JRSSB — Vol 85 Issue 1 · 2026-07-05¶

共 8 篇 · Journal of the Royal Statistical Society Series B
目录核对 ✅ 8 篇全部抓到（对照 OpenAlex 10 篇）

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JRSSB第85卷第1期的8篇论文大致可归为三条主线：因果推断与缺失数据处理、高维回归与矩阵时间序列的推断方法、以及统计计算与网络分析的新框架。因果推断方向有三篇，分别涉及多臂随机实验中的协变量调整、缺失数据下的经验似然加权替代IPW、以及生存分析中的共形预测推断。高维与随机矩阵方向有两篇，分别关注高维线性回归中无需惩罚的边际推断和矩阵时间序列的张量CP分解建模。统计计算方向有两篇，分别讨论神经网络贝叶斯学习的迹类高斯先验与MCMC稳定性、以及分布式推断的序贯蒙特卡洛融合方法。此外还有一篇关于复杂网络核心-外围结构识别的谱方法。

在因果推断与缺失数据处理这条主线上，本期有三篇论文从不同角度推进了识别与效率问题。Covariate adjustment in multiarmed, possibly factorial experiments 从设计-based视角系统分析了多臂随机实验中协变量调整对ATE估计效率的影响，首次建立了restricted least squares回归调整的理论性质，包括约束正确时的渐近有效性和约束仅涉及处理指示变量系数时的一致性，为多臂实验的协变量调整提供了严谨的有限样本与渐近权衡分析。Biased-sample empirical likelihood weighting for missing data problems 针对IPW在倾向得分接近零时方差爆炸的痛点，提出基于有偏样本经验似然直接估计权重，完全绕过逆概率计算，理论上证明比IPW及其稳定化版本更有效，且实现简单无需调参。Conformalized survival analysis 将共形预测引入右删失生存分析，在Type I删失下有限样本保证覆盖概率，在条件独立删失下满足双重稳健性质，为因果推断中的删失问题（如纵向数据dropout）提供了新的推断工具。

高维与随机矩阵方向的两篇论文分别处理了高维回归推断和矩阵时间序列建模。On inference in high-dimensional regression 提出一种无需惩罚的边际最小二乘推断方法，通过寻找最优的interest-respecting变换在Fisher信息分块上诱导稀疏性，避免了lasso等正则化方法的选择偏差和解释变量重缩放问题，保留了回归系数的物理解释。Modelling matrix time series via a tensor CP-decomposition 利用张量CP分解的低秩表示，通过广义特征分析实现一步估计，避免了标准迭代算法，并进一步提出投影到低维满秩特征方程的改进方法，理论证明了分量系数的一致性，将高维统计中的特征分析与时间序列的序列依赖结构结合。

对于因果推断方向的研究者，Covariate adjustment in multiarmed, possibly factorial experiments 和 Biased-sample empirical likelihood weighting for missing data problems 最直接相关，前者关注多臂实验的协变量调整效率，后者提供缺失数据下IPW的稳健替代。对于半参数效率方向，前者中的RLS回归调整理论值得关注。对于高维方向，On inference in high-dimensional regression 的边际推断方法提供了无需惩罚的推断新思路。

因果推断 (causal_inference, 3 篇)¶

1. 10.1093/jrsssb/qkac003 — Covariate adjustment in multiarmed, possibly factorial experiments¶

作者: Anqi Zhao, Peng Ding
期刊/来源: Journal of the Royal Statistical Society Series B
机构: National University of Singapore · University of California, Berkeley
分类: vol 85 · issue 1 · pp 1-23
相关性 9/10 · novelty: new_method
摘要: 本文在 multiarmed 随机实验（含 factorial 设计）的框架下，系统研究了协变量调整对 ATE 估计效率的影响。目标 estimand 是各处理臂的 ATE，采用设计-based 视角（仅依赖随机化，不假设线性模型正确）。首先分析了 additive 和 fully interacted 两种 OLS 回归调整的有限样本与渐近效率权衡。核心贡献是首次从设计-based 角度建立了 restricted least squares (RLS) 回归调整的理论性质：当约束正确时渐近有效；当约束仅涉及处理指示变量系数（而非处理-协变量交互系数）时仍一致；在协变量多、处理臂多、样本量适中的场景下，即使约束轻度 misspecified，有限样本表现也优于无约束 fully interacted OLS。本文还展示了 RLS 框架可统一研究 factorial 实验中的 OLS 回归调整。对您而言，该工作直接连接 primary interest 中的因果推断（实验设计下的效率理论），且其设计-based 分析思路与您熟悉的非参数统计和 minimax 视角互补，可考虑将 RLS 的约束策略推广到更复杂的因果结构（如 IV 或 mediation 中的协变量调整）。
关键技术: design-based inference, restricted least squares (RLS), ordinary least squares (OLS) regression adjustment, finite-sample vs. asymptotic efficiency trade-off, factorial experiments
为什么对您有用: 直接连接 primary interest 中的因果推断（实验设计下的 ATE 估计与效率理论）。您非常熟悉的非参数统计和 minimax 视角可用于检验本文 RLS 约束策略在更复杂设定（如 IV、mediation）下的效率增益是否紧。中期可做：需先在 moderately_familiar 的 semiparametric theory 上长肌肉，以将 RLS 的设计-based 分析推广到半参数模型。

