JRSSB — Vol 85 Issue 2 · 2026-07-05¶

共 14 篇 · Journal of the Royal Statistical Society Series B
目录核对 ✅ 14 篇全部抓到（对照 OpenAlex 14 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。

JRSSB Vol 85 Issue 2 的14篇论文可归纳为四条主线：因果推断与识别（6篇）、高维统计与随机矩阵（2篇）、假设检验与实验设计（3篇）、以及非参数/半参数方法与模型识别（3篇）。因果推断主线最为突出，覆盖了从动态治疗方案、分布函数效应到连续处理变量测量误差等场景；高维主线聚焦于复杂误差结构下的推断与函数型时间序列；假设检验主线则涉及异方差检测、投影检验与谱分析；其余论文涉及小区域估计、网络几何识别、多层潜变量模型及单调响应面估计。

因果推断主线中，六篇论文从不同角度推进了识别与估计方法。Estimating and improving dynamic treatment regimes with a time-varying instrumental variable 在部分识别框架下引入时变工具变量，推导新的Bellman方程定义IV-最优DTR，并允许改进NUCA下的最优策略。Causal inference on distribution functions 将结果变量扩展到Wasserstein空间，开发双重稳健估计量并建立渐近理论。Estimating heterogeneous treatment effects with right-censored data via causal survival forests 结合随机森林与Neyman正交得分处理右删失数据，证明渐近正态性与半参数效率。Nonparametric estimation of the continuous treatment effect with measurement error 通过去卷积核与局部广义经验似然估计平均剂量-反应函数。Estimating the efficiency gain of covariate-adjusted analyses in future clinical trials using external data 利用外部数据构造半参数有效估计量，量化协变量调整的效率增益。这些论文共同展示了因果推断中工具变量、分布效应、异质性、测量误差与效率分析等前沿议题。

高维统计主线中，Debiased and thresholded ridge regression for linear models with heteroskedastic and correlated errors 放松独立同分布假设，提出去偏加阈值岭回归并依赖野生自助法进行推断。Statistical inference for high-dimensional panel functional time series 引入L^2空间物理依赖过程，通过基分解与乘子bootstrap实现高维函数时间序列的联合置信带与假设检验。假设检验主线中，Designing to detect heteroscedasticity in a regression model 将实验设计与似然比检验渐近功效直接关联，A quantitative Heppes theorem and multivariate Bernoulli distributions 推广投影定理用于分类与检验，Model identification via total Frobenius norm of multivariate spectra 基于谱密度积分发展模型识别与协整秩检验。

与因果推断方向最贴合的论文包括：Estimating and improving dynamic treatment regimes with a time-varying instrumental variable（工具变量与动态治疗）、Causal inference on distribution functions（分布函数因果效应）、Estimating heterogeneous treatment effects with right-censored data via causal survival forests（异质性处理效应与删失数据）、Nonparametric estimation of the continuous treatment effect with measurement error（连续处理与测量误差）。与半参数效率方向相关的有：Causal inference on distribution functions（双重稳健估计）、Estimating the efficiency gain of covariate-adjusted analyses in future clinical trials using external data（半参数有效估计）。与高维方向相关的有：Debiased and thresholded ridge regression for linear models with heteroskedastic and correlated errors（高维线性模型推断）、Statistical inference for high-dimensional panel functional time series（高维函数型时间序列）。

因果推断 (causal_inference, 5 篇)¶

1. 10.1093/jrsssb/qkad011 · arXiv — Estimating and improving dynamic treatment regimes with a time-varying instrumental variable¶

