跳转至

JRSSB — Vol 85 Issue 3 · 2026-07-05

  • 共 18 篇 · Journal of the Royal Statistical Society Series B
  • 目录核对 ✅ 18 篇全部抓到（对照 OpenAlex 20 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 3 的 18 篇论文可归纳为四条主线：因果识别与效率（纵向 PCI、无效 IV 后选择、RCT-RWD 融合、非可忽略缺失、条件矩估计）、假设检验（多重检验 TDP 保证、高维变点、稀疏函数型同质性、潜变量模型比较、LTS 似然框架）、计算方法（流形提升 MCMC）、非参/半参与高维结构（函数参数置信带、图像回归稀疏 Kronecker 分解）。此外，跳跃扩散精确似然、排序因子设计、自回归最优传输模型各成独立方向。

因果推断主线最为密集。Proximal causal inference for complex longitudinal studies 将 PCI 框架推广至纵向设定，用时变代理变量识别时变处理下的边际结构均值模型，并推导了半参数效率界与双稳健估计量。Causal inference with invalid instruments 聚焦多数规则下工具变量选择后的推断问题，提出搜索-抽样置信区间以解决后选择覆盖不足。Elastic integrative analysis of randomised trial and real-world data 通过检验决定是否融合 RWD，构造弹性置信区间以平衡偏差与效率。Non-parametric inference about mean functionals of non-ignorable non-response data 利用影子变量在非可忽略缺失下实现均值泛函的 n 估计，处理表示方程解不唯一带来的非参数估计挑战。The variational method of moments 将条件矩约束的极小极大估计推广至无限矩，证明其保持半参数效率，为 IV 回归提供新工具。Statistical testing under distributional shifts 提出通用框架，通过重采样将检验从观测分布迁移至目标分布，适用于上下文 bandit 与协变量偏移。Bayesian likelihood-based regression for estimation of optimal dynamic treatment regimes 用贝叶斯似然框架估计动态治疗策略，保证一致性性质，优于 Q-learning 等。

假设检验主线覆盖多重比较与高维问题。Permutation-based true discovery guarantee by sum tests 为 sum-based 全局检验提供 closed testing 程序，给出所有子集的 TDP 置信下界，支持事后选择。Computationally efficient and data-adaptive changepoint inference in high dimension 结合 CUSUM 极大值与求和统计量，利用渐近独立性合并 p 值，实现稀疏与稠密变点信号的自适应检验。Testing homogeneity 针对稀疏函数型数据，将检验目标放宽为边际同质性，基于能量距离构造置换检验。A kernel Stein test for comparing latent variable models 将 KSD 检验推广至潜变量模型，无需采样或边际似然，在高维观测场景下优于 MMD。A model where the least trimmed squares estimator is maximum likelihood 为 LTS 估计量提供似然解释，定义新型异常值模型，为稳健回归开辟新视角。

与因果推断最贴的论文是 Proximal causal inference for complex longitudinal studies、Causal inference with invalid instruments、Elastic integrative analysis of randomised trial and real-world data、Non-parametric inference about mean functionals of non-ignorable non-response data、The variational method of moments、Statistical testing under distributional shifts、Bayesian likelihood-based regression for estimation of optimal dynamic treatment regimes。与半参数效率相关的有 Proximal causal inference for complex longitudinal studies、The variational method of moments。与高维假设检验相关的有 Computationally efficient and data-adaptive changepoint inference in high dimension、Testing homogeneity、A kernel Stein test for comparing latent variable models。

因果推断 (causal_inference, 7 篇)

1. 10.1093/jrsssb/qkad020 · arXiv — Proximal causal inference for complex longitudinal studies

  • 作者: Andrew Ying, Wang Miao, Xu Shi, Eric J Tchetgen Tchetgen
  • 期刊/来源: Journal of the Royal Statistical Society Series B
  • 分类: vol 85 · issue 3 · pp 684-704
  • 相关性 9/10 · novelty: new_method
  • 摘要: 本文将 proximal causal inference (PCI) 框架扩展到纵向设定，目标是在时变处理下估计边际结构均值模型 (MSMM) 的参数。核心假设是，研究者无法测量所有时变混杂因子，但拥有两组时变代理变量（negative control exposure 和 negative control outcome），它们与未测量混杂因子满足特定的条件独立性。在非参数识别方面，作者证明了在桥函数存在且可识别的条件下，MSMM 参数可由观测数据唯一确定。估计方面，文章推导了正则渐近线性估计量的影响函数，并给出了半参数效率界；在此基础上构造了一类双稳健估计量，允许使用非参数或机器学习方法估计桥函数，并通过交叉拟合实现 n^{-1/2} 收敛。模拟和实际数据分析验证了有限样本性能。该工作直接连接您的 primary interest 中的纵向因果推断和 proximal CI，且其双稳健估计框架与您熟悉的 semiparametric efficiency theory 和 debiased ML 高度契合。
  • 关键技术: proximal causal inference, marginal structural mean model, doubly robust estimation, semiparametric efficiency bound, negative control variables, cross-fitting
  • 为什么对您有用: 直接命中 primary interest 中的 'proximal causal inference' 和 'longitudinal' 两个子方向，是 PCI 从单期到纵向的关键扩展。您可以用 very_familiar 的 nonparametric statistics 和 estimation theory in causal inference 来审视其桥函数识别条件是否可放松，或用 moderately_familiar 的 semiparametric theory 验证其效率界推导。中期可做：将 HOIF（higher-order influence functions）引入该框架以提升桥函数估计的收敛速度，这需要先在 moderately_familiar 的 HOIF 上长肌肉。

