Biometrika — Vol 108 Issue 3 · 2026-07-06¶

共 14 篇 · Biometrika
目录核对 ✅ 14 篇全部抓到（对照 OpenAlex 18 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3号共14篇论文，整体上可归纳为四条主线：因果推断与个性化医疗（3篇）、假设检验与多重比较（5篇）、高维与随机矩阵（2篇）、以及非参数/半参数方法与计算（4篇）。因果推断主线聚焦于中介分析、时变效应和剂量规则估计中的识别与效率问题；假设检验主线则覆盖了高维Wilks现象、Jackknife经验似然、秩确定、树状假设检验和块自助法；高维与随机矩阵主线涉及细菌生长速率估计中的置换单调矩阵模型；其余论文则分布在功能数据片段估计、治愈状态预测、近似贝叶斯计算、线性逆问题采样和计算机实验设计等领域。

在因果推断主线中，三篇论文分别处理了不同的识别与估计挑战。Nonparametric efficient causal mediation with intermediate confounders 在非参数模型下，针对受暴露影响的中介-结局混杂，推导了干预效应的半参数效率界，并构造了基于EIF的一步估计量和TMLE，采用交叉验证控制过拟合。Estimating time-varying causal excursion effects in mobile health with binary outcomes 针对微随机试验中的二元结局，提出了时变偏离效应的半参数估计框架，通过逆概率加权和GEE处理时变混杂，并利用工作模型参数化效应。A parsimonious personalized dose-finding model via dimension reduction 则从降维角度出发，假设最优剂量规则仅由协变量的少数线性组合决定，通过最大化价值函数并采用Stiefel流形上的正交约束优化，避免了倾向性得分加权。

假设检验主线中，多篇论文关注非标准渐近下的推断。On the phase transition of Wilks’ phenomenon 明确了高维下似然比检验卡方近似的相变阈值，量化了近似误差随维度增长的变化。Jackknife empirical likelihood 系统研究了小带宽、稀疏网络、高维回归和弱工具变量等非标准框架下JEL统计量的渐近枢轴性丧失问题，并提出修正方法恢复其枢轴性。On order determination by predictor augmentation 通过向预测变量添加随机向量并分析特征向量模式，提出了一种不依赖特征值阈值的秩确定方法。Hypotheses on a tree 为树状假设集设计了多重检验程序，控制多个分辨率层次的错误率。Block bootstrap optimality 则建立了混合块自助法在相依数据分位数估计中的最优性理论，并给出了经验块选择方法。

对于因果推断方向的研究者，建议优先阅读Nonparametric efficient causal mediation with intermediate confounders（中介分析效率界）和Estimating time-varying causal excursion effects in mobile health with binary outcomes（时变效应半参数估计）；对于半参数效率方向，前者与Jackknife empirical likelihood（非标准渐近下的修正）均涉及效率与枢轴性；对于高维方向，On the phase transition of Wilks’ phenomenon（相变阈值）和On order determination by predictor augmentation（秩确定新方法）提供了直接的理论与工具。

因果推断 (causal_inference, 3 篇)¶

1. 10.1093/biomet/asaa085 — Nonparametric efficient causal mediation with intermediate confounders¶

