10.1093/jrsssc/qlae020 — Testing for distributional structural change with unknown breaks: application to pricing crop insurance contracts¶

作者: Hanjun Lu, Alan P Ker
期刊/来源: Journal of the Royal Statistical Society Series C
机构: University of Guelph · Michigan State University
分类: vol 73 · issue 4 · pp 955-971
相关性 6/10 · novelty: new_method
摘要: 本文针对农业保险定价中的作物产量分布结构性变化检验问题，提出了一种可检测未知断点（一个或多个）的分布变化检验方法。该方法基于经验分布函数构造检验统计量，其渐近分布为Kolmogorov分布，且对任意阶矩的结构变化均有检验功效，并可针对特定分布区间（如下尾概率）进行定制。模拟研究表明，该方法在有限样本下优于现有方法，并能较准确地识别断点位置。应用于美国主要大田作物产量数据，发现多数作物存在结构性变化，导致保费率显著差异。样本外保费率评级游戏表明，纳入结构性变化可提高保费率准确性。对您而言，该检验方法在非参数假设检验框架下，利用经验过程工具推导渐近分布，与您对假设检验和非参数理论的兴趣直接相关；其针对尾部概率的定制检验思路，可迁移至因果推断中的敏感性分析或高维统计中的异常检测问题。
关键技术: empirical distribution function, Kolmogorov distribution, unknown break point detection, tail-specific test, bootstrap approximation
为什么对您有用: 本文直接连接您对假设检验和非参数理论的兴趣，其检验统计量基于经验分布函数，渐近分布为Kolmogorov分布，属于经典非参数检验框架。您武器库中的非参数统计和minimax界工具可直接用于分析该检验的最优性（如检验功效的minimax下界），属于立即可做的follow-up。此外，该检验可针对特定分布区间（如下尾）定制，这一思路可迁移至因果推断中的敏感性分析（如检测未观测混杂对尾部效应的影响），属于中期可做的方向。

流行病学 (epidemiology, 2 篇)¶

1. 10.1093/jrsssc/qlae021 — Estimating disease transmission in a closed population under repeated testing¶

作者: Matthew Wascher, Patrick M Schnell, Wasiur R KhudaBukhsh, Mikkel B M Quam, Joesph H Tien, Grzegorz A Rempała
期刊/来源: Journal of the Royal Statistical Society Series C
机构: University of Dayton · The Ohio State University · University of Nottingham
分类: vol 73 · issue 4 · pp 972-989
相关性 5/10 · novelty: application
摘要: 本文针对封闭群体（如大学校园）在重复检测下的疾病传播估计问题，提出一个统计框架。模型将个体感染状态视为潜在过程，检测结果仅提供区间删失的观测，并显式纳入传播动力学和行为变化（如干预措施）。方法核心是构建一个基于随机SIR型传播模型的似然函数，利用马尔可夫链蒙特卡洛（MCMC）进行后验推断，从而估计基本再生数R0和有效再生数Rt等关键参数。作者将该框架应用于俄亥俄州立大学2020年秋季学期的新冠病毒检测数据，展示了其在实时监测和控制中的实用性。该工作属于应用导向，方法学创新在于将区间删失和时变行为整合进经典的传播模型推断中。对您而言，这是一篇流行病学领域的应用论文，展示了如何将统计推断（MCMC、删失数据）用于真实的公共卫生问题，可作为了解该领域数据结构和分析模式的入门读物。
关键技术: interval-censored data, stochastic SIR model, Markov chain Monte Carlo (MCMC), time-varying transmission rate, likelihood-based inference
为什么对您有用: 本文属于流行病学应用，直接对应您的secondary interest。它提供了一个完整的分析流程：从区间删失的检测数据到传播参数的贝叶斯推断，数据结构和模型假设清晰，适合作为流行病学数据分析的入门案例。您的武器库中'非参数统计'和'M估计理论'虽不直接适用，但'高维渐近'和'因果推断中的估计理论'中的似然推断思路可迁移。暂不可做：核心机器（随机SIR模型、MCMC在传播动力学中的具体实现）不在您的武器库里，需先熟悉流行病学传播模型的基本框架。

