Biometrika — Vol 108 Issue 2 · 2026-07-06¶

共 16 篇 · Biometrika
目录核对 ✅ 16 篇全部抓到（对照 OpenAlex 16 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《Biometrika》第108卷第2期的16篇论文可归纳为四条主线：因果推断与处理效应估计（2篇）、高维统计与随机矩阵（5篇）、统计计算与近似方法（4篇）、假设检验与多重比较（4篇），另有1篇关于多元广义双曲分布二次型、1篇关于Poisson降秩模型、1篇关于生存分析加性风险模型，与上述主线关联较弱。

在因果推断主线中，两篇论文分别从不同角度推进了异质性处理效应（HTE）的估计与推断。Quasi-oracle estimation of heterogeneous treatment effects 提出R-learner框架，通过两步法（先估计边际效应与倾向得分，再优化数据自适应目标函数）实现CATE的准oracle估计，允许任意损失最小化方法（如惩罚回归、深度神经网络）并证明误差界与已知nuisance函数时相同。Inference for treatment effect parameters in potentially misspecified high-dimensional models 则聚焦高维协变量下条件处理效应的稳健推断，采用双重稳健策略（结局模型用lasso、处理机制用倾向得分），即使结局模型误设也能得到均匀有效的置信区间，并放松了稀疏性假设。

高维统计与随机矩阵主线涵盖稀疏GLM后验收缩、协方差结构检验、VAR模型有限样本分析、差分潜变量图模型估计等。Posterior contraction in sparse generalized linear models 证明spike-and-slab先验在非规范链接GLM下达到lasso级最优收敛率，分数后验可放松先验依赖。Specification tests for covariance structures 针对不可直接观测的随机向量，基于残差最大偏差构造检验统计量，并开发调整了估计误差的multiplier bootstrap。Finite-sample analysis of vector autoregressive models 覆盖平稳至轻微爆炸的VAR(1)模型，揭示线性约束下误差率相变由最小奇异值决定，并给出极小极大下界。Estimating differential latent variable graphical models 将差分网络分解为稀疏与低秩分量，用非凸优化实现线性收敛与极小极大最优。

统计计算主线中，Statistical properties of sketching algorithms 系统分析数据无关草图法在超大样本线性回归中的统计性质，推导条件中心极限定理并发现最优草图选择取决于信噪比。Approximating posteriors with high-dimensional nuisance parameters 提出IRGA方法，通过正交旋转分离目标与nuisance参数，对nuisance部分解析积分得到目标参数近似后验，理论误差界适用于广泛似然与先验。Lattice-based designs with quasi-optimal separation distance 通过旋转最密堆积格点构造空间填充设计，在所有投影上保持准最优分离距离，与高阶U-统计量中的张量收缩问题有技术关联。

假设检验主线中，An assumption-free exact test for fixed-design linear models 提出循环置换检验，在固定设计线性模型下有限样本精确控制第一类错误，要求1/α为整数且n/p≥1/α-1。The uniform general signed rank test 在配对数据敏感性分析中，通过均匀加权所有符号秩得分函数达到最大设计灵敏度。A general interactive framework for false discovery rate control 提出STAR框架，在结构约束下通过掩蔽技术实现有限样本FDR控制，兼容数据自适应更新规则。On the use of a penalized quasilikelihood information criterion 针对GLMM的固定与随机效应联合选择，基于PQL估计构建QIC，渐近识别真实模型且计算效率优于ML方法。

对于因果推断方向，优先看Quasi-oracle estimation of heterogeneous treatment effects和Inference for treatment effect parameters in potentially misspecified high-dimensional models；半参数效率方向可关注Posterior contraction in sparse generalized linear models和Statistical properties of sketching algorithms；高维方向则推荐Specification tests for covariance structures、Finite-sample analysis of vector autoregressive models和Estimating differential latent variable graphical models。

因果推断 (causal_inference, 2 篇)¶

1. 10.1093/biomet/asaa076 · arXiv — Quasi-oracle estimation of heterogeneous treatment effects¶