作者: I Díaz, N S Hejazi, K E Rudolph, M J van Der Laan
期刊/来源: Biometrika
机构: Cornell University · Weill Cornell Medicine · University of California, Berkeley · Columbia University
分类: vol 108 · issue 3 · pp 627-641
相关性 9/10 · novelty: new_method
摘要: 本文在非参数统计模型下研究中介分析中的干预（interventional）（非自然）直接与间接效应。核心问题是存在受暴露影响的 mediator-outcome confounder 时，自然效应不可识别，而干预效应可识别。作者基于高效影响函数（EIF）推导了该 estimand 的半参数效率界，并构造了两种渐近最优的非参数估计量：一步估计量（one-step estimator）和 targeted minimum loss estimator（TMLE）。两种估计量均采用 data-adaptive 回归估计 nuisance 参数，并证明了在交叉验证（cross-fitting）条件下，它们具有相合性、多重稳健性（multiply robust）、n^{1/2}-相合性和半参数有效性。模拟研究验证了有限样本性能，并以住房干预对青少年女孩冒险行为的意外有害效应为例进行实证分析。本文对您的主要兴趣——因果推断中的中介分析、半参数效率理论——有直接的方法学贡献，且其 EIF 推导和 TMLE 构造思路可迁移至您熟悉的纵向因果推断设定。
关键技术: efficient influence function, targeted minimum loss estimation, one-step estimation, cross-fitting, multiply robust estimation, interventional effects
为什么对您有用: 本文直接命中您 primary interest 中的因果推断（中介分析）和效率理论（半参数效率界）。您 very_familiar 的 nonparametric statistics 和 estimation theory in causal inference 足以理解其 EIF 推导和 TMLE 构造；其多重稳健性证明可借助您 moderately_familiar 的 semiparametric theory 进一步深挖。中期可做：将本文的干预效应框架推广至纵向设定（如 time-varying exposure 和 mediator），这需要先在 moderately_familiar 的 identification theory in causal inference 上长肌肉。

2. 10.1093/biomet/asaa070 · arXiv — Estimating time-varying causal excursion effects in mobile health with binary outcomes¶

作者: Tianchen Qian, Hyesun Yoo, Predrag Klasnja, Daniel Almirall, Susan A Murphy
期刊/来源: Biometrika
机构: University of California, Irvine · University of Michigan · South University · State Street (United States) · Harvard University
分类: vol 108 · issue 3 · pp 507-527
相关性 9/10 · novelty: new_method
摘要: 本文针对移动健康微随机试验（MRT）中纵向二元结局，提出因果时变偏离效应（causal excursion effect）的概念与估计方法。目标是在每个时间点，边际于个体历史的一个小子集，检验时变干预对二元结局的因果效应。在较严格的假设下，现有文献可导出半参数局部有效估计量；本文以此为基础，发展出在更合理假设下仍可用的估计量，核心是使用工作模型（working model）对时变效应进行参数化，并通过加权或增广估计方程实现稳健推断。方法的关键技术包括：使用逆概率加权处理时变混杂，利用广义估计方程（GEE）框架进行边际效应估计，以及通过交叉验证选择工作模型。模拟研究比较了不同估计量的有限样本表现，并应用于BariFit减肥手术后体重维持的MRT数据。对您而言，本文是纵向因果推断中处理二元结局的实用范例，其“时变偏离效应”框架与您熟悉的因果推断和半参数理论直接相关，且MRT数据结构的复杂性为检验您在高维U统计量或效率理论方面的工具提供了场景。
关键技术: causal excursion effect, micro-randomized trial, semiparametric locally efficient estimator, inverse probability weighting, generalized estimating equations, working model
为什么对您有用: 本文直接连接您primary interest中的纵向因果推断（longitudinal causal inference）和半参数效率理论。您非常熟悉的非参数统计和因果推断估计理论可用于分析其估计量的渐近性质，而您中等熟悉的半参数理论（如影响函数）可用来评估其局部效率声称是否紧。中期可做：若想深入MRT的复杂依赖结构，需先在您中等熟悉的M估计理论（moderately_familiar）上加强，以处理工作模型误设下的稳健性。

3. 10.1093/biomet/asaa087 · arXiv — A parsimonious personalized dose-finding model via dimension reduction¶

