Biometrika — Vol 108 Issue 4 · 2026-07-06¶

共 15 篇 · Biometrika
目录核对 ✅ 15 篇全部抓到（对照 OpenAlex 19 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4期共15篇论文，整体上围绕三条主线展开：因果识别与推断（6篇）、高维随机矩阵与结构学习（2篇）、以及半参数/非参数方法与假设检验（5篇）。其余论文涉及统计泛函的elicitation complexity、拓扑数据分析与事件史结合、以及计算机实验设计，可归为交叉方法类。

在因果推断主线中，多篇论文聚焦于工具变量（IV）和局部处理效应的识别与估计。例如，“Estimation of local treatment effects under the binary instrumental variable model”针对二元结果下的LATE估计，提出饱和模型框架以解决模型不协调问题；“Nontestability of instrument validity under continuous treatments”则严格证明了连续处理下IV有效性不可检验，与离散情形形成对比，强调领域知识依赖。此外，“Regression adjustment in completely randomized experiments with a diverging number of covariates”在高维协变量下提出偏差校正ATE估计量，仅依赖随机化设计；“Consistency guarantees for greedy permutation-based causal inference algorithms”首次给出排列贪心搜索的相合性保证，连接结构学习与高维理论；“Changepoint inference in the presence of missing covariates for principal surrogate evaluation in vaccine trials”将变点推断与主替代标记评估结合，处理缺失协变量问题；“On semiparametric modelling, estimation and inference for survival data subject to dependent censoring”则针对相依删失提出半参数正态变换模型。这些工作从IV检验、LATE估计、高维调整到结构学习，覆盖了因果推断中多个关键环节。

高维随机矩阵与结构学习主线中，“Learning block structures in U-statistic-based matrices”利用U-统计量和Marchenko-Pastur定律检测矩阵块结构，无需预设块数，直接连接高阶U-统计量与RMT；“Consistency guarantees for greedy permutation-based causal inference algorithms”虽属因果推断，但其高维相合性分析与排列搜索算法也与此线相关。半参数/非参数方法主线中，“Maximum likelihood estimation for semiparametric regression models with panel count data”提出非参数MLE并达到半参数效率界；“Bagging cross-validated bandwidths with application to big data”放宽了bagged CV的无限子采样假设，修正渐近MSE；“Bio-equivalence tests in functional data by maximum deviation”用sup-norm距离构造等价性检验，bootstrap校准；“Covariate adaptive familywise error rate control for genome-wide association studies”将协变量纳入加权Bonferroni框架控制FWER；“Admissible estimators of a multivariate normal mean vector when the scale is unknown”在方差未知下构造可容许且极小极大的广义贝叶斯估计量。

与因果推断方向最贴的论文包括“Estimation of local treatment effects under the binary instrumental variable model”、“Nontestability of instrument validity under continuous treatments”、“Regression adjustment in completely randomized experiments with a diverging number of covariates”、“Consistency guarantees for greedy permutation-based causal inference algorithms”、“Changepoint inference in the presence of missing covariates for principal surrogate evaluation in vaccine trials”和“On semiparametric modelling, estimation and inference for survival data subject to dependent censoring”。与半参数效率方向最贴的是“Maximum likelihood estimation for semiparametric regression models with panel count data”和“Admissible estimators of a multivariate normal mean vector when the scale is unknown”。与高维方向最贴的是“Learning block structures in U-statistic-based matrices”和“Regression adjustment in completely randomized experiments with a diverging number of covariates”。

因果推断 (causal_inference, 6 篇)¶

1. 10.1093/biomet/asab003 · arXiv — Estimation of local treatment effects under the binary instrumental variable model¶