2. 10.1093/jrsssb/qkad049 · arXiv — Causal inference with invalid instruments: post-selection problems and a solution using searching and sampling

  • 作者: Zijian Guo
  • 期刊/来源: Journal of the Royal Statistical Society Series B
  • 分类: vol 85 · issue 3 · pp 959-985
  • 相关性 8/10 · novelty: new_method
  • 摘要: 本文关注工具变量（IV）方法中无效工具变量（invalid instruments）存在时的因果效应推断问题。在多数规则（majority rule）或多数投票规则（plurality rule）下，现有方法通过数据驱动的方式选择有效工具变量，但本文指出这种选择过程会导致后选择推断（post-selection inference）问题，即置信区间可能覆盖不足。为解决此问题，作者提出一种搜索（searching）与抽样（sampling）相结合的置信区间构造方法：搜索所有使足够多工具变量成为有效的处理效应值，再通过抽样机制缩小区间长度。该方法构造的置信区间在有限样本下达到参数长度，且对有效/无效工具变量的误分具有均匀有效性（uniform validity）。理论证明基于对选择错误的稳健性分析，不依赖工具变量选择的一致性。实证部分应用于教育对收入影响的经典IV分析，并提供了R包RobustIV。对您而言，该工作直接关联因果推断中IV方法的识别与推断问题，且其处理后选择不确定性的思路可迁移至您熟悉的proximal CI或mediation分析中的类似问题。
  • 关键技术: post-selection inference, uniformly valid confidence interval, searching and sampling, majority rule, plurality rule, instrumental variable
  • 为什么对您有用: 直接连接您primary interest中的IV因果推断方向，具体针对无效工具变量这一实际痛点。您武器库中very_familiar的'causal inference estimation theory'可直接用于理解其搜索-抽样机制的理论性质，而moderately_familiar的'identification theory'可帮助评估其识别假设的合理性。中期可做：若想将类似的后选择稳健性思路推广到proximal CI中的negative control选择问题，需先在moderately_familiar的'identification theory'上加强（具体为proximal g-formula的识别条件）。

3. 10.1093/jrsssb/qkad017 — Elastic integrative analysis of randomised trial and real-world data for treatment heterogeneity estimation

  • 作者: Shu Yang, Chenyin Gao, Donglin Zeng, Xiaofei Wang
  • 期刊/来源: Journal of the Royal Statistical Society Series B
  • 机构: North Carolina State University · University of North Carolina at Chapel Hill · Duke University
  • 分类: vol 85 · issue 3 · pp 575-596
  • 相关性 8/10 · novelty: new_method
  • 摘要: 本文提出一种弹性整合分析框架，用于在随机对照试验（RCT）与真实世界数据（RWD）之间估计治疗效果的异质性（HTE），其中效果修饰因子为已知向量。核心设定是：RWD 可能无偏也可能有偏，研究者希望在有偏时仅用 RCT，无偏时合并两者以提高效率。方法上，作者基于 RCT 设计构造了一个检验统计量，用于决定是否纳入 RWD；该检验在局部备择假设下具有已知的渐近分布。进一步，他们提出了数据自适应的阈值选择准则，以最小化均方误差，并构造了弹性置信区间，在有限样本下具有良好的覆盖性质。该工作将假设检验与因果推断中的数据融合问题结合，为处理 RCT 与 RWD 的权衡提供了理论严谨的框架。对您而言，本文直接关联到因果推断中的纵向/异质性估计，且其检验驱动的融合思路可迁移至您熟悉的非参数统计与 minimax 界工具进行深入分析。
  • 关键技术: test-based data fusion, local alternatives, adaptive threshold selection, elastic confidence interval, treatment effect heterogeneity
  • 为什么对您有用: 本文直接连接您 primary interest 中的因果推断（异质性估计与数据融合），且其核心机制——用假设检验决定是否借用 RWD——是一个您可以用 very_familiar 的 minimax 界工具来评估其最优性的具体问题：例如，检验的阈值选择是否达到 minimax 最优的 MSE 权衡？此外，该框架的弹性置信区间构造可与您 moderately_familiar 的 semiparametric theory 中的 influence function 方法对比。中期可做：需先在 moderately_familiar 的 semiparametric theory 上长肌肉（具体为 efficient influence function 在数据融合中的形式），才能严格推导该检验的局部幂函数与效率损失。

