跳转至

JASA — Vol 120 Issue 552 · 2026-07-05

  • 共 4 篇 · Journal of the American Statistical Association
  • 目录核对 ⚠️ 疑似漏 65 篇（对照 OpenAlex 69 篇）：10.1080/01621459.2025.2516210、10.1080/01621459.2025.2455198、10.1080/01621459.2025.2555067、10.1080/01621459.2025.2526695、10.1080/01621459.2024.2428467 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 120 Issue 552 的四篇论文可归纳为两条主线：高维随机矩阵与协方差结构检验（两篇），以及非参数/半参数函数型建模与推断（两篇）。前者聚焦于超高维或高维函数型时间序列中协方差矩阵的检验与降维，后者则关注空间变系数模型和多元函数线性回归中的结构识别与正则化。

在高维随机矩阵主线上，Two Sample Test for Covariance Matrices in Ultra-High Dimension 通过数据分裂和随机矩阵理论（Marchenko-Pastur 律）构造特征值差异统计量，突破了传统方法对样本量可比性和协方差稀疏性的依赖，在弱备择下仍有效。On the Modeling and Prediction of High-Dimensional Functional Time Series 则利用特征分解将高维函数型时间序列转化为低维向量时间序列，通过组间去相关实现降维与预测，其核心工具同样涉及随机矩阵理论中的特征分析。两篇均以特征值/特征向量为切入点，但前者侧重检验，后者侧重建模与预测。

在非参数/半参数主线上，Local Signal Detection on Irregular Domains with Generalized Varying Coefficient Models 采用三角剖分样条和局部 L2 惩罚识别空间变系数中的无效区域，并构建模型置信区域进行推断，适用于不规则域上的异质性检测。Coefficient Shape Alignment in Multiple Functional Linear Regression 则通过惩罚系数形状差异将多个函数型协变量聚合为同质组，实现分组回归，其核心在于利用函数形状相似性降低模型复杂度。两篇均涉及函数型数据的结构正则化，但前者侧重空间局部性，后者侧重协变量间的形状对齐。

对于因果推断方向的研究者，Local Signal Detection on Irregular Domains 的空间变系数与局部惩罚推断思路可直接迁移至空间异质性处理效应识别；Coefficient Shape Alignment 的分组正则化方法可用于处理多个函数型协变量间的同质性结构。高维随机矩阵方向的两篇则更贴近协方差结构检验与高维时间序列建模，适合关注高维统计推断的读者。

高维统计 / 随机矩阵 (high_dim_rmt, 2 篇)

1. 10.1080/01621459.2024.2423971 · arXiv — Two Sample Test for Covariance Matrices in Ultra-High Dimension

  • 作者: Xiucai Ding, Yichen Hu, Zhenggang Wang
  • 期刊/来源: Journal of the American Statistical Association
  • 分类: vol 120 · issue 552 · pp 2210-2221
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文针对超高维（维度远大于两个样本量）下两个总体协方差矩阵相等的检验问题提出新方法。现有方法通常要求两样本量可比、总体协方差矩阵有特定结构（如稀疏性）或已知矩信息，本文通过数据分裂和比较分裂数据集上样本协方差矩阵的精选特征值来避免这些假设。方法的核心机制是：将数据随机分成两部分，分别计算样本协方差矩阵的特征值，然后构造基于特征值差异的检验统计量；通过随机矩阵理论（Marchenko-Pastur 律及其推广）推导出统计量在原假设下的渐近分布。理论分析给出了检验的渐近水平和功效，证明该方法在弱备择下仍有效。数值模拟和两个真实数据（如基因表达数据）分析表明，该方法在控制第一类错误和功效方面显著优于现有方法。对您而言，本文是随机矩阵理论在高维假设检验中的直接应用，其数据分裂+特征值比较的框架可能为您的 high-dimensional statistics 和 hypothesis testing 兴趣提供新思路。
  • 关键技术: data splitting, eigenvalue comparison, Marchenko-Pastur law, ultra-high dimensional covariance test, random matrix theory
  • 为什么对您有用: 本文直接对应您 primary interest 中的 high-dimensional statistics 和 hypothesis testing，特别是随机矩阵理论在高维协方差检验中的应用。您的 technical_arsenal 中 very_familiar 的 high-dimensional asymptotics 和 minimax bounds 可直接用于理解其渐近分布推导和功效分析；数据分裂技巧也可能与您 causal inference 中的 cross-fitting 有技术共鸣。中期可做：若想深入推广到更一般的协方差结构（如带缺失或测量误差），需先在 moderately_familiar 的 M-estimation theory 上加强。

2. 10.1080/01621459.2024.2413201 · arXiv — On the Modeling and Prediction of High-Dimensional Functional Time Series

