JASA — Vol 120 Issue 549 · 2026-07-05¶

共 44 篇 · Journal of the American Statistical Association
目录核对 ⚠️ 疑似漏 7 篇（对照 OpenAlex 67 篇）：10.1080/01621459.2023.2270748、10.1080/01621459.2024.2423434、10.1080/01621459.2023.2235059、10.1080/01621459.2024.2425462、10.1080/01621459.2024.2425460 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 第 120 卷第 549 号共 44 篇论文，整体上围绕三条主线展开：因果识别与推断的效率与稳健性、高维统计与随机矩阵理论、以及假设检验与选择性推断。此外，半参数/非参数方法、统计计算与贝叶斯建模也有若干独立贡献。

在因果推断主线中，多篇论文聚焦于未测量混杂下的部分识别与稳健估计。Doubly-Valid/Doubly-Sharp Sensitivity Analysis 提出具有“双重尖锐性”和“双重有效性”的 ATE 界估计量，在 nuisance 参数误设下仍能一致估计。Quantification of Vaccine Waning 用“挑战效应”量化疫苗效力衰减，推导非参数 sharp bounds。Evaluating Treatment Prioritization Rules 引入秩加权平均处理效应（RATE）族，为治疗优先级规则评估提供统一推断框架。Distribution-Free Prediction Intervals 将共形预测与协变量偏移结合，构造双稳健的预测区间。Efficient Nonparametric Estimation of Stochastic Policy Effects 在组内干扰下证明半参数有效性。Doubly Robust Augmented Model Accuracy Transfer Inference 与 Doubly Flexible Estimation under Label Shift 分别处理迁移学习与标签偏移中的双重稳健/灵活估计。Using Penalized Synthetic Controls on Truncated Data 则展示了零膨胀数据下合成控制的调整策略。

高维与随机矩阵主线中，Tests for Large-Dimensional Shape Matrices 将 Tyler's M 估计量谱理论推广到一般分布，构造形状矩阵检验。Testing the Number of Common Factors 利用 bootstrap 后特征值分布差异检验因子个数。Modeling and Learning on High-Dimensional Matrix-Variate Sequences 提出矩阵因子模型 RaDFaM，推导新 PCA 变体的渐近性质。Sharp-SSL 用轴对齐随机投影聚合实现高维半监督变量选择。CARE 针对成分数据精度矩阵估计，揭示维度“祝福”下的极小极大最优性。Statistical Inference For Noisy Matrix Completion 在辅助协变量下实现逐元素渐近正态推断。An Interpretable and Efficient Infinite-Order VAR 模型分离时间与截面依赖，实现稀疏估计。

假设检验与选择性推断主线中，Model-Free Statistical Inference on High-Dimensional Data 结合充分降维构造模型无关检验。Empirical Bayes Estimation via Data Fission 将单观测值分裂为合成副本，转化为回归问题。Ranking Inferences Based on the Top Choice 在仅观测首选的多路比较下建立 MLE 渐近正态性。Data Fission and Sampling Designs 与 Assumption-Lean Data Fission 分别讨论数据分裂的选择性推断基础与假设精简版本。Inferring Independent Sets of Gaussian Variables 处理阈值化相关性后的条件检验。Generalized Data Thinning 用充分统计量统一样本分裂与数据稀释。Extreme Value Statistics in Semi-Supervised Models 利用尾部依赖提升极值推断效率。Selection and Aggregation of Conformal Prediction Sets 在共形预测中实现预测集选择与聚合。Confidence Intervals for Parameters of Unobserved Events 为未观测事件概率构造维数自由的置信区间。

与因果推断最贴的论文包括：Doubly-Valid/Doubly-Sharp Sensitivity Analysis、Quantification of Vaccine Waning、Evaluating Treatment Prioritization Rules、Efficient Nonparametric Estimation of Stochastic Policy Effects、Distribution-Free Prediction Intervals、Doubly Robust Augmented Model Accuracy Transfer Inference、Doubly Flexible Estimation under Label Shift、Using Penalized Synthetic Controls on Truncated Data。与半参数效率最相关的有：Doubly-Valid/Doubly-Sharp Sensitivity Analysis、Efficient Nonparametric Estimation of Stochastic Policy Effects、Sobolev Calibration of Imperfect Computer Models。与高维统计/随机矩阵最相关的有：Tests for Large-Dimensional Shape Matrices、Testing the Number of Common Factors、Modeling and Learning on High-Dimensional Matrix-Variate Sequences、Sharp-SSL、CARE、Statistical Inference For Noisy Matrix Completion、An Interpretable and Efficient Infinite-Order VAR。

因果推断 (causal_inference, 9 篇)¶

1. 10.1080/01621459.2024.2335588 · arXiv — Doubly-Valid/Doubly-Sharp Sensitivity Analysis for Causal Inference with Unmeasured Confounding¶

作者: Jacob Dorn, Kevin Guo, Nathan Kallus
期刊/来源: Journal of the American Statistical Association
分类: vol 120 · issue 549 · pp 331-342
相关性 9/10 · novelty: new_method
摘要: 本文在存在未测量混杂因素但假设其影响有界的框架下，研究平均处理效应（ATE）的部分识别问题。具体假设是，遗漏混杂因素对任何个体处理几率的影响不超过一个固定倍数（odds ratio bound）。作者利用分布鲁棒优化推导出该假设下的sharp部分识别界，并提出具有多种新颖稳健性质的估计量。第一个性质是“double sharpness”：当两个 nuisance 参数之一被误设时，估计量仍能一致估计 sharp ATE 界；当所有 nuisance 参数都适当一致时，达到半参数效率。第二个更独特的性质是“double validity”：即使大多数 nuisance 参数被误设，估计量仍能提供有效（可能保守）的 ATE 界，且 Wald 置信区间在估计量非渐近正态时仍然有效。这使得该方法成为因果推断敏感性分析中高度可信的工具。对您而言，本文直接关联您对因果推断中敏感性分析和部分识别方法的兴趣，其 double validity 性质为处理模型误设提供了新思路。
关键技术: distributionally robust optimization, sharp partial identification bounds, double sharpness, double validity, semiparametric efficiency, sensitivity analysis
为什么对您有用: 本文直接命中您 primary interest 中的“causal inference (sensitivity analysis)”，并提出了“double validity”这一新颖的稳健性概念，与您熟悉的“double robustness”形成对比。从技术武器库看，您可以用“estimation theory in causal inference”和“semiparametric theory”中的 influence function 和 efficiency bound 工具来深入理解其 double sharpness 的构造，并评估其 double validity 在有限样本下的表现。中期可做：若想将 double validity 推广到其他因果参数（如 mediation），需先在“identification theory in causal inference”上进一步巩固。

2. 10.1080/01621459.2024.2408776 · arXiv — Quantification of Vaccine Waning as a Challenge Effect¶

作者: Matias Janvin, Mats J. Stensrud
期刊/来源: Journal of the American Statistical Association
分类: vol 120 · issue 549 · pp 96-106
相关性 8/10 · novelty: new_method
摘要: 本文针对疫苗保护效力随时间衰减（waning）的量化问题，指出传统疫苗效力（VE）在早期和晚期的简单对比存在选择偏倚：早期未感染者和晚期未感染者的人群构成不同，因此该对比不能解释为因果效应。作者提出用“challenge effect”（挑战效应）来量化衰减，该效应定义为在接种后不同时间点对个体进行受控暴露（controlled exposure）下的结果对比。在非参数假设下，利用疫苗试验中常规收集的数据，推导出challenge effect的sharp bounds。通过模拟和理论分析，证明challenge effect与常规VE因易感人群耗竭（depletion of susceptibles）而存在实质性差异。最后，将方法应用于BNT162b2 COVID-19疫苗的安慰剂对照随机试验数据，估计结果显示第二剂接种后2个月保护效力开始衰减。本文对您有用：它直接关联您primary interest中的因果推断（identification和sensitivity analysis），特别是通过bounds处理未观测混杂和选择偏倚的思路，可迁移至proximal CI或IV中的类似问题。
关键技术: sharp bounds, nonparametric identification, challenge effect, depletion of susceptibles, vaccine efficacy
为什么对您有用: 本文直接关联您primary interest中的因果推断（identification和sensitivity analysis），特别是通过bounds处理未观测混杂和选择偏倚的思路。您可以用very_familiar的minimax bounds工具来检验其sharp bounds是否紧，或用moderately_familiar的identification theory扩展至更复杂的纵向设定。中期可做：需先在moderately_familiar的identification theory上长肌肉（如proximal CI的negative control假设），以将challenge effect推广至非随机暴露场景。

3. 10.1080/01621459.2024.2393466 · arXiv — Evaluating Treatment Prioritization Rules via Rank-Weighted Average Treatment Effects¶

作者: Steve Yadlowsky, Scott Fleming, Nigam Shah, Emma Brunskill, Stefan Wager
期刊/来源: Journal of the American Statistical Association
分类: vol 120 · issue 549 · pp 38-51
相关性 8/10 · novelty: new_method
摘要: 本文提出秩加权平均处理效应（RATE）指标族，用于评估和比较治疗优先级排序规则的质量。RATE 指标不依赖于规则的具体推导方法，仅评估规则能否有效识别最可能从治疗中获益的个体。作者定义了 RATE 的估计量族，并在随机实验和观察性研究设定下证明了中心极限定理，从而支持渐近精确推断。RATE 指标涵盖了包括 Qini 系数在内的若干现有指标，并直接为这些指标提供了推断方法。文中通过阿司匹林用于中风患者的最优靶向等应用案例展示了 RATE 的实际使用。该方法为治疗优先级规则的评估提供了统一框架，对因果推断中个体处理效应异质性的评估和工具变量设定下的政策学习有直接参考价值。
关键技术: rank-weighted average treatment effect, Qini coefficient, central limit theorem, treatment prioritization, heterogeneous treatment effects
为什么对您有用: 本文直接关联您 causal inference 兴趣中的 treatment effect heterogeneity 评估和 policy learning 方向。RATE 框架与您 very_familiar 的 estimation theory in causal inference 高度契合，可立即用于您当前工作中对个体化治疗规则的评估。中期可做：将 RATE 与您 moderately_familiar 的 HOIF 结合，推导更高效的估计量或更紧的置信区间。

4. 10.1080/01621459.2024.2356886 — Distribution-Free Prediction Intervals Under Covariate Shift, With an Application to Causal Inference¶