作者: Shuxiao Chen, Bo Zhang
期刊/来源: Journal of the Royal Statistical Society Series B
分类: vol 85 · issue 2 · pp 427-453
相关性 9/10 · novelty: new_method
摘要: 本文在动态治疗方案（DTR）框架下，引入时变工具变量（IV）以应对未测量混杂导致的识别问题。目标是在部分识别条件下定义并估计“最优”DTR，而非依赖无未测量混杂假设（NUCA）。作者推导了部分识别下的新Bellman方程，据此定义了一类IV-最优DTR estimand，并研究了其估计问题。进一步，他们扩展了IV-最优性框架以解决策略改进问题，得到IV-改进DTR，保证不劣于且可能优于预设基线DTR。关键贡献在于，该框架允许严格改进在NUCA下最优的DTR。模拟和真实数据（基于距离差异的时变IV，新生儿重症监护病房分配）验证了方法有效性。对您而言，本文是IV方法在纵向因果推断中的前沿应用，直接连接您的causal inference（IV, longitudinal）和identification theory兴趣。
关键技术: time-varying instrumental variable, partial identification, Bellman equation under partial identification, dynamic treatment regimes (DTR), policy improvement
为什么对您有用: 本文直接连接您的primary interest中的causal inference子方向（IV, longitudinal, mediation），特别是时变IV在动态治疗策略中的识别与估计。您的technical arsenal中very_familiar的estimation theory in causal inference和moderately_familiar的identification theory in causal inference可直接用于理解其识别策略和估计框架。中期可做：若想跟进其估计效率或拓展至proximal CI设定，需先在moderately_familiar的semiparametric theory上长肌肉（如推导其IV-最优DTR的半参效率界）。

2. 10.1093/jrsssb/qkad008 · arXiv — Causal inference on distribution functions¶

作者: Zhenhua Lin, Dehan Kong, Linbo Wang
期刊/来源: Journal of the Royal Statistical Society Series B
分类: vol 85 · issue 2 · pp 378-398
相关性 9/10 · novelty: new_method
摘要: 本文提出一个新颖的因果推断框架，将结果变量从欧氏空间扩展到累积分布函数（CDF）的Wasserstein空间，这是一个非线性空间。目标是定义和估计分布函数层面的因果效应，例如平均处理效应在分布函数上的体现。方法上，作者开发了双重稳健（doubly robust）估计量，结合了倾向性得分和条件分布函数的估计，并建立了相应的渐近理论，包括估计量的相合性和渐近正态性。关键技术工具包括Wasserstein空间中的几何结构、影响函数（influence function）以及半参数效率理论。通过交叉拟合（cross-fitting）等技术，估计量在较弱的条件下达到n^{-1/2}收敛速率。实证部分利用NHANES可穿戴设备数据，量化了婚姻对体力活动模式分布的因果效应。该工作将因果推断与函数型数据分析（FDA）结合，对您的主兴趣方向——因果推断（特别是非标准结果空间的identification和estimation）有直接的方法论启发。
关键技术: doubly robust estimation, Wasserstein space, influence function, cross-fitting, semiparametric efficiency
为什么对您有用: 本文直接连接您的主兴趣——因果推断，特别是处理非欧氏空间结果变量的identification和estimation问题。您武器库中'very_familiar'的'nonparametric statistics'和'estimation theory in causal inference'可直接用于理解其双重稳健估计量的构造和渐近性质；而'moderately_familiar'的'semiparametric theory'和'identification theory in causal inference'则是深入分析其效率界和识别假设的关键。中期可做：若想将此类方法推广到更复杂的因果参数（如mediation或longitudinal setting），需先在'moderately_familiar'的'semiparametric theory'上加强，特别是理解Wasserstein空间中的影响函数推导。

3. 10.1093/jrsssb/qkac001 · arXiv — Estimating heterogeneous treatment effects with right-censored data via causal survival forests¶