作者: Linbo Wang, Yuexia Zhang, Thomas S Richardson, James M Robins
期刊/来源: Biometrika
分类: vol 108 · issue 4 · pp 881-894
相关性 8/10 · novelty: new_method
摘要: 本文在二元工具变量（IV）模型下研究局部平均处理效应（LATE）的估计问题。作者指出，当结果变量为二元时，LATE的估计比连续结果情形更困难，因为常见的线性或logistic模型与IV假设（单调性、排他性）可能不兼容，导致模型不协调（model incongruence）。为解决此问题，本文提出一套新的建模与估计框架，核心是使用饱和模型（saturated model）或参数化但可解释的模型（如基于潜在结果分布的参数化），并通过最大似然或贝叶斯方法进行推断。该方法在模型协调性、可解释性、稳健性和效率上均优于现有方法（如两阶段最小二乘或基于矩估计的方法）。模拟和实际数据分析验证了所提方法的有限样本性能。对您而言，本文直接关联您因果推断中IV和mediation的子方向，且其处理二元结果时模型协调性的讨论对您正在关注的proximal CI和敏感性分析中的模型设定问题有直接启发。
关键技术: binary instrumental variable model, local average treatment effect (LATE), model incongruence, saturated model, maximum likelihood estimation
为什么对您有用: 本文直接切入您primary interest中的IV和mediation子方向，特别处理了二元结果下LATE估计的模型协调性难题，这是您当前proximal CI和敏感性分析工作中可能遇到的类似问题。您的very_familiar武器库中的非参数统计和因果推断估计理论可直接用于理解本文的饱和模型框架，并评估其与您已有的einsum-based U-statistic计算工具的结合可能性——例如，将本文的似然函数视为一个高阶多项式，用treewidth优化其计算成本。中期可做：若想将本文的模型协调性思想推广到更复杂的proximal CI设定，需先在moderately_familiar的identification theory上加强，特别是negative control假设下的模型兼容性条件。

2. 10.1093/biomet/asaa104 · arXiv — Consistency guarantees for greedy permutation-based causal inference algorithms¶

作者: L Solus, Y Wang, C Uhler
期刊/来源: Biometrika
分类: vol 108 · issue 4 · pp 795-814
相关性 7/10 · novelty: new_theory
摘要: 本文研究基于贪心排列搜索的因果结构学习算法的一致性保证。在DAG模型框架下，由于从数据中学习DAG是NP-hard问题，标准做法是在DAG空间或Markov等价类空间上进行贪心搜索。作者提出一种在排列空间上的贪心搜索算法，该算法对应于permutohedron的子多面体（称为DAG associahedron）的边图上的单纯形类算法，每个顶点关联一个DAG及其一致排列集合。主要贡献是首次给出了这种排列贪心搜索的相合性保证，包括均匀相合性和高维相合性。算法通过最大化关联DAG的稀疏性在多面体边上行走。模拟和真实数据表明该排列搜索与现有方法竞争力相当。对您而言，本文连接了因果推断中的结构学习与高维统计的相合性理论，且其多面体组合视角可能为U-statistic的计算复杂度分析提供新思路。
关键技术: greedy permutation search, DAG associahedron, uniform consistency, high-dimensional consistency, sparsity maximization
为什么对您有用: 本文直接连接您的primary interest中因果推断的结构学习子方向，特别是DAG模型的一致性估计。您武器库中'minimax bounds for estimation problems'和'high-dimensional asymptotics'可直接用于评估其高维相合性率的紧性。中期可做：需先在moderately_familiar的'identification theory in causal inference'上长肌肉以理解其排列与DAG序的对应关系。

3. 10.1093/biomet/asaa103 · arXiv — Regression adjustment in completely randomized experiments with a diverging number of covariates¶

作者: Lihua Lei, Peng Ding
期刊/来源: Biometrika
分类: vol 108 · issue 4 · pp 815-828
相关性 7/10 · novelty: new_method
摘要: 研究完全随机化实验中协变量调整的渐近理论，目标是在协变量维度发散（p→∞）时估计平均处理效应（ATE）。传统协变量调整方法（如ANCOVA）在固定p下有效，但p发散时因高维偏差而失效。本文提出一个偏差校正估计量，通过引入一个基于无放回抽样的集中不等式构造的校正项，在仅依赖随机化设计（不假设结果模型正确）的条件下证明其相合性和渐近正态性。核心技术工具包括新发展的无放回抽样的向量和矩阵集中不等式，以及高维线性回归的Lasso型正则化。理论结果给出了估计量的收敛速率和渐近方差表达式，且不要求结果模型线性或稀疏。对您而言，该工作直接连接因果推断中协变量调整的识别与估计问题，且其高维渐近分析技术（无放回抽样集中不等式）可迁移至您熟悉的高维统计工具，属于中期可做方向——需先在 moderately_familiar 的 semiparametric theory 上巩固对高维偏差校正的理解。
关键技术: bias-corrected estimator, sampling without replacement concentration inequalities, high-dimensional covariate adjustment, randomization-based inference, Lasso regularization
为什么对您有用: 本文直接连接您 primary interest 中的因果推断（随机化实验的ATE估计与协变量调整）和高维统计（发散p下的渐近理论）。技术核心——无放回抽样的集中不等式——是您 very_familiar 的高维渐近工具可攻的具体口子，例如可用您熟悉的 minimax bounds 验证其偏差校正项的紧性。中期可做：需先在 moderately_familiar 的 semiparametric theory 上巩固对高维偏差校正的理解，才能进一步拓展至更复杂的实验设计（如分层随机化）。