4. 10.1093/jrsssb/qkad047 — Non-parametric inference about mean functionals of non-ignorable non-response data without identifying the joint distribution

  • 作者: Wei Li, Wang Miao, Eric Tchetgen Tchetgen
  • 期刊/来源: Journal of the Royal Statistical Society Series B
  • 机构: Renmin University of China · Peking University · University of Pennsylvania
  • 分类: vol 85 · issue 3 · pp 913-935
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文研究结果变量存在非可忽略缺失（non-ignorable missingness）时，均值泛函的识别与推断问题。作者利用一个影子变量（shadow variable），在不完全识别联合分布的情况下，给出了均值泛函可识别的充要条件。进一步刻画了均值泛函可 n 估计（n-estimable）的必要条件，该条件要求存在一个函数满足连接影子变量与均值泛函的表示方程（representer equation）。由于表示方程的解可能不唯一，给非参数估计带来挑战，标准筛估计理论不再适用。作者构建了解集的一致估计量，并借助极值估计理论从估计的解集中选出恰当解的一致估计量。该估计量渐近正态、局部有效，且在正则条件下达到半参数效率界。通过模拟和房价数据实例验证了方法。对您而言，本文在缺失数据因果推断中引入影子变量实现识别，其非参数推断策略与您的半参数效率理论、非参数统计兴趣高度相关。
  • 关键技术: shadow variable, representer equation, non-ignorable missingness, sieve estimation, extremum estimator, semiparametric efficiency bound
  • 为什么对您有用: 本文直接关联您的 primary interest 中因果推断的缺失数据识别问题，具体为 non-ignorable missingness 下的 shadow variable 方法。您武器库中 very_familiar 的非参数统计和 minimax 界可用于分析其 sieve 估计量的收敛速度，moderately_familiar 的半参数理论可用于验证其效率界推导。中期可做：若想推广至更复杂的因果参数（如 ATE），需先加强 moderately_familiar 中因果推断的识别理论。

5. 10.1093/jrsssb/qkad025 · arXiv — The variational method of moments

  • 作者: Andrew Bennett, Nathan Kallus
  • 期刊/来源: Journal of the Royal Statistical Society Series B
  • 分类: vol 85 · issue 3 · pp 810-841
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文研究条件矩约束模型（conditional moment restrictions）下的结构参数估计，核心应用场景是工具变量回归。作者提出变分矩方法（VMM），将最优加权广义矩方法（GMM）的有限矩变分极小极大形式推广到无限矩情形，允许使用神经网络、核方法等灵活函数类来刻画矩条件。VMM 的关键理论贡献是证明了在无限矩设定下仍能保持半参数统计效率（semiparametric efficiency），而此前类似极小极大估计量（如 minimax IV）通常牺牲效率。方法上，VMM 通过求解一个 minimax 优化问题同时得到参数估计和最优权重函数，并配套开发了基于该框架的推断程序（置信区间、假设检验）。实验部分在合成数据和真实数据上展示了 VMM 相比现有方法（如 2SLS、DeepIV、minimax IV）在估计精度和推断覆盖上的优势。对您而言，本文直接连接因果推断中的 IV 识别与估计，且其变分框架与您熟悉的非参数统计和半参效率理论高度相关，可考虑用您擅长的 minimax 下界工具分析其估计量的最优性是否紧。
  • 关键技术: variational method of moments, conditional moment restrictions, minimax estimation, semiparametric efficiency, instrumental variable regression, neural network function classes
  • 为什么对您有用: 本文直接连接您 primary interest 中的 IV 因果推断和半参效率理论，提出了一个在无限矩条件下仍保持效率的通用估计框架。您可以用 very_familiar 的 minimax 下界工具检验 VMM 估计量的收敛速率是否最优，并探索其与您熟悉的 higher-order U-statistics 在计算复杂度上的潜在联系（VMM 的 minimax 目标函数涉及高阶矩的估计）。中期可做：若想将 VMM 推广到高维或非参数设定，需先在 moderately_familiar 的 HOIF 上长肌肉以处理更复杂的 influence function 结构。

6. 10.1093/jrsssb/qkad018 · arXiv — Statistical testing under distributional shifts