作者: Wenzhuo Zhou, Ruoqing Zhu, Donglin Zeng
期刊/来源: Biometrika
分类: vol 108 · issue 3 · pp 643-659
相关性 6/10 · novelty: new_method
摘要: 本文针对个性化医疗中的个体化剂量规则（individualized dose rule）估计问题，提出了一种降维框架以缓解非参数估计中的维数诅咒。核心设定是：最优剂量规则仅由协变量的少数几个线性组合（即一个低维子空间）决定，从而将估计问题转化为该子空间上的优化。方法上，作者直接最大化价值函数（value function），避免了观测研究中倾向性得分的逆概率加权，这与 outcome-weighted learning 框架不同。进一步提出了伪直接学习（pseudo-direct learning）方法，专注于估计处理效应的降维子空间。参数估计通过 Stiefel 流形上的正交约束优化算法高效实现。在温和正则性假设下，建立了估计量的渐近正态性，并导出了最优剂量规则下价值函数的一致性和收敛速率。模拟研究和药理学遗传数据集分析验证了方法的有效性。对您而言，该文将因果推断中的个体化处理规则与降维技术结合，其子空间识别思路可迁移至您熟悉的非参数统计和因果推断中的高维问题。
关键技术: value function maximization, dimension reduction subspace, Stiefel manifold optimization, orthogonality-constrained optimization, pseudo-direct learning
为什么对您有用: 该文直接关联您 primary interest 中的因果推断（个体化剂量规则估计）和非参数统计（降维缓解维数诅咒）。您非常熟悉的非参数统计和因果推断中的估计理论可直接用于分析其子空间识别方法的 minimax 最优性，或评估其正交约束优化算法在更高阶 U-统计量计算中的适用性。中期可做：若将子空间估计与您 moderately_familiar 的 HOIF 结合，可探索更高效的个体化规则推断。

高维统计 / 随机矩阵 (high_dim_rmt, 1 篇)¶

1. 10.1093/biomet/asaa082 · arXiv — Optimal estimation of bacterial growth rates based on a permuted monotone matrix¶

作者: Rong Ma, T Tony Cai, Hongzhe Li
期刊/来源: Biometrika
分类: vol 108 · issue 3 · pp 693-708
相关性 4/10 · novelty: new_method
摘要: 本文研究一个受宏基因组测序中细菌生长速率估计问题启发的 permuted monotone matrix 模型：观测矩阵 Y = ΘΠ + Z，其中 Θ 是近似秩一且行单调的信号矩阵，Π 是未知置换矩阵，Z 是噪声矩阵。目标是从 Y 中估计 Θ 的极值（首列、末列及其差值），这等价于在行置换未知的情况下恢复单调信号的首尾值。作者将估计问题视为复合决策问题，利用谱列排序方法构造了极小极大速率最优的估计量。理论部分给出了估计量的收敛速率并证明了其最优性，数值实验在模拟数据和真实微生物组宏基因组数据上验证了方法优于现有替代方案。最后将该方法应用于比较炎症性肠病患者与对照组的肠道细菌生长速率。该问题与您的高维统计和随机矩阵理论兴趣直接相关，谱方法在置换矩阵恢复中的使用也与您熟悉的逆问题技术有交叉。
关键技术: permuted monotone matrix model, spectral column-sorting, minimax rate-optimal estimation, compound decision problem, singular value decomposition
为什么对您有用: 直接连接到高维统计和随机矩阵理论兴趣：模型中的置换矩阵恢复问题本质上是高维结构恢复，谱方法（SVD）是您熟悉的工具。该文的极小极大最优性证明可与您熟悉的 minimax bounds 技术直接对话，属于立即可做的 follow-up：您可以用非参数统计和逆问题的视角检验其速率是否紧，或将其推广到更一般的单调结构。

非参数 / 半参数 (nonparam_semipara, 1 篇)¶

1. 10.1093/biomet/asaa088 · arXiv — Basis expansions for functional snippets¶

作者: Zhenhua Lin, Jane-Ling Wang, Qixian Zhong
期刊/来源: Biometrika
分类: vol 108 · issue 3 · pp 709-726
相关性 3/10 · novelty: new_method
摘要: 本文研究功能数据中“片段”（functional snippets）的均值和协方差函数估计问题。在片段采样下，每个个体的观测仅覆盖整个感兴趣区间的一个严格更短的子区间，导致协方差函数的非对角区域完全没有直接观测数据。作者利用基展开（如B样条或特征基）对协方差函数进行低维表示，从而间接推断缺失的非对角区域。估计量采用惩罚最小二乘或似然方法，并证明了其收敛速度可自适应于协方差函数的平滑性（如Hölder类或Sobolev类）。模拟和实际数据分析表明，该方法在有限样本下优于现有方法。该问题对您可能有用：它涉及非参数函数估计在缺失数据结构下的理论（minimax自适应率），与您的非参数统计和逆问题兴趣直接相关。
关键技术: basis expansion, covariance function estimation, functional snippets, adaptive convergence rate, penalized least squares
为什么对您有用: 本文直接连接您的非参数统计兴趣，特别是函数数据中协方差估计的缺失数据问题。您武器库中的非参数统计和minimax界技术可用于分析该估计量的最优性（例如，检查其自适应率是否紧）。中期可做：若想将类似思路推广到高维或因果推断中的函数型协变量，需先在moderately_familiar的M估计理论上加强。