作者: Jing Qin, Yukun Liu, Moming Li, Chiung-Yu Huang
期刊/来源: Journal of the American Statistical Association
机构: National Institutes of Health · National Institute of Allergy and Infectious Diseases · East China Normal University · University of California, San Francisco
分类: vol 120 · issue 549 · pp 559-571
相关性 8/10 · novelty: new_method
摘要: 本文研究协变量偏移下无分布假设的预测区间构建问题，目标是在 shift function 需从数据估计时仍保持有限样本覆盖率的有效性。现有 conformal inference 方法多依赖数据拆分，导致区间过宽且覆盖率不稳定。作者提出基于参数工作模型下的 pivotal quantity，并采用重采样框架近似其分布，无需拆分数据即可构造预测区间。该方法具有双稳健性，可灵活应用于因果推断中处理组与对照组协变量分布偏移的场景。数值实验表明，相比现有方法，新方法能产生更短、长度变异更小的预测区间，同时维持良好的覆盖率。对您而言，该工作将 conformal inference 与因果推断的 covariate shift 问题结合，其双稳健性思路与您熟悉的因果推断估计理论（如 DR 估计）有直接联系，且重采样框架可迁移至您关注的 proximal CI 或 IV 设定下的预测区间构造。
关键技术: conformal prediction, covariate shift, pivotal quantity, resampling-based inference, double robustness
为什么对您有用: 直接连接到 primary interest 中的因果推断（covariate shift 在 treatment/control 间的应用）和 semiparametric theory（双稳健性）。武器库中 very_familiar 的 estimation theory in causal inference 可立即用于理解其双稳健性机制，moderately_familiar 的 identification theory 可帮助评估其在 proximal CI 设定下的推广潜力。立即可做：将重采样框架与您已有的因果推断估计工具结合，探索在 IV 或 mediation 设定下的预测区间构造。

5. 10.1080/01621459.2024.2340789 · arXiv — Efficient Nonparametric Estimation of Stochastic Policy Effects with Clustered Interference¶

作者: Chanhwa Lee, Donglin Zeng, Michael G. Hudgens
期刊/来源: Journal of the American Statistical Association
分类: vol 120 · issue 549 · pp 382-394
相关性 8/10 · novelty: new_method
摘要: 本文在 clustered interference（组内干扰）设定下，目标 estimand 是随机化政策（stochastic policy）的因果效应，即通过修改倾向得分分布来定义干预分配机制，而非传统的固定干预或参数化政策。方法核心是构造非参数样本分割估计量，允许用数据自适应方法（如机器学习）灵活估计 nuisance 函数（倾向得分、条件均值），并证明该估计量具有一致性、渐近正态性和半参数有效性，收敛速度达到 n^{-1/2}。关键技术工具包括 cross-fitting、efficient influence function 和 empirical process 理论。模拟实验验证了有限样本性能，并应用于塞内加尔水卫设施对儿童腹泻影响的实证分析。对您而言，本文在 clustered interference 下将随机化政策 estimand 与半参数效率理论结合，直接连接您的因果推断（尤其是纵向/组群设定）和效率理论（semiparametric efficiency bounds）兴趣，且其非参数估计框架可迁移至您熟悉的 proximal CI 或 mediation 设定。
关键技术: clustered interference, stochastic policy effects, efficient influence function, cross-fitting, nonparametric sample splitting estimator, semiparametric efficiency bound
为什么对您有用: 本文直接连接您的 primary interest 中 causal inference 的 clustered interference 子方向，以及 efficiency theory 的 semiparametric efficiency bounds。您的 technical arsenal 中 very_familiar 的 nonparametric statistics 和 estimation theory in causal inference 可立即用于理解其 EIF 推导和 cross-fitting 证明；moderately_familiar 的 semiparametric theory 可进一步检验其效率界是否紧。立即可做：用您熟悉的非参数统计和因果推断估计理论，即可复现其方法并尝试扩展到您的纵向或 mediation 设定。

6. 10.1080/01621459.2024.2406583 — Using Penalized Synthetic Controls on Truncated Data: A Case Study on Effect of Marijuana Legalization on Direct Payments to Physicians by Opioid Manufacturers¶

作者: Bikram Karmakar, Gourab Mukherjee, Wreetabrata Kar
期刊/来源: Journal of the American Statistical Association
机构: University of Florida · University of Southern California · University at Buffalo, State University of New York
分类: vol 120 · issue 549 · pp 64-79
相关性 7/10 · novelty: new_method
摘要: 本文研究医用大麻合法化（MML）对阿片类药物制造商向医生直接支付金额的因果效应。在截断数据（大量零支付）的设定下，作者提出一种带惩罚的合成控制（Penalized Synthetic Control）方法，以处理零支付相关的潜在结构。在截断柔性加性混合模型下，理论表明无惩罚的合成控制方法的最大风险不可控，而惩罚方法能提供有效估计。实证分析发现MML显著降低了阿片制造商对疼痛医学医生的直接支付，且该效应在特定人口特征地区更强。方法上，该文将合成控制与惩罚回归结合，处理了零膨胀数据的识别与估计问题。对您而言，该文展示了在非标准数据（截断/零膨胀）下如何调整经典因果推断方法，与您因果推断中identification和estimation的兴趣直接相关。
关键技术: Penalized Synthetic Control, Truncated Flexible Additive Mixture Model, Zero-inflated data, Synthetic control method
为什么对您有用: 该文直接对应您primary interest中的因果推断（identification & estimation），特别是处理零膨胀数据的合成控制方法。您的武器库中'nonparametric statistics'和'estimation theory in causal inference'可直接用于分析其惩罚项的渐近性质，或扩展至更一般的截断数据设定。中期可做：若想将方法推广至proximal CI框架，需先在'moderately_familiar'的identification theory上加强。

7. 10.1080/01621459.2024.2356291 · arXiv — Doubly Robust Augmented Model Accuracy Transfer Inference with High Dimensional Features¶

作者: Doudou Zhou, Molei Liu, Mengyan Li, Tianxi Cai
期刊/来源: Journal of the American Statistical Association
分类: vol 120 · issue 549 · pp 524-534
相关性 7/10 · novelty: new_method
摘要: 本文针对迁移学习中目标人群无标签、源人群有标签且存在协变量偏移的场景，提出了一种用于分类模型性能（如AUC、TPR、PPV等）点估计和区间估计的迁移推断方法DRAMATIC。核心设定是目标人群的响应变量缺失，但源人群有完整标签，且两群均可观测高维协变量。方法构建了两个模型：一是基于源数据的响应均值插补模型（imputation model），二是刻画分布偏移的密度比模型（density ratio model）。估计量具有双重稳健性：只要插补模型和密度比模型中有一个正确设定，且满足稀疏性假设（如Lasso正则化下的变量选择一致性），估计量即一致。理论部分推导了估计量的渐近正态性，并给出了基于bootstrap的置信区间构造方法。模拟实验显示点估计偏差小、区间覆盖接近名义水平。实证部分将遗传风险预测模型从MGB的一个患者队列迁移到另一个队列，评估其对II型糖尿病的预测准确性。对您而言，本文的DR估计框架与您熟悉的因果推断中的doubly robust estimation一脉相承，且高维协变量下的稀疏性假设与您的高维统计背景直接对接，可作为迁移学习场景下模型评估的方法学参考。
关键技术: doubly robust estimation, density ratio model, high-dimensional feature selection, transfer learning, bootstrap confidence interval, Lasso regularization
为什么对您有用: 本文直接连接您的primary interest中的因果推断（doubly robust estimation框架）和高维统计（高维协变量下的稀疏性假设）。技术武器库中'very_familiar'的'高维渐近理论'和'estimation theory in causal inference'可直接用于理解其理论证明和DR估计量的构造逻辑。中期可做：若想将本文的DR框架与您的higher-order U-statistics工作结合（例如用U-statistic形式刻画AUC等性能指标的估计），需先在'moderately_familiar'的'higher-order U-statistics theory'上进一步熟悉。

8. 10.1080/01621459.2024.2321653 · arXiv — Doubly Flexible Estimation under Label Shift¶

作者: Seong-ho Lee, Yanyuan Ma, Jiwei Zhao
期刊/来源: Journal of the American Statistical Association
分类: vol 120 · issue 549 · pp 278-290
相关性 6/10 · novelty: new_method
摘要: 本文研究标签偏移（label shift）下的参数估计问题：源总体 P 有完整数据 (X,Y)，目标总体 Q 仅有协变量 X，且假设条件分布 P(X|Y) 在两总体中相同。目标是在 Q 中估计感兴趣的参数（如均值或回归系数）。作者提出一种“双重灵活”（doubly flexible）估计方法，只需非参数地逼近 P(X|Y) 的条件期望，而无需对 Q 中 Y 的密度比或 P 中 Y|X 的回归模型进行估计或建模。这与经典的“双重稳健”（doubly robust）估计有本质区别：后者要求回归模型或密度比模型至少一个正确，而本文允许两者同时被错误设定。估计量通过求解基于条件期望的矩方程构造，并建立了相合性和渐近正态性的大样本理论。模拟和 MIMIC-III 数据库的应用验证了有限样本性能。该工作对您的主要兴趣“因果推断”中的迁移学习或数据融合场景有直接启发，特别是其“双重灵活”的思想可能为处理分布偏移下的因果效应估计提供新思路。
关键技术: label shift, doubly flexible estimation, conditional expectation, nonparametric approximation, moment equation
为什么对您有用: 本文直接关联您的主要兴趣“因果推断”中的迁移学习与数据融合问题，特别是标签偏移假设下的参数估计。其“双重灵活”思想——允许回归模型和密度比模型同时错误设定——是对经典双重稳健估计的实质性拓展，可能启发您在 Proximal CI 或 IV 等设定下处理分布偏移。从技术武器库看，您对“非参数统计”和“因果推断中的估计理论”非常熟悉，可立即用非参数条件期望逼近和矩估计方法复现或扩展本文结果（立即可做）。

9. 10.1080/01621459.2024.2311364 · arXiv — Stochastic Low-Rank Tensor Bandits for Multi-Dimensional Online Decision Making¶

作者: Jie Zhou, Botao Hao, Zheng Wen, Jingfei Zhang, Will Wei Sun
期刊/来源: Journal of the American Statistical Association
分类: vol 120 · issue 549 · pp 198-211
相关性 6/10 · novelty: new_method
摘要: 本文研究多维度在线决策问题，将其建模为随机低秩张量bandit。在无上下文设定下，目标是在每个时间点从多个实体类型的组合中选择最优决策（即奖励张量的最大条目），奖励张量具有低秩结构。作者提出了两种算法：tensor elimination和tensor epoch-greedy，并推导了有限时间遗憾界。tensor elimination具有最优的整体遗憾界，而tensor epoch-greedy在奖励张量维度上具有更尖锐的依赖关系。在有上下文设定下，部分模式为上下文，其余为决策，目标是根据上下文信息找到最优决策；为此开发了贝叶斯算法tensor ensemble sampling。仿真和在线广告数据实验表明，所提算法优于忽略张量低秩结构的多种现有方法。该问题与因果推断中的动态处理策略（如contextual bandit用于个性化治疗）有直接联系，低秩张量结构可用于高维异质性处理效应的建模。
关键技术: low-rank tensor bandits, tensor elimination, tensor epoch-greedy, tensor ensemble sampling, finite-time regret bounds
为什么对您有用: 该论文将bandit框架与低秩张量结构结合，直接关联到因果推断中的动态处理策略（如个性化治疗分配）和纵向数据中的序贯决策。研究者可用very_familiar的因果推断估计理论（如IPW、DR估计）来扩展该bandit框架到反事实遗憾最小化，或用moderately_familiar的identification theory分析低秩假设下的可识别性。中期可做：需先在moderately_familiar的semiparametric theory上长肌肉，以处理更复杂的奖励函数结构。