  • 作者: Jinyuan Chang, Qin Fang, Xinghao Qiao, Qiwei Yao
  • 期刊/来源: Journal of the American Statistical Association
  • 分类: vol 120 · issue 552 · pp 2181-2195
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文针对高维函数型时间序列（p 大 n 小）的建模与预测问题，提出两步法。第一步对正定矩阵做特征分析，得到原始高维函数型时间序列的一一线性变换，使得变换后的曲线序列可分割为若干组，组间既无同期相关也无序列相关。第二步对每组内的变换后函数型时间序列建立有限维动态结构，并将该结构表示为向量时间序列的动态结构。最终通过各组向量时间序列的建模与预测，实现原始高维函数型时间序列的建模与预测。文章给出了理论性质，并通过模拟和两个真实数据集验证了有限样本表现。该方法的核心在于利用特征分解实现降维与去相关，将高维函数型动态问题转化为低维向量时间序列问题，对您而言，其降维思路与高维统计中的随机矩阵理论（Marchenko-Pastur 律等）有潜在联系，可启发高维函数型数据的推断方法。
  • 关键技术: eigenanalysis of positive definite matrix, linear transformation for decorrelation, segmentation of functional time series, finite-dimensional dynamical structure, vector time series representation
  • 为什么对您有用: 本文属于高维统计与函数型数据分析的交叉，直接连接到您的高维统计兴趣。其核心降维与去相关步骤涉及正定矩阵的特征分析，您可以用 very_familiar 的高维渐近理论（如随机矩阵谱分布）来检验该变换在 p/n 非退化时的行为。中期可做：若想将方法推广到更一般的协方差结构，需先在 moderately_familiar 的 M-估计理论中加强函数型数据的工具。

非参数 / 半参数 (nonparam_semipara, 2 篇)

1. 10.1080/01621459.2024.2423972 — Local Signal Detection on Irregular Domains with Generalized Varying Coefficient Models

  • 作者: Chengzhu Zhang, Lan Xue, Yu Chen, Heng Lian, Annie Qu
  • 期刊/来源: Journal of the American Statistical Association
  • 机构: Oregon State University · University of Science and Technology of China · City University of Hong Kong · City University of Hong Kong, Shenzhen Research Institute · University of California, Irvine
  • 分类: vol 120 · issue 552 · pp 2222-2234
  • 相关性 4/10 · novelty: new_method
  • 摘要: 本文研究不规则空间域上的局部信号检测问题，采用广义变系数模型（GSVCM）允许回归系数随空间位置变化。核心方法是用三角剖分上的二元样条逼近非参数变系数函数，并对每个三角形的样条系数施加L2范数的局部惩罚，以识别系数为零的无效区域。此外，作者构建了模型置信区域作为推断工具，量化估计的无效区域的不确定性。算法上利用局部二次逼近实现高效计算。理论方面证明了非参数系数函数和无效区域估计的相合性。模拟和实际数据分析验证了方法的数值表现。对您而言，该文的空间变系数建模与局部惩罚推断思路，可迁移至因果推断中的空间异质性处理效应识别问题。
  • 关键技术: bivariate spline on triangulation, local L2 penalty, model confidence region, local quadratic approximation, generalized varying coefficient model
  • 为什么对您有用: 该文属于非参数/半参数理论方向，与您的非参数统计和估计理论兴趣直接相关。技术武器库中的'非参数统计'和'M估计理论'可直接用于分析其惩罚样条估计的收敛性和置信区域构造。立即可做：用您熟悉的非参数统计工具验证其局部惩罚的minimax最优性。

2. 10.1080/01621459.2024.2422115 · arXiv — Coefficient Shape Alignment in Multiple Functional Linear Regression

  • 作者: Shuhao Jiao, Ngai-Hang Chan
  • 期刊/来源: Journal of the American Statistical Association
  • 分类: vol 120 · issue 552 · pp 2196-2209
  • 相关性 4/10 · novelty: new_method
  • 摘要: 本文提出了一种新的分组多元函数线性回归模型，并引入“系数形状对齐”（coefficient shape alignment）正则化方法，用于处理多个函数型协变量之间的同质性。模型分两步：首先通过惩罚系数形状差异将协变量聚合为不相交的组，然后基于检测到的分组结构建立分组回归模型，其中同组协变量的系数函数共享相同的形状（仅缩放因子不同）。作者建立了真实分组结构可准确识别的条件，并推导了模型估计的渐近性质。模拟研究评估了有限样本表现，并通过糖质量评价的真实数据分析展示了实用性。该方法为多元函数型数据的简约建模提供了新框架，其核心在于利用函数型数据的结构相似性降低模型复杂度。对您而言，该工作涉及非参数函数估计与分组正则化，与您在高维统计和半参数理论方面的兴趣有交集，尤其是其分组识别条件与渐近理论的分析思路可迁移至您熟悉的因果推断或高维设定中的结构学习问题。
  • 关键技术: coefficient shape alignment, grouped functional regression, penalized estimation, asymptotic properties, functional data analysis
  • 为什么对您有用: 本文属于非参数/半参数函数型数据建模，与您的 primary interest 中的非参数统计和半参数理论直接相关。其分组正则化与渐近识别条件可视为一种结构学习问题，您可以用 minimax bounds 工具（very_familiar）来评估其分组估计的最优性，或思考该形状对齐思想能否迁移至因果推断中的异质性处理效应分组。中期可做：若想深入函数型数据的高维理论，需先在 moderately_familiar 的 M-estimation 理论上加强（如经验过程工具）。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论