2. 10.1093/jrsssc/qlae017 · arXiv — Estimating the timing of stillbirths in countries worldwide using a Bayesian hierarchical penalized splines regression model¶

作者: Michael Y C Chong, Monica Alexander
期刊/来源: Journal of the Royal Statistical Society Series C
分类: vol 73 · issue 4 · pp 902-920
相关性 3/10 · novelty: application
摘要: 本文针对全球死产时间分布（产前 vs. 产时）的估计问题，提出一个贝叶斯分层惩罚样条回归模型。目标 estimand 是每个国家每年死产中产时死产的比例，数据来自多源（国家统计、调查、登记系统），但低中收入国家观测稀疏且质量不一。模型通过分层结构跨区域借用信息，用惩罚样条刻画时间趋势，并引入基于数据属性的误差项（如区分全国性与亚国家级数据）。对非代表性的亚国家级数据，作者设计了一个加权程序以校正偏差。结果表明全球产时死产比例总体下降，但撒哈拉以南非洲地区进展缓慢。该文对您可能有用：它展示了在稀疏、异质观测数据下如何用贝叶斯分层模型进行全球健康指标推断，与您流行病学应用兴趣中的因果推断（如死产预防策略的评估）有直接连接。
关键技术: Bayesian hierarchical model, penalized splines, weighting for unrepresentative data, multi-source data integration, temporal trend estimation
为什么对您有用: 本文属于流行病学应用方向，处理的是全球死产时间估计这一具体公共卫生问题。您的武器库中非参数统计和软件开发的技能可直接用于复现或扩展其贝叶斯分层样条框架（例如，用更灵活的样条基或改进加权程序）。暂不可做：核心机器（贝叶斯分层模型与惩罚样条的联合推断）不在您的武器库里——您缺少对 MCMC 采样和贝叶斯模型诊断的熟练度，但作为入门读物，本文方法学清晰，值得花时间读全文以了解流行病学中多源数据整合的典型分析模式。

其他 (other, 10 篇)¶

1. 10.1093/jrsssc/qlae018 — Joint analysis of multivariate longitudinal, imaging, and time-to-event data¶

作者: Xiaoxiao Zhou, Xinyuan Song
期刊/来源: Journal of the Royal Statistical Society Series C
机构: Chinese University of Hong Kong
分类: vol 73 · issue 4 · pp 921-934
相关性 6/10 · novelty: application
摘要: 本文针对阿尔茨海默病（AD）研究，提出一个联合分析多变量纵向数据、含非易感比例的生存数据以及超高维影像数据的模型。模型包含三个核心部分：一是混合比例风险治愈模型，利用影像数据预测非易感概率和风险；二是动态因子分析模型，通过多个观测变量提取组别特异性的潜在因子；三是半参数轨迹模型，揭示非易感组和易感组中动态潜在因子的变化模式。统计推断采用两阶段方法：第一阶段通过高维函数主成分分析处理影像数据降维；第二阶段结合贝叶斯方法、惩罚样条、数据增广和MCMC技术进行参数估计。在ADNI数据集上的应用为AD病理提供了新见解。该文属于应用型工作，方法学上以贝叶斯和降维为主，未涉及您核心关注的因果推断、效率理论或高维统计推断的精细理论。
关键技术: functional principal component analysis, mixture cure model, dynamic factor analysis, penalized splines, Bayesian MCMC
为什么对您有用: 本文属于流行病学应用（AD研究），涉及纵向数据和生存数据的联合建模，与您的secondary interest（流行病学数据集、应用因果工作）有弱连接。但方法学上以贝叶斯和降维为主，未使用您武器库中的核心工具（如非参统计、U统计量、因果推断识别理论）。作为流行病学入门阅读，本文数据结构和模型设定清晰，但方法学新颖性有限，暂不可做后续拓展。

2. 10.1093/jrsssc/qlae026 — Exponential tilting for zero-inflated interval regression with applications to cyber security survey data¶

