JRSS-C — Vol 73 Issue 5 · 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 15 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 5共14篇论文，整体上呈现出两条主线：一是因果推断与流行病学中的相依数据建模，二是应用导向的统计方法开发，覆盖了生存分析、测量误差、变量选择、时空建模、贝叶斯非参数等多个方向。因果推断主线集中在流行病学应用，涉及联合建模、两阶段设计和网络荟萃分析；方法开发主线则分散在函数回归、交互建模、状态空间模型、干旱预测、心理测量、地震点过程、巨灾债券估值、可穿戴设备识别等领域。此外，还有一篇关于级联故障的论文，与因果推断中的触发-传播结构相关。

在因果推断与流行病学主线中，最突出的主题是处理相依结局和时变协变量。例如，“Joint modelling of survival and backwards recurrence outcomes”针对生育治疗与妊娠时间的相互依赖，引入边际AFT模型和向后复发生存方法，解决了双重期望计算难题。“Two-phase biomarker studies for disease progression with multiple registries”则聚焦多中心登记数据中昂贵生物标志物的缺失问题，通过极大似然和逆概率加权设计，处理了各登记处异质性招募方案。“Non-parametric Bayesian approach to multiple treatment comparisons in network meta-analysis”利用狄利克雷过程允许疗效并列，改善了多治疗排序的可解释性。此外，“Estimating spatially varying health effects of wildland fire smoke using mobile health data”采用结构嵌套均值模型和地理核加权，估计时空异质性的因果效应，并具备双稳健性质，是纵向因果推断与空间统计的结合。另一篇“Learning local cascading failure pattern from massive network failure data”通过多元点过程回归区分原发性与级联故障，其“触发-传播”结构与因果推断中的中介分析有技术共鸣。

在方法开发主线中，半参数与自适应建模是另一亮点。“A semi-parametric maximum-likelihood analysis of measurement error in population size estimation”将非参数测量误差模型引入捕获-再捕获框架，通过EM算法实现总体规模估计。“An adaptive functional regression framework for locally heterogeneous signals in spectroscopy”通过惩罚样条和自适应光滑参数处理光谱数据的局部异质性。“Variable importance based interaction modelling with an application on initial spread of COVID-19 in China”基于变量重要性排序筛选交互项，适用于高维混合类型数据。“A state-space perspective on modelling and inference for online skill rating”系统梳理了技能评分的状态空间框架，并引入序贯蒙特卡洛等计算工具。“Spatio-temporal forecasting for the US Drought Monitor”采用贝叶斯有序层次模型处理面元干旱数据，避免稠密矩阵求逆。“A fractional Hawkes process model for earthquake aftershock sequences”将分数阶Hawkes过程扩展为标记点过程，利用震级信息描述余震衰减。“A Bayesian valuation framework for catastrophe bonds”通过贝叶斯MCMC量化巨灾事件和利率双重不确定性。“Walking fingerprinting”从加速度计数据预测个体身份，结合机器学习与推断方法筛选预测性网格单元。“A novel CFA + EFA model to detect aberrant respondents”通过因子混合模型区分正常与异常受访者，属于心理测量学应用。

对于因果推断方向的研究者，建议优先阅读“Estimating spatially varying health effects of wildland fire smoke using mobile health data”（时空异质性因果效应与双稳健估计）和“Learning local cascading failure pattern from massive network failure data”（触发-传播结构建模）。对于半参数效率方向，可关注“A semi-parametric maximum-likelihood analysis of measurement error in population size estimation”（测量误差与半参数似然）和“Joint modelling of survival and backwards recurrence outcomes”（相依生存结局与AFT模型）。对于高维方向，“Variable importance based interaction modelling with an application on initial spread of COVID-19 in China”（变量重要性交互选择）和“Walking fingerprinting”（高维预测变量筛选与多重比较控制）值得一看。

因果推断 (causal_inference, 2 篇)¶

1. 10.1093/jrsssc/qlae034 · arXiv — Estimating spatially varying health effects of wildland fire smoke using mobile health data¶