作者: X Nie, S Wager
期刊/来源: Biometrika
机构: Stanford University
分类: vol 108 · issue 2 · pp 299-319
相关性 9/10 · novelty: new_method
摘要: 本文研究观察性研究中异质性处理效应（HTE）的灵活估计问题，目标是在无混淆假设下估计条件平均处理效应（CATE）。作者提出一类通用的两步估计算法：第一步，估计边际效应和处理倾向性得分，构建一个能隔离因果信号的目标函数（即R-learner框架）；第二步，对该数据自适应目标函数进行优化。该方法允许在两步中任意使用损失最小化方法（如惩罚回归、深度神经网络、boosting），并通过交叉验证调优。在惩罚核回归设定下，作者证明了该方法具有准oracle性质：即使第一步对边际效应和倾向性得分的估计不够精确，最终CATE估计的误差界仍与事先知道这两个 nuisance 函数的oracle相同。模拟实验对比了基于惩罚回归、核岭回归和boosting的多种实现，性能优于现有基线方法。该工作对您有用：它直接连接您的主要兴趣——因果推断中的估计理论，且其准oracle性质与您熟悉的非参数统计和minimax界技术高度相关，可视为debiased ML思想在CATE问题上的一个具体实现。
关键技术: R-learner, quasi-oracle property, two-step estimation, penalized kernel regression, cross-validation, nuisance function estimation
为什么对您有用: 本文直接连接您的主要兴趣——因果推断中的估计理论，特别是CATE的灵活估计。您熟悉的非参数统计和minimax界技术可以用于分析其准oracle性质的紧性（例如，验证误差界是否达到最优minimax率）。中期可做：若想将R-learner扩展到proximal CI或纵向设定，需先在moderately_familiar的identification theory上长肌肉。

2. 10.1093/biomet/asaa071 — Inference for treatment effect parameters in potentially misspecified high-dimensional models¶

作者: Oliver Dukes, Stijn Vansteelandt
期刊/来源: Biometrika
机构: Ghent University
分类: vol 108 · issue 2 · pp 321-334
相关性 8/10 · novelty: new_method
摘要: 本文研究高维协变量下条件处理效应的推断问题，目标是在结局模型可能误设时仍能得到均匀有效的置信区间。作者采用双重稳健策略，同时拟合结局模型（用lasso等稀疏估计）和处理机制模型（倾向得分）。核心贡献是：即使结局模型误设，只要处理机制模型正确，所提估计量仍可渐近正态且置信区间均匀有效；若两个模型都正确，则可放宽对模型稀疏性的标准条件（如放松beta-min假设）。方法上，估计量基于去偏（debiased）lasso的思想，但通过引入倾向得分构建正交评分函数（orthogonal score），从而对结局模型误设不敏感。理论结果包括在高维设定下建立渐近分布和均匀有效性，并推广到多元处理效应和纵向数据。对您而言，本文是双重稳健推断在高维因果推断中的经典应用，直接关联您的因果推断（特别是高维confounding调整）和debiased ML兴趣，且其正交评分构造思路可迁移至proximal CI或IV设定下的敏感性分析。
关键技术: debiased lasso, double robustness, orthogonal score, high-dimensional confounding, uniform inference
为什么对您有用: 本文直接连接您primary interest中的高维因果推断和debiased ML：它展示了如何在高维线性模型可能误设时，通过正交评分实现均匀有效的条件处理效应推断。您的武器库中'debiased ML'和'高维渐近理论'可直接用于理解其正交评分构造和渐近分布推导，而'identification theory'可帮您评估其双重稳健假设在您关注的proximal CI或IV设定下是否可放松。中期可做：若将本文的正交评分思路推广到proximal CI中的bridge函数估计，需先在moderately_familiar的HOIF上长肌肉。

高维统计 / 随机矩阵 (high_dim_rmt, 4 篇)¶

1. 10.1093/biomet/asaa074 — Posterior contraction in sparse generalized linear models¶