  • 作者: Nikolaj Thams, Sorawit Saengkyongam, Niklas Pfister, Jonas Peters
  • 期刊/来源: Journal of the Royal Statistical Society Series B
  • 分类: vol 85 · issue 3 · pp 597-663
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文提出在分布偏移下进行统计检验的通用框架。目标是对目标分布 P 检验假设 H0: P ∈ H0，但观测数据来自不同的分布 Q，且已知 P 与 Q* 通过一个已知的偏移 τ 相关联。方法核心是：先对观测数据做带权重的重采样（类似采样重要性重采样 SIR），构造一个辅助数据集，然后在目标域上应用已有的检验。理论证明：若重采样样本量为 o(n) 且权重行为良好，该过程继承目标检验的逐点渐近水平和功效；若 τ 需从数据估计，在温和条件下结论仍成立。结果可推广到有限样本水平、一致渐近水平、不同重采样方案以及检验以外的统计推断。应用场景包括上下文 bandit、协变量偏移、将条件独立性检验转化为无条件独立性检验，以及因果推断中的若干问题。对您而言，本文提供了一个将分布偏移与因果推断中检验问题（如敏感性分析、IV 检验）结合的新视角，且其重采样框架与您熟悉的非参数统计和因果推断估计理论直接衔接。
  • 关键技术: sampling importance resampling (SIR), weighted resampling, distribution shift, conditional independence testing, covariate shift, contextual bandits
  • 为什么对您有用: 本文直接连接您 primary interest 中的因果推断（检验问题）和假设检验。其将分布偏移下的检验问题形式化，并给出通用重采样框架，可应用于因果推断中的条件独立性检验、IV 检验等场景。您武器库中 very_familiar 的非参数统计和因果推断估计理论可直接用于理解其渐近性质，且其重采样思路与您熟悉的逆概率加权有相通之处。中期可做：若想将本文框架推广到更复杂的因果结构（如 proximal CI 中的检验），需先在 moderately_familiar 的识别理论（如 negative control 假设）上深入。

7. 10.1093/jrsssb/qkad016 — Bayesian likelihood-based regression for estimation of optimal dynamic treatment regimes

  • 作者: Weichang Yu, Howard D Bondell
  • 期刊/来源: Journal of the Royal Statistical Society Series B
  • 机构: The University of Melbourne
  • 分类: vol 85 · issue 3 · pp 551-574
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文提出一种贝叶斯似然框架下的动态治疗策略（DTR）回归模型，目标是最优序贯决策规则的估计。模型通过回归规范将协变量与阶段结局直接关联，保证估计的DTR满足一组概率一致性性质（如单调性、无矛盾性等），而现有方法（如Q-learning、A-learning）通常违反这些性质。核心机制是定义一个完整的似然函数，将治疗策略参数化并嵌入贝叶斯推断，从而自然满足一致性。理论部分证明了似然方法保证这些性质的充分性，并指出现有方法因过程空间定义不当导致不可行假设。数值实验表明，在多种模拟场景下，该方法在最优策略识别和结局改善上优于现有方法。对您而言，本文的贝叶斯DTR框架与您关注的因果推断（特别是纵向/序贯决策）直接相关，其概率一致性性质的分析思路可迁移到您熟悉的非参数统计和M估计理论中，用于评估现有DTR估计量的模型假设合理性。
  • 关键技术: Bayesian likelihood-based regression, dynamic treatment regimes, probabilistically-coherent properties, Q-learning comparison, sequential decision making
  • 为什么对您有用: 本文直接连接您primary interest中的因果推断（纵向/序贯治疗策略）方向，提出了一种新的贝叶斯似然框架。您可以用very_familiar的非参数统计和M估计理论来检验其概率一致性性质的普适性，例如分析该似然框架在非参数模型下的识别条件是否比现有方法更宽松。中期可做：若想将本文的贝叶斯方法扩展到高维协变量或工具变量设定，需先在moderately_familiar的identification theory in causal inference上加强，以处理更复杂的序贯识别问题。

高维统计 / 随机矩阵 (high_dim_rmt, 1 篇)

1. 10.1093/jrsssb/qkad024 · arXiv — Sparse Kronecker product decomposition: a general framework of signal region detection in image regression