作者: Lili Wu, Chenyin Gao, Shu Yang, Brian J Reich, Ana G Rappold
期刊/来源: Journal of the Royal Statistical Society Series C
机构: North Carolina State University · Research Triangle Park Foundation
分类: vol 73 · issue 5 · pp 1242-1261
相关性 6/10 · novelty: new_method
摘要: 本文针对野火烟雾暴露对健康影响的时空异质性效应估计问题，提出了一种基于结构嵌套均值模型（SNMM）的双稳健估计方法。研究背景是 Smoke Sense 公民科学项目通过智能手机应用收集的纵向健康数据，其中包含个体自我报告的症状和防护行为。方法核心是采用地理核加权的局部估计方程，允许处理效应随空间和时间平滑变化，同时通过逆概率加权处理信息缺失。估计量具有双稳健性质：只要结果回归模型或缺失倾向得分模型之一正确指定，即可得到一致估计。模拟研究验证了方法在有限样本下的良好表现，实际数据分析发现防护行为在美国西南部比西北部对减轻健康症状有更显著的效果。该方法对您可能有用：它展示了在纵向因果推断中结合空间核加权与双稳健估计的框架，可直接迁移到您关注的流行病学队列研究或环境健康应用中的时空效应估计问题。
关键技术: doubly robust estimation, structural nested mean model, geographical kernel weighting, inverse probability weighting, local estimating equations
为什么对您有用: 本文直接连接您的 primary interest 中的因果推断（纵向、时空效应）和 secondary interest 中的流行病学应用。技术层面，您可以用 very_familiar 的非参数统计和因果推断估计理论来理解其双稳健估计的渐近性质，并进一步用 moderately_familiar 的识别理论分析其时空异质性假设的可检验性。中期可做：若想将本文的局部加权框架推广到更一般的 semiparametric 效率理论（如推导最优核带宽下的效率界），需先在 moderately_familiar 的 semiparametric theory 上长肌肉。

2. 10.1093/jrsssc/qlae030 — Learning local cascading failure pattern from massive network failure data¶

作者: Xun Xiao, Zhisheng Ye, Matthew Revie
期刊/来源: Journal of the Royal Statistical Society Series C
机构: University of Otago · National University of Singapore · Singapore Management University · University of Strathclyde
分类: vol 73 · issue 5 · pp 1155-1184
相关性 4/10 · novelty: application
摘要: 本文针对大规模物理分布式网络基础设施（如供水管道）提出了一种新颖的多元点过程回归模型，区分两种故障模式：由长期退化导致的原发性故障，以及由原发性故障在短时间内触发的级联故障。由于数据中两种模式不可直接观测，模型引入一个级联故障时间窗口，将似然分解为原发性故障部分和受原发性故障过程调制的级联故障部分。窗口长度作为调优参数，通过最大化全数据似然确定。基于英国水务公司的大规模现场管道故障数据，两个案例研究验证了模型有效性，并识别出级联故障的有趣特征。该方法本质上是因果推断中“触发-传播”结构的统计建模，与您对纵向因果推断和中介分析的兴趣直接相关。
关键技术: multivariate point process regression, cascading failure modeling, likelihood decomposition, tuning parameter selection
为什么对您有用: 本文属于流行病学/基础设施可靠性领域的应用因果推断工作，直接连接到您的secondary interest中的流行病学（应用因果工作）。模型中的“原发性故障→级联故障”结构可视为一种因果链，与您very_familiar的因果推断估计理论（如逆概率加权、g-formula）有潜在联系，但核心工具是点过程似然分解而非您熟悉的非参数统计或U-statistics。属于暂不可做方向：核心机器（点过程建模与调参）不在您的武器库中，但可作为入门读物了解级联故障的统计建模思路。

流行病学 (epidemiology, 3 篇)¶

1. 10.1093/jrsssc/qlae039 — Joint modelling of survival and backwards recurrence outcomes: an analysis of factors associated with fertility treatment in the U.S.¶

