跳转至

JASA — Vol 119 Issue 545 · 2026-07-05

  • 共 8 篇 · Journal of the American Statistical Association
  • 目录核对 ⚠️ 疑似漏 57 篇（对照 OpenAlex 65 篇）：10.1080/01621459.2022.2131557、10.1080/01621459.2022.2116331、10.1080/01621459.2022.2144737、10.1080/01621459.2022.2126782、10.1080/01621459.2022.2123814 等

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JASA Vol 119 Issue 545的8篇论文中，有4篇是书评或编辑致谢，其余4篇为原创研究或综述。整体上，原创内容集中在两个方向：一是因果推断的教材与工具书评介（2篇书评），二是高维/结构化变量选择与空间贝叶斯建模（2篇原创论文）。此外，还有一篇关于推荐系统的综述和一篇关于Lévy过程的书评，与统计核心方法关联较弱。

在因果推断方向，两篇书评分别覆盖了匹配与加权调整的综合性手册（《Handbook of Matching and Weighting Adjustments for Causal Inference》）和以R实现为基础的因果推断入门教材（《Fundamentals of Causal Inference: With R》）。前者系统梳理了从倾向得分匹配到双重稳健估计、协变量平衡加权等现代方法，并讨论了有限样本表现与交叉拟合技巧；后者则聚焦于DAG、反事实、工具变量等核心概念及其R代码实现。这两篇书评本身不提出新方法，但为因果推断研究者提供了教学与快速查阅的参考资源。

在高维与结构化建模方向，两篇原创论文分别处理了不同领域的变量选择问题。《Operator-Induced Structural Variable Selection for Identifying Materials Genes》针对材料信息学中由代数算子组合生成的超高维候选变量空间，提出基于BART的迭代非参数变量选择方法，利用算子诱导结构的几何特性绕过传统线性模型瓶颈，在计算速度和精度上显著优于现有方法。《Bayesian Lesion Estimation with a Structured Spike-and-Slab Prior》则面向脑白质病变的二元图像数据，提出可扩展的空间贝叶斯模型（BLESS），通过连续spike-and-slab先验和空间依赖性控制稀疏性，并采用均值场变分推断结合动态后验探索处理大规模样本（如UK Biobank的40,000名受试者），同时利用贝叶斯bootstrap纠正变分推断的后验方差低估。

对于因果推断方向的研究者，两篇书评（《Handbook of Matching and Weighting Adjustments for Causal Inference》和《Fundamentals of Causal Inference: With R》）适合作为教学或快速查阅的参考；对于高维统计或贝叶斯建模方向，两篇原创论文（《Operator-Induced Structural Variable Selection for Identifying Materials Genes》和《Bayesian Lesion Estimation with a Structured Spike-and-Slab Prior》）分别展示了在超高维变量选择和空间贝叶斯推断上的方法创新。

因果推断 (causal_inference, 2 篇)

1. 10.1080/01621459.2023.2293811 — Handbook of Matching and Weighting Adjustments for Causal Inference

  • 作者: Raymond K. W. Wong
  • 期刊/来源: Journal of the American Statistical Association
  • 机构: Texas A&M University
  • 分类: vol 119 · issue 545 · pp 791-791
  • 相关性 7/10 · novelty: survey
  • 摘要: 这是一本关于因果推断中匹配与加权调整方法的综合性手册，系统梳理了从经典方法（如倾向得分匹配、逆概率加权）到现代发展（如双重稳健估计、协变量平衡加权）的理论与实操。核心贡献在于为观察性研究中混杂效应的调整提供了统一框架，涵盖了识别假设、估计量构造、方差估计及敏感性分析等关键环节。书中详细讨论了不同方法在有限样本下的表现、对模型误设的稳健性，以及如何通过交叉拟合等技巧提升估计效率。对于您关注的因果推断方向，本书是极佳的参考资源，尤其适合作为教学或快速查阅的工具书。
  • 关键技术: propensity score matching, inverse probability weighting, doubly robust estimation, covariate balancing, cross-fitting
  • 为什么对您有用: 本书直接对应您 primary interest 中的因果推断（匹配与加权是核心调整方法），且覆盖了从识别到估计的完整 pipeline。作为 handbook，它适合快速查阅具体方法的技术细节，但 novelty 有限，属于 survey 性质。若您需要为某个应用（如流行病学队列研究）选择调整方法，本书可提供系统性指导。

