JASA — Vol 119 Issue 546 · 2026-07-05¶

共 14 篇 · Journal of the American Statistical Association
目录核对 ⚠️ 疑似漏 63 篇（对照 OpenAlex 77 篇）：10.1080/01621459.2023.2197686、10.1080/01621459.2023.2169700、10.1080/01621459.2023.2184373、10.1080/01621459.2023.2191817、10.1080/01621459.2023.2210803 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 546的14篇论文整体上以应用导向为主，方法学主线较为分散。大致可归纳为三条主线：半参数与非参数方法（涉及删失数据、形状分析、网络估计）、统计遗传学与神经科学应用（跨祖先遗传相关、细胞类型网络、脑功能连接）、以及综述与书评（Markov bases、统计推断教材、数据科学教材、可重复性倡议）。此外，还有若干纯应用或勘误类文章。核心方法学贡献集中在半参数删失建模和贝叶斯形状分析，但多数论文与因果推断、高维随机矩阵或U统计量等理论方向关联较弱。

在半参数与非参数主线中，Addressing Multiple Detection Limits with Semiparametric Cumulative Probability Models 提出基于累积概率模型的半参数方法处理多重检测下限，通过修改似然函数将删失观测归入离散类别，适用于混合分布结果变量，方法学上属于序数回归框架下的删失数据处理。Bayesian Landmark-Based Shape Analysis of Tumor Pathology Images 则采用贝叶斯地标点模型对肿瘤边界形状进行非参数建模，通过估计地标点数量和位置量化边界粗糙度，并输出不确定性量化。这两篇分别从删失和形状角度拓展了半参数/非参数的应用场景，但理论创新有限。Estimating Cell-Type-Specific Gene Co-Expression Networks from Bulk Gene Expression Data 提出稀疏最小二乘估计器分解混合数据，属于高维网络估计，但核心设定与因果推断距离较远。

与因果推断/半参数效率/高维方向最贴合的论文是：Addressing Multiple Detection Limits with Semiparametric Cumulative Probability Models（半参数删失处理，可间接关联因果推断中的删失问题）、Estimating Cell-Type-Specific Gene Co-Expression Networks（高维网络估计，涉及稀疏性约束与一致性理论）。其余论文多为应用或综述，适合作为领域背景参考。

非参数 / 半参数 (nonparam_semipara, 1 篇)¶

1. 10.1080/01621459.2024.2308799 — Mathematical Foundations of Infinite-Dimensional Statistical Models¶

作者: Bodhisattva Sen
期刊/来源: Journal of the American Statistical Association
机构: Columbia University
分类: vol 119 · issue 546 · pp 1687-1689
相关性 7/10 · novelty: survey
摘要: 这是一本关于无限维统计模型数学基础的专著，系统覆盖了非参数密度估计和回归等核心主题。书中从函数空间（如Sobolev、Besov空间）和算子理论出发，为理解非参数方法的收敛性提供了严格的数学框架。内容可能包括核估计、样条、小波等方法的最优收敛速率和minimax下界推导。该书适合作为高年级研究生或研究人员的参考书，强调理论严谨性而非具体算法实现。对于您而言，这是一本巩固非参数统计理论基础的优质读物，直接对应您'very_familiar'中的非参数统计和minimax界知识，可帮助系统化已有理解。
关键技术: minimax lower bounds, kernel estimation, spline methods, wavelet estimation, function spaces (Sobolev, Besov)
为什么对您有用: 这是一本教科书/专著，属于survey性质。它直接对应您'very_familiar'中的非参数统计和minimax界，可作为系统化参考或教学材料。由于是综述性著作，不涉及新方法或新理论，但能巩固基础。暂不可做：无具体可攻问题，但适合作为工具书常备。

其他 (other, 13 篇)¶

1. 10.1080/01621459.2024.2315667 — Addressing Multiple Detection Limits with Semiparametric Cumulative Probability Models¶