作者: Siyuan Guo, Jiajia Zhang, Alexander C McLain
期刊/来源: Journal of the Royal Statistical Society Series C
机构: University of South Carolina
分类: vol 73 · issue 5 · pp 1355-1369
相关性 7/10 · novelty: application
摘要: 本文针对横截面调查中同时存在时间-至-生育治疗（TTFT）与时间-至-妊娠（TTP）的相依性问题，提出联合建模方法。核心挑战在于TTP与TTFT相互依赖，且生育治疗作为时变协变量影响TTP。作者在TTP模型中引入边际加速失效时间（AFT）模型来识别TTFT的风险因素，并扩展了向后复发生存方法以处理时变协变量和时变系数。为解决当TTFT被删失时生育治疗未观测导致的双重期望计算困难，推导了TTP与TTFT双重期望的计算友好形式。通过模拟研究验证了方法的性能，并应用于美国国家家庭增长调查（NSFG）数据，分析了与延长TTFT相关的因素。该方法为流行病学中处理相依生存结局和时变协变量提供了实用工具，尤其适用于横截面设计下的生育力研究。
关键技术: accelerated failure time model, backwards recurrence survival, time-varying covariates, double expectation, joint modelling
为什么对您有用: 本文属于流行病学应用，直接关联您的secondary interest中的流行病学数据集和因果推断方法。技术层面，您武器库中的非参数统计和M估计理论可用于分析其AFT模型的识别假设和估计效率；但核心的向后复发生存方法您不熟悉，属于暂不可做方向，需先补充生存分析中的复发时间建模文献。作为流行病学入门读物，本文清晰展示了横截面数据中相依生存结局的建模框架，值得花时间阅读全文以了解实际数据分析流程。

2. 10.1093/jrsssc/qlae028 — Two-phase biomarker studies for disease progression with multiple registries¶

作者: Fangya Mao, Richard J Cook
期刊/来源: Journal of the Royal Statistical Society Series C
机构: University of Waterloo
分类: vol 73 · issue 5 · pp 1111-1133
相关性 7/10 · novelty: application
摘要: 本文针对多中心登记数据中昂贵生物标志物与疾病进展关联的两阶段研究，提出设计和分析方法。第一阶段数据来自多个登记处，具有不同的结局依赖招募方案；第二阶段通过子抽样测量生物标志物，存在缺失协变量问题。作者采用极大似然和逆概率加权两种方法处理缺失数据：在似然框架下，推导了一类基于残差的第二阶段子抽样设计，该设计考虑了各登记处的第一阶段抽样计划；在IPW框架下，推导并评估了近似Neyman分配的最优分层设计。模拟研究和实际数据分析表明，所提设计在有限样本下优于简单随机抽样和标准分层抽样。本文对您可能有用：它提供了多源异质性队列中昂贵协变量缺失的实用分析框架，与您在流行病学应用方向（特别是纵向数据与因果推断）有直接联系。
关键技术: two-phase design, inverse probability weighting, residual-dependent sampling, Neyman allocation, observed data likelihood
为什么对您有用: 本文属于流行病学应用方向，处理多中心登记数据中昂贵协变量缺失的问题，与您的secondary interest（流行病学数据集与因果推断应用）直接相关。您的武器库中'非参数统计'和'因果推断中的估计理论'可用于评估其IPW权重估计的稳健性，'M估计理论'可用于分析其似然框架的渐近性质。本文是中期可做的入门读物——您需要先在moderately_familiar的'识别理论'上熟悉多源异质性数据的处理，但核心方法（IPW与似然）已在very_familiar范围内，值得花时间读全文以获取实际数据分析模式。

3. 10.1093/jrsssc/qlae038 — Non-parametric Bayesian approach to multiple treatment comparisons in network meta-analysis with application to comparisons of anti-depressants¶

作者: Andrés F Barrientos, Garritt L Page, Lifeng Lin
期刊/来源: Journal of the Royal Statistical Society Series C
机构: Florida State University · Brigham Young University · University of Arizona
分类: vol 73 · issue 5 · pp 1333-1354
相关性 6/10 · novelty: application
摘要: 本文针对网络荟萃分析（NMA）中多治疗比较的排序问题，提出了一种贝叶斯非参数方法。传统NMA排序常伴随高不确定性、多重比较问题，且不允许疗效相近的治疗出现并列。作者通过引入贝叶斯非参数先验（如狄利克雷过程）的聚类机制，使得两个治疗效果相等的后验概率为正，从而在排序中自然允许并列，并产生更保守的排序结果以应对高阶不确定性。方法核心在于利用非参数先验诱导的聚类结构，自动将疗效无显著差异的治疗归为一组，同时通过后验推断给出各治疗组的排序。数值实验和抗抑郁药网络荟萃分析展示了该方法在改善排序可解释性和处理多重比较方面的优势。对您而言，本文是流行病学中应用贝叶斯非参数方法的典型案例，其处理多治疗比较的框架可迁移至因果推断中的多重处理效应比较问题。
关键技术: Bayesian nonparametric prior, Dirichlet process clustering, network meta-analysis, multiple treatment comparison, posterior inference for ranking
为什么对您有用: 本文属于流行病学领域的应用工作，直接对应您的secondary interest。方法上使用了贝叶斯非参数聚类，与您武器库中的非参数统计和M估计理论有交集，但核心机器（狄利克雷过程先验及其后验计算）不在您的very_familiar或moderately_familiar列表中，属于暂不可做方向。不过，本文作为流行病学中处理多治疗比较的入门读物，清晰展示了数据结构和模型假设，值得花时间阅读全文以了解该领域的问题设定和分析模式。