作者: Yifan Cui, Michael R Kosorok, Erik Sverdrup, Stefan Wager, Ruoqing Zhu
期刊/来源: Journal of the Royal Statistical Society Series B
分类: vol 85 · issue 2 · pp 179-211
相关性 9/10 · novelty: new_method
摘要: 本文在生存分析框架下，针对右删失数据提出因果生存森林（causal survival forests）以估计异质性处理效应。设定基于无混淆性假设，目标为条件平均处理效应（CATE），并利用正交估计方程（orthogonal estimating equations）同时调整删失和选择偏差。方法核心是将随机森林与Neyman正交得分结合，通过交叉拟合实现稳健推断，避免因nuisance函数估计误差导致的偏差。理论部分证明了估计量的渐近正态性和半参数效率界，并给出了基于无穷小Jackknife的方差估计。实验表明，该方法在多种删失比例和混杂强度下优于现有基线（如Cox模型、因果森林的简单扩展）。对您而言，本文是纵向因果推断中处理删失数据的重要参考，其正交化策略可直接迁移至您熟悉的proximal CI或IV设定中的敏感性分析。
关键技术: causal survival forests, orthogonal estimating equations, Neyman orthogonality, cross-fitting, infinitesimal Jackknife, conditional average treatment effect
为什么对您有用: 本文直接连接您的primary interest中的因果推断（异质性处理效应）和纵向数据（右删失）。技术核心——正交估计方程与随机森林的结合——是您very_familiar的因果推断估计理论的一个具体应用，且其交叉拟合策略与您moderately_familiar的HOIF框架有共通之处。中期可做：您可尝试将本文的正交化思路推广至proximal CI中的负对照设定，以处理更复杂的未观测混杂和删失共存问题——这需要先在moderately_familiar的identification theory上进一步熟悉。

4. 10.1093/jrsssb/qkad013 · arXiv — Nonparametric estimation of the continuous treatment effect with measurement error¶

作者: Wei Huang, Zheng Zhang
期刊/来源: Journal of the Royal Statistical Society Series B
分类: vol 85 · issue 2 · pp 474-496
相关性 8/10 · novelty: new_method
摘要: 本文针对连续型处理变量存在测量误差的场景，研究平均剂量-反应函数（ADRF）的非参数估计。作者通过加权条件期望识别ADRF，权重由局部广义经验似然最大化得到，该优化受一组随样本量扩张的条件矩约束，并融入去卷积核。随后构造ADRF的去卷积核估计量，推导其渐近偏差、方差及渐近线性展开，从而支持统计推断。平滑参数选择采用模拟-外推法，并提出了新的外推程序以稳定计算。蒙特卡洛模拟和实际数据研究展示了方法的实用性能。该工作直接关联您的因果推断兴趣，特别是连续处理变量和测量误差这一实际中常见但理论处理困难的设定。
关键技术: local generalized empirical likelihood, deconvolution kernel, simulation-extrapolation (SIMEX), asymptotic linear expansion, conditional moment restrictions
为什么对您有用: 本文直接对应您因果推断兴趣中的连续处理变量和测量误差问题，属于identification与estimation的交叉。您武器库中'nonparametric statistics'和'estimation theory in causal inference'可直接用于理解其估计框架，而'minimax bounds for estimation problems'可用于检验其收敛速率是否最优。中期可做：若想将本文方法推广至proximal causal inference设定（如利用negative controls校正未测量混杂），需先在'moderately_familiar'的'identification theory in causal inference'上加强。

5. 10.1093/jrsssb/qkad007 · arXiv — Estimating the efficiency gain of covariate-adjusted analyses in future clinical trials using external data¶

作者: Xiudi Li, Sijia Li, Alex Luedtke
期刊/来源: Journal of the Royal Statistical Society Series B
分类: vol 85 · issue 2 · pp 356-377
相关性 7/10 · novelty: new_method
摘要: 本文提出一个框架，利用已有的外部数据（如历史试验或观察性研究）来识别和估计未来随机试验中协变量调整估计量相对于未调整估计量的效率增益（即方差比或所需样本量比）。目标 estimand 是相对效率，定义为调整估计量渐近方差与未调整估计量渐近方差之比，该比值近似于达到相同功效所需的样本量比。方法的核心是构造一个 semiparametric efficient estimator，通过估计 nuisance functions（如条件均值、倾向性得分）并利用 efficient influence function 实现 n^{-1/2}-CAN 和渐近正态性。该估计量允许使用灵活的统计学习工具（如机器学习）估计 nuisance functions，并采用 cross-fitting 控制过拟合偏差。对于部分结果观测的情况（如缺失数据），作者进一步扩展了框架，并提出了解析 Wald 型置信区间和双重自助法（double bootstrap）进行推断。模拟和 COVID-19 治疗试验的应用展示了方法的实用性。对您而言，该工作直接连接了因果推断中的协变量调整效率增益问题，且其 semiparametric efficiency 框架与您的效率理论兴趣高度相关，可视为一个将 efficiency bound 思想应用于试验设计预评估的范例。
关键技术: semiparametric efficiency bound, efficient influence function, cross-fitting, double bootstrap, covariate adjustment, nuisance function estimation
为什么对您有用: 该论文直接连接您的 primary interest 中的因果推断（随机试验的协变量调整）和效率理论（semiparametric efficiency bound）。技术层面，其 efficient influence function 和 cross-fitting 框架是您 moderately_familiar 的 semiparametric theory 和 estimation theory in causal inference 的典型应用，可立即用于理解其效率增益估计量的构造。中期可做：若想将类似框架推广到更复杂的 estimand（如 mediation 或 proximal causal effects），需先在 HOIF 或 identification theory 上长肌肉。