4. 10.1093/biomet/asaa101 — Nontestability of instrument validity under continuous treatments¶

作者: F F Gunsilius
期刊/来源: Biometrika
机构: University of Michigan
分类: vol 108 · issue 4 · pp 989-995
相关性 7/10 · novelty: new_theory
摘要: 本文研究连续处理变量下工具变量有效性（排除限制与独立性假设）的可检验性问题。Pearl (1995) 曾猜想，当内生处理变量连续分布时，IV 有效性在隐变量模型中不可检验。本文严格证明了该猜想：在无额外结构假设时，不存在基于观测数据的统计检验能同时验证 IV 的两个核心条件。这与离散处理变量下经典的可检验性结果形成鲜明对比。然而，若施加弱结构假设，如观测变量间的连续性条件，则可在连续设定下重新建立理论上的可检验性。该结果对实证研究中 IV 方法的适用性有直接警示：连续处理时，研究者不能依赖数据驱动的检验来确认 IV 有效性，必须依赖领域知识或敏感性分析。对您而言，该文直接关联因果推断中 IV 的识别假设与敏感性分析，是理解 IV 方法边界的重要理论参考。
关键技术: instrumental variable, testability, hidden variable models, continuous treatment, Pearl's conjecture
为什么对您有用: 直接关联 primary interest 中 causal inference 的 IV 方向，特别是 IV 有效性假设的检验边界。该文的理论结果（连续处理不可检验 vs 离散可检验）是 IV 方法的基础性认识，对您做 IV 相关应用或理论工作有直接指导意义。武器库中 very_familiar 的 estimation theory in causal inference 足以理解本文的证明框架，属于立即可读的理论短文。

5. 10.1093/biomet/asaa095 — On semiparametric modelling, estimation and inference for survival data subject to dependent censoring¶

作者: N W Deresa, I Van Keilegom
期刊/来源: Biometrika
机构: KU Leuven
分类: vol 108 · issue 4 · pp 965-979
相关性 7/10 · novelty: new_method
摘要: 本文针对生存数据中常见的相依删失（dependent censoring）问题，即生存时间 T 与删失时间 C 在给定协变量后仍可能相关，提出了一种新的半参数正态变换模型。该模型假设存在一个非参数单调变换，使得变换后的 (T, C) 服从一个线性模型，且误差项服从均值零、协方差矩阵非对角的二元正态分布。作者证明了该半参数模型是可识别的，并提出了非参数变换函数、回归系数以及误差项相关系数的估计量。理论结果表明，这些估计量具有相合性和渐近正态性。在有限样本下，通过与全参数模型估计方法的比较，验证了所提方法的性能。最后，利用 AIDS Clinical Trial Group 175 研究的数据进行了实例分析。该工作为处理相依删失下的生存数据提供了新的半参数工具，对您从事的因果推断（特别是纵向数据中的删失问题）和半参数理论方向有直接参考价值。
关键技术: semiparametric normal transformation model, dependent censoring, nonparametric monotone transformation, bivariate linear model, identifiability, consistency and asymptotic normality
为什么对您有用: 本文直接关联您 primary interest 中的因果推断（纵向数据中的删失问题）和半参数理论。您武器库中 '非参数统计' 和 '估计理论' 的功底可直接用于理解其变换函数的估计性质，而 '半参数理论' 的 moderately_familiar 技能可用来审视其渐近效率是否达到半参数界。中期可做：若想将此类模型推广到更复杂的因果结构（如工具变量或中介分析中的删失），需先在 'identification theory in causal inference' 上长肌肉。

6. 10.1093/biomet/asaa100 — Changepoint inference in the presence of missing covariates for principal surrogate evaluation in vaccine trials¶