数理统计 / 假设检验 (hypothesis_testing, 5 篇)¶

1. 10.1093/biomet/asaa078 · arXiv — On the phase transition of Wilks’ phenomenon¶

作者: Yinqiu He, Bo Meng, Zhenghao Zeng, Gongjun Xu
期刊/来源: Biometrika
机构: University of Michigan · University of Science and Technology of China
分类: vol 108 · issue 3 · pp 741-748
相关性 9/10 · novelty: new_theory
摘要: 本文研究高维设定下 Wilks 定理（似然比检验统计量渐近服从卡方分布）的相变现象。作者针对多元均值和协方差结构的常见检验，推导了 Wilks 现象成立的必要充分条件，即当维度 p 与样本量 n 满足特定比例关系时，经典卡方近似失效。进一步，通过分析卡方近似的渐近偏差，量化了近似误差随维度增长的变化。理论结果给出了从“可用经典近似”到“需用高维修正”的清晰阈值，为中等维度数据选择近似方法提供了统计指南。该工作连接了经典假设检验与高维统计，对您在高维假设检验方向的研究有直接参考价值。
关键技术: Wilks' theorem, phase transition, likelihood ratio test, high-dimensional asymptotics, chi-squared approximation bias
为什么对您有用: 本文直接对应您 primary interest 中的 hypothesis testing 和 high-dimensional statistics 子方向，特别是高维下似然比检验的相变行为。您武器库中 very_familiar 的 high-dimensional asymptotics 和 minimax bounds 可直接用于验证其相变条件的紧性，或推广到其他检验问题（如高维 GLM）。中期可做：需在 moderately_familiar 的 semiparametric theory 上进一步理解似然比检验在更一般模型下的行为。

2. 10.1093/biomet/asaa081 — Jackknife empirical likelihood: small bandwidth, sparse network and high-dimensional asymptotics¶

作者: Yukitoshi Matsushita, Taisuke Otsu
期刊/来源: Biometrika
机构: Hitotsubashi University · London School of Economics and Political Science
分类: vol 108 · issue 3 · pp 661-674
相关性 8/10 · novelty: new_method
摘要: 本文从 jackknife empirical likelihood (JEL) 的视角，系统研究了非标准渐近框架下的推断问题，包括小带宽半参数推断与拟合优度检验、稀疏网络渐近、高维协变量回归以及许多弱工具变量 IV 回归。首先在常规渐近下建立了 JEL 统计量的 Wilks 定理。然后发现，在上述非标准渐近框架下，JEL 统计量可能失去渐近枢轴性，并论证该现象可归因于 Efron & Stein (1981) 的 jackknife 方差估计量的一阶偏差。最后提出一种修正的 JEL，在常规与非标准渐近下均能恢复渐近枢轴性，为研究非标准渐近问题提供了一个统一框架。该修正方法适用于所有上述例子。对您而言，该文直接关联假设检验与 IV 回归中的弱工具变量问题，且其非标准渐近分析思路可迁移至您熟悉的因果推断设定。
关键技术: Jackknife empirical likelihood, Wilks' theorem, Efron-Stein bias, small-bandwidth asymptotics, many weak instruments, sparse network asymptotics
为什么对您有用: 该文直接连接您 primary interest 中的 hypothesis testing 和 IV 回归（many weak instruments 设定），且其非标准渐近框架（小带宽、稀疏网络）为检验统计量的渐近性质提供了新视角。您武器库中的 nonparametric statistics 和 high-dimensional asymptotics 可直接用于理解其修正 JEL 的收敛性，属于立即可做的 follow-up：可尝试将修正 JEL 应用于您熟悉的因果推断中的敏感性分析或弱工具变量检验。