高维统计 / 随机矩阵 (high_dim_rmt, 2 篇)¶

1. 10.1093/jrsssb/qkad006 — Debiased and thresholded ridge regression for linear models with heteroskedastic and correlated errors¶

作者: Yunyi Zhang, Dimitris N Politis
期刊/来源: Journal of the Royal Statistical Society Series B
机构: University of California San Diego · Chinese University of Hong Kong, Shenzhen
分类: vol 85 · issue 2 · pp 327-355
相关性 8/10 · novelty: new_method
摘要: 本文研究高维线性模型在误差项存在异方差、弱相依甚至非平稳情况下的统计推断问题，这是对传统独立同分布误差假设的重要放松。作者提出了一种去偏加阈值的岭回归估计量（debiased and thresholded ridge regression），该估计量在复杂误差结构下仍具有相合性并能恢复模型稀疏性。核心理论贡献是推导了该估计量的高斯逼近定理，并基于此构造了依赖野生自助法（dependent wild bootstrap）的联合置信区间和假设检验程序。技术工具上，作者还引入了一类新的异方差、弱相依、非平稳随机变量族作为回归误差的一般模型。数值实验（含真实数据）验证了有限样本性能。该工作直接连接您的高维统计与假设检验兴趣，特别是其处理相依误差的框架可迁移至您熟悉的因果推断中纵向数据或面板数据的稳健推断问题。
关键技术: debiased ridge regression, dependent wild bootstrap, Gaussian approximation, thresholding, heteroskedastic and dependent errors
为什么对您有用: 直接对应您的高维统计与假设检验兴趣，且其处理异方差/相依误差的框架可迁移至因果推断中纵向数据的稳健推断。您可用 very_familiar 的高维渐近理论验证其 Gaussian approximation 的 sharpness，并用 moderately_familiar 的 M-estimation 理论将其去偏思路推广到带 nuisance 参数的半参数模型。中期可做：需先在 moderately_familiar 的 semiparametric theory 上长肌肉以处理更一般的 nuisance 估计。

2. 10.1093/jrsssb/qkad015 · arXiv — Statistical inference for high-dimensional panel functional time series¶

作者: Zhou Zhou, Holger Dette
期刊/来源: Journal of the Royal Statistical Society Series B
分类: vol 85 · issue 2 · pp 523-549
相关性 4/10 · novelty: new_method
摘要: 本文针对高维面板函数型时间序列（每个个体是一条函数曲线，面板维度大）开发统计推断工具。核心创新是引入L^2空间中的物理依赖过程概念，通过基分解将函数数据映射到系数序列，从而将高维函数时间序列的求和问题转化为高维系数向量的依赖序列求和。在此基础上推导了高斯近似和乘子bootstrap近似的理论保证，适用于高维函数时间序列的部分和。作为应用，构建了均值函数的联合同时置信带，并检验面板维度上均值函数是否平行的假设。理论结果依赖于函数型数据的基展开、函数型时间序列的依赖刻画以及高维bootstrap的收敛速率。模拟和加拿大温度数据展示了方法有效性。对您而言，本文的高维函数型数据推断框架与您在高维统计和假设检验方面的兴趣直接相关，其基分解+依赖近似的思路可迁移至您熟悉的非参数统计和逆问题设定。
关键技术: functional data analysis, physical dependence measure, basis decomposition, multiplier bootstrap, Gaussian approximation, simultaneous confidence bands
为什么对您有用: (1) 本文直接对应您 primary interest 中的高维统计和假设检验，具体是函数型时间序列的高维推断，而非泛泛的高维问题。 (2) 您武器库中 very_familiar 的 minimax bounds 和 high-dimensional asymptotics 可直接用于评估本文 bootstrap 近似的收敛速率是否最优，或能否推广到更一般的依赖结构。 (3) 中期可做：若想将本文的基分解+依赖近似思路与您 moderately_familiar 的 HOIF 结合，需先在函数型数据的 semiparametric theory 上长肌肉（当前为 moderately_familiar），但本文本身是值得读的 gateway 文献。

