JRSSB — Vol 85 Issue 4 · 2026-07-05¶

共 11 篇 · Journal of the Royal Statistical Society Series B
目录核对 ✅ 11 篇全部抓到（对照 OpenAlex 34 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4辑共11篇论文，整体上可归纳为四条主线：因果推断与中介分析（1篇）、高维与稳健推断（2篇）、假设检验新框架（3篇）、以及时间序列与空间统计建模（3篇）。其余论文分别涉及半参数模型、分布式计算和贝叶斯非参数因子模型，各成独立方向。

在因果推断主线中，"On the causal interpretation of randomised interventional indirect effects" 直接挑战了随机干预间接效应（RIIE）的中介解释力，提出sharp null criterion并证明RIIE不满足该准则，从而揭示其作为中介效应的根本缺陷。该文对中介分析中常用的识别策略给出了批判性审视。"Robust estimation and inference for expected shortfall regression with many regressors" 虽以风险度量为目标，但其两步估计与Neyman正交化思路与因果推断中的去偏估计高度相通，适合关注高维因果推断的研究者。

假设检验方面，"Strategic two-sample test via the two-armed bandit process" 打破数据可交换性假设，利用老虎机过程构造策略性检验统计量，通过非线性极限理论提升功效，为检验设计提供了新思路。"Testing for the Markov property in time series via deep conditional generative learning" 则用深度生成模型估计条件密度，结合双稳健形式和交叉拟合，实现了高维时间序列马尔可夫性的非参数检验，对因果推断中的序列依赖性检验有直接参考价值。"Cluster extent inference revisited" 将空间聚类推断嵌入封闭检验框架，解决了信号量化与定位问题，技术工具为图论k-分隔符。

时间序列与异方差建模方面，"Quantile autoregressive conditional heteroscedasticity" 将分位数回归过程引入GARCH框架，允许条件分位数结构随分位点变化，并针对重尾和高分位点稀疏问题设计了自加权与复合分位数估计量。"Consistent and fast inference in compartmental models of epidemics using Poisson Approximate Likelihoods" 为传染病分室模型提供了首个在大种群极限下相合的似然方法，计算简单且无需模拟。

与因果推断/半参数效率/高维方向最贴合的论文包括："On the causal interpretation of randomised interventional indirect effects"（中介分析基础）、"Robust estimation and inference for expected shortfall regression with many regressors"（高维稳健推断与Neyman正交化）、"Testing for the Markov property in time series"（高维序列依赖检验）、以及"Two-stage estimation and bias-corrected empirical likelihood in a partially linear single-index varying-coefficient model"（半参数偏差校正经验似然）。

因果推断 (causal_inference, 2 篇)¶

1. 10.1093/jrsssb/qkad066 — On the causal interpretation of randomised interventional indirect effects¶

作者: Caleb H Miles
期刊/来源: Journal of the Royal Statistical Society Series B
机构: Columbia University
分类: vol 85 · issue 4 · pp 1154-1172
相关性 8/10 · novelty: new_theory
摘要: 本文聚焦于随机干预间接效应（randomised interventional indirect effects, RIIE）的因果解释问题。在标准中介分析中，自然间接效应（NIE）的识别依赖于无混淆性等强假设，RIIE 通过随机干预策略绕开这些假设，近年来被广泛使用。作者提出了一组衡量间接效应是否具有真正中介解释力的准则，其中最关键的是“sharp null criterion”：当不存在任何个体层面的间接效应时，间接效应度量应为零。作者证明，在没有更强假设的情况下，RIIE 不满足 sharp null criterion，因此其作为中介效应的解释力存在根本性缺陷。文章还讨论了 RIIE 的其他因果解释，例如将其视为一种“总效应分解”而非纯粹的中介效应。该工作对您的主要兴趣——因果推断中的识别与敏感性分析——有直接关联，尤其提醒在使用 RIIE 进行实证研究时需谨慎解释结果。
关键技术: randomised interventional indirect effects, sharp null criterion, natural indirect effect, mediation analysis, causal interpretation
为什么对您有用: 本文直接关联您的主要兴趣——因果推断中的识别与敏感性分析，特别是中介分析领域。您武器库中“estimation theory in causal inference”和“identification theory in causal inference”两项非常熟悉/中等熟悉的工具可直接用于理解本文的识别假设与解释性缺陷。本文属于理论性批判，不涉及新方法，但为实证应用提供了重要的解释性警示，值得作为背景阅读。中期可做：若想跟进，可在“identification theory in causal inference”上进一步理解 RIIE 与 NIE 的识别条件差异。

