JRSSB — Vol 85 Issue 5 · 2026-07-05¶

共 13 篇 · Journal of the Royal Statistical Society Series B
目录核对 ✅ 13 篇全部抓到（对照 OpenAlex 32 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 Vol 85 Issue 5的13篇论文可归纳为四条主线：因果推断与识别（5篇）、高维与矩阵数据（3篇）、非参数/半参数方法（1篇）、计算与推断框架（2篇），另有2篇分属其他主题。因果推断主线最为突出，覆盖了异质性处理效应、随机化实验效率、随机化推断推广、条件独立性检验鲁棒性以及非线性因果发现；高维主线则聚焦于矩阵协方差估计、贝叶斯变量选择与矩阵时间序列建模。

在因果推断主线中，Debiased inference on heterogeneous quantile treatment effects 将高维惩罚回归与分位数偏差校正结合，实现了异质性分位数处理效应的半参数有效推断，直接关联效率理论。Semi-parametric estimation of treatment effects in randomised experiments 在完全随机实验下推导了常数分位数处理效应的半参数效率界，并构造了可解释为加权平均的有效估计量，其方法可迁移至非参数统计。Randomisation inference beyond the sharp null 将Fisher精确零假设推广为有界零假设，允许异质性处理效应，并构造了个体效应分位数与比例的有限样本精确置信区间，无需渐近近似。Maxway CRT 针对模型X条件随机化检验在X|Z建模错误时的膨胀问题，提出“几乎双稳健”的校准方法，通过半监督学习或迁移学习实现鲁棒的条件独立性检验。The DeCAMFounder 则在非线性因果发现中处理普遍隐变量，通过谱分解估计隐变量变异，构造基于残差的DAG评分函数，不依赖线性假设。

高维主线中，Core shrinkage covariance estimation for matrix-variate data 将矩阵协方差分解为可分离部分与核心部分，对核心部分收缩，自适应于可分离程度。Bayesian inference with the l1-ball prior 提出投影先验，在l1球面上产生精确零点，解决变量选择等组合问题，后验估计可借助Hamiltonian Monte Carlo高效计算。Two-way dynamic factor models for high-dimensional matrix-valued time series 提出双向动态因子模型，捕捉行和列的可分离低维效应，估计量达到最优收敛速率。非参数主线中，Image response regression via deep neural networks 在空间变系数模型下用深度神经网络估计空间变化函数，建立了估计一致性理论。计算主线中，A fast asynchronous MCMC sampler 将异步Gibbs与贝叶斯迭代筛选结合，将稀疏线性回归计算复杂度降至O(n(s+J))，并证明混合时间与变量数线性相关。Martingale posterior distributions 重构贝叶斯推断视角，用缺失观测的预测分布替代先验，定义鞅后验分布，适用于任意统计量的不确定性量化。

与因果推断最贴合的论文是：Debiased inference on heterogeneous quantile treatment effects、Semi-parametric estimation of treatment effects in randomised experiments、Randomisation inference beyond the sharp null、Maxway CRT、The DeCAMFounder。与半参数效率理论最相关的是前两篇。与高维统计最相关的是Core shrinkage covariance estimation、Bayesian inference with the l1-ball prior、Two-way dynamic factor models。

因果推断 (causal_inference, 6 篇)¶

1. 10.1093/jrsssb/qkad075 · arXiv — Debiased inference on heterogeneous quantile treatment effects with regression rank scores¶