2. 10.1080/01621459.2023.2287599 — Fundamentals of Causal Inference: With R

  • 作者: Ting Ye
  • 期刊/来源: Journal of the American Statistical Association
  • 机构: University of Washington
  • 分类: vol 119 · issue 545 · pp 790-791
  • 相关性 7/10 · novelty: survey
  • 摘要: 这是一篇书评，评价了 Babette Brumback 所著的《Fundamentals of Causal Inference: With R》一书。该书为因果推断方法及其在 R 中的实现提供了优秀的入门介绍。书评作者 Ting Ye 认为该书写作清晰，包含大量实例。该书覆盖了因果推断的核心概念，如 DAG、反事实、倾向得分、工具变量等，并配有 R 代码。对于希望系统学习因果推断基础并掌握 R 实现的统计研究者来说，这是一本很好的教材。该书评本身没有提出新的方法或理论。
  • 关键技术: causal inference, R implementation, propensity score, instrumental variables, DAGs
  • 为什么对您有用: 这是一本因果推断的入门教材书评，与您的主要兴趣（因果推断）直接相关。该书可作为教学或快速入门参考，但本身不包含新方法。作为 gateway reading，它适合初学者，但您的武器库已远超其内容，因此不值得花时间精读全文。

数理统计 / 假设检验 (hypothesis_testing, 1 篇)

1. 10.1080/01621459.2023.2276742 — Martingale Methods in Statistics Martingale Methods in Statistics , Yoichi Nishiyama, Boca Raton, FL: Chapman & Hall/CRC Press, 2022, xiii + 245 pp., $120.00(H), ISBN: 978-1-466-58281-1.

  • 作者: Insuk Seo
  • 期刊/来源: Journal of the American Statistical Association
  • 机构: Seoul National University · National Institute for Mathematical Sciences
  • 分类: vol 119 · issue 545 · pp 787-789
  • 相关性 5/10 · novelty: survey
  • 摘要: 这是一篇书评，介绍Yoichi Nishiyama所著《Martingale Methods in Statistics》一书。该书系统介绍了鞅的数学基础，总结了鞅在统计学中可应用的理论与性质，并详细阐述了如何将这些理论应用于统计推断。书评指出，该书从鞅的基本概念出发，逐步深入到鞅差序列的极限定理、经验过程、以及基于鞅的假设检验方法等核心内容。书中特别强调了鞅方法在时间序列分析、生存分析和计量经济学等领域的应用价值。对于熟悉经典统计理论的读者而言，这是一本将鞅理论与统计实践有效衔接的入门级参考书。该书评本身不包含新的方法论贡献，但为统计学者提供了评估该教材是否适合自己研究方向的参考。对您而言，鞅方法是高维统计和因果推断中处理相依数据的重要工具，阅读该书可系统补强这一技术基础。
  • 关键技术: martingale difference sequences, martingale central limit theorem, empirical processes, hypothesis testing with dependent data
  • 为什么对您有用: 连接点：鞅方法是高维统计（随机矩阵理论中常涉及鞅差序列的收敛性）和因果推断（纵向数据中的序贯处理效应估计）的核心工具。武器库：您对'高维渐近理论'和'非参数统计'非常熟悉，鞅极限定理是这些领域处理相依数据的标准技术，属于'立即可做'的范畴——您可以直接将书中的鞅差CLT应用于您已有的高维推断或因果推断问题中。

其他 (other, 5 篇)

1. 10.1080/01621459.2023.2294527 · arXiv — Operator-Induced Structural Variable Selection for Identifying Materials Genes