3. 10.1093/biomet/asaa077 — On order determination by predictor augmentation¶

作者: Wei Luo, Bing Li
期刊/来源: Biometrika
机构: Zhejiang University · Pennsylvania State University
分类: vol 108 · issue 3 · pp 557-574
相关性 6/10 · novelty: new_method
摘要: 本文研究统计与机器学习中降维问题的阶数确定（order determination），即估计矩阵的秩。现有方法主要依赖特征值，但特征值在信噪比低时区分度不足。作者提出一种基于预测变量增广（predictor augmentation）的新方法：向原始预测变量中添加一个人工生成的随机向量，然后分析增广后矩阵的特征向量模式。核心发现是，增广引入的特征向量部分会呈现与真实阶数相关的结构信息，这一信息与特征值信息结合可显著提升阶数确定的准确性。方法适用于主成分分析、典型相关分析、独立成分分析及充分降维等多种设定。理论分析证明了该方法的相合性，模拟和实际数据实验表明其在有限样本下优于传统方法。对您而言，该工作属于假设检验与降维的交叉，其增广思想可能启发高维统计中秩估计的新检验程序。
关键技术: predictor augmentation, order determination, rank estimation, eigenvector pattern, sufficient dimension reduction
为什么对您有用: 直接连接到 primary interest 中的 hypothesis testing 和高维统计：阶数确定本质上是矩阵秩的假设检验问题。武器库中 very_familiar 的 minimax bounds 可用于分析该方法在信噪比阈值下的最优性，而 moderately_familiar 的 M-estimation 理论可为其相合性证明提供替代视角。中期可做：若想将增广思想推广到更一般的结构（如张量秩），需先在 moderately_familiar 的 higher-order U-statistics 上长肌肉。

4. 10.1093/biomet/asaa086 · arXiv — Hypotheses on a tree: new error rates and testing strategies¶

作者: Marina Bogomolov, Christine B Peterson, Yoav Benjamini, Chiara Sabatti
期刊/来源: Biometrika
分类: vol 108 · issue 3 · pp 575-590
相关性 5/10 · novelty: new_method
摘要: 本文提出一种针对树状结构假设集的多重检验程序，旨在同时控制多个分辨率层次上的全局错误率。研究者将问题形式化为在树形层次结构中筛选假设，并设计了一个快速算法，在p值满足特定依赖假设下证明其能控制相关错误率。通过模拟实验，该方法在多种依赖结构下均能提供所需保证，且相比替代方法具有更高的检验功效。最后，将方法应用于跨组织基因表达遗传调控及肠道微生物组与结直肠癌关联研究。该工作为层次化多重检验提供了新的错误率框架和实用工具，对您在高维假设检验方向有直接参考价值。
关键技术: multiple testing, tree-structured hypotheses, global error rates, hierarchical testing, family-wise error rate
为什么对您有用: 该论文直接连接您对假设检验的兴趣，特别是多重检验中的错误率控制问题。您的技术武器库中'非参数统计'和'高维渐近理论'可用于分析其p值依赖假设的稳健性，而'软件工程'经验可帮助复现其算法。中期可做：若先熟悉'moderately_familiar'中的'M估计理论'，可进一步推导其错误率控制的最优性。

5. 10.1093/biomet/asaa075 — Block bootstrap optimality and empirical block selection for sample quantiles with dependent data¶