作者: Seonghyun Jeong, Subhashis Ghosal
期刊/来源: Biometrika
机构: Yonsei University · North Carolina State University
分类: vol 108 · issue 2 · pp 367-379
相关性 7/10 · novelty: sharper_rate
摘要: 本文研究稀疏高维广义线性模型（GLM）的后验收缩率，其中回归系数采用 spike-and-slab 先验（点质量与连续分布的混合）。除了标准后验，还考虑了分数后验（fractional posterior），即用似然函数的分数次幂进行贝叶斯更新。主要理论贡献是证明了在非规范链接函数（non-canonical link）的 GLM 设定下，贝叶斯方法能达到与 lasso 类过程相当的最优收敛速率。分数后验允许在参数空间的更大子集上实现均匀的后验收缩，放松了对先验的依赖。技术工具涉及稀疏先验下的后验收缩理论、经验过程以及高维概率不等式。结果可应用于 logistic 回归、Poisson 回归等常见 GLM。对您而言，本文的高维稀疏后验收缩分析可直接连接到您在高维统计和 hypothesis testing 方面的兴趣，特别是后验收缩率与 minimax 最优性的对比。
关键技术: spike-and-slab prior, fractional posterior, posterior contraction rate, sparse generalized linear models, non-canonical link function
为什么对您有用: 本文直接对应您 primary interest 中的高维统计和 hypothesis testing 方向，具体是稀疏 GLM 的后验收缩率理论。您武器库中 very_familiar 的 minimax bounds 和 high-dimensional asymptotics 可直接用于验证本文声称的收缩率是否紧，以及能否推广到其他损失函数。中期可做：若想将分数后验的思想用于您 moderately_familiar 的 semiparametric theory 中的 debiased ML，需先在 moderately_familiar 的 M-estimation theory 上长肌肉，以处理非参数部分的收缩。

2. 10.1093/biomet/asaa073 — Specification tests for covariance structures in high-dimensional statistical models¶

作者: X Guo, C Y Tang
期刊/来源: Biometrika
机构: University of Science and Technology of China · Temple University
分类: vol 108 · issue 2 · pp 335-351
相关性 7/10 · novelty: new_method
摘要: 本文研究高维统计模型中协方差结构的假设检验问题，核心挑战在于随机向量不可直接观测，需通过估计模型得到残差，且协方差设定可能包含需额外估计的 nuisance 参数。在一般加性模型设定下，作者基于残差的最大偏差量构造检验统计量。为逼近零假设下统计量的分布，提出了新的 multiplier bootstrap 程序，并专门调整以纳入模型估计和 nuisance 参数估计误差。理论分析阐明了高维数据下估计误差对检验的影响，并证明了检验的有效性。模拟和真实数据例子验证了理论结果。该工作对您在高维统计与假设检验方向的研究有直接参考价值，尤其是其处理 nuisance 参数估计误差的 bootstrap 方法可迁移至您熟悉的因果推断中的敏感性分析问题。
关键技术: multiplier bootstrap, maximum discrepancy measure, high-dimensional covariance testing, nuisance parameter estimation, additive model residuals
为什么对您有用: 本文直接连接您在高维统计与假设检验方向的兴趣，特别是处理 nuisance 参数估计误差的 bootstrap 方法。您非常熟悉的 minimax 界与非参数统计工具可用于分析其检验的 power 与 size 的 optimality。中期可做：将本文的 bootstrap 程序推广至您 moderately_familiar 的因果推断中的 IV 或 proximal CI 设定，检验工具变量排除限制等协方差结构假设。

3. 10.1093/biomet/asaa065 · arXiv — Finite-time analysis of vector autoregressive models under linear restrictions¶