高维统计 / 随机矩阵 (high_dim_rmt, 7 篇)¶

1. 10.1080/01621459.2024.2350573 — Tests for Large-Dimensional Shape Matrices via Tyler’s M Estimators¶

作者: Runze Li, Weiming Li, Qinwen Wang
期刊/来源: Journal of the American Statistical Association
机构: Pennsylvania State University · Shanghai University of Finance and Economics · Fudan University
分类: vol 120 · issue 549 · pp 472-485
相关性 7/10 · novelty: new_theory
摘要: 本文在高维框架下（p/n → c ∈ (0,1)）研究 Tyler's M 估计量的谱性质，并基于其特征值构造形状矩阵的检验（恒等性检验与相等性检验）。Tyler's M 估计量是样本协方差矩阵的稳健替代，但经典理论局限于低维椭圆分布；本文将其推广到一般总体分布，给出了大维 Tyler's M 估计量特征值的联合极限分布（Marchenko-Pastur 型定律）。检验方法适用于包括椭圆分布在内的广泛多元分布族，无需假设总体为椭圆分布。理论贡献在于统一处理了零假设和备择假设下的谱分布，并推导了检验统计量的渐近正态性。模拟显示检验具有良好的有限样本表现和稳健性，实证部分用 Fama-French 49 行业组合数据展示了形状矩阵的时变性。对您而言，本文是 RMT 在高维假设检验中的直接应用，且涉及稳健协方差估计，与您的高维统计和假设检验兴趣高度吻合。
关键技术: Tyler's M estimator, Marchenko-Pastur law, random matrix theory, large-dimensional hypothesis testing, elliptical distributions, spectral distribution
为什么对您有用: 本文直接对应您 primary interest 中的高维统计与随机矩阵理论，具体是 RMT 在高维协方差结构检验中的应用。武器库中 very_familiar 的 high-dimensional asymptotics 可直接用于理解其谱极限推导，而 moderately_familiar 的 M-estimation theory 可用于分析 Tyler's M 估计量的稳健性。中期可做：若想将本文的检验方法推广到更一般的形状矩阵比较（如多组比较或带协变量的情形），需先在 moderately_familiar 的 semiparametric theory 上加强，以处理非椭圆分布下的效率问题。

2. 10.1080/01621459.2024.2346364 · arXiv — Testing the Number of Common Factors by Bootstrapped Sample Covariance Matrix in High-Dimensional Factor Models¶

作者: Long Yu, Peng Zhao, Wang Zhou
期刊/来源: Journal of the American Statistical Association
分类: vol 120 · issue 549 · pp 448-459
相关性 7/10 · novelty: new_method
摘要: 本文在高维因子模型框架下，研究bootstrap对样本协方差矩阵特征值分布的影响。假设数据服从因子模型，其中公共因子驱动spiked特征值，而噪声对应非spiked特征值。作者推导了bootstrap后spiked特征值经适当缩放和中心化后弱收敛到高斯分布，而最大非spiked特征值由bootstrap重抽样权重的次序统计量决定，服从极值分布。基于spiked与非spiked特征值在bootstrap下的不同渐近行为，提出检验公共因子个数的新方法。该方法在弱因子和截面相关误差存在时仍表现可靠。技术贡献涉及具有凸衰减密度和无界支撑的spiked协方差模型，以及一般椭圆分布下的随机矩阵理论。对您而言，本文直接连接高维统计与随机矩阵理论这一primary interest，且其bootstrap扰动特征值分布的技巧可迁移到您熟悉的U-statistic特征值问题中。
关键技术: bootstrap eigenvalue distribution, spiked covariance model, extreme value distribution, random matrix theory, high-dimensional factor model
为什么对您有用: 本文直接连接高维统计与随机矩阵理论（RMT）这一primary interest，具体涉及spiked协方差模型在bootstrap扰动下的特征值极限分布。您武器库中'高维渐近理论'和'逆问题'的功底可直接用于理解其技术细节，且其bootstrap扰动特征值分布的思路可迁移到您熟悉的higher-order U-statistics的谱分析中（例如检验U-statistic核的秩）。中期可做：需先在moderately_familiar的HOIF理论上长肌肉，以将bootstrap扰动分析推广到U-statistic的谱分解。

3. 10.1080/01621459.2024.2344687 · arXiv — Modeling and Learning on High-Dimensional Matrix-Variate Sequences¶

作者: Xu Zhang, Catherine C. Liu, Jianhua Guo, K. C. Yuen, A. H. Welsh
期刊/来源: Journal of the American Statistical Association
分类: vol 120 · issue 549 · pp 419-434
相关性 5/10 · novelty: new_method
摘要: 本文提出一种新的矩阵因子模型 RaDFaM，该模型基于一般秩分解严格推导，假设每个基向量服从高维向量因子模型结构。RaDFaM 从张量子空间角度提供了一类新颖的低秩潜在结构，在信号强度与降维之间进行权衡。基于 RaDFaM 内在的可分离协方差结构，作者推导出一类新的 PCA 变体用于估计载荷矩阵，并依次估计潜在因子矩阵。理论部分证明了 RaDFaM 的峰值信噪比在 PCA 型估计量类别中具有优越性，并建立了信号部分分量的一致性、收敛速率和渐近分布。数值实验展示了 RaDFaM 在矩阵重建、监督学习和聚类等应用中的性能。该工作对您在高维统计和随机矩阵理论方面的兴趣有直接关联，特别是其提出的新 PCA 变体和可分离协方差结构为高维矩阵数据的因子分析提供了新工具。
关键技术: matrix factor model, rank decomposition, separable covariance, PCA variants, asymptotic distribution
为什么对您有用: 本文直接关联您的高维统计与随机矩阵理论兴趣，其提出的 RaDFaM 模型和新的 PCA 变体为高维矩阵数据的因子分析提供了新方法。您可以用 very_familiar 的高维渐近理论来验证其收敛速率是否最优，或用 moderately_familiar 的 M-估计理论分析其估计量的效率。中期可做：需先在 moderately_familiar 的 semiparametric theory 上提升，以深入理解其可分离协方差结构的半参数效率。

4. 10.1080/01621459.2024.2340792 · arXiv — Sharp-SSL: Selective High-Dimensional Axis-Aligned Random Projections for Semi-Supervised Learning¶

作者: Tengyao Wang, Edgar Dobriban, Milana Gataric, Richard J. Samworth
期刊/来源: Journal of the American Statistical Association
分类: vol 120 · issue 549 · pp 395-407
相关性 5/10 · novelty: new_method
摘要: 本文针对高维半监督学习问题，提出一种基于轴对齐随机投影聚合的新方法 Sharp-SSL。核心设定是：高维数据中仅有少量标签，目标是识别区分两类的重要变量（信号坐标），而非直接分类。方法机制为：对数据施加大量随机轴对齐投影，在低维投影上应用基过程（如高斯 EM）估计类间协方差矩阵的迹（广义 Rayleigh 商），以此给每个投影打分；然后将高分投影的变量重要性权重（通过投影矩阵的稀疏性）聚合，选出信号变量。理论方面，在基过程对白化类间协方差矩阵对角元估计足够好时，证明了 Sharp-SSL 能以高概率恢复信号坐标。对高斯 EM 基过程，给出了半监督设定下参数估计误差关于标签比例的新控制。数值实验（含结肠肿瘤数据）支持方法有效性。对您而言，本文的变量选择思路可迁移至高维因果推断中的 confounder selection 或 IV 筛选问题，且其聚合随机投影的框架与您熟悉的 U-statistic 聚合思想有潜在联系。
关键技术: axis-aligned random projections, generalized Rayleigh quotient, Gaussian EM, variable selection via aggregation, semi-supervised learning
为什么对您有用: 本文属于高维统计与半监督学习的交叉，直接连接到您 primary interest 中的高维统计与变量选择。技术上，其聚合随机投影打分的思路与您熟悉的 U-statistic 聚合（如通过树宽/张量收缩计算高阶统计量）有结构相似性——可尝试用 einsum 复杂度分析其投影聚合的计算成本（very_familiar 武器）。中期可做：若将变量选择框架推广到因果推断中的高维 confounder 筛选（moderately_familiar 的因果推断识别理论），需先熟悉半监督 EM 的收敛性分析（当前 moderately_familiar 中未覆盖）。

5. 10.1080/01621459.2024.2335586 · arXiv — CARE: Large Precision Matrix Estimation for Compositional Data¶

作者: Shucong Zhang, Huiyuan Wang, Wei Lin
期刊/来源: Journal of the American Statistical Association
分类: vol 120 · issue 549 · pp 305-317
相关性 5/10 · novelty: new_method
摘要: 本文针对高维成分数据（compositional data）的精度矩阵估计问题。成分数据受单形（simplex）约束，直接推断成分间的条件依赖关系存在固有困难。作者首先给出了成分精度矩阵的精确规范，并将其与基精度矩阵（basis precision matrix）建立联系，证明在适当的稀疏性假设下后者是渐近可识别的。基于这一联系，提出了成分自适应正则化估计（CARE）方法，用于估计稀疏基精度矩阵。推导了估计量的收敛速度，并提供了支持恢复和数据驱动参数调优的理论保证。理论揭示了一个有趣的识别与估计之间的权衡，凸显了成分数据分析中维度的“祝福”：在足够高的维度下，CARE估计量达到极小极大最优性，其表现与基被观测到时一样好。还讨论了框架如何扩展到含零数据（抽样零和结构零）。模拟研究和人类肠道微生物生态网络推断的应用展示了CARE相对于现有方法的优势。该论文对您的高维统计和随机矩阵理论兴趣有直接关联，特别是其关于高维下估计量达到极小极大最优性的理论结果，以及识别-估计权衡的洞察，可能启发您在高维因果推断或成分数据相关设定中的方法学研究。
关键技术: compositional precision matrix, basis precision matrix, sparse estimation, minimax optimality, blessing of dimensionality, adaptive regularization
为什么对您有用: 该论文直接关联您的高维统计和随机矩阵理论兴趣，特别是成分数据这一特殊约束下的精度矩阵估计问题。您武器库中'高维渐近理论'和'极小极大界'可以直接用于验证其声称的sharper rate是否紧，或探索其tradeoff在更一般设定下的推广。中期可做：若想将CARE框架扩展到因果推断中的中介分析或纵向数据，需先在'semiparametric theory'上长肌肉以处理成分数据下的识别问题。

6. 10.1080/01621459.2024.2335591 · arXiv — Statistical Inference For Noisy Matrix Completion Incorporating Auxiliary Information¶