作者: T A Kuffner, S M S Lee, G A Young
期刊/来源: Biometrika
机构: Washington University in St. Louis · University of Hong Kong · Imperial College London
分类: vol 108 · issue 3 · pp 675-692
相关性 5/10 · novelty: new_method
摘要: 本文在强混合相依数据下，建立了分位数块自助法分布估计的最优性一般理论。与现有结果不同，作者允许块数在1到样本量与块长之比之间变化，即子抽样自助法与移动块自助法的混合形式。理论证明，这种混合块自助法能显著提升分布估计的精度，尤其在重要实际场景中。主要定理确定了达到最优收敛速率所需的块数与块长。文章还提出了一种直观的经验方法来自动选择最优块数与块长，并通过实例验证了其有效性。结论指出，自助样本应小于原始样本，这对相依数据下自助法的计算效率与可扩展性有重要启示。
关键技术: block bootstrap, moving block bootstrap, subsampling bootstrap, sample quantiles, strong mixing, optimal block length selection
为什么对您有用: 本文属于假设检验与重抽样方法，直接连接您的primary interest中的数学统计与假设检验。您武器库中'非参数统计'和'高维渐近理论'可用于分析其最优收敛速率是否紧，以及能否推广到更复杂的统计量（如U-统计量）。中期可做：若将块自助法推广到高阶U-统计量的分布估计，需先在moderately_familiar的'高阶U-统计量理论'上加强。

统计计算 / 算法 (stat_computing, 2 篇)¶

1. 10.1093/biomet/asaa083 — Geometrically aware dynamic Markov bases for statistical linear inverse problems¶

作者: M L Hazelton, M R Mcveagh, B van Brunt
期刊/来源: Biometrika
机构: University of Otago · Massey University
分类: vol 108 · issue 3 · pp 609-626
相关性 3/10 · novelty: new_method
摘要: 本文针对统计线性逆问题中的计数数据，提出了一种几何感知的动态马尔可夫基采样器。问题设定中，需要从凸多面体中的格点条件分布中采样，而随机游走采样的不可约性依赖于足够丰富的移动方向。传统方法需要预先计算完整的马尔可夫基，但计算成本高且可能导致混合不良。作者转而使用更易获得的格基，但单个格基通常无法连接多面体中所有点。为此，他们设计了动态格基采样器，通过动态切换格基来保证不可约性，同时优先选择与多面体几何对齐的移动方向以促进良好混合。算法通过高效更新格基避免了重复矩阵求逆。理论分析和模拟实验表明，该方法在计算效率和采样质量上优于现有方法。对您而言，本文的格基动态更新策略与您熟悉的树宽/张量收缩计算框架有潜在联系，可作为统计计算中组合优化问题的入门读物。
关键技术: Markov basis, lattice basis, dynamic basis sampler, convex polytope, random walk Metropolis-Hastings, geometric moves
为什么对您有用: 本文属于统计计算方向，可作为gateway reading。它清晰阐述了统计逆问题中采样不可约性的计算挑战，并提出了一个算法解决方案。您的武器库中'软件开发和逆问题'可直接用于理解其算法实现，而'树宽/张量收缩'的图论视角可能为分析其基更新策略的计算复杂度提供新思路。本文值得一读，但属于中期可做——需先在moderately_familiar的M估计理论中熟悉马尔可夫基的基本概念。

2. 10.1093/biomet/asaa084 — Composite grid designs for adaptive computer experiments with fast inference¶

作者: M Plumlee, C B Erickson, B E Ankenman, E Lawrence
期刊/来源: Biometrika
机构: Northwestern University · Los Alamos National Laboratory
分类: vol 108 · issue 3 · pp 749-755
相关性 2/10 · novelty: new_method
摘要: 本文针对确定性计算机代码的仿真器构建问题，提出了一种复合网格实验设计（composite grid designs）及其序贯构建方法。核心目标是解决传统高斯过程（GP）仿真器在大样本下计算成本高昂的瓶颈。方法上，作者利用网格结构的特殊性质，开发了能够实现快速且精确GP推断的计算算法，避免了标准GP中O(n^3)的矩阵求逆。实验表明，在相近的计算成本下，该方法生成的仿真器精度比现有近似方法高出数个数量级。该工作属于统计计算与实验设计的交叉领域，其核心贡献在于算法层面的创新。对于您而言，这是一篇优秀的gateway reading，展示了如何通过巧妙的实验设计结构来破解大规模GP的计算瓶颈，其设计思路（利用结构稀疏性加速计算）对您熟悉的软件开发和统计计算方向有直接启发。
关键技术: composite grid designs, Gaussian process emulation, fast exact inference, sequential design, computational complexity reduction
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 (numerical methods, algorithm)'。它展示了一种通过实验设计结构（而非近似）实现大规模GP精确推断的算法思路，这与您熟悉的'软件开发和统计计算'武器高度契合，属于立即可做的阅读——您可以直接借鉴其利用网格结构加速计算的思路，用于您自己的统计计算项目或软件开发。