2. 10.1093/jrsssb/qkad063 · arXiv — Robust estimation and inference for expected shortfall regression with many regressors¶

作者: Xuming He, Kean Ming Tan, Wen-Xin Zhou
期刊/来源: Journal of the Royal Statistical Society Series B
分类: vol 85 · issue 4 · pp 1223-1246
相关性 6/10 · novelty: new_method
摘要: 本文针对期望短缺（ES）回归，在协变量维度随样本量增长的高维设定下，提出了一种稳健且计算高效的推断方法。核心问题是联合建模响应变量的分位数和ES，但现有联合损失函数非凸非光滑，数值困难且难以扩展。作者受Neyman正交得分思想启发，设计了两步估计程序：第一步估计分位数，第二步基于正交得分估计ES，从而降低对分位数估计误差的敏感性。建立了非渐近估计误差界和高斯逼近误差界，为高维推断提供了理论基础。数值实验和两个数据应用展示了该方法在偏态和重尾数据上的稳健性、统计效率和计算效率。对您而言，该方法将Neyman正交化思想引入ES回归这一因果推断中常用的风险度量工具，其两步框架和理论分析对您在高维因果推断中处理重尾结果变量有直接参考价值。
关键技术: Neyman-orthogonal score, two-step estimation, non-asymptotic bounds, Gaussian approximation, high-dimensional inference, quantile regression
为什么对您有用: 直接连接到您primary interest中的高维统计和因果推断：ES回归是金融和流行病学中常用的风险度量，其两步正交化框架可迁移至因果推断中的重尾结果变量处理。您的武器库中'高维渐近理论'和'非参数统计'可直接用于分析其估计误差界的紧性，属于立即可做的follow-up：验证其非渐近界在您熟悉的minimax框架下是否最优。

高维统计 / 随机矩阵 (high_dim_rmt, 1 篇)¶

1. 10.1093/jrsssb/qkad029 · arXiv — Vintage factor analysis with Varimax performs statistical inference¶

作者: Karl Rohe, Muzhe Zeng
期刊/来源: Journal of the Royal Statistical Society Series B
分类: vol 85 · issue 4 · pp 1037-1060
相关性 3/10 · novelty: new_theory
摘要: 本文研究经典因子分析中Varimax旋转的统计推断性质。在稀疏因子模型设定下，目标是从高维观测数据中识别并估计可解释的因子载荷矩阵。核心贡献是证明PCA结合Varimax旋转（即对主成分载荷矩阵进行正交旋转以最大化稀疏性）实际上为一大类半参数因子模型（包括随机块模型和潜在狄利克雷分配的自然变体）提供了统一的谱估计策略。方法的关键在于利用Thurstone提出的峰度诊断条件来确保因子轴的可识别性，该条件等价于因子载荷的稀疏性假设。理论结果表明，Varimax旋转后的PCA估计量具有相合性和渐近正态性，且计算上仅需特征分解和迭代旋转，极其快速稳定。本文逆转了近一个世纪以来认为因子旋转仅用于解释而缺乏统计依据的传统观点。对您而言，该工作展示了经典谱方法在高维统计推断中的新生命力，其理论分析框架（半参数模型下的可识别性条件与谱估计的渐近性质）与您在高维统计和随机矩阵理论方面的兴趣高度契合，且方法本身可作为处理高维稀疏因子结构的实用工具。
关键技术: Varimax rotation, principal components analysis (PCA), spectral estimation, semi-parametric factor model, sparsity diagnostics, leptokurtic condition
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，特别是谱方法在因子模型中的推断性质。您武器库中'高维渐近理论'和'非参数统计'可直接用于理解其理论证明，而'极小极大界'可用于验证其估计量的最优性。中期可做：若您希望在'半参数理论'上进一步深入，可探索Varimax旋转在其他半参数模型（如因果推断中的工具变量）中的适用性。