作者: Tao Yang, Ying Huang, Youyi Fong
期刊/来源: Biometrika
机构: Fred Hutch Cancer Center
分类: vol 108 · issue 4 · pp 829-843
相关性 6/10 · novelty: new_method
摘要: 本文研究疫苗试验中主替代标记（principal surrogate）评估的变点推断问题。目标是在存在缺失协变量（如安慰剂组个体的反事实潜在免疫应答）时，估计阈值回归模型中免疫应答对疫苗效力的阈值效应。方法上，作者提出基于铰链模型（hinge model）的估计似然法，并引入惩罚项以改善有限样本表现。开发了联合估计所有参数的算法和两步法（先估计阈值参数再估计其余参数），并建立了估计量的渐近性质。模拟表明方法有满意的有限样本表现，并应用于登革热疫苗效力试验数据。该工作将变点推断与因果推断中的主替代标记评估结合，对您可能有用：它直接连接您对因果推断中识别与估计的兴趣，且其缺失协变量处理（估计似然）与您武器库中的非参数统计和M估计理论有技术交集。
关键技术: hinge model, estimated likelihood, principal surrogate, threshold regression, penalized likelihood, two-step estimation
为什么对您有用: 连接您对因果推断中主替代标记评估的兴趣，特别是反事实缺失数据的处理。武器库中'非参数统计'和'M估计理论'可直接用于分析其估计似然法的渐近性质或提出更鲁棒的半参数版本。中期可做：需先在'identification theory in causal inference'上长肌肉以理解其识别假设的合理性。

高维统计 / 随机矩阵 (high_dim_rmt, 1 篇)¶

1. 10.1093/biomet/asaa099 — Learning block structures in U-statistic-based matrices¶

作者: Weiping Zhang, Baisuo Jin, Zhidong Bai
期刊/来源: Biometrika
机构: University of Science and Technology of China · Northeast Normal University
分类: vol 108 · issue 4 · pp 933-946
相关性 9/10 · novelty: new_method
摘要: 本文提出一种基于U-统计量和随机矩阵理论的方法，用于学习大规模矩阵中的块结构。目标是在高维设定下，直接利用缩放样本矩阵的特征值和特征向量来识别变量的分组结构。方法核心在于将U-统计量构造的矩阵视为随机矩阵，利用Marchenko-Pastur定律等RMT工具刻画其谱分布，从而在特征值偏离Bulk时检测信号子空间。作者在温和条件下建立了所提方法的一致性等渐近性质，并通过大量模拟和实际数据示例验证了有限样本性能。该方法无需预先指定块数或进行复杂的模型选择，计算上仅涉及特征分解，易于实现。对您而言，本文直接连接了您非常熟悉的higher-order U-statistics计算（树宽/张量收缩）与高维随机矩阵理论，提供了一个将U-统计量矩阵的谱分析用于聚类/社区检测的清晰框架，属于立即可做的方向：您可以用einsum复杂度分析其计算瓶颈，并用minimax bound验证其检测阈值的紧性。
关键技术: U-statistic matrix, random matrix theory, Marchenko-Pastur law, eigenvalue thresholding, block structure detection, spectral clustering
为什么对您有用: 本文直接连接您非常熟悉的higher-order U-statistics计算（树宽/张量收缩）与高维随机矩阵理论，提供了一个将U-统计量矩阵的谱分析用于聚类/社区检测的清晰框架。属于立即可做的方向：您可以用einsum复杂度分析其计算瓶颈，并用minimax bound验证其检测阈值的紧性。

非参数 / 半参数 (nonparam_semipara, 2 篇)¶

1. 10.1093/biomet/asaa091 — Maximum likelihood estimation for semiparametric regression models with panel count data¶