作者: Yuqi Tian, Chun Li, Shengxin Tu, Nathan T. James, FrankE. Harrell, BryanE. Shepherd
期刊/来源: Journal of the American Statistical Association
机构: Vanderbilt University · University of Southern California
分类: vol 119 · issue 546 · pp 864-874
相关性 7/10 · novelty: application
摘要: 本文针对响应变量存在多重检测下限（DLs）时的回归分析问题，提出基于累积概率模型（CPM）的半参数方法。CPM 是一种基于秩的半参数线性变换模型，能同时处理连续和离散混合分布结果变量，其关键优势在于：观测值在 DL 内时视为连续，在 DL 外时视为删失并归入离散类别。对于单一下限，CPM 将低于 DL 的值赋予最低秩；对于多重 DL，通过修改似然函数合理分配概率质量。模拟和 HIV 病毒载量数据分析（56% 观测值低于随时间/地点变化的下限）展示了方法的实用性。该方法本质上是序数回归框架下的半参数删失数据处理，与您的主要兴趣（半参数理论、因果推断中的删失问题）有间接联系，但方法学创新性有限，属于应用导向的扩展。
关键技术: Cumulative Probability Model, Semiparametric Linear Transformation Model, Ordinal Regression, Multiple Detection Limits, Censored Data
为什么对您有用: 本文属于流行病学应用（HIV 病毒载量数据），与您的 secondary interest 流行病学相关，但方法学上未涉及因果推断或半参数效率理论。武器库中的非参数统计和 M-估计理论可用于理解 CPM 的秩基础性质，但核心问题（多重 DL 的似然修改）与您的 primary interests 距离较远。暂不可做：缺乏直接可迁移的方法学口子，且未涉及您熟悉的因果识别或高维渐近工具。

2. 10.1080/01621459.2024.2344703 · arXiv — Estimating Trans-Ancestry Genetic Correlation with Unbalanced Data Resources¶

作者: Bingxin Zhao, Xiaochen Yang, Hongtu Zhu
期刊/来源: Journal of the American Statistical Association
分类: vol 119 · issue 546 · pp 839-850
相关性 6/10 · novelty: application
摘要: 本文提出一种跨祖先遗传相关性估计的新方法，用于全基因组关联研究中描述复杂性状遗传结构在不同人群间的差异。该方法利用遗传预测值构建估计量，并校正高维弱GWAS信号预测误差带来的偏倚，同时处理不同人群间连锁不平衡差异等异质性。方法的一个关键特点是样本量灵活性：只需一个群体有大型GWAS样本，次要群体样本量可小至数百人，直接应对当前GWAS数据资源中欧洲人群样本远多于非欧洲人群的不平衡问题。通过UK Biobank 26个复杂性状的模拟和实证分析验证了方法的可靠性。该方法本质上是统计遗传学应用，不涉及因果推断、高维随机矩阵或U统计量等核心兴趣方向的理论创新。
关键技术: genetic correlation estimation, prediction error correction, high-dimensional weak signals, linkage disequilibrium adjustment
为什么对您有用: 本文属于统计遗传学应用，与您的主要兴趣方向（因果推断、高维统计、U统计量等）无直接理论连接。作为流行病学/遗传学应用，它展示了处理样本不平衡的实际策略，但方法学新颖性有限，且武器库中缺乏统计遗传学专用工具（如LD score regression），暂不可做。

3. 10.1080/01621459.2024.2314719 · arXiv — Theory of Statistical Inference¶

作者: Somabha Mukherjee
期刊/来源: Journal of the American Statistical Association
分类: vol 119 · issue 546 · pp 1689-1690
相关性 6/10 · novelty: survey
摘要: 本文是一本统计推断理论教材的书评，由Somabha Mukherjee撰写，发表于JASA。书评概述了统计推断的核心问题：如何利用数据对未知参数进行推断，并强调了模型和数据在其中的核心地位。书评指出，该教材通过丰富的实例引导读者理解统计推断的基本概念和方法。书评本身并未提出新的统计方法或理论，而是对现有教材的评介。对于研究者而言，该书评可能提供教材选择的参考，但缺乏具体的技术细节和理论贡献。
为什么对您有用: 本文是一篇书评，不涉及具体统计方法或理论创新，与您的主要研究兴趣（因果推断、高维统计、半参数理论等）无直接关联。它既不是入门读物，也不提供可迁移的技术工具，因此不值得花时间阅读全文。