作者: Shujie Ma, Po-Yao Niu, Yichong Zhang, Yinchu Zhu
期刊/来源: Journal of the American Statistical Association
分类: vol 120 · issue 549 · pp 343-355
相关性 5/10 · novelty: new_method
摘要: 本文研究半监督模型下带辅助协变量的噪声矩阵补全的统计推断问题。模型由两部分组成：一部分是未观测潜变量诱导的低秩矩阵，另一部分通过高维列向量构成的系数矩阵建模观测协变量的效应。响应变量的观测模式由协变量的逻辑回归决定，且允许观测概率随样本量增大趋于零。作者采用迭代最小二乘（LS）估计方法，该方法计算成本低，但推导估计量的统计性质具有挑战性。理论结果表明，仅需少量迭代即可使低秩矩阵和系数矩阵的逐元素估计量具有渐近正态性，从而可对未知矩阵的每个条目进行个体推断。此外，还提出了基于乘子bootstrap的高维系数矩阵同时检验程序，用于进一步研究协变量对缺失条目预测的影响。该工作对您在高维统计和矩阵补全方面的兴趣有直接关联，其迭代LS方法及渐近正态性结果可启发您在高维设定下开发更高效的推断工具。
关键技术: iterative least squares, low-rank matrix completion, high-dimensional coefficient matrix, multiplier bootstrap, asymptotic normality
为什么对您有用: 本文直接关联您的高维统计和矩阵补全兴趣，其迭代LS方法在低计算成本下实现逐元素推断，与您熟悉的minimax界和估计理论可形成互补。您可用very_familiar的高维渐近工具验证其收敛速率是否最优，并探索将迭代LS与您的higher-order U-statistics计算框架结合，以处理更复杂的矩阵结构。中期可做：需先在moderately_familiar的HOIF上提升，以处理其推断中的高阶偏差。

7. 10.1080/01621459.2024.2311365 · arXiv — An Interpretable and Efficient Infinite-Order Vector Autoregressive Model for High-Dimensional Time Series¶

作者: Yao Zheng
期刊/来源: Journal of the American Statistical Association
分类: vol 120 · issue 549 · pp 212-225
相关性 5/10 · novelty: new_method
摘要: 本文针对高维时间序列，提出了一种可解释且高效的无穷阶向量自回归（VAR）模型，旨在克服传统VARMA模型在非可识别性、计算复杂性和解释性方面的长期障碍。该模型通过将时间动态和截面依赖结构分别由不同参数集刻画，实现了二者的分离解释，并自然地对截面依赖参数施加稀疏性假设，从而在几乎不损失时间信息的前提下提升统计效率和可解释性。作者引入了两种基于l1正则化的估计方法，可通过块坐标下降算法高效实现，并推导了相应的非渐近误差界。此外，还开发了基于贝叶斯信息准则的一致模型阶数选择方法。模拟研究和宏观经济数据分析验证了所提方法的有效性。该工作对您在高维统计和统计计算方面的兴趣有直接关联，其稀疏建模思路和块坐标下降算法可迁移至您熟悉的高维因果推断或U-统计量计算问题中。
关键技术: sparse infinite-order VAR, block coordinate descent, l1-regularization, non-asymptotic error bounds, BIC for model order selection
为什么对您有用: 本文直接关联您的高维统计和统计计算兴趣：其稀疏无穷阶VAR模型为高维时间序列分析提供了新框架，而块坐标下降算法和l1正则化方法属于您非常熟悉的计算工具（very_familiar: 高维渐近理论、软件开发），可立即可做地用于复现或扩展其算法。中期可做：若将模型扩展至因果推断中的纵向数据或工具变量设定，需先在 moderately_familiar 的识别理论或半参数理论上提升。

非参数 / 半参数 (nonparam_semipara, 2 篇)¶

1. 10.1080/01621459.2024.2340793 · arXiv — Sobolev Calibration of Imperfect Computer Models¶

作者: Qingwen Zhang, Wenjia Wang
期刊/来源: Journal of the American Statistical Association
分类: vol 120 · issue 549 · pp 408-418
相关性 7/10 · novelty: new_method
摘要: 本文针对计算机实验中的校准问题，提出了一种新的 Sobolev 校准方法。该方法通过引入 Sobolev 范数惩罚，有效排除了导致过拟合的校准参数，从而解决了不完美计算机模型下的校准难题。理论方面，作者证明了 Sobolev 校准具有快速收敛率、渐近正态性和半参数有效性等优良性质。特别地，该方法在理论上桥接了 L2 校准和 Kennedy & O'Hagan 校准这两种有影响力的方法。此外，文章还将方法推广到物理过程为高斯过程的情形，并给出了理论证明。数值模拟和实际数据案例展示了所提方法的竞争性能。该方法的核心技术工具是 Sobolev 范数正则化和半参数效率理论，对您在半参数理论和非参数统计方面的兴趣有直接关联。
关键技术: Sobolev calibration, semiparametric efficiency, asymptotic normality, L2 calibration, Kennedy-O'Hagan calibration, Gaussian process
为什么对您有用: 本文直接关联您的半参数与非参数理论兴趣，其核心贡献在于提出了一种新的正则化校准方法并证明了半参数有效性。您可以用非常熟悉的非参数统计和 minimax 界工具来审视其收敛率是否最优，或用 moderately_familiar 的半参数理论来验证其效率界。中期可做：将 Sobolev 校准的思想与您熟悉的因果推断中的去偏机器学习（DML）结合，可能发展出对模型误设更鲁棒的因果估计量。

2. 10.1080/01621459.2024.2353943 · arXiv — Graph-Aligned Random Partition Model (GARP)¶

作者: Giovanni Rebaudo, Peter Müller
期刊/来源: Journal of the American Statistical Association
分类: vol 120 · issue 549 · pp 486-497
相关性 3/10 · novelty: new_method
摘要: 本文提出图对齐随机划分模型（GARP），一种用于联合聚类与图结构推断的贝叶斯非参数混合模型。目标是在聚类单元的同时，将聚类结果对齐到一张已知或未知的图上，以反映单元间的生物学关系（如细胞谱系）。方法以 Gibbs 型先验为构建块，推导了图对齐随机划分的概率质量函数，并由此得到广义中餐馆过程的解析形式。基于该过程设计了高效的 MCMC 算法用于后验推断。在模拟研究和小鼠干细胞单细胞 RNA-seq 数据上展示了模型在恢复聚类结构与潜在图结构方面的性能。对您而言，本文的聚类与图对齐联合建模思路可迁移至因果推断中的纵向或网络结构设定，但方法核心（Gibbs 型先验与 MCMC）与您的主要技术栈（非参、U-统计量、效率理论）距离较远，属于应用导向的贝叶斯非参工作。
关键技术: Bayesian nonparametric mixtures, Gibbs-type priors, Chinese restaurant process, MCMC, random partition models
为什么对您有用: 本文属于贝叶斯非参数聚类方法，与您的 primary interest（非参/半参理论）有方法学重叠，但核心工具（Gibbs 型先验、CRP、MCMC）不在您的技术武器库中（very_familiar 或 moderately_familiar 均未覆盖）。作为 gateway reading，本文对单细胞数据分析有清晰的数据与模型描述，适合了解贝叶斯非参在生物聚类中的应用。暂不可做：缺乏直接可迁移的方法学接口，且 MCMC 推断与您的计算偏好（einsum/tensor）不匹配。

数理统计 / 假设检验 (hypothesis_testing, 10 篇)¶

1. 10.1080/01621459.2024.2310314 · arXiv — Model-Free Statistical Inference on High-Dimensional Data¶

作者: Xu Guo, Runze Li, Zhe Zhang, Changliang Zou
期刊/来源: Journal of the American Statistical Association
分类: vol 120 · issue 549 · pp 186-197
相关性 8/10 · novelty: new_method
摘要: 本文针对高维数据提出一种模型无关的统计推断方法。首先，利用充分降维（SDR）框架将假设检验问题重新表述，使得检验不依赖于具体的回归模型形式。基于该新表述，构造了一个检验统计量，并证明其渐近分布为卡方分布，且自由度与未知总体分布无关。进一步在局部备择假设下进行了功效分析。为在高维模型无关框架下识别重要预测变量，提出了一种多重检验程序以控制错误发现率（FDR），并建立了理论保证。模拟研究和真实数据分析验证了所提方法的有效性。该方法将高维假设检验与充分降维结合，为您的假设检验兴趣提供了新的非参数检验思路，且其多重检验程序对高维因果推断中的变量筛选有参考价值。
关键技术: sufficient dimension reduction, chi-square test, false discovery rate control, multiple testing, model-free inference
为什么对您有用: 本文直接关联您的假设检验兴趣，提出了一种模型无关的高维检验方法，其核心是利用充分降维避免模型假设，与您熟悉的非参数统计和高维渐近理论高度契合。技术上，您可以用 minimax 界分析其检验功效的紧性，或用 U-statistic 投影技术改进其统计量的高阶性质。中期可做：需先在 moderately_familiar 的 M-estimation 理论上巩固，以理解其降维估计的渐近性质。

2. 10.1080/01621459.2024.2421994 · arXiv — Empirical Bayes Estimation via Data Fission¶

作者: Nikolaos Ignatiadis, Dennis L. Sun
期刊/来源: Journal of the American Statistical Association
分类: vol 120 · issue 549 · pp 165-166
相关性 7/10 · novelty: new_method
摘要: 本文研究单观测值设定下的经验贝叶斯估计问题。传统经验贝叶斯方法通常需要多个独立重复观测来估计先验，而本文通过数据分裂（data fission）技术，将单个观测值拆分为两个合成副本，从而将经验贝叶斯估计转化为一般的回归问题。核心机制是：对原始数据施加一个可逆的随机变换（如分裂为和与差），使得分裂后的副本在给定原始数据时条件独立，且保留关于原始参数的信息。基于此，经验贝叶斯的后验均值估计可视为一个回归函数，可通过任意非参数回归方法（如核平滑、随机森林）进行估计。理论方面，作者建立了估计量的收敛速率，并证明了在适当正则性条件下，该方法可达到半参数效率界。模拟和实证研究表明，该方法在多种常见分布（如泊松、正态）下优于传统经验贝叶斯方法。对您而言，该工作将经验贝叶斯与回归框架连接，其数据分裂技巧可能为因果推断中的负对照或工具变量设定提供新的识别策略，值得关注。
关键技术: data fission, empirical Bayes, nonparametric regression, synthetic replicates, semiparametric efficiency bound
为什么对您有用: 本文属于假设检验与经验贝叶斯的交叉方向，直接连接到您对数学统计与假设检验的兴趣。数据分裂技巧可视为一种新的数据增广策略，您可以用非常熟悉的非参数统计与高维渐近工具来分析其估计量的收敛性质。中期可做：若将数据分裂与因果推断中的负对照或工具变量设定结合，可能发展出新的识别方法，这需要先在中等熟悉的因果推断识别理论上进一步积累。

3. 10.1080/01621459.2024.2316364 · arXiv — Ranking Inferences Based on the Top Choice of Multiway Comparisons¶