作者: Donglin Zeng, D Y Lin
期刊/来源: Biometrika
机构: University of North Carolina at Chapel Hill
分类: vol 108 · issue 4 · pp 947-963
相关性 6/10 · novelty: new_method
摘要: 本文针对面板计数数据（panel count data）中的半参数回归模型，提出非参数最大似然估计方法。面板计数数据常见于工业可靠性测试和医学研究，每个受试者的观测值由两次检查之间复发事件的次数构成。作者通过带随机效应的非齐次泊松过程建模一个或多个类型复发事件与可能时变协变量的关系。在任意检查方案下，采用非参数最大似然估计，并开发了简单稳定的EM算法。理论结果表明，回归参数估计量具有相合性和渐近正态性，其协方差矩阵达到半参数效率界，且可通过剖面似然估计。模拟研究和皮肤癌临床试验数据分析验证了方法的有限样本性能。本文对您在半参数理论和非参数估计方面的兴趣有直接关联，特别是其效率界结果与您熟悉的效率理论（semiparametric efficiency bounds）高度契合。
关键技术: nonparametric maximum likelihood estimation, EM algorithm, semiparametric efficiency bound, profile likelihood, panel count data
为什么对您有用: 本文直接关联您的半参数与非参数理论兴趣，特别是非参数最大似然估计在面板计数数据中的应用，以及达到半参数效率界的理论结果。您熟悉的非参数统计和M估计理论（very_familiar）可直接用于理解其估计量的渐近性质，而您 moderately_familiar 的半参数理论则可用于验证其效率界的推导。中期可做：若想将此类方法推广到因果推断中的纵向数据设定，需先在 moderately_familiar 的识别理论（identification theory in causal inference）上加强，以处理时变混杂。

2. 10.1093/biomet/asaa092 · arXiv — Bagging cross-validated bandwidths with application to big data¶

作者: D Barreiro-Ures, R Cao, M Francisco-Fernández, J D Hart
期刊/来源: Biometrika
分类: vol 108 · issue 4 · pp 981-988
相关性 4/10 · novelty: minor
摘要: 本文研究 bagged cross-validation (BCV) 在核密度估计带宽选择中的应用。Hall & Robinson (2009) 证明了 BCV 能大幅降低普通 CV 的噪声，但假设子采样数 N 为无穷大。本文放宽该假设，推导了有限 N 下 BCV 带宽的渐近均方误差，发现 N 有限与无穷大时收敛速率存在重要差异。方法上，BCV 通过对多个子样本的 CV 带宽取平均来稳定选择，计算上可并行化。模拟表明，与分箱实现的普通 CV 相比，BCV 在统计效率和计算速度上均有提升。此外，本文修正了 Hall & Robinson (2009) 渐近 MSE 表达式中的错误。对您而言，该工作属于非参数统计中带宽选择的经典问题，其 bagging 思想可迁移至高维或因果推断中的调参问题，但方法学 novelty 有限，主要是对已有结果的修正和扩展。
关键技术: bagged cross-validation, kernel density estimation, bandwidth selection, subsampling, asymptotic MSE
为什么对您有用: 本文直接关联 primary interest 中的非参数统计（核密度估计带宽选择），属于经典问题的增量改进。技术武器库中 very_familiar 的 minimax bounds 和 nonparametric statistics 可用于评估其收敛速率是否最优，但本文未涉及新理论或方法。中期可做：若想将 bagging 思想用于因果推断中的调参（如 DML 中的 nuisance 函数带宽），需先在 moderately_familiar 的 semiparametric theory 上加强。

数理统计 / 假设检验 (hypothesis_testing, 3 篇)¶

1. 10.1093/biomet/asaa096 — Bio-equivalence tests in functional data by maximum deviation¶

作者: Holger Dette, Kevin Kokot
期刊/来源: Biometrika
机构: Ruhr University Bochum
分类: vol 108 · issue 4 · pp 895-913
相关性 5/10 · novelty: new_method
摘要: 本文研究两样本函数型数据中均值或方差函数等参数的等价性检验问题。与现有将函数问题简化为逐点标量多重比较的方法不同，作者直接基于最大偏差距离（sup-norm distance）构造检验统计量，等价性成立当且仅当该距离估计量不超过预设阈值。方法核心是提出一种bootstrap程序来获取检验统计量的分位数，并在大样本框架下证明了检验的一致性。由于避免了intersection-union原则，该方法比现有方法更少保守、功效更高。理论证明依赖于函数型数据的经验过程收敛性及bootstrap有效性。对您而言，该工作直接关联假设检验兴趣方向，且其sup-norm统计量的bootstrap校准思路可迁移至您熟悉的高维推断或U-统计量检验问题中。
关键技术: functional data analysis, sup-norm distance, bootstrap consistency, two-sample equivalence test, empirical process theory
为什么对您有用: 直接命中您primary interest中的'mathematical statistics (hypothesis testing)'子方向，且函数型数据的等价性检验是您非参统计武器库的天然应用场景。您可以用very_familiar的minimax bound工具分析该检验在光滑函数类下的最优阈值，或用moderately_familiar的higher-order U-statistics理论处理更复杂的函数型参数（如协方差函数）的等价性检验——中期可做，需先在U-统计量理论上长肌肉。