作者: Alexander Giessing, Jingshen Wang
期刊/来源: Journal of the Royal Statistical Society Series B
分类: vol 85 · issue 5 · pp 1561-1588
相关性 8/10 · novelty: new_method
摘要: 本文研究高维协变量下异质性分位数处理效应（HQTE）的推断问题。目标是在条件分位数框架下刻画处理效应的异质性，并允许协变量维度随样本量增长。方法结合了ℓ1惩罚回归调整与基于回归秩得分的分位数特异性偏差校正方案，构造出可进行有效推断的估计量。理论部分建立了估计过程的弱收敛性和半参数效率，表明该方法在渐近意义上达到了最优。模拟和UK Biobank数据中他汀类药物对阿尔茨海默病患者LDL胆固醇水平的异质性效应分析验证了有限样本性能。对您而言，该工作将高维惩罚方法与分位数因果推断的效率理论结合，直接关联到您的因果推断（异质性处理效应）和半参数效率理论兴趣。
关键技术: quantile regression, ℓ1-penalized estimation, regression rank scores, bias correction, semiparametric efficiency, high-dimensional inference
为什么对您有用: 直接连接到您的primary interest中的因果推断（异质性处理效应）和效率理论（半参数效率界）。技术层面，您可以用very_familiar的minimax bounds工具验证其声称的收敛速率是否紧，或用moderately_familiar的HOIF视角分析其偏差校正方案是否可视为一阶或高阶影响函数。中期可做：若想将分位数处理效应推广到proximal CI设定，需先在identification theory上长肌肉。

2. 10.1093/jrsssb/qkad072 — Semi-parametric estimation of treatment effects in randomised experiments¶

作者: Susan Athey, Peter J Bickel, Aiyou Chen, Guido W Imbens, Michael Pollmann
期刊/来源: Journal of the Royal Statistical Society Series B
机构: National Bureau of Economic Research · Stanford University · University of California, Berkeley · Google (United States) · Duke University
分类: vol 85 · issue 5 · pp 1615-1638
相关性 8/10 · novelty: new_method
摘要: 本文在完全随机实验的设定下，研究处理效应的半参数估计方法。目标是在厚尾分布、处理效应较小、样本量大的在线实验场景中，提高估计效率。作者将处理效应参数化（如常数分位数处理效应），从而为结果分布构建半参数模型。推导了该设定下处理效应的半参数效率界，并提出了有效估计量。其中一个有效估计量可解释为分位数处理效应的加权平均，权重正比于潜在结果密度对数的二阶导数的负值。该分析还扩展了 Huber 模型和截尾均值到非对称情形。对您而言，本文直接关联因果推断中的效率理论，其半参数效率界推导和有效估计量构造方法可迁移至您熟悉的非参数统计和因果推断估计理论。
关键技术: semiparametric efficiency bound, efficient influence function, quantile treatment effects, trimmed mean, Huber model
为什么对您有用: 本文直接关联您 primary interest 中的因果推断和效率理论，具体在完全随机实验的厚尾分布设定下推导了半参数效率界并构造有效估计量。您非常熟悉的非参数统计和因果推断估计理论可直接用于理解其效率界推导和估计量构造，属于立即可做的范畴。

3. 10.1093/jrsssb/qkad080 — Randomisation inference beyond the sharp null: bounded null hypotheses and quantiles of individual treatment effects¶

作者: Devin Caughey, Allan Dafoe, Xinran Li, Luke Miratrix
期刊/来源: Journal of the Royal Statistical Society Series B
机构: IIT@MIT · Centre for the Governance of AI · University of Chicago · Harvard University
分类: vol 85 · issue 5 · pp 1471-1491
相关性 7/10 · novelty: new_method
摘要: 本文在随机化推断（RI）框架下，将经典的 Fisher 精确零假设（所有个体处理效应均为零）推广为有界零假设（所有个体效应非正或非负，但允许异质性）。这一推广使得 RI 在更合理的假设下仍然有效，且与单调性、帕累托效率等实质概念紧密相连。作者进一步证明，通过反演一系列有界零假设的检验，可以构造个体效应最大值（或最小值）的精确置信区间。更重要的是，该方法被推广到个体效应分布的分位数推断，以及超过给定阈值的个体比例推断，且所有分位数的置信区间具有同时有效性（无需多重比较校正）。技术核心在于利用置换检验的分布性质，结合排序和分位数的不等式关系，无需渐近近似即可得到有限样本精确推断。对您而言，本文为因果推断中的个体异质性效应提供了非参数精确推断工具，尤其适用于您关注的 IV 和 mediation 设定中的效应分布分析，且其同时置信区间方法可直接迁移至您熟悉的非参数统计框架。
关键技术: randomisation inference, bounded null hypothesis, simultaneous confidence intervals for quantiles, finite-sample exact inference, permutation test
为什么对您有用: 本文直接连接您 primary interest 中的因果推断（个体效应异质性、IV/mediation 中的效应分布），且其同时置信区间方法可被您的非参数统计武器库（very_familiar）直接用于构造更复杂的效应分位数推断。中期可做：若将方法扩展到有协变量调整或连续处理的情形，需先在 moderately_familiar 的 semiparametric theory 上提升（如 influence function 与置换检验的结合）。