作者: Jianqing Fan, Zhipeng Lou, Weichen Wang, Mengxin Yu
期刊/来源: Journal of the American Statistical Association
分类: vol 120 · issue 549 · pp 237-250
相关性 7/10 · novelty: new_method
摘要: 本文研究基于多路比较中仅观测到首选（top choice）数据的排名推断问题。设定为：每次从 n 个物品中均匀随机抽取 M 个，进行 L 次独立比较，仅记录每次比较中得分最高的物品（即 top choice），数据服从多项分布。该模型是 Plackett-Luce 模型在仅观测首选时的特例，也是 Bradley-Terry-Luce 模型（M=2）向 M>2 的推广。核心方法为最大似然估计（MLE），在最小采样复杂度（p 的最小阶）下，建立了偏好得分在 ℓ₂ 和 ℓ∞ 范数下的收敛速率。进一步，推导了 MLE 的渐近正态性，从而可构造单个得分的置信区间。关键创新在于提出了一种基于最大成对差值统计量的排名推断框架，通过高斯乘子自助法（Gaussian multiplier bootstrap）估计该统计量的分布，进而构造偏好得分差和物品排名的同时置信区间（simultaneous confidence intervals）。该方法可回答多种排名相关问题，如哪些物品显著优于其他。模拟和真实数据应用验证了理论结果。对您而言，本文在假设检验（排名推断）和高维统计（n 大时得分估计的 ℓ∞ 收敛）方面有直接连接，且其 bootstrap 推断框架可迁移至您关注的因果推断中的多重比较问题。
关键技术: Plackett-Luce model, maximum likelihood estimation, ℓ₂ and ℓ∞ convergence rates, Gaussian multiplier bootstrap, simultaneous confidence intervals, pairwise difference statistic
为什么对您有用: 本文直接连接您 primary interest 中的假设检验（排名推断）和高维统计（n 个物品的得分估计）。技术层面，您非常熟悉的 minimax 界和非参数统计可用于验证本文 ℓ∞ 收敛速率的紧性；您 moderately_familiar 的 M 估计理论可用于分析 MLE 的渐近性质。中期可做：将本文的 bootstrap 推断框架与您 moderately_familiar 的 HOIF 结合，处理更复杂（如存在协变量）的排名推断问题。

4. 10.1080/01621459.2024.2416530 — Data Fission and Sampling Designs: A Discussion¶

作者: Kwun Chuen Gary Chan, Ross L. Prentice, Zhenman Yuan
期刊/来源: Journal of the American Statistical Association
机构: University of Washington · Cape Town HVTN Immunology Laboratory / Hutchinson Centre Research Institute of South Africa · Fred Hutch Cancer Center
分类: vol 120 · issue 549 · pp 159-160
相关性 6/10 · novelty: survey
摘要: 本文是对一篇关于数据分裂（data fission）新范式的讨论文章。该范式通过向原始数据注入噪声，生成一个变换后的数据集用于变量选择，而保留原始数据用于后续推断，从而解决选择性推断（post-selection inference）问题。文章将这一思想与似然推断中长期存在的条件推断（conditioning）原则联系起来，强调了在模型选择后如何进行有效推断的理论基础。讨论中可能涉及了数据分裂方法在抽样设计（sampling designs）中的应用，以及如何通过噪声注入实现选择与推断的信息分离。该方法为高维统计中的变量选择和假设检验提供了一种新的计算策略。对于您而言，本文连接了假设检验与高维统计中的选择性推断问题，其中噪声注入的思路可能与您在高维统计和随机矩阵理论中的研究有技术上的交叉点。
关键技术: data fission, post-selection inference, noise injection, conditioning principle, variable selection
为什么对您有用: 本文直接关联您的首要兴趣——假设检验，特别是高维设定下的选择性推断问题。您武器库中'高维渐近理论'和'非参数统计'可以用于分析数据分裂方法中噪声注入对估计和检验的影响，例如推导注入噪声后的统计量的渐近分布。中期可做：需先在 moderately_familiar 的'M-估计理论'上长肌肉，以理解条件推断框架下的估计方程性质。

5. 10.1080/01621459.2024.2412172 — Assumption-Lean Data Fission with Resampled Data¶

作者: Kevin Fry, Snigdha Panigrahi, Jonathan Taylor
期刊/来源: Journal of the American Statistical Association
机构: Stanford University · University of Michigan
分类: vol 120 · issue 549 · pp 161-161
相关性 6/10 · novelty: new_method
摘要: 本文提出了一种“假设精简型数据分裂”方法，通过将原始数据与独立同分布的辅助噪声数据结合，构造出两个条件独立的数据副本，从而在不依赖模型假设的前提下实现选择性推断。该方法的核心机制是将原始数据与辅助噪声进行线性组合，生成两个新的数据副本，其中一个携带原始信号，另一个仅含噪声，从而在给定原始数据时两者条件独立。这种方法避免了传统数据分裂中需要预先指定分裂比例或依赖模型假设的局限，具有更强的鲁棒性。理论部分证明了该方法在有限样本下能精确控制选择后推断的Type I error，且无需对数据生成过程施加参数假设。模拟和实证研究展示了该方法在变量选择和模型选择后的推断中的有效性。对您可能有用：该方法与您在高维统计和假设检验方面的兴趣高度相关，特别是其“假设精简”的特性与您熟悉的非参数统计和逆问题框架有潜在联系。
关键技术: data fission, selective inference, conditional independence, Gaussian additive noise, post-selection inference
为什么对您有用: 本文直接关联到您在高维统计和假设检验方面的兴趣，特别是选择性推断这一子方向。您武器库中'非参数统计'和'高维渐近理论'可以直接用于分析该方法的稳健性和渐近性质，例如检验其Type I error控制是否在非参数设定下仍然成立。中期可做：需要先在'moderately_familiar'的M估计理论上提升，以处理更复杂的模型选择场景。

6. 10.1080/01621459.2024.2337158 · arXiv — Inferring Independent Sets of Gaussian Variables after Thresholding Correlations¶

作者: Arkajyoti Saha, Daniela Witten, Jacob Bien
期刊/来源: Journal of the American Statistical Association
分类: vol 120 · issue 549 · pp 370-381
相关性 6/10 · novelty: new_method
摘要: 本文研究在阈值化相关性后，对所选出的高斯变量子集与其余变量是否独立进行假设检验的问题。设定为：观测数据来自多元高斯分布，研究者根据样本相关矩阵的阈值（即保留与所有其他变量相关性低于某阈值的变量）筛选出一个变量集，然后对该集合与补集的条件独立性进行检验。核心挑战在于，若忽略筛选步骤，标准检验会过于保守（而非通常的过于激进），因为筛选倾向于选出与其余变量相关性弱的变量。作者提出一种条件检验方法，显式地以筛选事件为条件，从而避免过度保守。为实现计算可行性，他们将条件事件刻画为两组随机变量之间的典型相关（canonical correlation）条件，并推导出可计算的p值。模拟和基因共表达网络分析表明，该方法相比忽略筛选的朴素方法具有显著更高的检验功效。对您而言，本文是选择性推断（selective inference）中一个新颖的设定——筛选导致保守偏差而非反保守偏差——这与您在高维统计和假设检验方面的兴趣直接相关，且其条件检验的构造思路（利用典型相关刻画事件）可能启发您在高维或U-统计量框架下处理类似的选择后推断问题。
关键技术: selective inference, conditional testing, canonical correlation, Gaussian graphical model, post-selection inference
为什么对您有用: 本文直接连接您的 primary interest 中的 hypothesis testing 和高维统计方向，具体是选择性推断中一个反直觉的设定（筛选导致保守偏差）。您的 technical arsenal 中的 minimax bounds 和 high-dimensional asymptotics 可用于分析该条件检验的功率上界或验证其最优性；此外，您 moderately_familiar 的 HOIF 理论可能为构造更高效的条件检验提供新思路。中期可做：需先在 moderately_familiar 的 semiparametric theory 上进一步熟悉，以理解条件检验的效率边界。

7. 10.1080/01621459.2024.2353948 · arXiv — Generalized Data Thinning Using Sufficient Statistics¶

作者: Ameer Dharamshi, Anna Neufeld, Keshav Motwani, Lucy L. Gao, Daniela Witten, Jacob Bien
期刊/来源: Journal of the American Statistical Association
分类: vol 120 · issue 549 · pp 511-523
相关性 5/10 · novelty: new_method
摘要: 本文提出一种基于充分统计量的广义数据稀释（Generalized Data Thinning）框架，旨在将单个随机变量 X 分解为多个独立随机变量，且不损失关于未知参数的信息。与早期工作要求分解后的变量之和等于 X 不同，本文仅要求存在某个已知函数能由这些独立变量精确重构 X，从而大幅扩展了可应用分布族（如指数族、位置-尺度族等）。核心洞察是：稀释操作的本质是充分统计量的条件独立性，这统一了传统样本分割（sample splitting）与数据稀释（data thinning）两种看似不同的方法。作者为多种分布族给出了具体的稀释构造，并展示了其在模型验证、选择性推断等任务中的应用。理论贡献在于将稀释从特定指数族推广到更一般的充分统计量框架，并建立了与充分性原理的深层联系。对您而言，该工作提供了一种无需牺牲样本量即可进行模型诊断和推断的通用工具，尤其适用于高维或小样本场景下的假设检验与模型选择。
关键技术: sufficient statistics, data thinning, sample splitting, exponential family, conditional independence, model validation
为什么对您有用: 本文直接关联您对假设检验和数学统计的兴趣，其核心思想——利用充分统计量实现无信息损失的样本分解——为模型验证和选择性推断提供了新范式。您的技术武器库中'非参数统计'和'高维渐近理论'可用于分析该框架在非参数或高维设定下的有效性（例如，当充分统计量未知或需估计时，稀释性质是否稳健）。中期可做：需先在 moderately_familiar 的'M-估计理论'上提升，以处理稀释操作中涉及的条件分布估计问题。

8. 10.1080/01621459.2024.2333582 — Extreme Value Statistics in Semi-Supervised Models¶

作者: Hanan Ahmed, John H.J. Einmahl, Chen Zhou
期刊/来源: Journal of the American Statistical Association
机构: Tilburg University · Erasmus University Rotterdam
分类: vol 120 · issue 549 · pp 291-304
相关性 5/10 · novelty: new_method
摘要: 本文在 semi-supervised 框架下研究极值统计推断问题。设定为：目标变量有 n 个 labeled 观测，协变量有 n+m 个 unlabeled 观测，利用尾部依赖结构提升目标变量极值指数和极端分位数的估计效率。核心方法基于 tail dependence 构造加权估计量，将协变量的额外信息纳入极值估计，并推导了估计量的渐近正态性。理论结果表明，与仅用 n 个 labeled 数据的经典极值估计量相比，新估计量的渐近方差显著降低，而渐近偏差保持不变。模拟实验验证了有限样本下的改进效果，并应用于法国降雨数据。本文对您可能有用：它展示了如何利用半监督数据提升尾部推断效率，这与您在高维统计和因果推断中处理辅助数据（如负对照变量）的思路有技术共鸣。
关键技术: extreme value index, tail dependence, semi-supervised estimation, asymptotic variance reduction, extreme quantile estimation
为什么对您有用: 本文连接您的 hypothesis testing 兴趣子方向——极值推断中的半监督效率提升。技术武器库中 'nonparametric statistics' 和 'high-dimensional asymptotics' 可用于分析其 tail dependence 估计量的收敛性。中期可做：需先在 moderately_familiar 的 'semiparametric theory' 上长肌肉，以理解其加权估计量的 influence function 结构。