作者: Yao Zheng, Guang Cheng
期刊/来源: Biometrika
机构: University of Connecticut · Purdue University West Lafayette
分类: vol 108 · issue 2 · pp 469-489
相关性 7/10 · novelty: new_theory
摘要: 本文研究线性约束下向量自回归(VAR)模型的有限样本理论。设定为可能不稳定甚至轻微爆炸的VAR(1)模型，谱半径ρ(A)≤1+c/n，覆盖平稳、单位根及近单位根情形。核心方法是带线性约束的普通最小二乘(OLS)估计，约束形式包括带状/网络VAR等常见结构。理论贡献在于：约束不仅通过降低有效维度减小误差界，还引入一个类似固定维渐近协方差矩阵的尺度因子——模型正确指定时，该因子随约束数增加而递减。揭示了误差率从慢速到快速相变的临界条件由A的最小奇异值（系统最不易激发模态的度量）决定。推导了不同相变区域下的极小极大下界，弥合了平稳与非平稳区域之间的理论空白，并精确刻画了约束效应与模型参数的相互作用。对您而言，本文的有限样本相变分析与高维时间序列的极小极大理论直接相关，且其约束降维机制可迁移至您熟悉的因果推断中高维IV或纵向数据设定。
关键技术: ordinary least squares under linear restrictions, finite-sample error bounds, minimax lower bounds, phase transition analysis, spectral radius of transition matrix, unstable VAR models
为什么对您有用: 直接连接高维统计与随机矩阵理论兴趣：本文的相变分析（最小奇异值驱动误差率）是RMT在时间序列中的典型应用，您可用very_familiar的高维渐近工具验证其极小极大下界是否紧。中期可做：若想将约束降维机制推广到因果推断中的高维IV设定，需先在moderately_familiar的识别理论（如线性约束下的IV identification）上长肌肉。

4. 10.1093/biomet/asaa066 · arXiv — Estimating differential latent variable graphical models with applications to brain connectivity¶

作者: S Na, M Kolar, O Koyejo
期刊/来源: Biometrika
分类: vol 108 · issue 2 · pp 425-442
相关性 5/10 · novelty: new_method
摘要: 本文研究两组高维数据的差分图模型，但每组数据由潜变量高斯图模型生成。目标是从两组观测中估计差分网络，该网络被分解为稀疏和低秩两个对称不定矩阵分量。方法采用两阶段估计：初始化阶段给出一个简单相合估计，收敛阶段用投影交替梯度下降算法优化非凸目标函数。理论证明该估计量线性收敛到真实参数，且统计误差达到极小极大最优。模拟和脑连接数据实验表明非凸方法优于现有凸松弛方法。对您而言，该工作涉及高维统计中的低秩+稀疏分解，与您熟悉的高维渐近理论和极小极大界直接相关，且算法分析（非凸优化+线性收敛）可作为统计计算方向的参考。
关键技术: projected alternating gradient descent, nonconvex optimization, latent variable graphical model, minimax optimal rate, low-rank plus sparse decomposition
为什么对您有用: 本文连接您的高维统计和极小极大界兴趣子方向，具体是潜变量图模型下的差分网络估计。您武器库中'高维渐近理论'和'极小极大界'可直接用于验证其收敛率是否紧；'非凸优化+线性收敛'的分析模式可迁移至您关注的统计计算问题。中期可做：需先在 moderately_familiar 的 M-estimation 理论上长肌肉，以处理非凸目标函数的统计推断。

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

1. 10.1093/biomet/asaa079 · arXiv — An assumption-free exact test for fixed-design linear models with exchangeable errors¶

作者: Lihua Lei, Peter J Bickel
期刊/来源: Biometrika
分类: vol 108 · issue 2 · pp 397-412
相关性 6/10 · novelty: new_method
摘要: 本文提出循环置换检验（cyclic permutation test），用于固定设计线性模型的一般线性假设检验。该检验是非随机的，在有限样本下精确控制第一类错误率 α，要求 1/α 为整数且 n/p ≥ 1/α - 1，对任意固定设计矩阵和任意可交换误差均成立。方法核心是将边际秩检验应用于 1/α 个线性统计量，这些统计量的系数向量通过求解一个线性系统确定，使得在原假设下这些统计量的联合分布在非标准循环置换群下保持不变。为提升检验功效，需进一步求解一个二次非线性旅行商问题，可用遗传算法获得合理近似解。模拟研究表明，循环置换检验的功效与现有检验相当；对于单个系数对比，可通过逆检验获得精确置信区间。该工作为假设检验提供了无需分布假设的精确推断工具，对您在高维统计和假设检验方向的研究有直接参考价值。
关键技术: cyclic permutation test, exchangeable errors, marginal rank test, travelling salesman problem, genetic algorithm, exact finite-sample inference
为什么对您有用: 该论文直接对应您 primary interest 中的 hypothesis testing 方向，且方法不依赖渐近近似，在有限样本下精确控制第一类错误，与您熟悉的非参数统计和 minimax 框架互补。技术上，其核心是构造线性统计量的联合分布在置换群下的不变性，这与您 moderately_familiar 的 M-estimation 理论中的秩检验思想相通，但更精细。中期可做：若将循环置换思想推广到高维或半参数设定（如因果推断中的敏感性分析），需先在 moderately_familiar 的 semiparametric theory 上加强，特别是 influence function 的置换不变性构造。

