JASA — Vol 119 Issue 547 · 2026-07-05¶

共 12 篇 · Journal of the American Statistical Association
目录核对 ⚠️ 疑似漏 39 篇（对照 OpenAlex 52 篇）：10.1080/01621459.2023.2220935、10.1080/01621459.2023.2257893、10.1080/01621459.2023.2225239、10.1080/01621459.2023.2252576、10.1080/01621459.2023.2240461 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 747的12篇论文大致可归为三条主线：因果推断与处理效应（2篇，涉及动态分位数处理效应与流行病学中的辅助数据融合）、高维与复杂数据建模（4篇，涵盖罕见特征选择、多模态函数型图模型、空间转录组区域分割、以及非平稳时间序列的变点检测）、以及应用导向的方法拓展（5篇，包括气候重建、区间删失数据、地震动模型校准、以及三篇书评）。此外，还有一篇关于环境数据科学的书评，与主线关联较弱。

在因果推断主线上，Evaluating Dynamic Conditional Quantile Treatment Effects 针对动态实验（如网约车A/B测试）提出了条件分位数处理效应（CQTE）的序贯估计框架。其核心贡献在于证明在特定模型下动态CQTE可分解为逐期效应之和，从而将复杂推断简化为逐期估计，并引入变系数决策过程（VCDP）模型来检验效应随时间的变化。另一篇Assessing COVID-19 Prevalence in Austria 则从流行病学角度展示了如何利用官方病例计数数据作为辅助信息，通过数据融合显著提升感染调查中患病率估计的效率，并处理测量误差与样本加权问题。两篇虽应用场景不同，但都聚焦于利用结构假设或辅助数据来改善因果或患病率估计的精度与可操作性。

高维与复杂数据建模主线中，Tree-Guided Rare Feature Selection 针对EHR数据中大量罕见二元特征，利用ICD编码的层次结构，通过稀疏性惩罚与逻辑“或”聚合实现降维与可解释性，并将组合优化转化为凸正则化问题。Latent Multimodal Functional Graphical Model Estimation 则处理多模态函数型数据，假设观测由隐变量生成，并在隐空间上估计偏相关算子作为图结构，采用交替优化并证明一致性。Bayesian Integrative Region Segmentation 在空间转录组学中整合基因表达、空间坐标与组织学图像，通过非参数贝叶斯共识聚类自动学习区域数量。Frequency Detection and Change Point Estimation 针对非平稳噪声下的复杂振荡信号，构建高维周期图统计量并利用高斯近似与bootstrap实现频率检测与变点定位，其复值高维时间序列的Gaussian近似方法具有独立的方法学价值。

对于因果推断方向的研究者，Evaluating Dynamic Conditional Quantile Treatment Effects 直接相关，提供了纵向因果推断中分位数效应的新框架；Assessing COVID-19 Prevalence in Austria 展示了辅助数据在估计效率提升中的实用思路。对于半参数/非参数方向，A Unified Nonparametric Fiducial Approach to Interval-Censored Data 提供了一种自动适应多种删失机制的fiducial推断方法。对于高维方向，Tree-Guided Rare Feature Selection 与Frequency Detection and Change Point Estimation 分别涉及层次结构下的特征选择与非平稳时间序列的检验，值得优先浏览。

因果推断 (causal_inference, 1 篇)¶

1. 10.1080/01621459.2024.2314316 · arXiv — Evaluating Dynamic Conditional Quantile Treatment Effects with Applications in Ridesharing¶