4. 10.1080/01621459.2024.2311363 — Heterogeneity Analysis on Multi-State Brain Functional Connectivity and Adolescent Neurocognition¶

作者: Shiying Wang, Todd Constable, Heping Zhang, Yize Zhao
期刊/来源: Journal of the American Statistical Association
机构: Yale University · Laboratoire d’Imagerie Biomédicale
分类: vol 119 · issue 546 · pp 851-863
相关性 5/10 · novelty: application
摘要: 本文研究多状态脑功能连接（静息态与任务态）对青少年流体智力的异质性影响机制。提出一种非参数贝叶斯监督异质性分析框架，通过随机块结构识别基于网络的功能表型，并开发变分期望最大化算法实现高效后验计算。方法整合了静息态与任务态功能连接组，揭示了额顶网络和默认模式网络在不同认知状态下对行为的不同影响模式。模拟实验证实了该方法在发现脑-行为关系方面的优越性能。该工作属于应用统计方法在神经科学中的具体落地，方法学贡献在于贝叶斯异质性建模与功能连接组分析的结合。对您而言，本文可作为流行病学或神经科学应用案例参考，但方法学核心（贝叶斯非参数、变分推断）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: Bayesian nonparametric heterogeneity analysis, stochastic block model, variational expectation-maximization, functional connectivity, multi-state brain network
为什么对您有用: 本文属于流行病学/神经科学应用，与您的secondary interest（流行病学应用）相关。但方法学核心是贝叶斯非参数异质性建模，不在您的技术武器库中（very_familiar和moderately_familiar均未覆盖贝叶斯非参数或变分推断）。作为gateway reading，本文对统计方法学家的可读性一般，需要一定神经影像知识。暂不可做——核心机器（贝叶斯非参数建模、变分推断）不在武器库中。

5. 10.1080/01621459.2023.2297467 — Estimating Cell-Type-Specific Gene Co-Expression Networks from Bulk Gene Expression Data with an Application to Alzheimer’s Disease¶

作者: Chang Su, Jingfei Zhang, Hongyu Zhao
期刊/来源: Journal of the American Statistical Association
机构: Emory University · Yale University
分类: vol 119 · issue 546 · pp 811-824
相关性 5/10 · novelty: application
摘要: 本文提出CSNet框架，从bulk基因表达数据中估计细胞类型特异的基因共表达网络。目标是在不假设各细胞类型基因表达分布形式的前提下，从混合样本中分解出细胞类型层面的共表达结构。方法核心是一个稀疏最小二乘估计器，通过引入稀疏性约束实现可识别性和计算效率。理论部分证明了估计量的一致性和收敛速率。在阿尔茨海默病队列数据中，CSNet识别出已知风险基因的细胞类型特异共表达模式，提示不同细胞类型在疾病病理中的差异化角色。该方法属于高维网络估计与混合数据分解的交叉问题，但核心设定（bulk数据分解）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: sparse least squares, cell-type-specific network estimation, bulk gene expression decomposition, co-expression network
为什么对您有用: 本文属于生物统计应用，与您的primary interests（因果推断、高维统计、半参理论）无直接方法学连接。核心问题是网络分解而非因果识别或效率理论，且未涉及您武器库中的U-statistic或随机矩阵工具。作为gateway reading，本文对您进入生物信息学方向的帮助有限——数据结构和模型假设与您熟悉的设定差异较大，暂不可做。