2. 10.1093/biomet/asaa072 · arXiv — The uniform general signed rank test and its design sensitivity¶

作者: S R Howard, S D Pimentel
期刊/来源: Biometrika
分类: vol 108 · issue 2 · pp 381-396
相关性 5/10 · novelty: new_method
摘要: 本文针对配对观测数据中的敏感性分析问题，提出了一种新的非渐近、分布自由的检验——uniform general signed rank test。该检验在Rosenbaum的敏感性分析模型下，能够自适应地从一大类符号秩检验族中选择最优的检验统计量。理论结果表明，该检验的设计灵敏度（design sensitivity）等于底层检验族中的最大设计灵敏度，从而在大样本下具有最优的渐近性能。方法的核心机制是通过均匀地加权所有可能的符号秩得分函数，避免了传统检验对特定得分函数的依赖。模拟和实际数据分析验证了该方法在中等到大样本下的优势。对您而言，该工作直接关联到假设检验和敏感性分析，且其设计灵敏度的理论分析框架可迁移至您熟悉的因果推断中的敏感性分析问题。
关键技术: uniform general signed rank test, design sensitivity, Rosenbaum sensitivity analysis model, distribution-free test, adaptive weighting
为什么对您有用: 该工作直接关联到您primary interest中的假设检验和因果推断的敏感性分析。您可以用very_familiar的非参数统计和minimax bound工具来审视其设计灵敏度的最优性是否紧，并考虑将uniform weighting思想推广到更复杂的因果推断设定（如IV或proximal CI）中的敏感性分析。中期可做：需先在moderately_familiar的identification theory上长肌肉，以理解其模型假设在因果框架下的适用性。

3. 10.1093/biomet/asaa064 — A general interactive framework for false discovery rate control under structural constraints¶

作者: Lihua Lei, Aaditya Ramdas, William Fithian
期刊/来源: Biometrika
机构: Sequoia (United States) · Stanford University · Carnegie Mellon University · University of California, Berkeley
分类: vol 108 · issue 2 · pp 253-267
相关性 5/10 · novelty: new_method
摘要: 本文提出一个通用交互式多重检验框架，用于在结构约束（如凸区域、DAG）下控制FDR。核心设定是：从所有假设的全集出发，逐步剪枝候选拒绝集，每一步允许分析者根据当前掩蔽（masking）后的数据自适应选择更新规则。方法结合了有序多重检验中的累积检验（accumulation tests）与post-selection inference中的数据雕刻（data carving）思想，通过掩蔽技术限制每一步的信息泄露，从而在有限样本下保证FDR控制。具体技术包括选择性遍历累积规则（selectively traversed accumulation rules, STAR），它兼容任意数据自适应更新规则。在凸区域检测、DAG上的FDR控制以及回归问题（结合knockoff统计量）中展示了良好性能。对您而言，该框架将多重检验的结构约束与交互式决策过程结合，为高维假设检验中的复杂依赖结构提供了新工具，尤其适合您在高维统计和假设检验方向的研究。
关键技术: selectively traversed accumulation rules, data carving, masking, knockoff statistics, false discovery rate control, post-selection inference
为什么对您有用: 本文直接关联您primary interest中的hypothesis testing，特别是多重检验中FDR控制的结构约束问题。您的technical arsenal中'nonparametric statistics'和'high-dimensional asymptotics'可用于分析STAR框架在复杂依赖结构下的渐近性质，而'minimax bounds for estimation problems'可帮助评估其最优性。中期可做：需先在'moderately_familiar'的M-estimation theory上进一步熟悉，以处理更新规则的估计方程视角。