非参数 / 半参数 (nonparam_semipara, 1 篇)¶

1. 10.1093/jrsssb/qkad014 — Monotone response surface of multi-factor condition: estimation and Bayes classifiers¶

作者: Ying Kuen Cheung, Keith M Diaz
期刊/来源: Journal of the Royal Statistical Society Series B
机构: Columbia University
分类: vol 85 · issue 2 · pp 497-522
相关性 4/10 · novelty: new_method
摘要: 本文研究多因素单调响应面的估计问题，将目标函数视为部分有序分类器集成的逆映射。每个集成称为 PIPE 分类器，是 Bayes 分类器在约束空间上的投影。作者证明了 iPIPE 的存在性，并通过缩减优化空间提出了高效计算算法。该方法适用于维度高于传统保序回归文献的场景。模拟表明，基于 iPIPE 的置信区间达到了名义覆盖概率，且比无约束估计更精确。该工作连接了非参数单调约束估计与分类器集成，对您的非参数统计和估计理论兴趣有直接参考价值。
关键技术: isotonic regression, Bayes classifier, projection onto constrained space, monotone response surface, inverse of classifier ensemble
为什么对您有用: 本文直接关联您的非参数统计和估计理论兴趣，特别是高维单调约束下的估计问题。您的技术武器库中的非参数统计和 minimax 界工具可用于分析 iPIPE 估计量的收敛速率和最优性。中期可做：需先在 moderately_familiar 的 M 估计理论上提升，以严格推导该方法的半参数效率界。

数理统计 / 假设检验 (hypothesis_testing, 3 篇)¶

1. 10.1093/jrsssb/qkad004 · arXiv — Designing to detect heteroscedasticity in a regression model¶

作者: Alessandro Lanteri, Samantha Leorato, Jesús López-Fidalgo, Chiara Tommasi
期刊/来源: Journal of the Royal Statistical Society Series B
分类: vol 85 · issue 2 · pp 315-326
相关性 5/10 · novelty: new_theory
摘要: 本文研究在 Gaussian 回归模型中，为检测指定形式的异方差性而设计实验的问题。目标是在局部备择假设下，最大化基于似然比检验的渐近 χ² 分布的非中心参数。作者发现，当异方差仅依赖一个参数时，Ds-准则与 KL-准则渐近等价，且 D1-准则与非中心参数成比例；当依赖多个参数时，KL-最优设计收敛于最大化非中心参数的设计。理论结果通过模拟验证。该工作将实验设计（optimal design）与假设检验的渐近功效直接联系起来，为异方差检验提供了设计层面的理论指导。对您而言，该文涉及假设检验的渐近理论，与您对 hypothesis testing 的兴趣直接相关，且其局部备择假设下的渐近分析框架可迁移至您熟悉的因果推断中的敏感性分析或工具变量检验问题。
关键技术: optimal experimental design, Ds-optimality, KL-optimality, noncentrality parameter, local alternatives, likelihood ratio test
为什么对您有用: 该文直接连接您的 hypothesis testing 兴趣，特别是检验功效的渐近分析。您可以用 minimax bounds 的视角审视其最优设计是否达到检验功效的渐近下界，这是 very_familiar 武器库中的工具。中期可做：若想将实验设计思想引入因果推断的异质性检验，需先在 moderately_familiar 的 semiparametric theory 上加强，以处理非参数模型下的最优设计问题。