其他 (other, 9 篇)¶

1. 10.1093/jrsssc/qlae037 — A semi-parametric maximum-likelihood analysis of measurement error in population size estimation¶

作者: Pierfrancesco Alaimo Di Loro, Antonello Maruotti
期刊/来源: Journal of the Royal Statistical Society Series C
机构: Libera Università Maria SS. Assunta
分类: vol 73 · issue 5 · pp 1310-1332
相关性 6/10 · novelty: application
摘要: 本文针对捕获-再捕获（CR）研究中协变量存在测量误差的问题，提出了一种半参数极大似然分析方法。目标是在重复计数设定下，对总体规模进行无偏估计。方法核心是引入一个非参数测量误差模型，并通过EM型算法进行参数估计，最终使用Horvitz-Thompson估计量得到总体规模的点估计。模拟实验覆盖了不同可靠程度的测量误差场景，验证了方法的有效性。在基准数据集上的应用表明，该方法能提供更准确的点估计和更稳健的不确定性量化。本文的方法学贡献在于将测量误差模型与CR研究的经典框架结合，但整体属于应用导向的方法开发，理论深度有限。对于您而言，本文与您的因果推断（测量误差是因果推断中的常见问题）和流行病学（CR是流行病学中估计隐藏人群规模的经典方法）的次要兴趣有直接关联，但方法学新颖性一般。
关键技术: capture-recapture, measurement error model, EM algorithm, Horvitz-Thompson estimator, nonparametric modeling
为什么对您有用: 本文涉及测量误差下的统计推断，与您因果推断兴趣中的敏感性问题相关。方法上使用了EM算法和非参数建模，属于您非常熟悉的非参数统计和估计理论范畴，但核心问题（CR中的测量误差）并非您的主要研究方向。本文可作为流行病学应用方向的入门阅读，但方法学贡献不足以进入深度阅读列表。

2. 10.1093/jrsssc/qlae040 — An adaptive functional regression framework for locally heterogeneous signals in spectroscopy¶

作者: Federico Ferraccioli, Alessandro Casa, Marco Stefanucci
期刊/来源: Journal of the Royal Statistical Society Series C
机构: University of Padua · University of Bergamo · University of Rome Tor Vergata
分类: vol 73 · issue 5 · pp 1370-1388
相关性 5/10 · novelty: application
摘要: 本文针对中红外（MIR）光谱数据中信号局部异质性的问题，提出了一种自适应函数回归框架。该框架允许回归系数在不同波长区间具有不同的光滑度，通过惩罚样条和自适应光滑参数选择实现灵活估计。优化过程可处理高斯和非高斯响应，并允许纳入标量协变量。方法应用于预测牛奶成分和奶牛日粮类型，展示了优越的预测性能。推断程序增强了结果的可解释性，揭示了特定波数与牛奶特性之间的关系。该工作主要贡献在于提出了一种适应光谱数据局部特征的函数回归方法，属于应用统计方法开发。
关键技术: adaptive functional regression, penalized splines, smoothness adaptation, mid-infrared spectroscopy
为什么对您有用: 本文属于统计方法在食品科学中的应用，与您的主要兴趣（因果推断、高维统计等）无直接关联。作为gateway reading，它展示了函数数据分析在光谱数据中的实际应用，但方法学新颖性有限。武器库中的非参数统计和软件工具可用于复现或扩展其方法，但核心问题（局部光滑度自适应）并非您当前研究重点。暂不可做：缺乏与您核心兴趣的直接连接，不值得投入时间深入阅读。