4. 10.1093/biomet/asaa069 — On the use of a penalized quasilikelihood information criterion for generalized linear mixed models¶

作者: Francis K C Hui
期刊/来源: Biometrika
机构: Australian National University
分类: vol 108 · issue 2 · pp 353-365
相关性 4/10 · novelty: new_method
摘要: 本文针对广义线性混合模型（GLMM）中固定效应和随机效应的联合选择问题，提出了一种基于惩罚拟似然（PQL）估计的信息准则（QIC）。传统信息准则依赖极大似然估计，计算量极大，而PQL估计可大幅降低计算负担。作者首先证明了PQL估计在一般框架下对真实参数具有相合性。随后，他们构建了新的QIC，其关键创新在于如何正确度量随机效应的模型复杂度——因为PQL估计实际上将随机效应视为固定效应处理。理论分析表明，该准则能渐近地识别出真实的固定效应和随机效应集合。模拟实验显示，QIC在联合选择性能上与基于ML的信息准则相当甚至更优，同时计算时间显著减少。对您而言，本文展示了在计算受限场景下用近似估计替代精确似然进行模型选择的思路，其计算-统计权衡的视角与您对statistical-computational tradeoff的兴趣直接相关。
关键技术: penalized quasilikelihood (PQL), quasilikelihood information criterion (QIC), joint fixed and random effects selection, model complexity adjustment, asymptotic selection consistency
为什么对您有用: 本文直接关联您对statistical-computational tradeoff的兴趣：它明确展示了在GLMM中，用计算上廉价的PQL估计替代昂贵的ML估计，并设计相应的模型选择准则，实现了计算效率与统计性能的权衡。您武器库中'high-dimensional asymptotics'和'minimax bounds for estimation problems'可用于分析该QIC的渐近最优性是否紧，而'computation of higher-order U-statistics (treewidth / tensor contraction / einsum)'虽不直接适用，但本文的计算-统计权衡框架可作为您进入该领域的入门读物。中期可做：需先在moderately_familiar的'M-estimation theory'上加深理解，以严格分析PQL估计的相合性条件。

统计计算 / 算法 (stat_computing, 3 篇)¶

1. 10.1093/biomet/asaa062 · arXiv — Statistical properties of sketching algorithms¶

作者: D C Ahfock, W J Astle, S Richardson
期刊/来源: Biometrika
分类: vol 108 · issue 2 · pp 283-297
相关性 7/10 · novelty: new_theory
摘要: 本文系统研究 sketching（草图法）这一概率数据压缩技术的统计性质。作者将压缩后的数据建模为随机样本，从而将 sketching 纳入统计推断框架。重点分析了 Gaussian、Hadamard 和 Clarkson–Woodruff 三种数据无关草图在超大样本线性回归单遍算法中的表现。核心理论贡献是推导了数据无关草图的条件中心极限定理，并刻画了草图估计量的大类分布性质。关键发现是：最优草图算法的选择（以均方误差衡量）取决于源数据的信噪比。最后在两个数据集上验证了理论及其适用边界。对您而言，本文是统计计算中计算-统计权衡的经典案例，可作为进入该方向的入门读物。
关键技术: random projections, data-oblivious sketches, conditional central limit theorem, single-pass sketching algorithms, signal-to-noise ratio
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-computational tradeoff 领域。作为 outsider，本文 exposition 清晰，明确给出了统计模型（线性回归）、计算模型（单遍算法）以及 sketching 的随机机制，符合 gateway reading 的 (a)(b) 标准。您的武器库中 minimax bounds 和 high-dimensional asymptotics 可直接用于分析 sketching 估计量的均方误差与信噪比关系，属于立即可做的 follow-up。

2. 10.1093/biomet/asaa068 · arXiv — Approximating posteriors with high-dimensional nuisance parameters via integrated rotated Gaussian approximation¶