  • 作者: Sanyou Wu, Long Feng
  • 期刊/来源: Journal of the Royal Statistical Society Series B
  • 分类: vol 85 · issue 3 · pp 783-809
  • 相关性 4/10 · novelty: new_method
  • 摘要: 本文针对高分辨率、高阶图像回归中的信号区域检测问题，提出了首个频率学派框架——稀疏Kronecker积分解（SKPD）。该框架适用于矩阵和张量表示的图像数据，包含单项、多项和非线性SKPD。作者为非凸优化问题设计了路径追踪算法，并在限制等距性质下证明了算法解收敛到真值，且区域检测一致性得以保证。非线性SKPD与浅层卷积神经网络（单卷积层+单全连接层）高度相关。通过UK Biobank的真实脑成像数据验证了方法的有效性。对您而言，该工作将高维统计中的稀疏性假设与张量结构（Kronecker积）结合，为图像回归中的信号检测提供了可解释的统计框架，与您的高维统计和统计计算兴趣直接相关。
  • 关键技术: Sparse Kronecker product decomposition, nonconvex optimization, path-following algorithm, restricted isometric property, region detection consistency, shallow CNN connection
  • 为什么对您有用: 该论文直接关联您的高维统计兴趣，特别是张量结构下的信号检测问题。您的武器库中'高维渐近理论'和'逆问题'可直接用于分析其RIP条件和收敛性证明，而'高阶U统计量的树宽/张量收缩计算'可尝试刻画其SKPD框架的计算复杂度。中期可做：需先在'半参数理论'上加强，以处理非线性SKPD的模型选择一致性。

非参数 / 半参数 (nonparam_semipara, 1 篇)

1. 10.1093/jrsssb/qkad026 · arXiv — Fast and fair simultaneous confidence bands for functional parameters

  • 作者: Dominik Liebl, Matthew Reimherr
  • 期刊/来源: Journal of the Royal Statistical Society Series B
  • 分类: vol 85 · issue 3 · pp 842-868
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文针对函数型参数估计的置信带构建问题，提出一种无需重抽样、计算快速的同步置信带方法。该方法在构造时施加了“公平性”约束，即在不同子区域上控制假阳性率的平衡，从而支持全局和局部两种解释。核心机制是利用高斯过程近似和极值理论，避免了对完整协方差函数的估计，因此适用于碎片化函数型数据。与现有基于 bootstrap 或协方差估计的方法相比，该方法在计算效率和理论保证上均有优势。模拟实验展示了其在有限样本下的优良表现，并在运动生物力学和碎片化生长曲线两个案例中验证了实用性。对您而言，该方法在非参数函数估计的不确定性量化方面提供了新思路，尤其适用于您熟悉的非参数统计和逆问题设定。
  • 关键技术: simultaneous confidence bands, functional data analysis, Gaussian process approximation, extreme value theory, balanced false positive rates, fragmentary functional data
  • 为什么对您有用: 本文直接关联您的首要兴趣——非参数统计与函数型数据的推断。其核心方法（高斯过程近似与极值理论）属于您非常熟悉的非参数统计工具箱，因此可以立即评估该方法在您关注的逆问题或因果推断中的适用性（如处理效应函数的置信带）。中期可考虑将公平性约束思想迁移到高维或因果推断的置信区域构建中，这需要您在 semiparametric theory 上进一步熟悉。

数理统计 / 假设检验 (hypothesis_testing, 5 篇)

1. 10.1093/jrsssb/qkad019 · arXiv — Permutation-based true discovery guarantee by sum tests

  • 作者: Anna Vesely, Livio Finos, Jelle J Goeman
  • 期刊/来源: Journal of the Royal Statistical Society Series B
  • 分类: vol 85 · issue 3 · pp 664-683
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文在多重假设检验的框架下，针对 sum-based global tests（如 Fisher 组合检验、Stouffer 检验等）提出了一种通用的 closed testing 程序，能够同时为所有子集提供真实发现比例（TDP）的置信下界。该方法的核心机制是：只要使用一个全局检验，就可以在不调整 α 水平的前提下获得这些同时推断，且允许事后选择子集（post hoc selection）。程序通过置换检验适应未知的联合分布，不依赖参数假设。作者还提出了基于分支定界（branch and bound）算法的迭代 shortcut，该 shortcut 收敛到完整的 closed testing 结果，且即使提前停止也能保证 TDP 控制。模拟和两个高维数据实例（脑成像、基因组学）展示了方法的可行性和不同 sum test 选择的性质。对您而言，本文是 hypothesis testing 方向的一个实用方法学贡献，其置换检验框架和 shortcut 算法可直接用于您熟悉的非参数统计和高维推断场景。
  • 关键技术: closed testing procedure, sum-based global tests, permutation testing, true discovery proportion (TDP), branch and bound algorithm
  • 为什么对您有用: 本文直接对应 primary interest 中的 hypothesis testing 子方向，且其置换检验框架与您非常熟悉的非参数统计工具高度兼容。您可以用 minimax bounds 的视角分析其 shortcut 的收敛速度是否最优，或者将分支定界算法与您熟悉的 treewidth / tensor contraction 思路结合，探索更高效的计算策略。中期可做：需先在 moderately_familiar 的 M-estimation theory 上巩固，以理解其 TDP 控制的理论保证。

2. 10.1093/jrsssb/qkad048 · arXiv — Computationally efficient and data-adaptive changepoint inference in high dimension