作者: Ting Li, Chengchun Shi, Zhaohua Lu, Yi Li, Hongtu Zhu
期刊/来源: Journal of the American Statistical Association
分类: vol 119 · issue 547 · pp 1736-1750
相关性 7/10 · novelty: new_method
摘要: 本文在动态实验（如网约车平台A/B测试）的框架下，研究条件分位数处理效应（CQTE）的估计与推断。核心设定是：处理在时间上序贯施加，研究者关注累积回报的条件分位数，但分位数不满足线性可加性。作者证明，在特定模型假设下，动态CQTE可分解为各期条件分位数处理效应之和，从而将复杂序贯推断简化为逐期估计。方法上，引入变系数决策过程（VCDP）模型，并构造检验动态CQTE是否随时间变化的统计量。进一步，扩展至时空依赖实验数据，并讨论条件分位数直接效应与间接效应。实证部分使用三个网约车平台真实数据集，模拟研究验证了方法的有限样本表现。对您而言，本文是纵向因果推断中分位数处理效应的新框架，与您primary interest中的“longitudinal”和“causal inference”直接相关。
关键技术: varying coefficient decision process (VCDP), conditional quantile treatment effect (CQTE), dynamic treatment effect decomposition, spatiotemporal dependence, quantile direct and indirect effects
为什么对您有用: 本文直接对应您primary interest中的“causal inference (longitudinal)”和“estimation theory in causal inference”。其核心分解技巧（将不可加的分位数问题转化为可加和）可能启发您用higher-order U-statistics的树宽/张量收缩视角分析其估计量的计算复杂度（very_familiar武器）。中期可做：若想将本文的VCDP模型推广到更一般的非参数设定，需先提升semiparametric theory（moderately_familiar）的熟练度。

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

1. 10.1080/01621459.2023.2229486 · arXiv — Frequency Detection and Change Point Estimation for Time Series of Complex Oscillation¶

作者: Hau-Tieng Wu, Zhou Zhou
期刊/来源: Journal of the American Statistical Association
分类: vol 119 · issue 547 · pp 1945-1956
相关性 3/10 · novelty: new_method
摘要: 本文针对非平稳噪声下复杂振荡信号的频率检测与变点估计问题，提出了一种基于高维稠密渐进周期图检验的方法。该方法首先通过构建高维周期图统计量，在无方差下界假设下，利用高斯近似和重叠块乘子bootstrap技术，实现对振荡频率的准确检测。随后，在频域中引入相位调整的局部变点检测算法，以定位振荡模式变化的时刻。理论结果表明，该方法能以预设概率渐近地检测所有振荡频率及对应变点。文中还建立了复值高维非平稳时间序列和的Gaussian近似方案与bootstrap方法，具有独立的方法学价值。应用部分展示了该方法在睡眠脑电图纺锤波检测与估计中的有效性。对您而言，本文的高维非平稳时间序列检验与bootstrap技术可迁移至您在高维统计与假设检验方向的研究，尤其是处理复杂依赖结构时的推断问题。
关键技术: Gaussian approximation for high-dimensional time series, overlapping-block multiplier bootstrap, dense progressive periodogram, change point detection in frequency domain, complex-valued nonstationary processes
为什么对您有用: 本文直接关联您在高维统计与假设检验方向的研究兴趣，其核心方法——高维非平稳时间序列的Gaussian近似与bootstrap——属于您very_familiar的高维渐近理论范畴，可立即用于改进您工作中对复杂依赖数据的推断。中期可做：将文中频域变点检测思路与您moderately_familiar的HOIF理论结合，发展针对振荡模式变化的因果推断方法。

流行病学 (epidemiology, 3 篇)¶

1. 10.1080/01621459.2024.2303317 — Controlled Epidemiological Studies¶

作者: Kaushik Ghosh
期刊/来源: Journal of the American Statistical Association
机构: University of Nevada, Las Vegas
分类: vol 119 · issue 547 · pp 2419-2420
相关性 7/10 · novelty: survey
摘要: 本文是一本关于流行病学研究中抽样设计的书籍的综述性书评。该书涵盖了从常见到专门的各种抽样技术，用于收集流行病学数据。书评简要介绍了书的内容结构，并评价了其作为参考资料的实用性。对于研究者而言，该书提供了一个系统了解流行病学抽样设计的入口，但本身不包含新的方法论贡献。
关键技术: sampling designs, epidemiological studies, case-control study, cohort study
为什么对您有用: 本文属于流行病学领域的应用性综述，可作为入门读物了解该领域常用的抽样设计。研究者若计划在流行病学数据集上应用因果推断方法，该书可提供数据收集背景知识。但本文无方法论创新，且与研究者核心兴趣（如高维统计、半参理论）无直接关联，属于次要兴趣的浅层连接。