4. 10.1093/jrsssb/qkad081 · arXiv — Maxway CRT: improving the robustness of the model-X inference¶

作者: Shuangning Li, Molei Liu
期刊/来源: Journal of the Royal Statistical Society Series B
分类: vol 85 · issue 5 · pp 1441-1470
相关性 7/10 · novelty: new_method
摘要: 本文针对模型X条件随机化检验（model-X CRT）在X|Z建模错误时第一类错误膨胀的问题，提出Maxway CRT方法。该方法通过学习Y|Z的分布来校准X的重采样分布，从而获得对X|Z建模误差的鲁棒性。理论证明，Maxway CRT的第一类错误膨胀可由低维调整模型的学习误差加上X|Z和Y|Z学习误差的乘积来控制，这一性质被解释为“几乎双稳健”（almost doubly robust）。基于此，作者开发了在半监督学习（SA-SSL）和迁移学习（TL）场景下的实现算法。模拟表明，Maxway CRT在保持相似功效的同时，第一类错误控制显著优于现有模型X推断方法。该方法为高维Z下条件独立性检验提供了更可靠的工具，对您在高维因果推断和假设检验方向的研究有直接参考价值。
关键技术: model-X conditional randomisation test, almost doubly robust, semi-supervised learning, transfer learning, type-I error control
为什么对您有用: 本文直接连接您的primary interest中的因果推断（条件独立性检验）和假设检验。其“几乎双稳健”性质与您熟悉的非参数统计和因果推断中的估计理论（如双稳健估计）有技术共鸣，可用您very_familiar的minimax bounds工具分析其学习误差乘积项是否紧。中期可做：将Maxway CRT思想推广到proximal causal inference中的negative control设定，需先在moderately_familiar的identification theory上长肌肉。

5. 10.1093/jrsssb/qkad071 — The DeCAMFounder: nonlinear causal discovery in the presence of hidden variables¶

作者: Raj Agrawal, Chandler Squires, Neha Prasad, Caroline Uhler
期刊/来源: Journal of the Royal Statistical Society Series B
机构: Massachusetts Institute of Technology · Broad Institute · Decision Systems (United States)
分类: vol 85 · issue 5 · pp 1639-1658
相关性 7/10 · novelty: new_method
摘要: 本文研究非线性因果发现中普遍存在隐变量（pervasive confounding）的问题。目标是在所有变量受隐变量影响、且因果机制为非线性函数的设定下，恢复有向无环图（DAG）的拓扑排序。核心方法是对观测数据矩阵进行谱分解，估计隐变量的共同变异，进而构造一个基于残差的 DAG 评分函数。作者证明了该评分函数在正确排序下达到最小，从而保证排序估计的一致性。方法不依赖线性假设，适用于更广泛的非线性生成模型。模拟和真实数据实验表明，相比忽略隐变量或仅处理线性 confounder 的方法，本文方法在排序恢复和边检测上均有显著提升。对您而言，本文是 causal discovery 中处理隐变量的一个可识别且可计算的方案，与您关注的 identification theory 和 estimation theory 直接相关。
关键技术: spectral decomposition, pervasive confounding, DAG score function, nonlinear causal discovery, consistency proof
为什么对您有用: 本文直接连接您 primary interest 中的 causal inference（identification 和 estimation），特别是隐变量存在时的因果结构学习。您的 technical arsenal 中 very_familiar 的 estimation theory in causal inference 和 nonparametric statistics 可用于分析其评分函数的收敛性和偏差，而 moderately_familiar 的 identification theory 可用于评估其假设（pervasive confounding）的可检验性。中期可做：需先在 moderately_familiar 的 identification theory 上深入理解 pervasive confounding 的识别条件，才能将本文方法推广到更一般的隐变量结构。