作者: Cristian Roner, Claudia Di Caterina, Davide Ferrari
期刊/来源: Journal of the Royal Statistical Society Series C
机构: University of Trento · University of Verona · Free University of Bozen-Bolzano
分类: vol 73 · issue 4 · pp 1065-1081
相关性 5/10 · novelty: application
摘要: 本文针对零膨胀区间回归模型（zero-inflated interval regression）提出基于指数倾斜（exponential tilting）的稳健推断方法。模型结合 split probit 和 ordered probit 处理非负有序调查数据中第一区间零值过多的问题。标准极大似然估计在分布假设偏离时产生有偏估计和大标准误；指数倾斜方法通过重新加权观测值来降低模型误设的影响。理论部分建立了倾斜估计量的渐近正态性。实证部分应用于网络安全调查数据，研究网络防御投资与损失金额的关系，倾斜估计揭示了投资对减少损失的显著效应。对您而言，这是一篇应用导向的方法论文，涉及稳健推断和有序数据建模，但与您的主要兴趣（因果推断、高维统计、U-统计量等）直接关联较弱。
关键技术: exponential tilting, zero-inflated interval regression, split probit model, ordered probit model, robust inference
为什么对您有用: 本文属于应用统计方法论文，与您的主要兴趣方向（因果推断、高维统计、U-统计量等）直接关联较弱。方法本身（指数倾斜）是稳健推断的经典技术，但未涉及您武器库中的具体工具（如非参极小极大界、高阶U-统计量、半参效率理论）。作为流行病学或调查数据分析的入门读物可读性一般，但方法学新颖性有限。暂不可做：核心机器不在武器库里，缺乏与您当前研究问题的直接接口。

3. 10.1093/jrsssc/qlae022 — Semi-parametric Bayesian approach for population size estimation modelling the excess of singletons¶

作者: Davide Di Cecco, Andrea Tancredi, Tiziana Tuoto
期刊/来源: Journal of the Royal Statistical Society Series C
机构: Unitelma Sapienza University · Sapienza University of Rome · Istituto Nazionale di Statistica
分类: vol 73 · issue 4 · pp 990-1007
相关性 5/10 · novelty: application
摘要: 本文研究捕获-再捕获分析中的“一次捕获过多”现象，即单位恰好被捕获一次的数量异常偏高。作者区分了两种成因：一是错误纳入非目标单位（out-of-scope units），二是首次捕获后行为改变导致后续捕获概率降低。针对这两种成因，分别提出了两种半参数单次膨胀模型，用于估计未被捕获的单位总数。采用贝叶斯方法，以狄利克雷过程混合模型为基础模型，并将其扩展以包含单次膨胀。模型应用于估计意大利卖淫剥削活动中的犯罪人数，并在三个公开数据集和模拟数据上评估了性能。本文的核心贡献在于为人口规模估计中的单次膨胀问题提供了半参数贝叶斯解决方案，但方法本身是应用导向的，理论创新有限。
关键技术: capture-recapture, one-inflation, Dirichlet process mixture, Bayesian nonparametrics, population size estimation
为什么对您有用: 本文属于流行病学应用（人口规模估计），与您的secondary interest（epidemiology）相关。但方法学上以贝叶斯非参数为主，与您primary interests中的因果推断、高维统计、U统计量等核心方向交集有限。武器库中的非参数统计和M估计理论可帮助理解其模型设定，但缺乏直接可攻的问题。作为流行病学应用，本文可作入门阅读，但方法学深度一般，不值得优先投入时间。

4. 10.1093/jrsssc/qlae024 — Bats monitoring: a classification procedure of bats behaviours based on Hawkes processes¶