6. 10.1080/01621459.2024.2310181 · arXiv — Markov Bases: A 25 Year Update¶

作者: Félix Almendra-Hernández, Jesús A. De Loera, Sonja Petrović
期刊/来源: Journal of the American Statistical Association
分类: vol 119 · issue 546 · pp 1671-1686
相关性 4/10 · novelty: survey
摘要: 本文是对 Markov bases 方法在条件分布抽样领域 25 年发展的综述与更新。研究聚焦于 Diaconis & Sturmfels 提出的 Markov bases 基本定理在分层对数线性模型中的应用，核心目标是评估该方法在实践中的挑战与最佳实践。文章在综述基础上，给出了三个新理论结果：分层模型中 Markov bases 的复杂度、对数线性模型纤维的松弛、以及部分移动集在提供不可约马尔可夫链时的局限性。方法上，Markov bases 通过代数几何与组合学工具（如 Gröbner 基、纤维图）构造马尔可夫链的移动集，用于条件检验。复杂度分析涉及纤维大小与移动集最小生成元的计算代价。本文对您作为统计计算与高维统计研究者的价值在于：它系统梳理了代数统计中一个经典但计算密集的方法，其复杂度结果与您熟悉的树宽/张量收缩视角（用于高阶 U-统计量计算）有潜在交叉——纤维的图论结构可能通过树宽刻画计算代价，但本文未直接涉及该方向，属于中期可探索的连接。
关键技术: Markov bases, Gröbner bases, fiber graph, log-linear models, hierarchical models, irreducible Markov chain
为什么对您有用: 本文属于统计计算（stat_computing）方向的综述，但核心方法 Markov bases 与您的主要兴趣（高阶 U-统计量计算、树宽/张量收缩）有间接关联：纤维的图论结构可能通过树宽刻画计算代价，但本文未直接涉及该方向。武器库中 very_familiar 的树宽/张量收缩工具可用于分析纤维图的复杂度，但需要先理解 Markov bases 的代数构造（属于 moderately_familiar 的范畴）。因此，本文是中期可做的 gateway 阅读——先通过本文了解 Markov bases 的复杂度瓶颈，再尝试用树宽视角给出新的计算代价上界。

7. 10.1080/01621459.2024.2308314 — Leveraging Weather Dynamics in Insurance Claims Triage Using Deep Learning¶

作者: Peng Shi, Wei Zhang, Kun Shi
期刊/来源: Journal of the American Statistical Association
机构: University of Wisconsin–Madison · Northern Illinois University · Southwest Airlines (United States)
分类: vol 119 · issue 546 · pp 825-838
相关性 4/10 · novelty: application
摘要: 本文研究财产保险理赔分类（claims triage）中如何利用动态天气信息提升损失预测精度。目标是对已报告理赔的保险损失金额进行预测建模，以优化理赔管理流程。方法上提出一种层次化深度学习网络架构，将天气时间序列数据与静态理赔特征融合。实证分析基于美国某大型保险公司的冰雹灾害财产险理赔数据，结果显示加入动态天气信息后，预测性能显著提升。进一步设计成本敏感的理赔分类决策策略，利用概率预测结果优化操作流程。相比无天气信息和仅含静态天气信息的基准，该方法分别降低运营成本9%和6%。本文属于应用导向的统计建模工作，方法学创新有限，主要贡献在于领域应用和实证分析。
关键技术: hierarchical deep learning, probabilistic forecasting, cost-sensitive decision strategy, time series feature fusion
为什么对您有用: 本文属于应用统计工作，与您的主要研究兴趣（因果推断、高维统计、半参理论等）无直接技术关联。方法上使用深度学习而非您熟悉的非参数或半参数框架，且未涉及因果识别或效率理论。作为流行病学或经济学的应用参考价值有限，因为保险理赔场景与您的次要兴趣方向（流行病学队列、经济因果推断）差异较大。暂不可做：核心方法（层次化深度学习、成本敏感决策）不在您的技术武器库中，且缺乏可迁移的统计理论问题。

8. 10.1080/01621459.2023.2298031 · arXiv — Bayesian Landmark-Based Shape Analysis of Tumor Pathology Images¶