2. 10.1093/jrsssb/qkad003 · arXiv — A quantitative Heppes theorem and multivariate Bernoulli distributions¶

作者: Ricardo Fraiman, Leonardo Moreno, Thomas Ransford
期刊/来源: Journal of the Royal Statistical Society Series B
分类: vol 85 · issue 2 · pp 293-314
相关性 4/10 · novelty: new_method
摘要: 本文研究基于投影的分类与假设检验问题，核心工具是 Heppes 定理的推广：对于支撑集已知的离散概率测度（如多元 Bernoulli 分布），存在一个合适的线性投影能完全确定该分布。作者给出了该投影的存在性条件与构造方法，并讨论了其在分类与检验中的应用。理论部分主要依赖凸几何与离散测度的支撑结构分析，未涉及高维渐近或效率理论。实证部分通过模拟展示了方法在有限样本下的表现。对您而言，该文属于数学统计中投影检验的经典思路，但方法学新颖性有限，且未与您擅长的 U-统计量或高维工具直接衔接。
关键技术: Heppes theorem, projection pursuit, multivariate Bernoulli distributions, classification via projections, hypothesis testing on discrete measures
为什么对您有用: 该文连接您对 hypothesis testing 的兴趣，但属于经典投影检验的变体，未涉及您武器库中的高维渐近或 U-统计量工具。暂不可做：核心机器（凸几何与离散测度支撑结构）不在您的武器库中，且方法学贡献偏理论几何而非统计推断。

3. 10.1093/jrsssb/qkad012 — Model identification via total Frobenius norm of multivariate spectra¶

作者: Tucker S McElroy, Anindya Roy
期刊/来源: Journal of the Royal Statistical Society Series B
机构: United States Census Bureau · University of Baltimore
分类: vol 85 · issue 2 · pp 454-473
相关性 3/10 · novelty: new_method
摘要: 本文研究多元时间序列谱密度的总Frobenius范数积分作为模型识别准则。目标是通过最小化模型谱与真实谱之间的积分Frobenius距离来拟合时间序列模型，并检验残差是否为白噪声。核心方法基于周期图的线性与二次泛函的新渐近理论，推导了估计量的极限分布。在结构时间序列模型中，形式化发展了协整秩检验。模拟和实证表明该方法能实时拟合中高维结构时间序列。对您而言，该工作连接了高维时间序列的假设检验与谱分析，其二次泛函渐近理论可能为您的U-统计量或高维推断研究提供新视角。
关键技术: integrated Frobenius norm, periodogram quadratic functional, co-integration rank testing, structural time series models, spectral density estimation
为什么对您有用: 本文属于假设检验方向，直接连接您对高维统计与假设检验的兴趣。其二次泛函渐近理论可能通过您非常熟悉的高维渐近工具（如随机矩阵理论）来验证或推广。中期可做：需先在 moderately_familiar 的U-统计量理论上长肌肉，以处理谱泛函的高阶投影。

其他 (other, 3 篇)¶

1. 10.1093/jrsssb/qkac010 · arXiv — A nested error regression model with high-dimensional parameter for small area estimation¶

作者: Partha Lahiri, Nicola Salvati
期刊/来源: Journal of the Royal Statistical Society Series B
分类: vol 85 · issue 2 · pp 212-239
相关性 7/10 · novelty: new_method
摘要: 本文针对小区域估计（SAE）问题，提出了一种灵活的嵌套误差回归模型，该模型允许回归系数和方差分量具有高维参数，从而能够捕捉区域间的异质性。作者开发了一种新的稳健小区域特定估计方程方法，通过有效整合大量区域的信息来估计区域特定的模型参数。为了评估估计量的不确定性，论文提出了参数自助法和刀切法来估计均方误差、标准误和变异系数等指标。通过基于模型和基于设计的模拟实验以及真实数据分析，验证了所提方法的有效性。该方法在SAE框架下处理高维参数，为区域级推断提供了新的工具。
关键技术: nested error regression model, small area estimation, estimating equations, parametric bootstrap, jackknife
为什么对您有用: 本文属于小区域估计（SAE）领域，与您的主要兴趣（高维统计、因果推断中的估计理论）有间接关联，但核心方法（估计方程、自助法）并非您武器库中的核心工具。该文的方法学贡献在于处理区域异质性的高维参数，但未涉及您熟悉的非参数统计、U-统计量或半参效率理论。作为gateway阅读，它展示了SAE中高维参数估计的实践，但缺乏与您当前研究方向的直接技术连接。暂不可做：核心机器（SAE的特定模型和估计方程框架）不在您的武器库中，且未涉及您熟悉的minimax界或U-统计量工具。