2. 10.1080/01621459.2024.2313790 — Assessing COVID-19 Prevalence in Austria with Infection Surveys and Case Count Data as Auxiliary Information¶

作者: Stéphane Guerrier, Christoph Kuzmics, Maria-Pia Victoria-Feser
期刊/来源: Journal of the American Statistical Association
机构: University of Geneva · University of Graz · University of Bologna
分类: vol 119 · issue 547 · pp 1722-1735
相关性 6/10 · novelty: application
摘要: 本文利用奥地利2020年4月、5月和11月的感染调查数据，结合官方病例计数数据作为辅助信息，估计COVID-19患病率。感染调查参与者同时被询问是否在病例计数数据中被记录为阳性，这为数据融合提供了桥梁。作者提出一种估计方法，通过整合两种数据源，显著提高了患病率估计的效率，使得在相同精度下所需感染调查样本量大幅减少。该方法还能处理医学检测灵敏度和特异度导致的测量误差，以及感染调查的非随机样本加权方案。估计量和置信区间在开源R包pempi中实现。实证结果表明，病例计数数据作为辅助信息能有效降低估计方差，并推导出病例确认率。对您而言，本文展示了在流行病学中利用辅助数据提升调查效率的实用方法，与您的因果推断和流行病学应用兴趣直接相关。
关键技术: data fusion, measurement error correction, sample weighting, prevalence estimation, R package pempi
为什么对您有用: 本文属于流行病学应用方向，直接使用感染调查与病例计数数据的融合来估计患病率，是您secondary interest中流行病学领域的典型实证工作。武器库中'非参数统计'和'因果推断中的估计理论'可用于分析其估计量的偏差-方差权衡，而'软件工具开发'经验可直接评估其R包pempi的实现质量。作为应用论文，它提供了清晰的调查数据结构和测量误差模型，值得花时间阅读全文以获取数据融合的分析模式。

3. 10.1080/01621459.2024.2344715 — Statistical Methods in Health Disparity Research¶

作者: Susan M. Paddock
期刊/来源: Journal of the American Statistical Association
机构: University of Chicago
分类: vol 119 · issue 547 · pp 2421-2421
相关性 1/10 · novelty: survey
摘要: 本文是J. Sunil Rao所著《Statistical Methods in Health Disparity Research》的书评，发表于JASA。该书聚焦于健康差异研究中的统计方法，涵盖定义、测量、建模与推断。书评指出该书系统介绍了健康差异的统计框架，包括绝对与相对差异、回归分解、多水平模型等工具。该书适合作为流行病学与公共卫生研究者的参考书，强调方法在真实数据中的应用。对您而言，若您关注流行病学中的因果推断应用，该书可能提供健康差异分析中的识别与估计思路，但方法学新颖性有限。
关键技术: regression decomposition, multilevel modeling, health disparity measurement
为什么对您有用: 本文属于流行病学应用方向的gateway阅读，适合了解健康差异研究中的统计方法框架。您的武器库中非参数统计与因果推断工具可直接用于评估书中的方法假设，但本书是综述性著作，无新理论或方法，属于暂不可做的范畴——核心机器（如因果推断识别条件）不在书中深入讨论。

其他 (other, 7 篇)¶

1. 10.1080/01621459.2024.2325705 · arXiv — Coexchangeable Process Modeling for Uncertainty Quantification in Joint Climate Reconstruction¶