作者: Cong Zhang, Tejasv Bedi, Chul Moon, Yang Xie, Min Chen, Qiwei Li
期刊/来源: Journal of the American Statistical Association
分类: vol 119 · issue 546 · pp 798-810
相关性 3/10 · novelty: application
摘要: 本文提出一种贝叶斯地标点形状分析模型，用于肿瘤病理图像中肿瘤边界的建模。目标是将肿瘤边界视为闭合多边形链，通过划分互斥的线段并估计地标点位置与数量，量化边界粗糙度。模型采用贝叶斯推断框架，能够对地标点的数量和位置提供不确定性量化，并输出边界粗糙度指标。在模拟和实际数据中，模型性能与已有的平面弹性曲线地标点检测方法相当。在143例I-IV期肺癌患者的病例研究中，肿瘤边界粗糙度指标显著预测患者预后（p值<0.001）。该方法主要面向医学图像分析应用，不涉及因果推断、高维统计或半参数效率理论等核心兴趣方向。对您而言，本文属于应用统计方法，与您的主要研究方向（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 landmark-based shape analysis, closed polygonal chain, boundary roughness quantification, uncertainty quantification
为什么对您有用: 本文属于医学图像分析的应用统计工作，与您的主要兴趣方向（因果推断、高维随机矩阵、半参数效率理论等）无直接技术重叠。武器库中的非参数统计或M估计理论可能间接相关，但核心方法（贝叶斯地标点模型）并非您熟悉或中度熟悉的工具。暂不可做——核心机器（贝叶斯形状分析、地标点检测）不在武器库中，且问题本身不涉及您关注的统计-计算权衡或U统计量计算。

9. 10.1080/01621459.2024.2303313 — Quantitative Methods for Precision Medicine: Pharmacogenomics in Action¶

作者: Arthur Berg
期刊/来源: Journal of the American Statistical Association
机构: Pennsylvania State University
分类: vol 119 · issue 546 · pp 1690-1691
相关性 2/10 · novelty: survey
摘要: 本文是对《Quantitative Methods for Precision Medicine: Pharmacogenomics in Action》一书的书评，发表于JASA。该书属于Chapman & Hall/CRC生物统计系列，面向对统计遗传学模型和方法感兴趣的研究者和研究生。书评简要介绍了书籍的定位和内容范围，但未提供具体的方法学细节或实证结果。该书主要聚焦于药物基因组学中的统计方法，属于应用生物统计领域。对于您的主要研究方向（因果推断、高维统计、半参理论等），本书评不包含可迁移的技术内容。因此，本文仅作为领域信息参考，不具备直接的方法学价值。
为什么对您有用: 本文是书评，不涉及具体方法或数据，与您的主要兴趣（因果推断、高维统计、半参理论）和次要兴趣（流行病学应用）均无直接关联。无需进一步阅读。

10. 10.1080/01621459.2024.2303323 — Data Science and Predictive Analytics, 2nd ed.¶

作者: Xing Qiu
期刊/来源: Journal of the American Statistical Association
机构: University of Rochester
分类: vol 119 · issue 546 · pp 1692-1693
相关性 1/10 · novelty: survey
摘要: 本文是《Data Science and Predictive Analytics》第二版的书评，由Xing Qiu撰写，发表在JASA上。该书旨在为数据科学初学者提供从数据预处理到预测建模的完整流程介绍，涵盖统计学习、机器学习、深度学习等核心方法。书评指出，该教材注重实践，包含大量R和Python代码示例，适合作为本科或研究生入门课程的参考书。然而，书评也提到，该书在理论深度上有所欠缺，例如对因果推断、高维统计等前沿话题的讨论较为有限。总体而言，这是一本面向应用导向读者的入门级教材，而非理论统计研究者的参考书。对于您而言，该书评本身不包含新的方法论贡献或理论结果，但可作为了解数据科学教育资源的参考。
关键技术: predictive modeling, statistical learning, deep learning, R/Python implementation
为什么对您有用: 本文是书评，不涉及您主要兴趣中的任何具体子方向（如因果推断、高维统计、U-统计量等）。它不提供新的理论或方法，也不包含可迁移的技术工具。作为gateway-reading，它属于数据科学入门教材介绍，对您当前的研究工作没有直接帮助。暂不可做。