  • 作者: Guanghui Wang, Long Feng
  • 期刊/来源: Journal of the Royal Statistical Society Series B
  • 分类: vol 85 · issue 3 · pp 936-958
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文研究高维时间序列中均值变点的自适应推断问题。目标是在变点信号稀疏度未知的情况下，同时控制第一类错误并保持对稠密与稀疏信号的检验功效。核心方法是将基于累积和（CUSUM）的极大值型统计量与求和型统计量结合：作者证明了在温和条件下，两者渐近独立，因此可通过Fisher方法或Cauchy组合将各自的p值合并为一个检验统计量。关键技术包括：为极大值型统计量建立极值分布理论，且对分量间相关性的假设比现有文献更宽松；为求和型统计量推导正态近似。该方法无需调参、计算复杂度为O(pT)，适合大规模数据。数值实验表明，该方法在稀疏与稠密变点信号下均优于或持平于现有方法。对您而言，该工作直接关联高维假设检验兴趣，且其“组合不同检验统计量”的思路可迁移至您熟悉的U-统计量或因果推断中的敏感性分析场景。
  • 关键技术: CUSUM statistics, max-type statistic, sum-type statistic, p-value combination, extreme value theory, high-dimensional changepoint detection
  • 为什么对您有用: 直接对应您的高维统计与假设检验兴趣，特别是高维变点检测这一子方向。您的武器库中'高维渐近理论'和'非参数统计'可直接用于理解其极值分布推导与p值组合的渐近性质；'minimax bounds'可用于验证其方法在信号稀疏度未知时的最优性。中期可做：若将组合检验思路推广至U-统计量框架下的变点检测（需先熟悉您moderately_familiar的U-统计量理论），可探索更一般的非参数变点设定。

3. 10.1093/jrsssb/qkad021 · arXiv — Testing homogeneity: the trouble with sparse functional data

  • 作者: Changbo Zhu, Jane-Ling Wang
  • 期刊/来源: Journal of the Royal Statistical Society Series B
  • 分类: vol 85 · issue 3 · pp 705-731
  • 相关性 6/10 · novelty: new_method
  • 摘要: 研究稀疏函数型数据的两样本同质性检验问题。与密集测量情形不同，稀疏测量下无法一致地检验完全同质性（即整个随机过程的分布相等），因此将目标放宽为边际同质性（即逐点分布的相等）。提出基于能量距离（energy distance）的检验统计量，该统计量对稀疏和密集测量数据均适用。推导了统计量向总体版本的收敛速率，并证明了基于置换检验（permutation test）的一致性。模拟和真实数据实验验证了方法的有效性。该工作直接关联您的假设检验兴趣，且稀疏函数型数据的检验问题与您熟悉的高维渐近理论有技术交集。
  • 关键技术: energy distance, permutation test, sparse functional data, marginal homogeneity, convergence rate
  • 为什么对您有用: 直接对应您 primary interest 中的 'hypothesis testing' 子方向，且稀疏函数型数据的检验问题与您熟悉的非参数统计和高维渐近理论有技术交集。武器库中 'nonparametric statistics' 和 'high-dimensional asymptotics' 可直接用于理解其收敛速率推导和置换检验的渐近性质，属于立即可做的阅读。

4. 10.1093/jrsssb/qkad050 · arXiv — A kernel Stein test for comparing latent variable models

  • 作者: Heishiro Kanagawa, Wittawat Jitkrittum, Lester Mackey, Kenji Fukumizu, Arthur Gretton
  • 期刊/来源: Journal of the Royal Statistical Society Series B
  • 机构: Microsoft Research (United Kingdom) · The Institute of Statistical Mathematics
  • 分类: vol 85 · issue 3 · pp 986-1011
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文提出一种基于核的、非参数相对拟合优度检验，用于比较两个可能含有未观测潜变量的生成模型，且观测变量的边际分布难以处理。该方法将核 Stein 散度（KSD）检验从完全观测模型推广到潜变量模型，核心思想是利用模型得分函数（score function）与再生核希尔伯特空间（RKHS）中的 Stein 算子构造检验统计量，无需从模型中采样或计算边际似然。检验通过校准阈值控制第一类错误，并在潜变量结构低维、观测变量高维的场景下，显著优于基于样本的相对最大均值差异（MMD）检验。理论贡献包括：证明了检验统计量的渐近分布，并给出了第一类错误控制的充分条件。对您而言，该工作直接连接您对 hypothesis testing 和 nonparametric theory 的兴趣，特别是 kernel-based 方法在复杂模型比较中的非参数检验框架，值得关注。
  • 关键技术: kernel Stein discrepancy, Stein operator, reproducing kernel Hilbert space, latent variable models, goodness-of-fit test, relative maximum mean discrepancy
  • 为什么对您有用: 该论文直接对应您的 primary interest 中的 hypothesis testing 和 nonparametric theory，特别是 kernel-based 非参数检验方法。您武器库中 very_familiar 的 nonparametric statistics 和 high-dimensional asymptotics 可直接用于理解其理论框架，而 moderately_familiar 的 M-estimation theory 可用于分析其检验统计量的渐近性质。中期可做：若想将此类 kernel Stein 检验推广到因果推断中的模型比较（如 IV 模型的拟合优度检验），需先在 moderately_familiar 的 semiparametric theory 上加强。