2. 10.1093/jrsssb/qkac006 — Biased-sample empirical likelihood weighting for missing data problems: an alternative to inverse probability weighting¶

作者: Yukun Liu, Yan Fan
期刊/来源: Journal of the Royal Statistical Society Series B
机构: East China Normal University · Shanghai University of International Business and Economics
分类: vol 85 · issue 1 · pp 67-83
相关性 7/10 · novelty: new_method
摘要: 本文针对缺失数据问题中逆概率加权（IPW）估计量在倾向得分接近零时方差爆炸的经典痛点，提出了一种基于有偏样本经验似然加权（ELW）的替代框架。ELW 的核心思想是直接对权重进行经验似然估计，完全绕过逆概率的计算，从而从根本上避免 IPW 的不稳定性。理论上证明了 ELW 估计量是渐近正态的，且比 IPW 及其稳定化版本更有效（方差更小）。模拟和真实数据分析表明 ELW 估计量具有平移等变性、近似无偏，且在均方误差上通常优于 IPW 类估计量。该方法不依赖复杂的调参（如阈值或截断），实现简单。对于您关注的因果推断中的缺失数据或选择偏差问题，ELW 提供了一种比传统 IPW 更稳健且更高效的替代工具，尤其适用于倾向得分极端值较多的场景。
关键技术: empirical likelihood weighting, biased-sample empirical likelihood, inverse probability weighting, missing data, asymptotic normality, stability improvement
为什么对您有用: 本文直接针对因果推断中缺失数据/选择偏差的经典问题，是您 primary interest 中 'causal inference (identification, estimation)' 的实用方法改进。您武器库中 'estimation theory in causal inference' 和 'nonparametric statistics' 可以立即用于分析 ELW 在更复杂因果参数（如 ATE、ATT）下的表现，或将其与 double robust 估计结合。立即可做：用您熟悉的因果推断估计理论，将 ELW 嵌入到 DR 框架中，检验其在有限样本下的稳健性增益。

3. 10.1093/jrsssb/qkac004 · arXiv — Conformalized survival analysis¶

作者: Emmanuel Candès, Lihua Lei, Zhimei Ren
期刊/来源: Journal of the Royal Statistical Society Series B
分类: vol 85 · issue 1 · pp 24-45
相关性 5/10 · novelty: new_method
摘要: 本文在右删失生存分析框架下，基于 conformal prediction 开发了一种推断方法，可包裹任意生存预测算法，生成校准的、协变量依赖的生存时间下预测界。在 Type I 右删失（删失时间完全外生）设定下，该方法在有限样本中保证覆盖概率，仅需 i.i.d. 假设。在更一般的条件独立删失假设下，下界满足双重稳健性质：若删失机制或条件生存函数之一估计良好，则边际覆盖近似保证。方法在合成数据和 UK Biobank 的 COVID-19 数据上验证了有效性和效率。该工作将 conformal prediction 引入生存分析，为因果推断中的删失问题（如纵向数据中的 dropout）提供了新的推断工具。
关键技术: conformal prediction, right-censoring, doubly robust property, survival analysis, finite-sample coverage
为什么对您有用: 本文直接连接您的因果推断兴趣中的纵向/删失数据方向，其双重稳健性质与您熟悉的 semiparametric theory 和 efficiency theory 中的 influence function 思路相通。您可以用 very_familiar 的 nonparametric statistics 和 estimation theory 工具来理解其覆盖保证的有限样本性质，并进一步探索将其推广到更复杂删失机制（如竞争风险）的可能性。中期可做：需先在 moderately_familiar 的 identification theory 中巩固对条件独立删失假设的理解。