9. 10.1080/01621459.2024.2344700 · arXiv — Selection and Aggregation of Conformal Prediction Sets¶

作者: Yachong Yang, Arun Kumar Kuchibhotla
期刊/来源: Journal of the American Statistical Association
分类: vol 120 · issue 549 · pp 435-447
相关性 4/10 · novelty: new_method
摘要: 本文研究在共形预测框架下，如何从一族机器学习算法中选出或聚合出最优的预测集（最小宽度/体积），同时保持有限样本的覆盖保证。共形预测本身提供分布自由的有限样本有效预测区域，但其效率高度依赖于底层点预测算法的性能。作者提出了两种通用选择算法：第一种（选择法）直接选出宽度最小的共形预测区域，但仅提供近似覆盖保证；第二种（聚合法）通过加权组合多个预测区域，在保持有限样本精确覆盖的同时，其宽度接近最优，且该近似最优性通过一个oracle不等式量化。方法的核心技术工具是split conformal prediction与绝对残差共形得分，并结合了非参数回归估计量的聚合。理论结果包括覆盖概率的有限样本界和宽度的oracle不等式。对您而言，本文的oracle不等式推导和聚合策略可迁移至您熟悉的minimax bound框架，用于分析您在高维或因果推断中可能遇到的模型选择问题；此外，其聚合思路与您熟悉的higher-order U-statistics中的组合聚合有潜在联系，可作为中期可做的探索方向。
关键技术: conformal prediction, split conformal, oracle inequality, model selection aggregation, nonparametric regression
为什么对您有用: 本文属于hypothesis_testing（预测集构建）与nonparametric theory（非参数回归聚合）的交汇。技术武器库中'minimax bounds for estimation problems'可直接用于验证其oracle不等式的紧性；'nonparametric statistics'可用于理解其非参数回归估计量聚合的收敛性质。中期可做：将聚合策略与您moderately_familiar的'HOIF'结合，探索在高阶影响函数框架下的预测集聚合问题。

10. 10.1080/01621459.2024.2314318 — Confidence Intervals for Parameters of Unobserved Events¶

作者: Amichai Painsky
期刊/来源: Journal of the American Statistical Association
机构: Tel Aviv University
分类: vol 120 · issue 549 · pp 226-236
相关性 4/10 · novelty: new_method
摘要: 本文针对可数字母表上的未知分布，研究未观测事件（样本中未出现的符号）概率的区间估计问题。传统上该问题主要关注点估计，本文首次引入选择性推断框架，为未观测事件的概率构造置信区间。核心理论贡献在于证明所构造的置信区间是维数自由的，即区间长度不随字母表大小增长，并且该区间在保持覆盖率的条件下是（几乎）紧的，无法进一步改进。方法上，作者利用选择性推断中的条件推断技术，将未观测事件视为被选择（select）的参数集，从而控制多重比较的偏差。实验部分在合成数据和真实数据上展示了该方法相比现有替代方案的显著改进。最后，本文将方案推广到大字母表分布的联合置信区间构造，在保持覆盖率的条件下优于已知方法。对您而言，该工作将经典的高维分类数据问题与选择性推断结合，其维数自由的性质和紧性证明对您在高维统计和假设检验方面的兴趣有直接参考价值。
关键技术: selective inference, confidence intervals for unobserved events, dimension-free bounds, large alphabet modeling, simultaneous confidence intervals
为什么对您有用: 该工作直接关联您在高维统计和假设检验方面的兴趣，特别是处理高维分类数据时维数自由置信区间的构造。您武器库中'高维渐近理论'和'非参数统计'可以直接用于分析其维数自由性质的推广或验证其紧性证明的严密性。中期可做：若想将选择性推断框架迁移到您熟悉的因果推断设定（如处理未观测混杂），需先在'moderately_familiar'的'识别理论'上加强，理解选择性推断与因果识别中多重比较的类比。

统计计算 / 算法 (stat_computing, 6 篇)¶

1. 10.1080/01621459.2024.2356293 · arXiv — Neural Networks for Geospatial Data¶

作者: Wentao Zhan, Abhirup Datta
期刊/来源: Journal of the American Statistical Association
分类: vol 120 · issue 549 · pp 535-547
相关性 5/10 · novelty: new_method
摘要: 本文提出 NN-GLS，将神经网络嵌入经典高斯过程（GP）地统计模型，以处理不规则空间数据的非线性均值函数。传统 GP 模型假设线性均值，而 NN-GLS 使用广义最小二乘（GLS）损失训练神经网络参数，显式建模空间协方差，并保留 kriging 预测能力。作者证明 NN-GLS 可表示为一种特殊的图神经网络（GNN），从而利用标准神经网络计算技术（如 mini-batching、反向传播）处理不规则空间数据，并实现可扩展的 kriging 方案。理论上，对不规则观测的空间相关数据过程证明了 NN-GLS 的一致性，并给出了有限样本浓度率，量化了准确建模空间协方差对依赖数据神经网络的重要性。模拟和空气污染数据应用展示了方法性能，并提供了 Python 包 geospaNN。对您而言，本文在统计计算（算法实现）和空间统计交叉点上提供了新工具，其 GLS 损失与神经网络结合的设计思路可能迁移到您熟悉的因果推断或高维设定中的依赖数据处理。
关键技术: generalized least squares (GLS) loss, graph neural network (GNN) representation, mini-batching for irregular spatial data, kriging with neural networks, finite-sample concentration rate
为什么对您有用: 本文连接统计计算（算法实现）与空间统计，其 GLS 损失嵌入神经网络的设计可迁移至因果推断中处理空间或纵向依赖数据。武器库中 '软件发展' 和 '非参数统计' 可直接用于理解或复现其算法；'逆问题' 经验可辅助分析其一致性证明。中期可做：若需扩展至更复杂协方差结构，需先在 '半参数理论' 上加强。

2. 10.1080/01621459.2024.2412361 · arXiv — Additive Covariance Matrix Models: Modeling Regional Electricity Net-Demand in Great Britain¶

作者: V. Gioia, M. Fasiolo, J. Browell, R. Bellio
期刊/来源: Journal of the American Statistical Association
分类: vol 120 · issue 549 · pp 107-119
相关性 4/10 · novelty: application
摘要: 本文针对英国14个区域电力净需求（消费减去分布式发电）的联合分布预测问题，提出了一种加性协方差矩阵模型。由于区域间依赖性和区域内变异性均随时间、社会经济和天气因素变化，作者采用修正Cholesky参数化将协方差矩阵分解为无约束参数，并用加性模型（GAM）对每个参数建模。面对大量参数和协变量，采用梯度提升的半自动化模型选择策略。与两种非高斯Copula模型对比，展示了所提模型在联合预测上的竞争力，并通过可视化解释协变量如何影响净需求的变异性与跨区域依赖。对您而言，本文是统计计算在能源系统中的应用实例，其加性协方差建模思路可迁移至您熟悉的高维协方差估计问题，但核心方法（GAM+Cholesky）与您武器库中的非参数统计和软件工具高度匹配，属于立即可做的入门级应用阅读。
关键技术: modified Cholesky parameterization, additive models (GAM), gradient boosting for model selection, multivariate Gaussian model, spatially coherent joint forecasting
为什么对您有用: 本文属于统计计算在能源领域的应用，可作为gateway reading了解协方差建模在真实大规模数据中的实践。您的武器库中'非参数统计'和'软件工具'可直接用于复现或改进其加性模型选择策略（如用更高效的张量方法处理参数空间），属于立即可做的范畴。虽然不直接推进您的主要理论兴趣，但展示了统计方法在工程系统中的落地方式，值得花时间读全文以获取建模思路和数据特征。

3. 10.1080/01621459.2024.2356296 — Rational Kriging¶

作者: V. Roshan Joseph
期刊/来源: Journal of the American Statistical Association
机构: Georgia Institute of Technology
分类: vol 120 · issue 549 · pp 548-558
相关性 4/10 · novelty: new_method
摘要: 本文提出 Rational Kriging，一种具有有理函数形式的 Kriging 方法。核心贡献在于证明 Rational Kriging 的广义最小二乘均值估计比 Ordinary Kriging 更稳定（well-behaved），解决了传统 Kriging 在预测均值时可能出现的数值不稳定性问题。方法基于高斯过程框架进行参数估计和不确定性量化，并进一步提出 Generalized Rational Kriging，将 Ordinary Kriging 和 Rational Kriging 作为特例统一。关键计算步骤仅需计算增广相关矩阵的 Perron 特征向量，该计算可在近线性时间内完成，因此整体计算复杂度与 Ordinary Kriging 相当。大量仿真表明，Generalized Rational Kriging 在预测和不确定性量化上均不劣于甚至优于 Ordinary Kriging。该方法在计算昂贵的模型仿真（emulation）和模型校准（calibration）问题中有潜在应用。对您而言，本文属于统计计算中的新方法，其计算效率（近线性时间）和数值稳定性改进值得关注，尤其适合您对统计计算和软件开发的兴趣。
关键技术: Rational Kriging, Generalized Least Squares, Perron eigenvector, Gaussian process, near-linear time computation
为什么对您有用: 本文属于统计计算（stat_computing）方向的新方法，直接对应您的 primary interest 中的 'statistical computing (numerical methods, algorithm)'。您武器库中 'software development' 和 'nonparametric statistics' 的 very_familiar 工具可直接用于实现和测试该方法。中期可做：若您想深入分析其理论性质（如 minimax 最优性），需先提升 'semiparametric theory' 的熟悉度。

4. 10.1080/01621459.2024.2337156 · arXiv — Generalized Bayesian Additive Regression Trees Models: Beyond Conditional Conjugacy¶