作者: W van den Boom, G Reeves, D B Dunson
期刊/来源: Biometrika
分类: vol 108 · issue 2 · pp 269-282
相关性 6/10 · novelty: new_method
摘要: 本文针对高维回归模型中低维目标参数的后验近似问题，提出了一种称为“integrated rotated Gaussian approximation (IRGA)”的新方法。核心思想是通过一个正交旋转将似然函数分解为两部分：一部分仅包含高维 nuisance 参数，另一部分包含目标参数。然后对 nuisance 部分采用一种新型高斯近似进行解析积分，从而得到目标参数的近似后验。作者在温和的正则性条件下给出了近似误差的理论界，该界适用于广泛的 nuisance 似然形式和先验分布。模拟和真实数据实验表明，IRGA 在计算效率和后验近似精度上均优于变分贝叶斯、MCMC 等现有方法。该方法特别适合处理 nuisance 参数维度远大于样本量的场景，且不需要对模型结构做强假设。对于您而言，这是一篇统计计算与贝叶斯推断交叉的论文，其旋转-积分框架与您在高维统计和逆问题中的计算经验有潜在联系，可作为 gateway reading 了解贝叶斯高维计算的前沿思路。
关键技术: integrated rotated Gaussian approximation, orthogonal rotation, high-dimensional nuisance parameters, posterior approximation, Gaussian integral
为什么对您有用: 本文属于统计计算方向，直接对应您的 primary interest 中的 statistical computing。其旋转-积分技巧与您熟悉的逆问题和高维渐近工具（very_familiar）有交集：您可以用 minimax 界分析其近似误差的紧性，或用高维渐近理解旋转后 nuisance 部分的积分行为。这是一篇方法学论文，可作为 gateway reading 进入贝叶斯高维计算领域，武器库中的非参统计和软件经验足以支撑您快速理解并复现其核心算法。中期可做：若想进一步改进其理论界，需在 moderately_familiar 的 M-estimation 理论上加强。

3. 10.1093/biomet/asaa057 · arXiv — Lattice-based designs with quasi-optimal separation distance on all projections¶

作者: Xu He
期刊/来源: Biometrika
分类: vol 108 · issue 2 · pp 443-454
相关性 3/10 · novelty: new_method
摘要: 本文研究计算机实验中的空间填充设计问题，目标是在所有投影维度上保持准最优的分离距离，同时在一维边缘上保持准最优的填充距离。核心方法是通过旋转特定格点（如最密堆积格点）来构造设计，提出了一类基于最密堆积的最大投影设计。理论框架证明了该类设计在所有投影上具有准最优的分离距离，且一维边缘填充距离也达到准最优。数值实验表明，该设计在多种场景下优于现有的空间填充设计（如拉丁超立方体设计、均匀设计等）。对您而言，本文的格点旋转与投影性质分析技术，可迁移至您在高阶U-统计量计算中涉及的张量收缩与树宽优化问题，因为两者都涉及高维投影结构的组合优化。
关键技术: lattice-based designs, separation distance, fill distance, maximum projection designs, densest packing, space-filling designs
为什么对您有用: 本文属于统计计算中的实验设计方向，与您的主要兴趣（统计计算、算法）直接相关。其格点旋转与投影性质分析技术，可迁移至您非常熟悉的高阶U-统计量计算（树宽/张量收缩/einsum）问题——两者都涉及高维投影结构的组合优化，例如用格点理论分析投影分离距离的界，类似用树宽分析张量收缩的计算代价。中期可做：需先在 moderately_familiar 的 HOIF 理论上长肌肉，以将投影设计思想推广到高阶影响函数的计算结构优化。

其他 (other, 3 篇)¶

1. 10.1093/biomet/asaa067 — On quadratic forms in multivariate generalized hyperbolic random vectors¶