作者: Lachlan Astfalck, Daniel Williamson, Niall Gandy, Lauren Gregoire, Ruza Ivanovic
期刊/来源: Journal of the American Statistical Association
分类: vol 119 · issue 547 · pp 1751-1764
相关性 6/10 · novelty: application
摘要: 本文针对气候模型实验中时空边界条件（如海表温度、海冰浓度）的不确定性量化问题，提出了一种可交换过程模型（coexchangeable process model）。该模型从可交换性（coexchangeability）假设出发，构建能够捕捉多个相关时空场变量的联合概率模型，并通过参数上的进一步可交换性判断，导出贝叶斯线性类比层次模型（Bayes linear analogy of a hierarchical model）。方法的核心机制是利用可交换性结构实现多模型与观测数据的有效融合，无需完整指定似然函数，计算上通过贝叶斯线性方法实现高效推断。作者将该框架应用于末次盛冰期（23–19 kya）的海表温度与海冰浓度联合重建，并作为边界条件驱动FAMOUS-Ice耦合大气-冰盖模型进行冰盖模拟。结果表明，现有研究中常用的边界条件在给定不确定性下不可信，而采用更合理的边界条件会显著改变冰盖模拟结果。本文是应用导向的方法学工作，方法本身（可交换过程建模）与您的主要兴趣（因果推断、高维统计、U-统计量等）无直接技术重叠，但作为气候科学中不确定性量化的案例，对您了解时空建模与贝叶斯线性方法在应用中的实践有一定参考价值。
关键技术: coexchangeable process model, Bayes linear methods, spatio-temporal field modeling, uncertainty quantification, climate model boundary conditions
为什么对您有用: 本文属于应用统计方法学，与您的主要兴趣方向（因果推断、高维统计、U-统计量等）无直接技术连接。作为gateway reading，本文对气候科学中不确定性量化的数据与模型结构（多源时空场、可交换性假设、贝叶斯线性推断）有清晰阐述，适合作为了解该领域统计实践的入门读物。您的武器库中非参数统计与高维渐近工具可帮助理解其模型假设的合理性，但核心的可交换性建模与贝叶斯线性方法不在您的技术栈中，因此暂不可做直接的方法学跟进。值得花时间读全文以拓宽应用视野，但不必深入技术细节。

2. 10.1080/01621459.2023.2252143 · arXiv — A Unified Nonparametric Fiducial Approach to Interval-Censored Data¶

作者: Yifan Cui, Jan Hannig, Michael R. Kosorok
期刊/来源: Journal of the American Statistical Association
分类: vol 119 · issue 547 · pp 2230-2241
相关性 6/10 · novelty: new_method
摘要: 本文针对区间删失数据（包括右删失、current status、case II 删失、混合删失等）提出了一种统一的非参数 fiducial 方法。核心思想是利用 fiducial 分布对生存函数进行推断，通过简单的 Gibbs 采样实现后验采样。该方法具有“一劳永逸”的性质，能自动适应各种非信息删失机制，无需针对不同删失类型分别设计估计量。模拟研究表明，所提 fiducial 置信区间在覆盖率和区间长度上均显著优于现有方法，且点估计的误差远小于非参数最大似然估计（NPMLE）。在奥地利风疹数据和 HIV 感染血友病患者数据上的应用进一步验证了其实用性。该方法的主要贡献在于提供了一种自动适应多种删失机制的通用推断框架，兼具良好的有限样本性能和计算简便性。对于您而言，本文的 fiducial 推断思路与您熟悉的非参数统计和 M-估计理论有潜在联系，但核心方法（fiducial 分布与 Gibbs 采样）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，属于方法学上的旁支。
关键技术: fiducial inference, Gibbs sampler, nonparametric survival estimation, interval censoring, nonparametric maximum likelihood estimator
为什么对您有用: 本文属于生存分析中的非参数推断，与您的主要兴趣（因果推断、高维统计、U-统计量）无直接交集。虽然 fiducial 方法在计算上使用了 Gibbs 采样，但并未涉及您武器库中的核心工具（如 minimax 界、U-统计量树宽、高阶影响函数等）。暂不可做：核心机器（fiducial 分布理论、Gibbs 采样在非参数模型中的收敛性）不在您的武器库中，且与您当前的研究方向关联较弱。

3. 10.1080/01621459.2024.2326621 · arXiv — Tree-Guided Rare Feature Selection and Logic Aggregation with Electronic Health Records Data¶