3. 10.1093/jrsssc/qlae029 · arXiv — Variable importance based interaction modelling with an application on initial spread of COVID-19 in China¶

作者: Jianqiang Zhang, Ze Chen, Yuhong Yang, Wangli Xu
期刊/来源: Journal of the Royal Statistical Society Series C
分类: vol 73 · issue 5 · pp 1134-1154
相关性 5/10 · novelty: application
摘要: 本文针对线性回归中的交互项选择问题，提出了一种基于变量重要性的交互建模（VIBIM）方法。该方法适用于同时包含连续型和分类型预测变量的高维数据，通过计算每个主效应变量的重要性得分来筛选潜在的交互项，从而避免传统方法在稳定性上的不足。VIBIM 不追求单一最优模型，而是通过变量重要性排序构建多个候选模型，再基于交叉验证或信息准则选择最终模型。在 COVID-19 初期传播数据的应用中，VIBIM 在可解释性、稳定性、可靠性和预测性能上均优于现有方法。该方法的核心是变量重要性度量（如随机森林的变量重要性或 LASSO 的系数路径），而非新的统计推断理论。对您而言，本文属于应用导向的变量选择方法，与您的主要兴趣（因果推断、高维统计、半参理论）关联较弱，但若您关注高维线性模型中的交互项识别，可作为入门参考。
关键技术: variable importance measure, interaction selection, linear regression, high-dimensional data, categorical predictors
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）直接关联较弱。它不涉及因果识别、效率理论或高阶 U 统计量，也未提供新的理论界或推断方法。作为流行病学应用（COVID-19 数据），它展示了交互项选择在真实数据中的操作流程，但方法学 novelty 有限。武器库中 '非参数统计' 或 '高维渐近' 可帮助理解其变量重要性度量的性质，但本文不提供新的理论挑战。暂不可做：核心机器不在武器库里（缺乏变量重要性选择的理论分析工具）。

4. 10.1093/jrsssc/qlae035 · arXiv — A state-space perspective on modelling and inference for online skill rating¶

作者: Samuel Duffield, Samuel Power, Lorenzo Rimella
期刊/来源: Journal of the Royal Statistical Society Series C
机构: Lancaster University · University of Turin · University of Bristol
分类: vol 73 · issue 5 · pp 1262-1282
相关性 4/10 · novelty: survey
摘要: 本文从状态空间模型视角系统梳理了在线技能评分（如 Elo、Glicko、TrueSkill）的建模与推断框架。将选手技能视为时变潜变量，比赛结果视为观测值，统一了滤波、平滑和参数估计三阶段推断范式。核心贡献在于引入序贯蒙特卡洛和离散隐马尔可夫模型作为替代推断工具，并讨论了大规模选手与比赛场景下的计算近似策略（如分治、变分近似）。实验部分通过可复现的 Python 包 abile 在真实体育数据集上比较了各方法的预测准确性与计算效率。对您而言，本文是统计计算与状态空间建模在应用领域的优秀入门读物，但方法学新颖性有限，主要价值在于系统梳理与开源实现。
关键技术: state-space model, sequential Monte Carlo, hidden Markov model, Kalman filter, variational approximation
为什么对您有用: 本文属于 gateway-reading 范畴，适合作为统计计算与状态空间模型在体育评分应用中的入门读物。武器库中的 'software development' 和 'nonparametric statistics' 足以支撑理解其推断框架，但核心方法（SMC、HMM）并非当前主攻方向。值得花时间读全文以了解应用场景与开源工具，但无需深入跟进方法学细节。

5. 10.1093/jrsssc/qlae032 — Spatio-temporal forecasting for the US Drought Monitor¶