5. 10.1093/jrsssb/qkad028 — A model where the least trimmed squares estimator is maximum likelihood

  • 作者: Vanessa Berenguer-Rico, Søren Johansen, Bent Nielsen
  • 期刊/来源: Journal of the Royal Statistical Society Series B
  • 机构: University of Oxford · University of Copenhagen
  • 分类: vol 85 · issue 3 · pp 886-912
  • 相关性 3/10 · novelty: new_theory
  • 摘要: 本文提出一个统计模型，在该模型下最小修整平方（LTS）估计量是最大似然估计。模型定义了一种新型异常值：异常观测来自一个分布，其取值落在‘好’的正常观测的观测范围之外。在位置-尺度情形下，LTS估计量是h^{1/2}一致的且渐近标准正态。文章还讨论了h的一致估计。该模型不同于常用的ε-污染模型，为污染方案的统计讨论、污染检验的新方法开发以及基于估计的‘好’数据的推断打开了大门。对您而言，该工作将稳健回归的LTS估计量置于似然框架下，提供了新的理论视角，与您对假设检验和M-估计理论的兴趣直接相关。
  • 关键技术: Least trimmed squares (LTS), Maximum likelihood estimation, Outlier model, h^{1/2}-consistency, Asymptotic normality
  • 为什么对您有用: 本文直接关联您对假设检验和M-估计理论的兴趣。它提出了一个新颖的异常值模型，并证明了LTS估计量在该模型下的渐近性质。您可以用您非常熟悉的非参数统计和极小极大界工具来评估该模型假设的合理性，或探索其在高维设定下的推广。中期可做：需要先在中等熟悉的M-估计理论上提升，以深入理解其似然框架的稳健性。

统计计算 / 算法 (stat_computing, 1 篇)

1. 10.1093/jrsssb/qkad023 — Manifold lifting: scaling Markov chain Monte Carlo to the vanishing noise regime

  • 作者: Khai Xiang Au, Matthew M Graham, Alexandre H Thiery
  • 期刊/来源: Journal of the Royal Statistical Society Series B
  • 机构: National University of Singapore · University College London
  • 分类: vol 85 · issue 3 · pp 757-782
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文针对贝叶斯推断中后验分布集中在低维子流形附近（高信噪比、过参数化或不可识别模型）时标准MCMC采样效率退化的问题，提出了一种“流形提升”策略。核心思想是将原始采样问题转化为在更高维空间嵌入流形上探索一个扩散分布的任务，该提升后的分布在观测噪声趋于零时仍保持扩散状态，从而避免退化。方法上，采用约束哈密顿蒙特卡洛（constrained HMC）利用提升分布的几何结构进行高效近似推断。数值实验表明，与竞争方法相比，所提方法的采样效率不会随目标分布集中于低维子流形而退化。该方法为高信噪比下的贝叶斯计算提供了一条新路径，对您而言，其“提升-约束HMC”框架与您熟悉的逆问题随机噪声设定及软件开发经验有直接关联，可作为统计计算中处理退化后验的实用工具。
  • 关键技术: constrained Hamiltonian Monte Carlo, manifold lifting, embedding for diffuse distribution, high signal-to-noise ratio Bayesian inference
  • 为什么对您有用: 本文属于统计计算（MCMC算法）的创新，直接连接您的primary interest中的“statistical computing (numerical methods, algorithm)”。您武器库中“inverse problems with random noise”和“software development”两项very_familiar工具可直接用于理解和复现其算法（例如将提升策略应用于您熟悉的逆问题后验采样）。中期可做：若想将流形提升推广到更高阶或更复杂的约束结构，需先在moderately_familiar的“M-estimation theory”上加强，以处理约束HMC中几何信息的估计。

其他 (other, 3 篇)

1. 10.1093/jrsssb/qkad022 · arXiv — Exact Monte Carlo likelihood-based inference for jump-diffusion processes