非参数 / 半参数 (nonparam_semipara, 1 篇)¶

1. 10.1093/jrsssb/qkad060 — Two-stage estimation and bias-corrected empirical likelihood in a partially linear single-index varying-coefficient model¶

作者: Liugen Xue
期刊/来源: Journal of the Royal Statistical Society Series B
机构: Henan University
分类: vol 85 · issue 4 · pp 1299-1325
相关性 5/10 · novelty: new_method
摘要: 本文研究部分线性单指标变系数模型（PLSiVC）中回归参数和系数函数的估计与经验似然推断。模型结合了单指标结构与变系数，允许协变量效应随某个指标变量平滑变化。作者提出两阶段估计方法：第一阶段用局部线性方法估计系数函数，第二阶段基于剖面最小二乘估计回归参数，并推导了估计量的渐近正态性。为克服传统经验似然因非参数偏差导致的分布非卡方问题，构造了偏差校正的经验似然比统计量，证明其渐近服从标准卡方分布，可直接用于构建回归参数的置信域。模拟研究验证了有限样本性能，并给出了实际数据应用。对您而言，该文展示了半参数模型中偏差校正经验似然的通用技术路线，其两阶段估计与渐近分析框架可迁移至您熟悉的因果推断中的部分线性结构或高维变系数设定。
关键技术: two-stage estimation, profile least squares, local linear smoothing, bias-corrected empirical likelihood, partially linear single-index model, varying-coefficient model
为什么对您有用: 该文属于半参数与非参数理论方向，直接对应您的primary interest。其两阶段估计与偏差校正经验似然方法可迁移至因果推断中的部分线性结构（如部分线性IV或变系数处理效应模型）。从技术武器库看，您对非参数统计和M估计理论非常熟悉，可立即用minimax bound验证其估计量的最优性，或将其偏差校正思路推广至您关注的proximal causal inference中的高维协变量设定。中期可做：若需处理更复杂的识别条件（如negative control），需先在identification theory上积累。

数理统计 / 假设检验 (hypothesis_testing, 4 篇)¶

1. 10.1093/jrsssb/qkad061 — Strategic two-sample test via the two-armed bandit process¶

作者: Zengjing Chen, Xiaodong Yan, Guodong Zhang
期刊/来源: Journal of the Royal Statistical Society Series B
机构: Shandong University
分类: vol 85 · issue 4 · pp 1271-1298
相关性 7/10 · novelty: new_method
摘要: 本文针对两样本检验问题，目标是判断两个总体参数之差是否大于预设的等价界（equivalence margin），以提高检验功效。经典检验统计量将原始数据视为可交换的，而本文打破这一结构，引入双臂老虎机（two-armed bandit）过程来策略性地整合数据，构造策略特定的检验统计量。该统计量结合经典中心极限定理与大数定律，在更大的概率空间中使用非线性极限理论建立渐近分布，得到“策略性CLT”及其显式密度函数。渐近分布表明，所提统计量在原假设下更集中、在备择假设下更分散，从而提升检验功效。模拟研究在有限样本下验证了理论结果并展示了更优的检验性能，真实数据示例也提供了支持。对您而言，本文在假设检验框架下引入在线学习策略（bandit）来重新加权数据，为经典两样本问题提供了新的构造思路，可能启发您在高维或U-统计量检验中利用类似策略提升功效。
关键技术: two-armed bandit process, strategic central limit theorem, nonlinear limit theory, equivalence margin, two-sample test
为什么对您有用: 本文直接关联您primary interest中的hypothesis testing，特别是通过bandit过程构造策略性检验统计量，为经典两样本问题提供了新视角。您的技术武器库中very_familiar的nonparametric statistics和high-dimensional asymptotics可用于分析该策略性CLT的收敛性质，而moderately_familiar的higher-order U-statistics理论可能帮助将bandit加权思想推广到U-统计量检验。中期可做：需先在moderately_familiar的theory of higher-order U-statistics上长肌肉，以将策略性加权与高阶U-统计量的投影理论结合。