6. 10.1093/jrsssb/qkad069 · arXiv — Prediction sets adaptive to unknown covariate shift¶

作者: Hongxiang Qiu, Edgar Dobriban, Eric Tchetgen Tchetgen
期刊/来源: Journal of the Royal Statistical Society Series B
分类: vol 85 · issue 5 · pp 1680-1705
相关性 5/10 · novelty: new_method
摘要: 本文研究未知协变量偏移下预测集的条件覆盖保证问题。在 covariate shift 设定中，目标分布 P* 的协变量分布与训练分布 P 不同，但条件分布 P(Y|X) 不变（即无标签偏移）。作者首先证明，在未知 shift 下，任何有限样本覆盖保证的预测集必然无信息（即覆盖率为 1 或退化为平凡集）。随后提出一种基于 one-step 估计的分布自由方法 PredSet-1Step，利用重要性权重（似然比）构造渐近覆盖保证的预测集。方法核心是：用交叉拟合估计密度比，构造 Wald 型置信区间，并证明其渐近 probably approximately correct (PAC) 性质——即覆盖误差以高概率被控制。理论贡献包括一个关于一般渐近线性估计量的 Wald 置信区间覆盖收敛速率的新界。实验部分使用 HIV 风险预测的南非队列数据验证了名义覆盖率的达成。对您而言，本文直接连接 causal inference 中 covariate shift 下的 sensitivity analysis 和 identification 问题，且 one-step 估计框架与您的 semiparametric efficiency 和 debiased ML 兴趣高度契合。
关键技术: one-step estimation, covariate shift, importance weighting, Wald confidence interval, asymptotically linear estimator, distribution-free prediction set
为什么对您有用: 本文直接连接您的 primary interest 中 causal inference 的 covariate shift 子方向，特别是 sensitivity analysis 和 identification 在 shift 下的推广。技术层面，您 very_familiar 的 nonparametric statistics 和 estimation theory in causal inference 可直接用于理解其 one-step 估计框架和重要性权重估计的收敛性；您 moderately_familiar 的 semiparametric theory 可用于验证其提出的覆盖收敛速率新界是否紧。中期可做：若想将本文的 one-step 思路推广到 proximal causal inference 中的负对照设定，需先在 moderately_familiar 的 identification theory in causal inference 上长肌肉（具体为 proximal g-formula 的识别条件）。

高维统计 / 随机矩阵 (high_dim_rmt, 3 篇)¶

1. 10.1093/jrsssb/qkad070 · arXiv — Core shrinkage covariance estimation for matrix-variate data¶

作者: Peter Hoff, Andrew McCormack, Anru R Zhang
期刊/来源: Journal of the Royal Statistical Society Series B
分类: vol 85 · issue 5 · pp 1659-1679
相关性 7/10 · novelty: new_method
摘要: 本文针对矩阵型数据（matrix-variate data）的协方差估计问题，提出了一种新的收缩估计方法。在可分离协方差模型（separable covariance model）下，行间和列间相关性可分别建模，但该假设在实际中常不成立。作者将协方差矩阵分解为可分离部分与一个互补的“核心”协方差矩阵（core covariance matrix），该分解既保留了可分离模型的简洁性与可解释性，又能完整描述非可分离的协方差结构。基于此分解，通过对样本协方差矩阵的核心部分进行适当收缩（shrinkage），得到一种自适应于总体协方差可分离程度的估计量。理论分析给出了该估计量的风险上界，并证明了其在可分离与非可分离设定下均优于传统可分离估计或样本协方差。数值实验和真实数据（如脑电图数据）验证了方法的有限样本性能。对您而言，该工作涉及高维协方差估计与矩阵型数据的统计推断，与您的高维统计和随机矩阵理论兴趣直接相关，其分解与收缩思路也可为因果推断中高维中介分析或纵向数据的协方差建模提供新工具。
关键技术: separable covariance model, core covariance shrinkage, matrix-variate data, shrinkage estimation, risk bound
为什么对您有用: 该论文直接对应您的高维统计与随机矩阵理论兴趣，具体涉及矩阵型数据的协方差估计问题。您的技术武器库中'高维渐近理论'和'逆问题'可用于分析其收缩估计量的风险界，而'树宽/张量收缩'视角或可为其核心协方差分解的计算复杂度提供新见解。中期可做：若先熟悉'半参数理论'中的EIF工具，可尝试将本文的分解思路推广到因果推断中的高维中介分析或纵向数据协方差建模。