  • 作者: Flávio B Gonçalves, Krzysztof Łatuszyński, Gareth O Roberts
  • 期刊/来源: Journal of the Royal Statistical Society Series B
  • 分类: vol 85 · issue 3 · pp 732-756
  • 相关性 4/10 · novelty: new_method
  • 摘要: 本文针对离散观测的有限活动跳跃扩散过程，首次提出了一套无需时间离散化的精确似然推断方法。研究目标是在给定离散观测数据下，对跳跃扩散过程的参数进行无离散误差的估计与推断。核心方法基于对跳跃和扩散路径的潜在变量进行数据增广，利用条件蒙特卡洛方法精确计算似然函数，避免了传统欧拉离散化带来的近似偏差。在频率学派框架下，结合期望最大化算法进行参数估计；在贝叶斯框架下，则采用马尔可夫链蒙特卡洛方法进行后验采样。理论结果表明，该方法仅受蒙特卡洛误差和算法收敛误差的影响，而不再有离散化误差。通过模拟和真实数据示例验证了方法的有效性。对您而言，本文虽不直接属于您的主要兴趣方向，但其精确蒙特卡洛推断思路在统计计算领域具有参考价值，且跳跃扩散模型在金融计量和流行病学中均有应用，可作为扩展阅读。
  • 关键技术: exact likelihood inference, data augmentation, conditional Monte Carlo, expectation maximization, Markov chain Monte Carlo, jump-diffusion process
  • 为什么对您有用: 本文属于统计计算与蒙特卡洛方法方向，与您的次要兴趣'统计计算'有交集。您武器库中的'软件开发和逆问题'经验可用于理解其算法实现，但核心的跳跃扩散路径采样与数据增广技术并非您当前熟悉领域。本文可作为gateway reading，帮助您了解精确蒙特卡洛推断在复杂随机过程中的应用，但短期内难以直接迁移到您的主要研究问题中。

2. 10.1093/jrsssb/qkad027 — Ordering factorial experiments

  • 作者: Liuqing Yang, Yongdao Zhou, Min-Qian Liu
  • 期刊/来源: Journal of the Royal Statistical Society Series B
  • 机构: Nankai University
  • 分类: vol 85 · issue 3 · pp 869-885
  • 相关性 3/10 · novelty: new_method
  • 摘要: 本文提出了一类新的实验设计——排序因子设计（ordering factorial design），用于处理因子水平组合和添加顺序同时影响响应变量的实际问题。作者引入了名义主效应分量-位置模型（NMC-P模型）和交互主效应分量-位置模型（IMC-P模型），以刻画顺序效应。为了获得高效的分数设计，提出了确定性构造方法，所得设计在D-最优准则下达到最优，且运行次数远小于全因子设计。在某些情况下，即使减少分量和因子数量，构造的设计仍保持D-最优性。该工作填补了排序因子实验设计构造方法的空白，但属于实验设计领域，与您的主要兴趣（因果推断、高维统计、半参数理论等）无直接技术重叠。
  • 关键技术: D-optimal design, fractional factorial design, main effect component-position model, deterministic construction
  • 为什么对您有用: 本文属于实验设计（design of experiments）领域，与您的主要兴趣方向（因果推断、高维统计、半参数理论等）无直接技术连接。您的武器库中缺乏实验设计构造方法（如D-最优准则下的确定性构造）这一核心工具，且该方向与您的统计计算-复杂度权衡兴趣也无交集。因此，本文暂不可做，不建议投入时间阅读全文。

3. 10.1093/jrsssb/qkad051 · arXiv — Autoregressive optimal transport models

  • 作者: Changbo Zhu, Hans-Georg Müller
  • 期刊/来源: Journal of the Royal Statistical Society Series B
  • 分类: vol 85 · issue 3 · pp 1012-1033
  • 相关性 2/10 · novelty: new_method
  • 摘要: 本文提出一类自回归最优传输模型，用于建模由等间隔时间点索引的单变量分布序列。模型在最优传输映射空间上操作，将预测变量（如从整体重心到当前分布的传输映射，或过去连续分布间的传输映射）与响应变量通过Wasserstein空间中的测地线连接起来，是欧氏空间经典自回归模型的自然推广。作者利用Wu & Shao (2004)的几何矩收缩条件证明了唯一平稳解的存在性，并讨论了变系数模型的扩展。模拟和两个实际数据应用（美国各县房价分布时间序列、年度夏季气温分布）展示了模型的有效性。该工作属于分布数据分析的新兴领域，方法学上结合了最优传输与时间序列建模，但理论工具（几何矩收缩、迭代随机函数）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。
  • 关键技术: optimal transport, Wasserstein space, autoregressive model, geodesic regression, iterated random functions, geometric moment contraction
  • 为什么对您有用: 本文属于分布数据分析（distributional data analysis）这一新兴领域，与您的主要兴趣方向（因果推断、高维统计、U统计量）没有直接交集。方法学上依赖最优传输和Wasserstein几何，而非您武器库中的非参数统计、minimax界或高阶U统计量。作为gateway reading，本文对统计计算方向（如最优传输的数值算法）有一定参考价值，但整体相关性较低。暂不可做：核心工具（最优传输、Wasserstein几何）不在您的武器库中。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论