作者: Christophe Denis, Charlotte Dion-Blanc, Romain E Lacoste, Laure Sansonnet, Yves Bas
期刊/来源: Journal of the Royal Statistical Society Series C
机构: Université Paris Cité · Sorbonne Université · Laboratoire d’Analyse et de Mathématiques Appliquées · Université Gustave Eiffel · Laboratoire de Probabilités, Statistique et Modélisation · AgroParisTech · Université Paris-Saclay · Institut National de Recherche pour l'Agriculture, l'Alimentation et l'Environnement 等
分类: vol 73 · issue 4 · pp 1025-1041
相关性 4/10 · novelty: application
摘要: 本文研究蝙蝠行为（通勤 vs. 觅食）的分类问题，利用法国 Vigie-Chiro 公民科学项目的回声定位呼叫数据。作者将每个地点的呼叫时间序列建模为 Hawkes 过程，利用其自激特性刻画觅食行为的聚集模式。基于 Hawkes 过程的强度函数或相关统计量构造特征，采用经验风险最小化原则训练分类器。在合成数据上评估了分类性能，并通过拟合优度检验验证模型适用性。真实数据上的分类结果令人满意，表明该方法有助于理解蝙蝠行为决定因素。对您而言，本文属于应用统计建模，与您的主要兴趣（因果推断、高维统计等）无直接交集，但 Hawkes 过程在生态学中的应用可作为跨领域阅读参考。
关键技术: Hawkes processes, empirical risk minimization, goodness-of-fit test, point process classification
为什么对您有用: 本文属于生态学应用，与您的主要兴趣方向（因果推断、高维统计、半参理论等）无直接技术交集。作为 gateway reading，它展示了点过程模型在行为分类中的实际应用，但武器库中缺乏 Hawkes 过程的深度工具（如似然推断、核估计），暂不可做。

5. 10.1093/jrsssc/qlae023 · arXiv — A stochastic gradient relational event additive model for modelling US patent citations from 1976 to 2022¶

作者: Edoardo Filippi-Mazzola, Ernst C Wit
期刊/来源: Journal of the Royal Statistical Society Series C
分类: vol 73 · issue 4 · pp 1008-1024
相关性 4/10 · novelty: application
摘要: 本文提出 STREAM（随机梯度关系事件加性模型），用于分析美国专利引用网络（1976–2022，近千万专利、上亿引用）。将专利引用建模为时间事件，基于关系事件模型（relational event model）框架，但用加性结构（additive model）对每个预测变量的效应进行非线性建模，而非假设线性。估计采用随机梯度下降（SGD）以适应超大规模网络，避免了传统 MCMC 或全似然方法的计算瓶颈。模型识别出驱动专利引用的关键因素（如技术领域相似性、时间衰减等），并揭示了引用过程的非线性动态模式。本文是应用导向的方法学工作，方法本身是现有关系事件模型的扩展，理论 novelty 有限。对您而言，该文属于大规模网络数据的应用案例，与您的主要兴趣（因果推断、高维统计、U-统计量）无直接方法学连接，但可作为了解关系事件模型在专利引用数据中应用的入门参考。
关键技术: relational event model, additive model, stochastic gradient descent, large-scale network analysis
为什么对您有用: 本文属于应用统计方法学工作，与您的主要兴趣（因果推断、高维统计、U-统计量、半参理论）无直接方法学重叠。关系事件模型本身不涉及您武器库中的核心工具（如非参 minimax 界、高阶 U-统计量、einsum 复杂度）。作为 gateway reading，本文对统计计算方向（大规模 SGD 应用）有一定参考价值，但方法学深度不足以进入 deep-read 列表。暂不可做：核心机器不在武器库里（缺关系事件模型与大规模网络推断的专门知识）。

6. 10.1093/jrsssc/qlae016 — Generalized functional additive mixed models with (functional) compositional covariates for areal Covid-19 incidence curves¶