2. 10.1093/jrsssb/qkad076 · arXiv — Bayesian inference with thel1-ball prior: solving combinatorial problems with exact zeros¶

作者: Maoran Xu, Leo L Duan
期刊/来源: Journal of the Royal Statistical Society Series B
分类: vol 85 · issue 5 · pp 1538-1560
相关性 5/10 · novelty: new_method
摘要: 本文提出一种新的贝叶斯先验——l1-ball 投影先验，旨在解决高维统计中变量选择、变点检测、秩选择等组合问题。该先验通过将连续分布投影到 l1 球上，在球面上产生正概率质量，从而同时获得连续元素和精确零点，克服了传统连续收缩先验（如 Laplace）无法产生精确零点的缺陷。与 spike-and-slab 先验不同，该投影先验几乎处处连续可微，因此后验估计可借助 Hamiltonian Monte Carlo 高效计算。作者分析了投影导致的体积变化、与组合先验的联系，并在线性模型中建立了 minimax 收敛速率。在时间序列变点检测、混合模型维度选择、医学图像低秩加稀疏变化检测等应用中展示了精确零点简化组合问题的实用性。对您而言，本文在高维统计中提出了一种兼具计算便利性和理论保证的新先验，其 minimax 收敛率分析直接连接您对高维统计和 minimax 界的兴趣，而 HMC 计算框架则与您的统计计算兴趣相关。
关键技术: l1-ball projection prior, Hamiltonian Monte Carlo, minimax concentration rate, exact zeros, variable selection, change-point detection
为什么对您有用: 本文直接连接您的高维统计和 minimax 界兴趣：它提出了一个具有精确零点的新先验，并给出了线性模型下的 minimax 收敛率。您可以用 very_familiar 的 minimax 界工具验证其收敛率是否紧，或用 moderately_familiar 的 M-estimation 理论分析其后验收缩性质。中期可做：若想将投影先验推广到您的因果推断问题（如 IV 中的弱工具变量选择），需先在 moderately_familiar 的识别理论上长肌肉。

3. 10.1093/jrsssb/qkad077 — Two-way dynamic factor models for high-dimensional matrix-valued time series¶

作者: Chaofeng Yuan, Zhigen Gao, Xuming He, Wei Huang, Jianhua Guo
期刊/来源: Journal of the Royal Statistical Society Series B
机构: Northeast Normal University · Heilongjiang University · Washington University in St. Louis · Beijing Technology and Business University
分类: vol 85 · issue 5 · pp 1517-1537
相关性 4/10 · novelty: new_method
摘要: 本文针对高维矩阵值时间序列提出了一种双向动态因子模型（2w-DFM），旨在捕捉行和列属性的可分离低维效应及其在行、列和时间上的相关性。模型假设行因子和列因子为加性结构，以增强可解释性，并继承了因子模型的降维特性。作者给出了模型可识别性的条件，并采用基于拟似然的两步法进行参数估计。在数据矩阵维度和时间序列长度同步增长的渐近框架下，证明了估计量达到最优收敛速率且具有渐近正态性。模拟研究和中国城市空气质量数据的应用验证了方法的有效性。该工作对您在高维统计和矩阵值时间序列分析方面的兴趣有直接参考价值。
关键技术: dynamic factor model, matrix-valued time series, quasi-likelihood estimation, optimal convergence rate, asymptotic normality
为什么对您有用: 本文直接关联您的高维统计兴趣，特别是矩阵值时间序列的因子模型方法。您武器库中的高维渐近理论可用于验证其收敛速率的最优性，而矩阵结构分析也与您熟悉的U-统计量计算中的张量网络视角有潜在联系。中期可做：需先在 moderately_familiar 的 M-估计理论上进一步熟悉，以深入理解其拟似然估计的渐近性质。