2. 10.1093/jrsssb/qkad002 · arXiv — Identifying the latent space geometry of network models through analysis of curvature¶

作者: Shane Lubold, Arun G Chandrasekhar, Tyler H McCormick
期刊/来源: Journal of the Royal Statistical Society Series B
分类: vol 85 · issue 2 · pp 240-292
相关性 6/10 · novelty: new_method
摘要: 本文研究网络模型中潜在空间几何的识别问题。假设节点位于常曲率黎曼流形上，距离与连接概率成反比，目标是从观测网络数据中一致估计流形类型（球面/欧氏/双曲）、维数和曲率。方法核心是将图表示为基于团之间联系的带噪距离矩阵，然后对每种候选几何构造假设检验，判断观测距离能否等距嵌入。理论贡献在于证明了在常曲率单连通完备黎曼流形族中，流形类型、维数和曲率是可一致估计的。实证部分应用于经济学和神经科学网络数据。对您而言，本文属于跨领域应用（网络数据分析），与您的主要兴趣（因果推断、高维统计）无直接方法学连接，但假设检验框架和几何建模思路可作为gateway reading了解网络科学中的统计问题。
关键技术: hypothesis testing for manifold type, noisy distance matrix from cliques, isometric embedding, constant curvature Riemannian manifolds, network latent space models
为什么对您有用: 本文属于gateway-reading范畴（网络数据分析），与您的主要兴趣（因果推断、高维统计）无直接方法学重叠。武器库中'非参数统计'和'高维渐近'可帮助理解其假设检验的构造，但核心几何建模工具（黎曼流形、等距嵌入）不在您的技术栈中，属于暂不可做方向。若您想进入网络科学统计领域，本文是入门级读物，但需先补充流形学习基础知识。

3. 10.1093/jrsssb/qkad010 · arXiv — Bayesian Pyramids: identifiable multilayer discrete latent structure models for discrete data¶

作者: Yuqi Gu, David B Dunson
期刊/来源: Journal of the Royal Statistical Society Series B
分类: vol 85 · issue 2 · pp 399-426
相关性 3/10 · novelty: new_method
摘要: 本文针对高维离散数据（如DNA序列）提出一类可识别的多层离散潜变量模型——Bayesian Pyramids。模型采用金字塔形状的深层有向无环图作为潜结构，核心贡献在于给出了该结构下模型参数可识别性的透明条件（基于图结构约束），这是复杂潜变量模型可识别性理论的重要进展。在可识别性条件下，作者证明了在适当先验下贝叶斯后验一致性成立。作为具体实例，重点研究了双层潜变量模型，并设计了贝叶斯收缩估计方法。模拟实验验证了参数的可识别性和可估计性。对DNA核苷酸序列数据的应用揭示了高度预测序列类型的离散潜特征。本文为离散数据的可解释无监督学习提供了一种系统框架，可作为流行机器学习方法的有力替代。
关键技术: Bayesian shrinkage estimation, posterior consistency, identifiability conditions, directed acyclic graph, multilayer latent variable models
为什么对您有用: 本文属于潜变量模型与可识别性理论，与您的主要兴趣（因果推断中的识别理论、非参数/半参数理论）有间接关联——其可识别性条件的技术思路（图结构约束）可能对proximal causal inference中的negative control设定有启发。但核心方法（贝叶斯收缩、后验一致性）不在您的技术武器库中，且不涉及您熟悉的minimax bound、U-statistic或efficiency theory。属于暂不可做方向，缺乏您武器库中处理高维离散潜变量模型的核心工具（如变分推断、MCMC诊断）。

Maintained by 陈星宇 · Homepage · Source on GitHub