高维统计 / 随机矩阵 (high_dim_rmt, 2 篇)¶

1. 10.1093/jrsssb/qkad001 · arXiv — On inference in high-dimensional regression¶

作者: Heather S Battey, Nancy Reid
期刊/来源: Journal of the Royal Statistical Society Series B
机构: Imperial College London · University of Toronto
分类: vol 85 · issue 1 · pp 149-175
相关性 8/10 · novelty: new_method
摘要: 本文针对高维线性回归（p > n）中的单个回归系数的推断问题，提出了一种无需惩罚（如lasso）的边际最小二乘推断方法。核心思想是将每个回归系数视为兴趣参数，其余系数视为 nuisance 参数，通过寻找最优的 interest-respecting 变换，在 Fisher 信息矩阵的相应分块上诱导稀疏性。该变换的一个特定参数化形式允许解析解，从而简化了理论分析和计算。与 lasso 等正则化方法不同，该方法不需要调整选择偏差或重新缩放解释变量，因此回归系数的物理解释得以保留。作者建议将结果纳入更广泛的推断陈述集合中，以反映模型和参数的不确定性。本文还简要讨论了将该方法推广到其他回归模型的考虑。对您而言，该方法提供了一种在高维设定下进行经典频率推断的新视角，与您在高维统计和假设检验方面的兴趣直接相关。
关键技术: interest-respecting transformation, marginal least-squares, induced sparsity, Fisher information matrix, high-dimensional inference
为什么对您有用: 本文直接连接您在高维统计和假设检验方面的主要兴趣，提出了一种无需正则化的高维回归推断方法。您可以用 minimax 下界工具（very_familiar）来评估该方法在特定稀疏性设定下是否达到最优，或者用高维渐近理论（very_familiar）分析其估计量的分布。中期可做：若想将该方法推广到非线性模型，需先在 semiparametric theory（moderately_familiar）上长肌肉。

2. 10.1093/jrsssb/qkac011 · arXiv — Modelling matrix time series via a tensor CP-decomposition¶

作者: Jinyuan Chang, Jing He, Lin Yang, Qiwei Yao
期刊/来源: Journal of the Royal Statistical Society Series B
分类: vol 85 · issue 1 · pp 127-148
相关性 6/10 · novelty: new_method
摘要: 本文针对矩阵时间序列建模，提出基于张量CP分解（CANDECOMP/PARAFAC）的低秩表示方法。核心创新在于估计方法：不采用标准的迭代算法，而是利用序列依赖结构构造广义特征分析，实现一步估计（one-pass estimation）。为解决降秩广义特征方程求解的复杂性，进一步提出投影到低维满秩特征方程的改进方法，显著提升有限样本表现。理论证明了CP分解中所有分量系数向量的一致性。模拟和真实数据展示了该方法在矩阵时间序列建模和预测中的有效降维效果。对您而言，该工作将高维统计中的特征分析与时间序列的序列依赖结构结合，其广义特征分析技术可能对您在高维统计和随机矩阵理论中的研究有借鉴意义。
关键技术: tensor CP-decomposition, generalized eigenanalysis, one-pass estimation, rank-reduced generalized eigenequation, dimension reduction for matrix time series
为什么对您有用: 本文属于高维统计与时间序列交叉领域，直接关联您的高维统计兴趣。其核心方法——基于序列依赖的广义特征分析——与随机矩阵理论中的特征值/特征向量分析有技术交集。从武器库看，您对高维渐近理论非常熟悉，可立即评估其估计量的一致性证明是否紧；但该文涉及张量分解的代数结构，与您熟悉的U-统计量/张量收缩计算有距离，属于中期可做——需先在 moderately_familiar 的更高阶U-统计量理论上加强，才能将张量CP分解的估计问题转化为您熟悉的组合/图论成本模型。

统计计算 / 算法 (stat_computing, 2 篇)¶

1. 10.1093/jrsssb/qkac005 · arXiv — Trace-class Gaussian priors for Bayesian learning of neural networks with MCMC¶