非参数 / 半参数 (nonparam_semipara, 1 篇)¶

1. 10.1093/jrsssb/qkad073 · arXiv — Image response regression via deep neural networks¶

作者: Daiwei Zhang, Lexin Li, Chandra Sripada, Jian Kang
期刊/来源: Journal of the Royal Statistical Society Series B
分类: vol 85 · issue 5 · pp 1589-1614
相关性 6/10 · novelty: new_method
摘要: 本文提出一种基于深度神经网络的图像响应回归方法，在空间变系数模型框架下，用深度神经网络估计空间变化函数，以刻画图像与协变量之间的复杂关联。方法整合了空间平滑性、处理了受试者异质性，并保持了模型的可解释性。作者建立了估计和变量选择的一致性理论，并导出了渐近误差界。通过大量模拟和两个功能磁共振成像数据集的分析，展示了该方法相对于传统方法的优势。该工作属于非参数回归与深度学习的交叉，其理论分析（如误差界）对您在高维统计和半参数理论方面的兴趣有参考价值。
关键技术: spatially varying coefficient model, deep neural network, estimation consistency, variable selection consistency, asymptotic error bounds
为什么对您有用: 本文连接您的非参数与半参数理论兴趣，具体在空间变系数模型中使用深度神经网络进行估计。您武器库中的非参数统计和minimax界工具可直接用于评估其理论结果的紧致性（立即可做）。

统计计算 / 算法 (stat_computing, 1 篇)¶

1. 10.1093/jrsssb/qkad078 — A fast asynchronous Markov chain Monte Carlo sampler for sparse Bayesian inference¶

作者: Yves Atchadé, Liwei Wang
期刊/来源: Journal of the Royal Statistical Society Series B
机构: Boston University
分类: vol 85 · issue 5 · pp 1492-1516
相关性 5/10 · novelty: new_method
摘要: 本文提出一种快速异步马尔可夫链蒙特卡洛（MCMC）采样框架，适用于稀疏贝叶斯推断问题。核心贡献是将异步Gibbs采样器（Hogwild）与贝叶斯迭代确定独立筛选（ISIS）思想结合，在每步迭代中仅随机选取J个回归变量进行更新，从而将线性回归模型的计算复杂度降至O(n(s+J))，其中n为样本量，s为真实稀疏度。进一步，通过数据子采样和随机梯度Langevin动力学可继续降低计算成本。理论方面，在高维线性回归设定下，证明该算法生成的马尔可夫链存在不变分布，且该分布能以高概率正确恢复主要信号；同时证明混合时间至多与回归变量数成线性关系。实验部分在多个模型上验证了算法的速度和有效性。对您而言，本文展示了如何通过随机子集选择和异步更新在贝叶斯框架下实现计算与统计效率的权衡，其复杂度分析思路（O(n(s+J))）与您关注的统计-计算权衡（statistical-computational tradeoff）直接相关，可作为理解“多项式时间可行性”在MCMC语境下具体含义的入门读物。
关键技术: asynchronous Gibbs sampling, Bayesian iterated sure independent screening, stochastic gradient Langevin dynamics, mixing time analysis, sparse Bayesian inference
为什么对您有用: 本文属于统计-计算权衡（statistical-computational tradeoff）的gateway reading：它明确给出了算法复杂度（O(n(s+J))）和统计保证（高概率恢复信号、线性混合时间），并清晰阐述了计算模型（异步更新、随机子集选择）与统计模型（稀疏线性回归）之间的交互。您的武器库中“高维渐近理论”和“软件实现”可直接用于复现或扩展其复杂度分析；但若要深入理解其混合时间证明或与低度多项式屏障（low-degree barrier）的关系，则需先在“moderately_familiar”的MCMC理论（如谱间隙、耦合论证）上补课——目前该工具不在您的武器库中，因此属于暂不可做（缺MCMC混合时间分析工具）。不过，本文作为入门材料，值得花时间读全文以建立对计算-统计权衡在贝叶斯推断中具体形态的直觉。