11. 10.1080/01621459.2024.2303316 — Statistical Modeling with R: A Dual Frequentist and Bayesian Approach for Life Scientists¶

作者: Christian P. Robert
期刊/来源: Journal of the American Statistical Association
机构: Université Paris Dauphine-PSL
分类: vol 119 · issue 546 · pp 1691-1692
相关性 1/10 · novelty: minor
摘要: 本文是 Christian P. Robert 为 Pablo Inchausti 所著《Statistical Modeling with R: A Dual Frequentist and Bayesian Approach for Life Scientists》撰写的书评，发表于 JASA。书评概述了该教材的特点：面向生命科学研究者，同时介绍频率学派和贝叶斯学派方法，并以 R 语言实现贯穿全书。Robert 评价该书风格亲切、实用性强，但指出其在理论深度上有所取舍，更适合应用导向的读者。书评本身不包含新的方法论贡献或理论结果。对于您而言，这是一篇书评而非研究论文，不涉及您核心兴趣中的因果推断、高维统计或效率理论等方向。
为什么对您有用: 本文是书评，不涉及具体统计方法或理论进展。它不属于您 primary 或 secondary interests 中的任何子方向，也没有提供可迁移的技术工具或值得 follow-up 的问题。因此，无需进一步阅读。

12. 10.1080/01621459.2024.2344624 — Correction¶

作者: Pavel N. Krivitsky, Pietro Coletti, Niel Hens
期刊/来源: Journal of the American Statistical Association
机构: UNSW Sydney · Hasselt University · University of Antwerp · Infectious Diseases Institute
分类: vol 119 · issue 546 · pp 1694-1695
相关性 0/10 · novelty: minor
摘要: 本文是对 Krivitsky 等人 2023 年发表在 JASA 上的网络推断代表性论文的勘误。原论文讨论了网络样本的代表性和推断的可推广性问题，本文仅修正了其中的部分数值结果。不涉及新的方法论贡献或理论结果。对于您而言，这是一篇纯粹的勘误，无实质内容，不值得投入时间阅读。
为什么对您有用: 本文是勘误，无实质内容，不涉及任何您的研究兴趣方向。无需阅读。

13. 10.1080/01621459.2024.2340557 — Partnering With Authors to Enhance Reproducibility at JASA¶

作者: Julia Wrobel, Emily C. Hector, Lorin Crawford, Lucy D’Agostino McGowan, Natalia da Silva, Jeff Goldsmith et al.
期刊/来源: Journal of the American Statistical Association
机构: Emory University · North Carolina State University · North Central State College · Microsoft (United States) · Brown University · Microsoft Research (United Kingdom) · Wake Forest University · Universidad de la República de Uruguay 等
分类: vol 119 · issue 546 · pp 795-797
相关性 0/10 · novelty: survey
摘要: 本文是 JASA 期刊关于其可重复性倡议的编辑评论，描述了 ACS 部门自 2016 年以来推行的作者合作审查流程。该流程要求作者在提交时提供代码和数据，由副主编和审稿人进行可重复性检查。文章总结了该倡议的实施经验、遇到的挑战（如代码依赖、数据隐私）以及取得的成效，包括提高论文透明度和可验证性。文中没有提出新的统计方法或理论，而是聚焦于期刊政策和实践。对于您而言，这是一篇关于统计出版规范的讨论，与您的主要研究方向（因果推断、高维统计等）无直接技术关联，但可作为了解学术社区对可重复性重视程度的背景阅读。
关键技术: reproducibility review, code and data sharing, peer review process
为什么对您有用: 本文属于统计出版与可重复性实践范畴，与您的主要研究方向（因果推断、高维统计、半参理论等）无直接技术连接。您的武器库中 'software development' 项可间接关联，但本文不涉及具体方法学问题。作为 gateway-reading，它提供了学术社区对可重复性标准的现状，但缺乏深入的数据或模型讨论，不值得花时间全文阅读。

Maintained by 陈星宇 · Homepage · Source on GitHub