作者: Robert Erhardt, Staci Hepler, Daniel Wolodkin, Andy Greene
期刊/来源: Journal of the Royal Statistical Society Series C
机构: Wake Forest University
分类: vol 73 · issue 5 · pp 1203-1220
相关性 4/10 · novelty: application
摘要: 本文针对美国干旱监测图（US Drought Monitor）的时空预测问题，提出一个贝叶斯时空有序层次模型。该模型将干旱数据视为面元（areal）而非点参考数据，从而避免稠密矩阵求逆，降低后验采样的计算成本。模型包含空间随机效应和自回归结构，以捕捉时空依赖性并确保预测的平滑性。后验预测分布可生成未来干旱等级的直接预测，并传播所有不确定性来源。与现有仅提供干旱发展方向（恶化、持续、缓解）的预测不同，该方法能输出具体干旱等级及其不确定性。模型具有灵活性、可扩展性和可解释性。对您而言，这是一篇应用导向的论文，展示了贝叶斯时空模型在有序分类数据上的实际应用，但其方法论贡献（有序层次模型、面元数据计算策略）与您的主要兴趣方向（如非参数统计、统计计算）关联较弱。
关键技术: Bayesian spatio-temporal model, ordinal hierarchical model, areal data, posterior predictive distribution, autoregressive model
为什么对您有用: 本文属于应用统计（环境科学）范畴，与您的主要兴趣方向（因果推断、高维统计、U-统计量等）无直接关联。作为gateway reading，它清晰展示了有序分类时空数据的建模框架和计算策略，但问题本身对统计方法论的创新需求有限。您的武器库（非参数统计、高维渐近）可评估其模型假设的合理性，但缺乏直接可攻的问题口子。暂不可做——核心机器（贝叶斯时空有序模型、面元数据计算）不在您的武器库中，且该领域与您的长期研究方向交集有限。

6. 10.1093/jrsssc/qlae036 · arXiv — A novel CFA + EFA model to detect aberrant respondents¶

作者: Niccolò Cao, Livio Finos, Luigi Lombardi, Antonio Calcagnì
期刊/来源: Journal of the Royal Statistical Society Series C
机构: University of Bologna · University of Padua · University of Trento
分类: vol 73 · issue 5 · pp 1283-1309
相关性 3/10 · novelty: application
摘要: 本文提出一种结合验证性因子分析（CFA）与探索性因子分析（EFA）的因子混合模型（FMM），用于检测社会调查或问卷中的异常受访者（如虚假作答或随意作答）。模型将非异常与异常受访者分别建模：非异常组使用CFA结构，异常组使用EFA结构，从而灵活捕捉两种最常见的异常作答风格。通过两个模拟实验和两个案例研究验证了模型的有效性，结果表明该模型在识别异常响应方面表现良好。该方法属于心理测量学与调查方法论的交叉领域，主要贡献在于分类模型的灵活性。对您而言，该论文与您的主要研究方向（因果推断、高维统计等）关联较弱，但若您未来涉足调查数据中的测量误差或响应偏差问题，其因子混合建模思路可能提供参考。
关键技术: factor mixture model, confirmatory factor analysis, exploratory factor analysis, aberrant response detection
为什么对您有用: 该论文属于心理测量学应用，与您的主要兴趣（因果推断、高维统计、半参理论）无直接交集。武器库中无直接可攻工具，暂不可做。若您未来关注调查数据中的测量误差或响应偏差对因果估计的影响，可作为背景阅读，但当前优先级低。

7. 10.1093/jrsssc/qlae031 — A fractional Hawkes process model for earthquake aftershock sequences¶

作者: Louis Davis, Boris Baeumer, Ting Wang
期刊/来源: Journal of the Royal Statistical Society Series C
机构: University of Otago
分类: vol 73 · issue 5 · pp 1185-1202
相关性 3/10 · novelty: application
摘要: 本文提出了一种新的地震余震序列模型——地震分数阶Hawkes过程（SFHP）。该模型在分数阶Hawkes过程（FHP）基础上，通过引入Utsu余震生产力定律和分数阶Zener模型的时间缩放参数，将未标记的点过程扩展为标记点过程，使其能够利用地震震级信息。模型采用Mittag-Leffler密度作为核函数，其渐近幂律行为与Omori-Utsu定律一致，适合描述余震衰减。参数通过最大似然估计，模拟研究支持估计的一致性和渐近正态性。在加州南部和新西兰的四个余震序列上，SFHP与流行病型余震序列（ETAS）模型和FHP模型进行了比较。虽然回顾性预测性能实验未显示SFHP显著更优，但在信息准则和残差诊断方面，尤其在余震聚集性较强时，SFHP表现更佳。本文属于应用统计建模工作，方法学新颖性有限，主要贡献在于将分数阶过程与地震学经验定律结合。
关键技术: Hawkes process, Mittag-Leffler density, Omori-Utsu law, maximum likelihood estimation, marked point process
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、高维统计等）无直接关联。作为gateway reading，本文对地震学背景的统计学家较为友好，清晰阐述了数据结构和模型假设，但未涉及您武器库中的核心工具（如U-统计量、半参效率理论）。暂不可做：核心机器不在武器库里，且方向偏离主要兴趣。