作者: Antonio R. Linero
期刊/来源: Journal of the American Statistical Association
分类: vol 120 · issue 549 · pp 356-369
相关性 3/10 · novelty: new_method
摘要: 本文针对贝叶斯加性回归树（BART）模型在应用上的一个核心限制——传统贝叶斯回退算法要求条件共轭性，从而将模型适用范围局限于少数分布族——提出了一个通用的可逆跳跃MCMC算法，使得BART可以应用于任意广义BART模型。该算法无需调参，仅需用户能够计算似然函数及其梯度与Fisher信息量，极大降低了使用门槛。作者在生存分析、结构化异方差回归和Gamma形状回归三个实例中展示了方法的广泛适用性。从计算角度看，该工作将BART从条件共轭的桎梏中解放出来，本质上是通过MCMC的灵活性替代了分析上的共轭性，属于算法层面的重要突破。对于您而言，该工作展示了如何用计算手段绕过模型限制，与您对统计计算（numerical methods, algorithm）的兴趣直接相关，且其“仅需似然与梯度”的思路与您熟悉的软件开发和M-estimation理论有很好的衔接。
关键技术: reversible jump MCMC, Bayesian additive regression trees (BART), Bayesian backfitting, likelihood gradient and Fisher information, survival analysis, heteroscedastic regression
为什么对您有用: 本文直接对应您 primary interest 中的 statistical computing（numerical methods, algorithm），且其核心思想——用可逆跳跃MCMC替代条件共轭性——是一个优雅的算法创新。您武器库中的 M-estimation 理论（moderately_familiar）可以直接用于分析该算法的收敛性和计算效率，而您对软件开发的熟悉（very_familiar）使得您有能力复现或扩展其实现。中期可做：若想深入，需先在 moderately_familiar 的 M-estimation 理论上长肌肉，以理解其MCMC的稳态分布与目标后验的逼近误差。

5. 10.1080/01621459.2024.2404259 — Bisection Grover’s Search Algorithm and Its Application in Analyzing CITE-seq Data¶

作者: Ping Ma, Yongkai Chen, Haoran Lu, Wenxuan Zhong
期刊/来源: Journal of the American Statistical Association
机构: University of Georgia
分类: vol 120 · issue 549 · pp 52-63
相关性 2/10 · novelty: new_method
摘要: 本文针对CITE-seq单细胞数据中ADT标记物最优子集选择问题，提出了一种名为二分Grover搜索（BGS）的量子算法。BGS将经典二分搜索与Grover量子搜索算法相结合，利用量子并行性实现加速计算。理论分析给出了BGS在估计误差和计算复杂度上的优势，并在IBM量子计算机和模拟器上验证了实证性能。该工作展示了量子算法在计算生物学问题中的潜力，但方法本身是特定于ADT标记物选择的启发式组合搜索，未涉及统计推断或效率理论。对您而言，本文属于统计计算方向的门槛阅读，可了解量子计算在统计问题中的当前应用边界，但核心机器（量子电路设计、Grover算法）不在您的武器库中，暂不可直接迁移。
关键技术: Grover's search algorithm, binary search, quantum parallelism, best subset selection, CITE-seq data analysis
为什么对您有用: 本文属于统计计算方向，但核心是量子算法而非您熟悉的经典统计计算（如einsum/tensor contraction）。武器库中very_familiar的软件开发和high-dimensional asymptotics可帮助理解其计算复杂度分析，但量子电路和Grover算法本身不在您的技术栈内。作为gateway reading，本文可让您了解量子计算在统计问题中的当前应用形态，但暂不可做后续工作。

6. 10.1080/01621459.2024.2335587 · arXiv — Automatic Regenerative Simulation via Non-Reversible Simulated Tempering¶

作者: Miguel Biron-Lattes, Trevor Campbell, Alexandre Bouchard-Côté
期刊/来源: Journal of the American Statistical Association
分类: vol 120 · issue 549 · pp 318-330
相关性 2/10 · novelty: new_method
摘要: 本文提出了一种非可逆模拟退火（NRST）MCMC算法，用于从复杂目标分布中采样。核心贡献包括：1) 提出了一种新的性能度量——Tour Effectiveness (TE)，它控制有界测试函数估计的渐近方差；2) 理论上证明了NRST优于其可逆版本；3) 开发了自动调参程序，以TE为目标并最小化计算成本。该方法利用参考分布可iid采样的特性，使算法具有再生性，可并行化。实验表明，该调参方案在多种概率模型上提升了NRST的性能和鲁棒性。对您而言，本文的自动调参思路和TE度量可迁移到您熟悉的MCMC或计算统计工作中，尤其适合您对统计计算（数值方法、算法）的兴趣。
关键技术: Non-Reversible Simulated Tempering, Tour Effectiveness (TE), Asymptotic Variance Control, Automatic Tuning, Regenerative MCMC
为什么对您有用: 本文属于统计计算（MCMC算法）方向，直接对应您的primary interest中的'statistical computing (numerical methods, algorithm)'。您对软件开发和算法实现非常熟悉，本文提出的自动调参程序可直接集成到概率编程语言中，您有能力复现或扩展其实现。此外，TE度量与渐近方差的关系可结合您熟悉的非参数统计和高维渐近理论进行深入分析。中期可做：需先在moderately_familiar的M-estimation理论上巩固，以理解TE与估计效率的深层联系。

天体统计 (astrostats, 2 篇)¶

1. 10.1080/01621459.2024.2396960 — A Space Astrophysics Perspective on Poisson-FOCuS¶

作者: Carlo Graziani
期刊/来源: Journal of the American Statistical Association
机构: Argonne National Laboratory
分类: vol 120 · issue 549 · pp 22-25
相关性 5/10 · novelty: survey
摘要: 本文是作者以天体物理学家身份对 Poisson-FOCuS 论文的讨论稿，发表于 JASA。文章从空间天体物理学的视角出发，评述了 Poisson-FOCuS 方法在检测伽马射线暴等瞬变事件中的应用潜力。作者指出，Poisson-FOCuS 的在线检测框架与天文观测中实时事件检测的需求高度契合，但实际数据中的背景噪声模型（如非齐次 Poisson 过程）和探测器效应（如死时间、能量依赖）可能带来挑战。讨论中强调了统计方法在天文数据分析中的关键作用，并提出了若干开放问题，如多波段数据融合和计算效率优化。本文属于观点性评论，未提出新方法或理论，但为统计学家进入天文领域提供了入门视角。
关键技术: Poisson-FOCuS, online change-point detection, gamma-ray burst detection, astrophysical transient detection
为什么对您有用: 本文是 astrostatistics 方向的 gateway reading，适合作为统计学家了解天文瞬变检测问题的入门材料。文章清晰阐述了 Poisson-FOCuS 方法在天文背景下的适用性和局限性，并点出了数据噪声模型和探测器效应等实际挑战。武器库中的非参数统计和软件工具可用于处理非齐次背景噪声，但核心的在线检测框架（如 FOCuS）不在当前武器库中，属于暂不可做方向。值得花时间读全文以评估是否值得进入该领域。

2. 10.1080/01621459.2024.2347667 · arXiv — Controlled Discovery and Localization of Signals via Bayesian Linear Programming¶

作者: Asher Spector, Lucas Janson
期刊/来源: Journal of the American Statistical Association
分类: vol 120 · issue 549 · pp 460-471
相关性 4/10 · novelty: application
摘要: 本文提出 Bayesian Linear Programming (BLiP)，解决同时发现信号并定位信号（如遗传精细定位、天文点源检测、变点检测）中的多重比较问题。目标是在控制 FDR 的前提下，输出尽可能多且尽可能小的包含信号的区域。BLiP 将后验分布转化为信号的可信区域，通过线性规划高效求解一个极高维非凸优化问题，在理论上可验证地近似最大化期望势能。方法适用于任意后验分布，计算仅需数分钟。在 UK Biobank 遗传精细定位和 Sloan 数字巡天天文点源检测两个真实数据应用中，BLiP 相比现有方法将势能提升 30%–120%。本文属于应用导向的方法学论文，方法本身是通用框架，但 novelty 主要在于将后验信息转化为决策的优化视角，而非全新的统计推断理论。对您而言，这是一篇很好的 astrostatistics 入门读物：天文点源检测问题清晰展示了数据结构（噪声、选择效应）和模型（后验分布），且 BLiP 的优化思路（线性规划转化非凸问题）与您的统计计算兴趣有交集。
关键技术: Bayesian Linear Programming, false discovery rate control, credible regions, posterior distribution, genetic fine-mapping, point source detection
为什么对您有用: 本文属于 astrostatistics 的 gateway reading：天文点源检测问题（Sloan 巡天数据）的设定清晰，数据侧（噪声、选择效应）和模型侧（后验分布）都有明确交代，适合作为入门读物。武器库中 'software development' 和 'nonparametric statistics' 足以理解方法框架，但核心优化工具（线性规划转化非凸问题）不在当前武器库中，属于 '暂不可做' 方向——若想深入，需补充整数规划或组合优化知识。不过作为了解天文统计应用场景的阅读，值得花时间读全文。

其他 (other, 8 篇)¶

1. 10.1080/01621459.2024.2412362 · arXiv — eDNAPlus: A Unifying Modeling Framework for DNA-based Biodiversity Monitoring¶

作者: Alex Diana, Eleni Matechou, Jim Griffin, Douglas W. Yu, Mingjie Luo, Marie Tosa et al.
期刊/来源: Journal of the American Statistical Association
分类: vol 120 · issue 549 · pp 120-134
相关性 5/10 · novelty: application
摘要: 本文提出 eDNAPlus，一个用于 DNA 条形码（metabarcoding）数据的统一贝叶斯建模框架。目标是从噪声大、误差多的计数数据中估计物种特异的 DNA 生物量（DNA biomass）及其与环境协变量的关系。模型同时考虑了 PCR 扩增、测序深度、实验室误差等多个变异来源，并引入了物种间和站点间的相关性结构。推断采用 MCMC 结合 Laplace 近似，并提出了交叉效应模型的重参数化方案和自适应潜变量更新策略以提高混合效率和计算速度。理论分析和模拟实验为调查设计（如重复次数、质控方法）提供了指导。案例研究使用马氏网陷阱数据，量化了海拔和距道路距离对每个物种 DNA 生物量的影响，并绘制了生物多样性热点图。该框架对生态学与保护生物学的应用价值显著，但方法学核心是贝叶斯分层建模与 MCMC 计算，与您的主要统计兴趣（因果推断、高维、U-统计量、半参效率理论）无直接交集。
关键技术: Bayesian hierarchical model, MCMC with Laplace approximation, crossed-effects model reparameterization, adaptive latent variable updating, metabarcoding data generation process
为什么对您有用: 本文属于应用统计方法论文，主题为生态监测中的 DNA 条形码数据建模，与您的主要兴趣（因果推断、高维统计、U-统计量、半参理论）无直接关联。武器库中无对应工具可攻其核心问题（贝叶斯分层模型与 MCMC 计算）。作为 gateway reading 价值有限，因为生态学背景要求较高，且方法学 novelty 主要在于应用层面的模型整合而非统计理论突破。建议仅作泛读，不进入深度阅读列表。

2. 10.1080/01621459.2024.2408045 · arXiv — Spatial Modeling and Future Projection of Extreme Precipitation Extents¶