其他 (other, 2 篇)¶

1. 10.1093/biomet/asaa080 — Assessing cure status prediction from survival data using receiver operating characteristic curves¶

作者: M Amico, I Van Keilegom, B Han
期刊/来源: Biometrika
机构: KU Leuven
分类: vol 108 · issue 3 · pp 727-740
相关性 4/10 · novelty: application
摘要: 本文针对生存数据中存在治愈比例（cure fraction）的情形，提出了一种评估治愈状态（cured/noncured）预测性能的ROC曲线估计方法。经典ROC曲线方法不适用于此，因为治愈状态在删失存在下部分不可观测。作者利用条件概率定义分解敏感度和特异度，并通过加权经验分布函数进行估计，其中权重由混合治愈模型（mixture cure model）计算得出。模拟研究表明，所提方法表现良好，并与治愈状态完全可观测时的经典非参数ROC估计器以及Heagerty等人（2000）针对经典生存分析的ROC曲线进行了比较。最后，该方法在乳腺癌数据集上进行了实例分析。本文属于应用方法学工作，核心贡献在于将ROC曲线推广至治愈生存数据这一特定设定，但未引入新的统计理论或效率结果。对您而言，本文涉及生存分析与预测性能评估，与您的主要兴趣（因果推断、高维统计等）关联较弱，但可作为流行病学或医学应用中处理删失数据预测问题的参考。
关键技术: Receiver operating characteristic (ROC) curve, mixture cure model, weighted empirical distribution, censored survival data, cure status prediction
为什么对您有用: 本文属于流行病学/医学统计应用，与您的secondary interest（epidemiology）相关。它处理了删失数据下治愈状态预测的评估问题，但方法学上未涉及您武器库中的核心工具（如U-statistics、semiparametric efficiency等）。作为流行病学领域的应用文献，可帮助了解该领域的数据结构和分析需求，但暂不构成直接的方法学跟进点。

2. 10.1093/biomet/asaa090 — Componentwise approximate Bayesian computation via Gibbs-like steps¶

作者: Grégoire Clarté, Christian P Robert, Robin J Ryder, Julien Stoehr
期刊/来源: Biometrika
机构: Centre de Recherche en Mathématiques de la Décision · Université Paris Dauphine-PSL
分类: vol 108 · issue 3 · pp 591-607
相关性 2/10 · novelty: new_method
摘要: 本文针对似然函数不可处理的生成模型，提出了一种基于Gibbs采样的分量式近似贝叶斯计算（ABC）方法。标准ABC在高维参数空间中面临维度灾难，需要指数级增长的资源。作者将ABC与Gibbs采样结合，在每个分量上运行基于降维汇总统计量的条件后验分布的ABC步骤。尽管缺乏标准Gibbs采样的理论依据，但在部分独立性条件下证明了该马尔可夫链的收敛性，并表明其平稳分布接近真实后验分布。对于某些层次化版本，还得到了封闭形式的极限分布。实验表明，Gibbs-ABC方法在效率上显著优于标准ABC。该方法对您而言属于计算统计学的交叉领域，但核心问题（高维参数空间的采样效率）与您的统计计算兴趣有间接关联，可作为了解ABC与MCMC结合策略的入门文献。
关键技术: Approximate Bayesian Computation, Gibbs sampling, componentwise conditional posterior, dimension reduction via summary statistics, Markov chain convergence
为什么对您有用: 本文属于计算统计学中的近似贝叶斯方法，与您的primary interest中的'statistical computing'有间接关联。您的武器库中'nonparametric statistics'和'high-dimensional asymptotics'可用于分析其降维汇总统计量的信息损失，但核心的ABC-MCMC机制不在您的very_familiar工具中。本文可作为gateway reading了解ABC与Gibbs采样的结合策略，但暂不可做——缺少ABC和MCMC收敛理论的核心工具。

Maintained by 陈星宇 · Homepage · Source on GitHub