  • 作者: Shengbin Ye, Thomas P. Senftle, Meng Li
  • 期刊/来源: Journal of the American Statistical Association
  • 机构: Rice University
  • 分类: vol 119 · issue 545 · pp 81-94
  • 相关性 4/10 · novelty: application
  • 摘要: 本文研究材料信息学中识别材料基因（即由初级特征通过代数算子组合而成的物理化学描述符）的变量选择问题。问题设定为具有算子诱导结构（OIS）的线性模型，但候选预测变量空间呈组合爆炸式增长，且样本量有限。核心方法是通过迭代非参数变量选择实现有效降维，具体采用基于贝叶斯加性回归树（BART）的变量选择模块，利用OIS的几何结构绕过传统高维线性模型的瓶颈。该方法在计算速度上比现有方法快数个数量级，且精度更高；在输入维度超出现有方法处理能力时仍表现稳健。数值实验和单原子催化数据分析表明，该方法能识别出解释金属-载体对结合能的高解释力物理描述符，为预防烧结问题和催化设计提供可解释的见解。本文主要贡献在于提出了一种针对特定结构（OIS）的高效变量选择框架，但方法学上更偏向应用导向的工程创新，而非统计理论的根本突破。
  • 关键技术: Bayesian Additive Regression Trees (BART), operator-induced structure (OIS), nonparametric variable selection, dimension reduction via geometry
  • 为什么对您有用: 本文属于材料信息学的应用，与您的主要兴趣（因果推断、高维统计、半参理论）无直接方法学连接。其核心工具BART和基于几何的降维策略不在您的技术武器库中（very_familiar和moderately_familiar均未覆盖），且问题设定（组合爆炸的算子空间）与您熟悉的统计推断框架差异较大。作为gateway reading，本文对统计学家而言入门门槛较低，但材料科学的背景知识要求较高，且统计方法学贡献有限，不值得花时间精读全文。

2. 10.1080/01621459.2023.2278201 · arXiv — Bayesian Lesion Estimation with a Structured Spike-and-Slab Prior

  • 作者: Anna Menacher, Thomas E. Nichols, Chris Holmes, Habib Ganjgahi
  • 期刊/来源: Journal of the American Statistical Association
  • 分类: vol 119 · issue 545 · pp 66-80
  • 相关性 3/10 · novelty: application
  • 摘要: 本文提出 BLESS（Bayesian Lesion Estimation with a Structured Spike-and-Slab Prior），一种可扩展的分层贝叶斯空间模型，用于分析脑白质病变的二元图像数据。模型在空间变化的参数上放置连续 spike-and-slab 混合先验，并通过控制包含概率稀疏性的参数施加空间依赖性。采用均值场变分推断结合动态后验探索（一种类似退火的优化策略）使方法能扩展到大规模样本（如 UK Biobank 的 40,000 名受试者）。为纠正变分推断对后验方差的低估，作者基于贝叶斯 bootstrap 思想和随机收缩目标提供了近似后验抽样方法。该方法不仅能提供准确的 uncertainty quantification，还能生成新颖的基于簇大小的影像统计量（如簇大小的可信区间和簇出现可靠性的度量）。模拟研究和 UK Biobank 应用验证了方法的有效性。对您而言，本文是贝叶斯空间建模与大规模影像数据分析的实用案例，但方法学核心（变分推断、spike-and-slab 先验）与您的主要兴趣方向（因果推断、高维统计、U-统计量）距离较远。
  • 关键技术: spike-and-slab prior, mean-field variational inference, Bayesian bootstrap, spatial modeling, dynamic posterior exploration
  • 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）无直接技术重叠。作为 gateway reading 价值有限：它不涉及您武器库中的核心工具（如 minimax 界、U-统计量计算、半参效率理论），且影像空间建模的设定与您的统计计算兴趣（tensor contraction / einsum）也无明显连接。暂不可做：核心机器（变分推断、空间先验设计）不在您的武器库中，且缺乏可迁移至您研究问题的直接入口。