作者: Matthias Eckardt, Jorge Mateu, Sonja Greven
期刊/来源: Journal of the Royal Statistical Society Series C
机构: Humboldt-Universität zu Berlin · Universitat Jaume I
分类: vol 73 · issue 4 · pp 880-901
相关性 4/10 · novelty: application
摘要: 本文扩展了广义函数型可加混合模型（GFAMM），使其能够处理成分型协变量和函数型成分型协变量（如概率密度）。核心方法基于Bayes Hilbert空间与L2子空间的等距同构，将成分型协变量转化为具有约束但可解释效应函数的函数型协变量。模型可同时估计标量和函数型协变量的线性、非线性及时变效应，以及（相关的）函数型随机效应和成分效应。作者将该模型应用于西班牙区域Covid-19发病率曲线数据，估计了人口年龄、性别和吸烟（函数型）成分对发病率的影响，同时控制了气候和社会人口学协变量及空间相关性。该工作主要贡献在于方法学扩展和实际应用，但并未提出新的统计理论或效率界。
关键技术: generalized functional additive mixed model, Bayes Hilbert space, compositional covariates, functional random effects, isometric isomorphism
为什么对您有用: 本文属于流行病学应用（Covid-19发病率曲线），与您的secondary interest（流行病学应用数据集）相关。但方法学核心是函数型数据分析和成分数据分析，与您primary interests（因果推断、高维统计、U统计量等）的直接连接较弱。武器库中的非参数统计和M估计理论可能有助于理解其模型框架，但缺乏可直接迁移的技术口子。作为流行病学应用论文，值得一读以了解函数型成分协变量的分析模式，但非优先阅读。

7. 10.1093/jrsssc/qlae025 · arXiv — Dynamic factor models for binary data in circular spaces: an application to the US Supreme Court¶

作者: Rayleigh Lei, Abel Rodriguez
期刊/来源: Journal of the Royal Statistical Society Series C
分类: vol 73 · issue 4 · pp 1042-1064
相关性 3/10 · novelty: application
摘要: 本文提出一种用于二元数据的动态因子模型，其潜在空间为圆环（circular space），而非传统的线性空间。该模型旨在捕捉多法官法院中意识形态看似对立的法官却在大量判决中共同投票的现象。模型采用贝叶斯框架，通过马尔可夫链蒙特卡洛（MCMC）进行推断。作者将模型应用于1937年至2021年美国最高法院的非一致判决数据，发现圆环潜在空间比线性空间能更好地描述多数时期的投票模式。该工作主要贡献在于提出了一种新的潜在空间几何结构，以解释传统线性模型无法拟合的投票行为。对您而言，这是一篇应用导向的论文，其统计方法（动态因子模型、贝叶斯推断）与您的主要兴趣方向（因果推断、高维统计）关联较弱，但可作为了解政治学中统计建模应用的入门读物。
关键技术: dynamic factor model, circular latent space, Bayesian inference, MCMC
为什么对您有用: 本文属于应用统计（政治学）范畴，与您的主要兴趣方向（因果推断、高维统计、U-统计量等）无直接技术重叠。作为一篇应用论文，其方法学新颖性有限（novelty_flag: application），但展示了统计模型在社会科学数据中的灵活运用。您的武器库（非参数统计、M估计）可用来评估其模型假设的稳健性，但核心的贝叶斯推断框架并非您的专长。因此，本文暂不可做，但可作为了解政治学中统计建模的入门阅读。

作者: Longshen Xie, Hui Lu
期刊/来源: Journal of the Royal Statistical Society Series C
机构: Shanghai Jiao Tong University
分类: vol 73 · issue 4 · pp 935-954
相关性 3/10 · novelty: minor
摘要: 本文针对临床试验中时间-事件终点（time-to-event endpoint）的样本量重估问题，提出了一种双终点期望最大化（bi-endpoint EM）算法。在盲态条件下，传统EM算法可能因删失或初始估计不可靠而导致估计不一致。新方法在EM迭代中同时利用时间-事件终点和另一个终点（可以是任意类型，不限于疗效指标），并给出了两种初始估计选择策略。应用条件为：至少一个终点的初始估计可靠，且该终点对潜变量后验分布的影响大于另一个终点。模拟和实例表明，该方法在满足条件时能有效改善样本量重估的准确性。该论文主要面向临床试验设计，与您的主要研究兴趣（因果推断、高维统计、U统计量等）和方法论工具（非参数统计、最小最大界等）无直接关联。
关键技术: EM algorithm, sample size re-estimation, time-to-event endpoint, blinded data
为什么对您有用: 该论文属于临床试验方法学，与您的主要研究兴趣（因果推断、高维统计、U统计量等）和技术武器库（非参数统计、最小最大界、高阶U统计量计算等）均无直接连接。作为流行病学应用，它涉及生存终点和盲态数据下的估计问题，但方法学新颖性有限（主要是EM算法的变体），且未使用您熟悉的因果推断或半参数效率理论。暂不可做——核心机器不在武器库中，且方向偏离主要兴趣。