其他 (other, 2 篇)¶

1. 10.1093/jrsssb/qkad005 · arXiv — Martingale posterior distributions¶

作者: Edwin Fong, Chris Holmes, Stephen G Walker
期刊/来源: Journal of the Royal Statistical Society Series B
分类: vol 85 · issue 5 · pp 1357-1391
相关性 4/10 · novelty: new_theory
摘要: 本文提出了一种新的贝叶斯推断视角：将统计不确定性归因于缺失观测而非先验分布。在 i.i.d. 设定下，给定观测样本 Y1:n，通过指定缺失数据 Y_{n+1:∞} 的条件预测分布来诱导参数的分布。利用 Doob 鞅定理证明，若采用标准贝叶斯预测分布，则诱导出的参数分布即为传统后验分布。作者放松了这一约束，允许直接指定联合预测机制而不必经由先验-后验-预测密度公式，从而定义了鞅后验分布。该方法可应用于任意统计量的不确定性量化，并基于二元 copula 发展了多变量密度估计、回归和分类的新预测方法。本文主要贡献在于概念框架的重构，而非提出更优的估计或推断方法。
关键技术: martingale posterior, Doob's theorem, predictive distribution, copula-based density estimation
为什么对您有用: 本文属于贝叶斯基础理论的重构，与您的主要兴趣（因果推断、高维统计、半参理论）无直接方法学交集。武器库中的非参数统计和 minimax 界工具难以直接攻入其鞅框架。暂不可做——核心机器（鞅收敛理论、预测分布建模）不在当前武器库中。

2. 10.1093/jrsssb/qkad082 · arXiv — Stationary nonseparable space-time covariance functions on networks¶

作者: Emilio Porcu, Philip A White, Marc G Genton
期刊/来源: Journal of the Royal Statistical Society Series B
分类: vol 85 · issue 5 · pp 1417-1440
相关性 2/10 · novelty: application
摘要: 本文研究空间域为广义网络（图上的欧几里得边）且时间域为线性或循环时的平稳非可分离时空协方差函数构建问题。核心挑战在于网络空间上距离度量的非欧几里得性，使得传统平面或球面协方差模型无法直接适用。作者提出基于网络上的测地距离和欧几里得边上的积分构造新的协方差类，并利用谱表示和正定性条件保证模型的有效性。通过模拟研究验证了模型参数的可恢复性及对误设模型的鲁棒性。在交通事故数据集上的应用表明，所提协方差规范相比网络上的可分离模型显著提升了拟合性能。本文主要贡献在于将时空统计中成熟的协方差建模框架拓展至网络空间，但方法本身是经典协方差函数的构造性推广，未涉及因果推断、高维统计或效率理论等核心兴趣方向。
关键技术: space-time covariance functions, graph with Euclidean edges, non-separable covariance, network distance metric, positive definiteness on networks
为什么对您有用: 本文属于空间统计的专门领域，与您的主要兴趣（因果推断、高维统计、U-统计量、效率理论）无直接交集。作为gateway-reading，本文对网络空间协方差建模的阐述清晰，但统计学家更关心的数据生成机制、似然或推断框架并未深入展开。您的技术武器库（非参数统计、高维渐近）无法直接迁移至网络空间协方差的正定性构造问题，且该方向与您的计算-统计权衡兴趣也无关联。因此仅作信息性记录，不推荐深入阅读。

Maintained by 陈星宇 · Homepage · Source on GitHub