2. 10.1093/jrsssb/qkad064 · arXiv — Testing for the Markov property in time series via deep conditional generative learning¶

作者: Yunzhe Zhou, Chengchun Shi, Lexin Li, Qiwei Yao
期刊/来源: Journal of the Royal Statistical Society Series B
分类: vol 85 · issue 4 · pp 1204-1222
相关性 6/10 · novelty: new_method
摘要: 本文针对高维时间序列数据，提出了一种非参数检验马尔可夫性的方法，并可用于推断马尔可夫阶数。核心创新在于利用深度条件生成学习（如条件生成对抗网络或变分自编码器）来估计条件密度函数，并建立了估计器逼近误差的尖锐上界。检验统计量采用双稳健（doubly robust）形式，使得非参数估计能达到参数收敛速度。通过样本分割和交叉拟合（cross-fitting）技术，最小化了一致性所需的假设条件。理论证明了检验渐近控制第一类错误且功效趋于1。模拟和三个实际数据应用验证了方法的有效性。该工作对您在高维时间序列的假设检验和因果推断中的序列依赖性检验有直接参考价值。
关键技术: deep conditional generative learning, doubly robust test statistic, cross-fitting, nonparametric conditional density estimation, sharp approximation error bound
为什么对您有用: 本文直接关联您对假设检验和高维统计的兴趣，特别是时间序列中马尔可夫性的非参数检验。您武器库中'非参数统计'和'高维渐近理论'可直接用于理解其理论框架，而'双稳健估计'和'交叉拟合'是您熟悉的因果推断工具，可迁移至纵向因果推断中的序列依赖性检验。中期可做：将本文的检验思想与您的HOIF（高阶影响函数）结合，发展对高阶马尔可夫性的更高效检验。

3. 10.1093/jrsssb/qkad068 · arXiv — Quantile autoregressive conditional heteroscedasticity¶

作者: Qianqian Zhu, Songhua Tan, Yao Zheng, Guodong Li
期刊/来源: Journal of the Royal Statistical Society Series B
机构: Shanghai University of Finance and Economics · University of Connecticut · University of Hong Kong
分类: vol 85 · issue 4 · pp 1099-1127
相关性 4/10 · novelty: new_method
摘要: 本文提出一种新的条件异方差时间序列模型——分位数自回归条件异方差模型，将分位数回归过程框架应用于GARCH模型的ARCH(∞)形式。该模型允许时间序列的条件分位数在不同分位点水平上具有变化的结构，同时将常用的GARCH模型作为特例包含在内。讨论了模型的严格平稳性条件。为应对重尾分布，提出了自加权分位数回归估计量。针对高分位点数据稀疏导致估计精度下降的问题，进一步引入自加权复合分位数回归估计量，并基于具有灵活Tukey-lambda分布的近似GARCH模型，通过借用中间分位点的信息来外推高分位点。建立了所提估计量的渐近性质。模拟实验和实证例子验证了方法的有限样本性能。对您而言，本文在时间序列条件异方差建模中引入了分位数回归框架，与您在高维统计和假设检验方面的兴趣有交集，尤其是自加权估计和复合分位数回归的渐近理论值得关注。
关键技术: quantile regression, GARCH model, self-weighted estimation, composite quantile regression, Tukey-lambda distribution, ARCH(∞) representation
为什么对您有用: 本文连接您在高维统计和假设检验方面的兴趣，特别是分位数回归在时间序列异方差建模中的应用。您的技术武器库中的非参数统计和M估计理论可用于分析该模型的自加权估计量的渐近性质，而复合分位数回归的渐近理论则与您熟悉的高维渐近分析直接相关。中期可做：若想深入该方向，需先在 moderately_familiar 的 M估计理论上进一步巩固，以处理分位数回归中非光滑目标函数的渐近分析。