作者: Jianmin Chen, Robert H. Aseltine, Fei Wang, Kun Chen
期刊/来源: Journal of the American Statistical Association
分类: vol 119 · issue 547 · pp 1765-1777
相关性 4/10 · novelty: application
摘要: 本文针对电子健康记录（EHR）数据中大量罕见二元特征（如疾病诊断编码）的统计学习问题，提出了一种树引导的特征选择与逻辑聚合方法。目标是在高维稀疏二元特征矩阵中，利用疾病分类的自然层次结构（如ICD编码树）进行降维，同时保持模型可解释性。方法的核心机制是：通过稀疏性惩罚（如Lasso）选择重要特征，同时引入逻辑“或”算子将同一父节点下的子节点特征聚合为更高层次的复合特征，从而平衡特征的稀有性与特异性。作者将这一组合优化问题转化为带线性约束的凸正则化估计问题，从而保证了可扩展的计算和理论性质（如估计一致性）。在自杀风险预测的EHR数据应用中，该方法成功识别了与风险相关的精神健康诊断的高层类别和子类别，并自动确定每个类别所需的具体粒度，提升了预测性能和临床可解释性。对您而言，本文属于应用统计方法论文，其核心贡献在于利用树结构进行特征聚合的凸优化技巧，而非您主要兴趣中的因果推断或高维理论。不过，如果您关注EHR数据中的预测建模或罕见事件分析，本文的树引导聚合思路可能对您处理结构化高维数据（如诊断编码、基因通路）有参考价值。
关键技术: tree-guided feature selection, logic aggregation with OR operator, convex linearly-constrained regularization, rare binary features, hierarchical disease classification
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（因果推断、高维RMT、U统计量等）直接关联较弱。但如果您对EHR数据中的预测建模或罕见事件分析感兴趣，本文的树引导聚合思路（利用层次结构进行特征降维）可能对您处理结构化高维数据（如诊断编码、基因通路）有参考价值。武器库中'非参数统计'和'高维渐近'可用于理解其正则化估计的理论性质，但核心问题（树结构聚合）并非您当前工具集的直接对口方向。暂不可做——因为核心机器（树结构约束的凸优化、逻辑聚合的统计性质）不在武器库中，且本文更偏向应用而非理论突破。

4. 10.1080/01621459.2023.2252142 · arXiv — Latent Multimodal Functional Graphical Model Estimation¶

作者: Katherine Tsai, Boxin Zhao, Sanmi Koyejo, Mladen Kolar
期刊/来源: Journal of the American Statistical Association
分类: vol 119 · issue 547 · pp 2217-2229
相关性 3/10 · novelty: new_method
摘要: 本文针对多模态函数型数据（如同时采集的脑成像数据）提出一个联合建模框架，目标是在共享的隐空间上估计图结构（即功能连接）。模型假设观测数据由隐变量通过线性算子生成，并定义隐空间上的偏相关算子作为图边存在的度量。估计方法同时学习从观测到隐空间的变换算子和隐图，采用交替优化算法，并证明算法收敛到驻点且统计误差可量化。在温和条件下，方法能一致恢复隐图。模拟和真实多模态脑成像数据实验表明联合估计优于单模态方法。对您而言，本文属于函数型数据分析与图模型估计的交叉，与您的主要兴趣（非参数/半参数理论、高维统计）有间接关联，但方法学核心（偏相关算子的函数型扩展、交替优化）与您的技术武器库重叠有限。
关键技术: partial correlation operator, functional data analysis, latent variable model, alternating optimization, graphical model
为什么对您有用: 本文属于函数型数据图模型估计，与您的主要兴趣（非参数/半参数理论、高维统计）有间接关联，但方法学核心（偏相关算子的函数型扩展、交替优化）与您的技术武器库重叠有限。武器库中'非参数统计'和'高维渐近'可帮助理解其理论框架，但核心机器（函数型数据分析、图模型估计）不在您的熟悉或中等熟悉列表中，属于暂不可做方向。

5. 10.1080/01621459.2023.2300506 — Weighted Functional Data Analysis for the Calibration of a Ground Motion Model in Italy¶