9. 10.1093/jrsssc/qlae014 · arXiv — Bayesian modelling of effective and functional brain connectivity using hierarchical vector autoregressions¶

作者: Bertil Wegmann, Anders Lundquist, Anders Eklund, Mattias Villani
期刊/来源: Journal of the Royal Statistical Society Series C
分类: vol 73 · issue 4 · pp 835-856
相关性 3/10 · novelty: application
摘要: 本文提出一种贝叶斯分层向量自回归（VAR）模型，用于同时建模静息态功能磁共振成像（rs-fMRI）中的有效连接（effective connectivity）和功能连接（functional connectivity）。模型通过分层结构允许组级和个体级推断，并采用解析边际化结合哈密顿蒙特卡洛（HMC）实现高效后验采样。在模拟和真实数据上，该模型在功能连接推断上优于具有更严格协方差结构的模型，而在有效连接推断上与常见模型表现相当。Stan 实现已开源。本文属于应用统计方法论文，方法学新颖性有限（主要为贝叶斯建模与计算技巧的组合），但提供了完整的 fMRI 数据分析流程。对您而言，本文与您的主要兴趣（因果推断、高维统计、效率理论等）无直接技术重叠，但可作为流行病学或神经科学应用领域的入门阅读，了解贝叶斯 VAR 在纵向数据建模中的使用。
关键技术: Bayesian hierarchical VAR, Hamiltonian Monte Carlo, resting-state fMRI, effective connectivity, functional connectivity
为什么对您有用: 本文属于流行病学/神经科学应用领域，与您的 secondary interest 中的 epidemiology 方向有弱连接。作为应用论文，它展示了贝叶斯分层模型在纵向脑成像数据上的完整分析流程，但方法学核心（贝叶斯 VAR + HMC）不在您的技术武器库中（您熟悉的是非参/高维/因果推断工具），因此属于暂不可做范畴——除非您有意进入贝叶斯纵向建模方向，否则不值得花时间精读全文。

10. 10.1093/jrsssc/qlae015 · arXiv — Population-level task-evoked functional connectivity via Fourier analysis¶

作者: Kun Meng, Ani Eloyan
期刊/来源: Journal of the Royal Statistical Society Series C
分类: vol 73 · issue 4 · pp 857-879
相关性 3/10 · novelty: application
摘要: 本文针对任务态功能磁共振成像（task-fMRI）数据，提出了一种群体水平任务诱发功能连接（ptFC）的严格定义。该定义在任务-fMRI 的背景下具有可解释性，旨在捕捉任务刺激引起的脑区之间关联的变化。作者利用傅里叶分析构建了 ptFC 的估计量，并给出了相应的算法。通过模拟研究，将所提算法与现有的功能连接框架进行了比较，展示了其性能。最后，将该算法应用于人类连接组项目（HCP）的运动任务研究数据，估计了实际的 ptFC。本文的方法论贡献在于为任务-fMRI 的功能连接分析提供了一个有明确群体水平解释的框架，但并未涉及因果推断或高维统计等核心兴趣方向。
关键技术: Fourier analysis, functional magnetic resonance imaging (fMRI), task-evoked functional connectivity, population-level inference
为什么对您有用: 本文属于应用统计方法在神经影像学中的工作，与您的主要兴趣（因果推断、高维统计、半参数理论等）和方法论核心（U-统计量、效率理论）无直接关联。它既不是您主要兴趣方向的方法学进展，也不是您次要兴趣（如流行病学、经济学）中具有可迁移分析模式的严谨应用工作。因此，本文对您而言相关性较低，不值得投入时间精读。

Maintained by 陈星宇 · Homepage · Source on GitHub