3. 10.1080/01621459.2023.2279695 · arXiv — Recommender Systems: A Review

  • 作者: Patrick M. LeBlanc, David Banks, Linhui Fu, Mingyan Li, Zhengyu Tang, Qiuyi Wu
  • 期刊/来源: Journal of the American Statistical Association
  • 机构: Vrije Universiteit Amsterdam
  • 分类: vol 119 · issue 545 · pp 773-785
  • 相关性 2/10 · novelty: survey
  • 摘要: 本文是一篇综述，回顾了推荐系统的基本方法，包括协同过滤、基于内容的过滤和混合方法，并重点介绍了新兴的主动推荐系统（active recommender systems）领域。文章讨论了推荐系统中的关键挑战，如冷启动、数据稀疏性和可扩展性问题，并概述了评估推荐系统性能的常用指标。此外，文章还探讨了推荐系统在在线广告等实际应用中的角色，以及如何通过主动学习策略来优化推荐效果。对于统计研究者而言，本文提供了推荐系统领域的全景式介绍，但并未深入涉及因果推断、高维统计或半参数理论等您的主要研究方向。
  • 关键技术: collaborative filtering, content-based filtering, active learning, matrix factorization
  • 为什么对您有用: 本文属于综述性文章，与您的主要研究方向（因果推断、高维统计、半参数理论等）无直接技术重叠。它可作为了解推荐系统领域的入门读物，但其中涉及的方法（如矩阵分解）与您的武器库（如高阶U统计量、张量收缩）有潜在联系，例如推荐系统中的张量分解问题可能受益于您熟悉的树宽/张量收缩复杂度分析。不过，本文未提供具体的技术细节或理论结果，因此不值得花时间全文精读。

4. 10.1080/01621459.2023.2286293 — Stable Lévy Processes via Lamperti-Type Representations

  • 作者: Giacomo Bormetti
  • 期刊/来源: Journal of the American Statistical Association
  • 机构: University of Bologna
  • 分类: vol 119 · issue 545 · pp 789-790
  • 相关性 1/10 · novelty: survey
  • 摘要: 本文是一篇书评，评述了Kyprianou和Pardo关于稳定Lévy过程的专著。该书通过Lamperti型表示等工具，系统介绍了稳定Lévy过程的理论与应用。书评强调了该书的可读性和对非专家的友好性，并指出其覆盖了从基础理论到前沿课题的广泛内容。对于统计学家而言，该书可能作为进入Lévy过程领域的入门读物。然而，本文本身不包含新的方法论或理论贡献。
  • 关键技术: Lévy processes, Lamperti representation, stable processes
  • 为什么对您有用: 本文为书评，不涉及新的统计方法或理论。与您的主要兴趣（因果推断、高维统计、U统计量等）无直接关联。作为gateway reading，它可能帮助了解Lévy过程，但您的武器库中缺乏相关概率工具（如Lévy-Itô分解、稳定过程谱表示），暂不可做。

5. 10.1080/01621459.2024.2303300 — The Journal of the American Statistical Association 2023 Associate Editors

  • 作者:
  • 期刊/来源: Journal of the American Statistical Association
  • 分类: vol 119 · issue 545 · pp 792-793
  • 相关性 0/10 · novelty: minor
  • 摘要: 本文是《美国统计协会杂志》（JASA）2023年卷的副主编致谢名单，列出了所有为期刊审稿和编辑工作做出贡献的副主编姓名。文章没有提出任何统计方法、理论或应用研究，仅作为年度编辑团队的公开致谢。对于统计研究者而言，本文不包含可引用的方法论内容或数据结果。因此，本文对您的研究方向（因果推断、高维统计、半参数理论等）无直接参考价值。
  • 为什么对您有用: 本文为编辑致谢，无方法论内容，与您的主要或次要研究方向均无关联。不涉及任何可迁移的技术工具或可读的入门材料。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论