作者: Peng Zhong, Manuela Brunner, Thomas Opitz, Raphaël Huser
期刊/来源: Journal of the American Statistical Association
分类: vol 120 · issue 549 · pp 80-95
相关性 4/10 · novelty: application
摘要: 本文研究极端降水事件的空间范围在气候变化下的变化趋势，目标是在两个流域（多瑙河与密西西比河）中，基于观测数据而非气候模型模拟，利用温度协变量投影未来极端降水的空间范围。作者将时间变化的 r-Pareto 过程与空间风险泛函 r 结合，通过将空间依赖结构的非平稳性链接到 ERA5-Land 再分析数据的平均温度协变量来校准模型，并使用 CMIP6 偏差校正气候模拟进行未来投影。模型在边缘分布上捕捉了增温趋势，但空间依赖结构随季节和子流域呈现显著的正负趋势差异。主要结果表明，在主要雨季，未来极端事件将变得更强烈但更局域化，即空间范围缩小。方法上使用了极值统计中的 r-Pareto 过程与协变量驱动的非平稳空间建模，但未涉及因果推断、高维统计或效率理论等核心兴趣方向。
关键技术: r-Pareto processes, spatial risk functionals, nonstationary spatial extremes, temperature covariate projection, CMIP6 bias-corrected climate simulations
为什么对您有用: 本文属于应用统计（气候极值）论文，与您的主要兴趣（因果推断、高维统计、效率理论等）无直接交集。作为 gateway reading 价值有限：虽然数据结构和空间极值建模对统计学家有参考意义，但您武器库中的非参数统计、U-统计量等工具难以直接迁移到 r-Pareto 过程框架。暂不可做——核心机器（极值理论中的 max-stable/r-Pareto 过程、空间风险泛函）不在您的武器库中。

3. 10.1080/01621459.2024.2413928 — Operationalizing Legislative Bodies: A Methodological and Empirical Perspective with a Bayesian Approach¶

作者: Carolina Luque, Juan Sosa
期刊/来源: Journal of the American Statistical Association
机构: Universidad EAN · Universidad Nacional de Colombia
分类: vol 120 · issue 549 · pp 572-583
相关性 3/10 · novelty: survey
摘要: 本文系统综述了贝叶斯理想点估计器（Bayesian ideal point estimator）在立法机构投票行为分析中的应用、扩展与衍生模型。作者首先详细描述了该估计器的统计框架，随后提出一个新的分类法来综合梳理其在美国国会和拉丁美洲立法机构中的技术发展与实证应用。研究发现，拉丁美洲地区仅有少数立法机构被该方法分析过，而处于民主总统制下的议会是未来研究的新场景。文章主要贡献在于文献综述与分类，而非提出新的统计方法或理论。对您而言，本文属于政治学应用领域，与您的主要统计兴趣（因果推断、高维统计等）无直接技术关联。
关键技术: Bayesian ideal point estimator, item response theory, MCMC, latent variable model
为什么对您有用: 本文属于政治学应用，与您的主要兴趣（因果推断、高维统计、半参理论等）无直接技术关联。武器库中的工具（如非参统计、U统计量）无法直接应用于本文的贝叶斯理想点估计框架。本文可作为了解政治学投票数据分析的入门读物，但不值得投入时间精读。

4. 10.1080/01621459.2024.2353947 · arXiv — Randomness of Shapes and Statistical Inference on Shapes via the Smooth Euler Characteristic Transform¶

作者: Kun Meng, Jinyu Wang, Lorin Crawford, Ani Eloyan
期刊/来源: Journal of the American Statistical Association
机构: Brown University · Microsoft (United States) · Microsoft Research New England (United States)
分类: vol 120 · issue 549 · pp 498-510
相关性 3/10 · novelty: new_method
摘要: 本文为形状的随机性建模和统计推断建立了数学基础，核心工具是光滑欧拉特征变换（smooth Euler characteristic transform, SECT）。SECT 将形状映射到函数空间，从而将形状分析转化为函数型数据分析问题。作者提出了两种基于卡方统计量的假设检验算法，用于检验随机形状的分布是否相同。模拟研究验证了理论推导，并与现有方法比较展示了框架的实用性。在真实数据应用中，分析了四种灵长类动物下颌磨牙的形状数据，算法能检测到已知的形态差异。本文连接了代数拓扑、概率论、Sobolev空间、函数型数据方差分析和几何形态测量学等多个领域。对您而言，本文的方法论核心（将复杂对象映射到函数空间进行统计推断）与您的非参数统计和假设检验兴趣有间接关联，但形状分析本身并非您的主要研究方向。
关键技术: smooth Euler characteristic transform, Chi-squared statistic, functional data analysis, topological data analysis, hypothesis testing on shapes
为什么对您有用: 本文属于拓扑数据分析（TDA）在形状统计推断中的应用，与您的主要兴趣（因果推断、高维统计等）无直接重叠。但本文的假设检验框架（卡方统计量）和函数型数据视角，对您的非参数统计和假设检验兴趣有微弱的方法论参考价值。作为 gateway reading，本文对 TDA 外行较友好，但核心问题（形状差异检测）与您的武器库（minimax 界、U-统计量等）距离较远，暂不可做——缺少拓扑数据分析的专门工具（如持续同调、Euler 特征曲线）。

5. 10.1080/01621459.2024.2319897 — Modeling Recurrent Failures on Large Directed Networks¶

作者: Qingqing Zhai, Zhisheng Ye, Cheng Li, Matthew Revie, David B. Dunson
期刊/来源: Journal of the American Statistical Association
机构: Shanghai University · National University of Singapore · University of Strathclyde · Statistical and Applied Mathematical Sciences Institute · Duke University · Statistical Service · Statistical Research (United States)
分类: vol 120 · issue 549 · pp 251-265
相关性 3/10 · novelty: application
摘要: 本文针对大型有向网络上的重复故障数据，提出了一种网络Gamma-Poisson自回归非齐次泊松过程（GPAN）模型。模型包含两层：时间层采用具有节点特异性脆弱性的非齐次泊松过程（NHPP），空间层通过精心设计的Gamma-Poisson自回归方案建立脆弱性之间的相关性。为计算每个脆弱性在给定重复数据下的边际分布，开发了和积算法（sum-product algorithm），该算法能快速计算边际条件脆弱性分布，可用于基于历史数据预测未来故障。通过Bethe近似，利用和积算法的输出计算最大对数似然估计，并采用EM型算法进行参数估计。将方法应用于苏格兰水务网络16年的运营记录，展示了其在辅助运营管理和风险评估方面的实用性。本文的方法学贡献在于将图模型中的信念传播思想与点过程模型结合，解决了大规模网络重复事件数据的计算挑战。
关键技术: sum-product algorithm, Bethe approximation, Gamma-Poisson autoregressive scheme, non-homogeneous Poisson process, EM algorithm, network frailty model
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、高维统计等）无直接交集。但其中使用的和积算法与Bethe近似属于统计计算中的图模型推理技术，与您武器库中的'higher-order U-statistics (treewidth / tensor contraction / einsum)'有间接联系——两者都涉及图结构上的高效计算。作为gateway reading，本文展示了如何将图模型推理工具应用于大规模网络数据的似然计算，但核心问题（网络故障预测）与您的统计推断兴趣方向差异较大，暂不可做。

6. 10.1080/01621459.2024.2321652 — Robust Personalized Federated Learning with Sparse Penalization¶

作者: Weidong Liu, Xiaojun Mao, Xiaofei Zhang, Xin Zhang
期刊/来源: Journal of the American Statistical Association
机构: Shanghai Jiao Tong University · Zhongnan University of Economics and Law · Iowa State University
分类: vol 120 · issue 549 · pp 266-277
相关性 3/10 · novelty: new_method
摘要: 本文研究联邦学习中的个性化鲁棒回归问题。目标是在数据异质性下，通过Huber损失与稀疏融合惩罚（sparse fused penalty）联合学习各客户端的回归权重。提出PerFL-RSR算法，在联邦系统中高效求解该估计问题。理论上证明算法以O(1/T)速率收敛，且估计量具有统计相合性。实验与真实数据分析验证了方法有效性。该工作属于分布式统计学习与优化领域，与您的主要兴趣方向（因果推断、高维统计、半参理论等）无直接交集。
关键技术: Huber loss, sparse fused penalty, federated learning, distributed optimization, convergence rate O(1/T)
为什么对您有用: 本文主题为联邦学习中的个性化鲁棒回归，属于分布式统计学习与优化领域。与您的主要兴趣方向（因果推断、高维统计、半参理论等）无直接交集。武器库中无对应工具可攻该问题。暂不可做。

7. 10.1080/01621459.2024.2411074 · arXiv — Model-Based Machine Learning¶

作者: Emanuela Furfaro
期刊/来源: Journal of the American Statistical Association
分类: vol 120 · issue 549 · pp 584-585
相关性 2/10 · novelty: survey
摘要: 这是一篇书评，介绍 Christopher Bishop 的《Model-Based Machine Learning》一书。该书强调将概率建模与机器学习相结合，主张通过构建显式的概率模型来指导学习算法设计。书中涵盖了贝叶斯推断、变分推断、期望传播等核心方法，并展示了这些方法在多个领域的应用。书评指出，该书适合希望深入理解概率模型基础的读者，但对统计学家而言，其内容与经典统计理论的重叠有限。本文对您作为统计研究者的直接帮助不大，因为它主要面向机器学习实践者，而非因果推断或高维统计等您关注的方向。
关键技术: probabilistic modeling, Bayesian inference, variational inference, expectation propagation
为什么对您有用: 本文是一篇书评，属于非技术性介绍，与您的任何主要或次要兴趣方向均无直接关联。它不涉及因果推断、高维统计、U-统计量或效率理论等您关心的具体子方向，也未提供可迁移的方法学工具。作为 gateway reading 的价值很低，不值得花费时间阅读全文。

8. 10.1080/01621459.2025.2450191 — Our Mission in Action: Past, Present, and Future¶

作者: Dionne L. Price
期刊/来源: Journal of the American Statistical Association
机构: United States Food and Drug Administration · Center for Drug Evaluation and Research
分类: vol 120 · issue 549 · pp 1-6
相关性 0/10 · novelty: survey
摘要: 本文是2023年JSM上美国统计协会主席的演讲总结，回顾了协会在推动统计理论与实践、服务公共利益方面的历史与成就。文章列举了统计学在工程、经济、环境、遗传学、公共卫生和健康政策等领域的广泛应用，强调统计思维在驱动科学发现和决策中的核心作用。内容属于协会工作综述，不涉及具体统计方法、理论或数据应用。文章旨在激励统计界应对未来数据挑战，但未提出新的方法论或实证结果。对您而言，这是一篇了解统计学科宏观发展方向的综述性文章，与您具体的研究兴趣（如因果推断、高维统计）无直接技术关联。
为什么对您有用: 本文为美国统计协会主席的年度演讲，属于学科发展综述，不涉及具体统计方法或数据应用。与您的primary interests（因果推断、高维统计、U统计量等）无技术关联，也无法作为gateway reading进入您的secondary interests。建议跳过，无需阅读全文。

Maintained by 陈星宇 · Homepage · Source on GitHub