作者: Teresa Bortolotti, Riccardo Peli, Giovanni Lanzano, Sara Sgobba, Alessandra Menafoglio
期刊/来源: Journal of the American Statistical Association
机构: Politecnico di Milano · Istituto Nazionale di Geofisica e Vulcanologia
分类: vol 119 · issue 547 · pp 1697-1708
相关性 3/10 · novelty: application
摘要: 本文针对意大利地震动模型（Ground Motion Model）的校准问题，将标量模型扩展至函数型数据分析（FDA）框架。地震数据在振荡周期观测域上常存在不完全观测，导致部分曲线直接观测、部分需重建，后者不确定性更大。为此，作者提出一种加权函数型数据分析方法，定义观测特定的函数权重，在平滑和并发函数回归中引入权重以减少不可靠部分对估计的影响。方法在合成数据上验证了优势，并在实际地震数据中实现了谱估计的自然平滑与稳定化。本文主要贡献在于将加权思想系统性地融入FDA的平滑与回归步骤，但方法学创新程度有限，属于应用导向的拓展。对您而言，本文属于地震学应用，与您的主要兴趣方向（因果推断、高维统计等）无直接关联，但可作为函数型数据分析在环境科学中应用的参考案例。
关键技术: Functional Data Analysis, Weighted smoothing, Concurrent functional regression, Partially observed functional data
为什么对您有用: 本文属于应用统计在地震学中的案例，与您的主要兴趣方向（因果推断、高维统计、U-统计量等）无直接连接。作为gateway-reading，本文对函数型数据分析的加权拓展有清晰阐述，但方法学深度有限，且未涉及您武器库中的具体工具（如树宽/张量收缩、minimax界等）。暂不可做：核心方法（加权FDA）不在您的武器库中，且缺乏与您现有工作的直接接口。

6. 10.1080/01621459.2024.2308323 — Bayesian Integrative Region Segmentation in Spatially Resolved Transcriptomic Studies¶

作者: Yinqiao Yan, Xiangyu Luo
期刊/来源: Journal of the American Statistical Association
机构: Renmin University of China
分类: vol 119 · issue 547 · pp 1709-1721
相关性 2/10 · novelty: application
摘要: 本文提出一种非参数贝叶斯方法 BINRES，用于空间转录组学研究中组织切片的区域分割。该方法整合了基因表达、空间坐标和组织学图像三类数据，通过非参数空间先验自动学习区域数量，无需预先指定。BINRES 在贝叶斯共识聚类框架下融合图像与基因表达信息，以数据自适应方式调整标签对齐的贡献权重。针对大规模研究，作者开发了可扩展的计算版本。模拟实验和三个小鼠空间转录组数据集的真实应用表明，BINRES 优于现有方法，并能轻松实现整合分割的不确定性量化。该方法提供了公开的 R 包。
关键技术: Nonparametric Bayesian, Spatial prior, Consensus clustering, Data-adaptive weighting
为什么对您有用: 本文属于生物统计应用，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，本文对统计方法在空间转录组学中的应用提供了清晰的介绍，但问题设定和数据结构（空间点模式、图像与表达数据整合）与您的武器库（非参数统计、高维渐近）有距离。暂不可做，因为核心机器（空间统计、贝叶斯非参数）不在您的武器库中。

7. 10.1080/01621459.2024.2343459 — Introduction to Environmental Data Science¶

作者: Timothée Poisot
期刊/来源: Journal of the American Statistical Association
机构: Université de Montréal
分类: vol 119 · issue 547 · pp 2418-2419
相关性 1/10 · novelty: survey
摘要: 本文是《Introduction to Environmental Data Science》一书的书评，由Timothée Poisot撰写，发表在JASA上。该书面向环境科学领域的学生，概述了数据科学在环境问题中的应用技术。书评指出，该书覆盖了从数据整理、可视化到机器学习等基础方法，但深度有限。对于统计研究者而言，这是一本入门级教材，而非方法论前沿。本文作为书评，本身不提出新方法或理论。对您而言，此书评仅作为了解环境数据科学领域概貌的参考，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。
为什么对您有用: 本文是书评，不涉及具体统计方法或理论贡献。与您的主要兴趣（因果推断、高维统计、半参理论等）无直接关联。作为gateway reading，它面向环境科学学生，而非统计研究者，因此不值得花时间深入阅读。

Maintained by 陈星宇 · Homepage · Source on GitHub