8. 10.1093/jrsssc/qlae041 — A Bayesian valuation framework for catastrophe bonds¶

作者: Dixon Domfeh, Arpita Chatterjee, Matthew Dixon
期刊/来源: Journal of the Royal Statistical Society Series C
机构: Georgia Institute of Technology · Georgia Southern University · Illinois Institute of Technology
分类: vol 73 · issue 5 · pp 1389-1410
相关性 2/10 · novelty: application
摘要: 本文针对巨灾债券市场的不完全性，提出一个贝叶斯估值框架。核心挑战在于巨灾事件和利率的双重不确定性，传统定价方法难以灵活且统计可靠地处理。作者通过贝叶斯方法量化这两种不确定性，从而估计巨灾债券的公允价格和预期风险溢价。模型利用马尔可夫链蒙特卡洛（MCMC）进行后验推断，并针对不同巨灾风险特征的债券进行实证分析。主要贡献在于提供了一个统计上严谨的定价工具，填补了关于巨灾债券预期风险溢价的实证空白。该工作属于应用统计在金融保险领域的交叉，方法学上以贝叶斯建模和MCMC计算为核心。对您而言，本文与您的主要研究兴趣（因果推断、高维统计等）无直接技术关联，且未涉及您武器库中的具体工具（如U统计量、半参效率理论等）。
关键技术: Bayesian inference, Markov chain Monte Carlo (MCMC), catastrophe bond pricing, uncertainty quantification
为什么对您有用: 本文属于金融保险领域的应用统计工作，与您的主要研究兴趣（因果推断、高维统计、半参理论等）无直接技术重叠。文中使用的贝叶斯方法和MCMC计算不在您的技术武器库核心范围内，且未涉及您熟悉的非参统计、极小极大界或U统计量等工具。因此，本文对您而言暂不可做，缺乏直接的方法学迁移点或可攻克的后续问题。

9. 10.1093/jrsssc/qlae033 · arXiv — Walking fingerprinting¶

作者: Lily Koffman, Ciprian Crainiceanu, Andrew Leroux
期刊/来源: Journal of the Royal Statistical Society Series C
机构: Johns Hopkins University · Colorado School of Public Health
分类: vol 73 · issue 5 · pp 1221-1241
相关性 2/10 · novelty: application
摘要: 本文研究从加速度计数据中预测个体身份的问题，具体利用行走时的加速度时间序列。作者将加速度及其滞后值的联合分布转化为图像，并基于网格划分提取预测变量。方法贡献包括：(1) 应用机器学习方法（如随机森林、梯度提升）进行预测；(2) 开发推断方法筛选最具预测性的网格单元，同时控制多重比较和相关性；(3) 提出一种新的多元函数回归模型，避免对预测空间进行离散化。在两个公开数据集上比较了预测性能：32人行走1.06 km的研究中所有方法均达到至少95%的rank-1准确率；153人行走20 m重复6次的研究中准确率在41%到98%之间，取决于方法和预测任务。本文属于应用统计方法在可穿戴设备数据上的实证研究，方法学新颖性有限（novelty_flag: application）。对您而言，这是一篇流行病学或数字健康领域的应用案例，展示了加速度计数据的分析流程，但核心统计工具（函数回归、多重比较调整）与您的主要兴趣方向（因果推断、高维统计）关联较弱。
关键技术: functional regression, multiple testing correction, grid-based feature extraction, accelerometry data analysis
为什么对您有用: 本文属于流行病学/数字健康领域的应用论文，展示了加速度计数据的预测建模流程。您的武器库中'非参数统计'和'高维渐近'可用于理解其函数回归模型的理论性质，但核心问题（个体身份预测）与您的因果推断、高维统计等主要兴趣方向距离较远。作为gateway reading，本文对流行病学数据结构和分析流程有清晰展示，但方法学深度有限，暂不可做——缺乏与您核心工具的明确连接点。

Maintained by 陈星宇 · Homepage · Source on GitHub