作者: Simon A Broda, Juan Arismendi Zambrano
期刊/来源: Biometrika
机构: Lucerne University of Applied Sciences and Arts · National University of Ireland, Maynooth · ICMA Centre · University of Reading · University of Amsterdam
分类: vol 108 · issue 2 · pp 413-424
相关性 5/10 · novelty: application
摘要: 本文研究多元广义双曲随机向量二次型的尾概率与部分矩的精确与近似表达式。推导过程推广了经典的 Gil-Pelaez 反演公式，给出了特征函数形式的积分表示。数值应用包括两阶段最小二乘估计量的分布与二次型投资组合的期望损失。方法上依赖于特征函数数值求积与鞍点近似。对您而言，本文属于统计计算与数值方法在特定分布族上的应用，与您的主要兴趣（因果推断、高维统计、U-统计量）无直接交集，但二次型分布结果在工具变量估计量的有限样本推断中可能有间接参考价值。
关键技术: Gil-Pelaez inversion, saddlepoint approximation, characteristic function inversion, quadratic forms, generalized hyperbolic distribution
为什么对您有用: 本文属于统计计算与数值方法在特定分布族上的应用，与您的主要兴趣（因果推断、高维统计、U-统计量）无直接交集。二次型分布结果在工具变量估计量的有限样本推断中可能有间接参考价值，但核心机器（广义双曲分布、鞍点近似）不在您的武器库中，且方法学 novelty 有限。暂不可做——缺乏与您当前研究问题的直接连接。

2. 10.1093/biomet/asaa063 — Poisson reduced-rank models with an application to political text data¶

作者: Carsten Jentsch, Eun Ryung Lee, Enno Mammen
期刊/来源: Biometrika
机构: TU Dortmund University · Sungkyunkwan University · Heidelberg University
分类: vol 108 · issue 2 · pp 455-468
相关性 4/10 · novelty: application
摘要: 本文研究 Poisson 降秩模型（Poisson reduced-rank models），用于从高维 Poisson 向量中提取低维摘要，并推断个体在低维空间中的位置。在允许 Poisson 变量间存在一定相关性的弱依赖条件下，作者证明可通过 Poisson 最大似然估计一致地估计位置参数。此外，还开发了从离散数据中确定位置维数的一致准则。主要动机来自政治文本数据分析，其中文档中的词频被建模为 Poisson 随机变量。方法应用于德国政党宣言数据（涵盖统一后七次联邦选举），以推断政党立场的多维演化。对您而言，本文属于应用统计方法在政治文本数据上的案例，与您的主要兴趣（因果推断、高维统计等）方法学关联较弱，但可作为降维与计数数据建模的参考。
关键技术: Poisson reduced-rank models, Poisson maximum likelihood estimation, weak dependence conditions, consistent dimension selection
为什么对您有用: 本文属于应用统计方法在政治文本数据上的案例，与您的主要兴趣（因果推断、高维统计、半参理论等）方法学关联较弱。武器库中的非参数统计或高维渐近工具难以直接攻入其核心机制。本文可作为降维与计数数据建模的参考，但暂不可做——核心机器（Poisson降秩模型的具体渐近理论）不在武器库中。

3. 10.1093/biomet/asaa058 — Nonsmooth backfitting for the excess risk additive regression model with two survival time scales¶

作者: M Hiabu, J P Nielsen, T H Scheike
期刊/来源: Biometrika
机构: The University of Sydney · City, University of London · University of Copenhagen
分类: vol 108 · issue 2 · pp 491-506
相关性 4/10 · novelty: new_method
摘要: 本文研究的是 Aalen 加性风险模型的扩展，允许协变量效应在两个不同时间尺度（如随访时间和年龄）上变化。模型假设两个时间尺度对每个个体相差一个常数，且个体间不同。作者提出了一种新的无平滑 backfitting 算法，通过联合求解两个时间尺度上的局部估计方程来估计累积回归函数，避免了传统平滑方法。给出了估计量的大样本性质和同时置信带。模型应用于心肌梗死数据，分离了诊断后时间和年龄两种效应。该方法属于生存分析中结构化模型的非参数估计，与您的主要兴趣方向（因果推断、半参理论）关联较弱。
关键技术: nonsmooth backfitting, local estimating equations, additive regression model, survival analysis, simultaneous confidence bands
为什么对您有用: 本文属于生存分析中的非参数回归方法，与您的主要兴趣（因果推断、高维统计、U-统计量）关联较弱。武器库中的非参数统计和M-估计理论可帮助理解其估计方程框架，但核心问题（双时间尺度加性风险模型）并非您当前关注的方向。暂不可做，因为缺乏生存分析中竞争风险或时变协变量等具体应用需求。

Maintained by 陈星宇 · Homepage · Source on GitHub