作者: Torben Sell, Sumeetpal Sidhu Singh
期刊/来源: Journal of the Royal Statistical Society Series B
分类: vol 85 · issue 1 · pp 46-66
相关性 4/10 · novelty: new_method
摘要: 本文提出一种新的神经网络函数先验：每个权重和偏置独立服从高斯分布，但方差随网络宽度递减，使得在无限宽极限下函数先验良定义。该先验诱导的后验可通过 Hilbert 空间 MCMC 方法进行采样，且 MCMC 在网格细化下稳定——即随着参数增多，接受概率不会退化。与现有函数空间先验（如高斯过程）相比，该方法在贝叶斯强化学习等任务中展示了优势。对您而言，本文的核心技术贡献在于将 MCMC 的稳定性分析与神经网络先验的尺度设计结合，属于统计计算中算法稳定性方向的新结果。
关键技术: Hilbert space MCMC, function space priors, mesh refinement stability, neural network prior, Bayesian inference
为什么对您有用: 本文属于统计计算方向，直接对应您 primary interest 中的 statistical computing。您武器库中的 nonparametric statistics 和 high-dimensional asymptotics 可用于分析该先验的收敛性质；MCMC 稳定性分析是您 moderately_familiar 的 M-estimation theory 可延伸的领域。暂不可做：核心机器（Hilbert space MCMC 的无限维分析）不在您武器库中，需先补充函数空间贝叶斯推断的基础。

2. 10.1093/jrsssb/qkac007 · arXiv — Bayesian fusion: scalable unification of distributed statistical analyses¶

作者: Hongsheng Dai, Murray Pollock, Gareth O Roberts
期刊/来源: Journal of the Royal Statistical Society Series B
分类: vol 85 · issue 1 · pp 84-107
相关性 3/10 · novelty: new_method
摘要: 本文针对分布式统计推断的统一问题，提出了一种基于序贯蒙特卡洛（SMC）的贝叶斯融合方法。现有方法（如基于近似的方法）在融合大量分析结果时，推断质量会迅速下降，且当各分析结果不一致时会产生显著偏差。本文的核心创新在于将蒙特卡洛融合框架嵌入SMC算法，避免了近似误差，实现了精确的贝叶斯融合。理论分析表明，该方法在融合数量增加时仍能保持稳健性，且对不一致的分析具有鲁棒性。实证结果进一步验证了其相对于现有方法的优势。该方法适用于大数据场景、隐私约束下的推断以及贝叶斯模型选择。对您而言，本文的SMC框架与您熟悉的统计计算和软件工具方向高度相关，其算法设计思路可迁移至您在高维或因果推断中处理分布式数据时的计算问题。
关键技术: sequential Monte Carlo, Monte Carlo fusion, rejection sampling, distributed inference, Bayesian model choice
为什么对您有用: 本文属于统计计算方法，直接连接您的primary interest中的统计计算方向。您熟悉的非参数统计和软件工具可用于复现或扩展其SMC算法，例如在因果推断的分布式敏感性分析中应用该融合框架。中期可做：需先在moderately_familiar的M估计理论中熟悉SMC的收敛性分析，但核心算法实现立即可用您的软件技能动手。

其他 (other, 1 篇)¶

1. 10.1093/jrsssb/qkac009 · arXiv — Informative core identification in complex networks¶

作者: Ruizhong Miao, Tianxi Li
期刊/来源: Journal of the Royal Statistical Society Series B
分类: vol 85 · issue 1 · pp 108-126
相关性 2/10 · novelty: new_method
摘要: 本文研究复杂网络中的核心-外围结构识别问题。目标是在非信息性外围连接干扰下，提取出具有真实结构信息的核心子图。作者提出了一种新的核心-外围模型，该模型不预设核心的具体形式，仅对外围的噪声连接结构进行建模。核心识别算法基于谱方法，适用于多种下游网络分析任务。算法具有强性能保证，且可扩展至大规模网络。模拟研究表明该方法优于多种传统核心-外围识别方法。在引文网络上的应用表明，提取核心结构后能获得更可解释的层次社区检测结果。
关键技术: core-periphery model, spectral clustering, network community detection, random graph model
为什么对您有用: 本文属于网络数据分析的方法论工作，与您的主要兴趣（因果推断、高维统计等）无直接交集。但网络核心-外围结构识别是许多应用领域（如流行病学接触网络、经济网络）的预处理步骤，可能间接有用。作为一篇方法论论文，其谱算法和理论保证对您而言是入门级阅读，武器库中的非参数统计和高维渐近理论足以理解，但缺乏直接可迁移的问题口子，暂不可做。

Maintained by 陈星宇 · Homepage · Source on GitHub