4. 10.1093/jrsssb/qkad067 — Cluster extent inference revisited: quantification and localisation of brain activity¶

作者: Jelle J Goeman, Paweł Górecki, Ramin Monajemi, Xu Chen, Thomas E Nichols, Wouter Weeda
期刊/来源: Journal of the Royal Statistical Society Series B
机构: Leiden University Medical Center · University of Warsaw · University of Oxford · Wellcome Centre for Integrative Neuroimaging · Leiden University
分类: vol 85 · issue 4 · pp 1128-1153
相关性 2/10 · novelty: new_method
摘要: 本文针对空间数据多重检验中常用的聚类范围推断（cluster-extent inference）方法，解决了其无法对信号进行量化或定位的已知缺陷。作者将聚类推断嵌入封闭检验（closed testing）框架，通过求解图论中的 k-分隔符（k-separator）问题，实现了两个新功能：(1) 在任意感兴趣区域（ROI）内检验信号的存在性；(2) 量化该区域内激活的百分比。这些额外推断无需对检验的 alpha 水平做进一步调整，且能保持全族错误率（FWER）控制。方法的核心技术工具是封闭检验与图论中 k-分隔符问题的结合，将空间聚类问题转化为图上的组合优化问题。在 Neurovault 数据库的大规模神经影像数据上验证了方法的实用性。对您而言，本文展示了如何将经典假设检验框架（封闭检验）与图论工具结合来解决空间多重检验中的定位与量化问题，其思路可迁移到高维统计或因果推断中的多重比较问题。
关键技术: closed testing procedure, k-separator problem, cluster-extent inference, family-wise error rate control, spatial multiple testing
为什么对您有用: 本文属于 hypothesis_testing 方向，直接连接您的 primary interest 中的数学统计与假设检验。您的 technical_arsenal 中 very_familiar 的非参数统计与 minimax 界可用于分析该方法的检验功效与最优性；moderately_familiar 的 M-estimation 理论可用于扩展至更一般的空间模型。中期可做：将封闭检验框架与您熟悉的 higher-order U-statistics 结合，处理更复杂的空间依赖结构（需先在 moderately_familiar 的 HOIF 上长肌肉）。

统计计算 / 算法 (stat_computing, 1 篇)¶

1. 10.1093/jrsssb/qkad059 · arXiv — Quasi-Newton updating for large-scale distributed learning¶

作者: Shuyuan Wu, Danyang Huang, Hansheng Wang
期刊/来源: Journal of the Royal Statistical Society Series B
分类: vol 85 · issue 4 · pp 1326-1354
相关性 5/10 · novelty: new_method
摘要: 本文针对大规模分布式统计学习场景，提出了一种分布式拟牛顿（DQN）框架，旨在同时优化统计效率、计算效率和通信效率。DQN方法无需计算或通信Hessian矩阵的逆，从而大幅降低了计算和通信复杂度。与现有仅分析数值收敛性且需要迭代次数发散的方法不同，本文在温和条件下理论证明了DQN估计量在少量迭代后即达到统计有效性。数值实验验证了有限样本下的良好性能。该方法为分布式环境下的高效优化提供了新思路，尤其适用于高维或大规模数据集。对您而言，该工作直接关联统计计算中的算法设计与数值方法，且其理论分析框架（统计效率与迭代次数的权衡）可能启发您在高阶U统计量或因果推断中开发更高效的分布式计算方案。
关键技术: distributed quasi-Newton, communication-efficient optimization, statistical efficiency, large-scale learning
为什么对您有用: 本文直接命中您的primary interest中的统计计算（numerical methods, algorithm），特别是大规模分布式场景下的高效优化。您武器库中的'软件开发和high-dimensional asymptotics'可直接用于复现或扩展其理论分析（如验证统计效率的收敛速率是否最优）。中期可做：若将DQN框架与您的higher-order U-statistics计算（treewidth/einsum）结合，可能开发出分布式高阶统计量的高效估计算法，但需先在moderately_familiar的M-estimation理论上补强。

流行病学 (epidemiology, 1 篇)¶

1. 10.1093/jrsssb/qkad065 · arXiv — Consistent and fast inference in compartmental models of epidemics using Poisson Approximate Likelihoods¶

作者: Michael Whitehouse, Nick Whiteley, Lorenzo Rimella
期刊/来源: Journal of the Royal Statistical Society Series B
分类: vol 85 · issue 4 · pp 1173-1203
相关性 5/10 · novelty: new_method
摘要: 本文针对传染病分室模型（compartmental models）的统计推断，提出了一种新的似然方法——泊松近似似然（PAL）。与常用的基于大种群极限的确定性ODE方法不同，PAL从有限种群的随机分室模型的近似滤波方程出发，在大种群极限下证明了最大PAL估计量的相合性。这是首个针对一大类部分观测随机分室模型、在大种群极限下建立似然估计相合性的理论结果。PAL方法实现简单，仅需初等算术运算，无需调参，计算速度与种群规模无关，且无需模型模拟。通过流感年龄结构模型（结合Stan自动微分）、轮状病毒过度离散机制比较（嵌入序贯蒙特卡洛）、以及麻疹元种群模型中单位特定参数评估三个实例展示了PAL的实用性。对您而言，本文提供了一个在流行病学应用中处理复杂分室模型的高效推断工具，其计算简洁性与理论保证的结合值得关注，尤其适合您对流行病学数据集和因果推断方法的兴趣。
关键技术: Poisson Approximate Likelihood, compartmental models, filtering equations, consistency in large population limit, automatic differentiation (Stan), sequential Monte Carlo
为什么对您有用: 本文直接对应您的secondary interest中的流行病学方向，提供了一个处理传染病分室模型的新推断框架。您武器库中'very_familiar'的'nonparametric statistics'和'high-dimensional asymptotics'可用于分析PAL估计量的渐近性质，而'moderately_familiar'的'M-estimation theory'可用于验证其相合性证明的严谨性。中期可做：若想将PAL方法推广到更复杂的因果推断设定（如评估干预措施效果），需先在'moderately_familiar'的'identification theory in causal inference'上提升，以处理分室模型中的混杂和时变暴露问题。

其他 (other, 1 篇)¶

1. 10.1093/jrsssb/qkad062 — Normalised latent measure factor models¶

作者: Mario Beraha, Jim E Griffin
期刊/来源: Journal of the Royal Statistical Society Series B
机构: University of Turin · University College London
分类: vol 85 · issue 4 · pp 1247-1270
相关性 4/10 · novelty: new_method
摘要: 本文在贝叶斯非参数框架下提出了一种归一化潜度量因子模型，用于建模和比较多个概率分布。模型构建于依赖归一化随机测度之上，将每个分布的随机测度表示为若干潜测度（可解释为不同分布共享的特征）的线性组合，权重为正随机变量。由于模型是非可识别的，作者开发了一种后处理MCMC样本的方法，通过在矩阵李群上进行黎曼优化来求解一个非平凡优化问题，从而实现可识别的后验推断。模拟实验和两个真实数据应用（加州学生考试成绩和个人收入分布）验证了方法的有效性，展示了模型在群体比较和可解释后验推断方面的优势。本文主要贡献在于贝叶斯非参数建模和计算优化，而非因果推断或高维统计。
关键技术: Bayesian nonparametrics, normalised random measures, Riemannian optimisation, Lie group, postprocessing for identifiability
为什么对您有用: 本文属于贝叶斯非参数方法，与您的主要兴趣（因果推断、高维统计、U-统计量等）无直接交集。虽然黎曼优化和可识别性后处理在计算上有一定趣味，但核心问题设定和工具链与您的技术武器库（非参数统计、minimax界、U-统计量树宽等）距离较远。暂不可做——缺乏贝叶斯非参数和黎曼优化的核心机器。

Maintained by 陈星宇 · Homepage · Source on GitHub