2. 10.1093/biomet/asaa098 — Covariate adaptive familywise error rate control for genome-wide association studies¶

作者: Huijuan Zhou, Xianyang Zhang, Jun Chen
期刊/来源: Biometrika
机构: Renmin University of China · Texas A&M University · Mayo Clinic
分类: vol 108 · issue 4 · pp 915-931
相关性 3/10 · novelty: new_method
摘要: 本文针对全基因组关联研究（GWAS）中的多重检验问题，提出了一种协变量自适应（covariate-adaptive）的家族错误率（FWER）控制方法。传统FWER控制方法（如Bonferroni）未利用外部协变量信息，而现有FDR自适应方法不适用于FWER。作者通过将协变量（如功能基因组注释）纳入加权Bonferroni框架，构造了依赖于协变量的p值阈值函数，并开发了高效算法实现。理论方面，利用扰动型论证（perturbation-type argument）证明了方法的渐近有效性，并给出了收敛速率。数值实验表明，该方法在UK Biobank数据（27个性状、900万SNP、75个基因组注释）中比竞争方法检测到更多显著位点。对您而言，该文将高维假设检验与协变量自适应思想结合，其扰动论证和收敛速率分析技术可迁移至您熟悉的高维统计与假设检验方向。
关键技术: covariate-adaptive FWER control, weighted Bonferroni procedure, perturbation-type argument, asymptotic validity, genomic annotation integration
为什么对您有用: 本文直接关联您primary interest中的hypothesis testing方向，具体为高维多重检验中协变量自适应FWER控制。您武器库中very_familiar的'high-dimensional asymptotics'和'minimax bounds'可直接用于分析其收敛速率是否最优，而moderately_familiar的'M-estimation theory'可帮助理解其扰动论证的稳健性。中期可做：若将协变量自适应思想推广至您熟悉的higher-order U-statistics框架下的多重检验，需先在moderately_familiar的'theory of higher-order U-statistics'上提升。

3. 10.1093/biomet/asaa102 · arXiv — Admissible estimators of a multivariate normal mean vector when the scale is unknown¶

作者: Y Maruyama, W E Strawderman
期刊/来源: Biometrika
机构: The University of Tokyo · Rutgers Sexual and Reproductive Health and Rights
分类: vol 108 · issue 4 · pp 997-1003
相关性 2/10 · novelty: new_theory
摘要: 研究在方差未知的多变量正态均值向量估计中，一类广义贝叶斯估计量的可容许性。设定为 p 维正态分布 N(θ, σ²I)，σ² 未知，损失函数为缩放二次损失。核心方法是构造一类广义先验，其对应的后验均值估计量具有显式形式，并证明该类估计量在 p≥3 时是可容许的。同时，对其中部分估计量建立了极小极大性，即它们在最坏情况下的风险不超过样本均值估计量的风险。技术工具包括 Stein 的无偏风险估计和积分表示技巧，用于处理方差未知带来的额外复杂性。主要理论结果是：在 p≥3 时，所提估计量族同时满足可容许性和极小极大性，填补了方差未知情形下此类估计量的理论空白。对您可能有用：该文的高维极小极大性分析可迁移至高维统计中的收缩估计问题，而可容许性论证方法对您熟悉的 minimax bounds 和假设检验理论有直接参考价值。
关键技术: Stein's unbiased risk estimate, generalized Bayes estimator, admissibility, minimaxity, scaled quadratic loss
为什么对您有用: 该文直接关联您 primary interest 中的 hypothesis testing 和 high-dimensional statistics 子方向，特别是 minimax 估计理论。您的 technical arsenal 中 very_familiar 的 minimax bounds 和 high-dimensional asymptotics 可直接用于验证本文的极小极大性结果是否紧致，或推广到更一般的协方差结构。中期可做：若将本文的积分表示技巧与您 moderately_familiar 的 M-estimation theory 结合，可探索方差未知时更复杂损失函数下的可容许性。

统计计算 / 算法 (stat_computing, 1 篇)¶

1. 10.1093/biomet/asaa089 — A method of constructing maximin distance designs¶

作者: Wenlong Li, Min-Qian Liu, Boxin Tang
期刊/来源: Biometrika
机构: Nankai University · Simon Fraser University
分类: vol 108 · issue 4 · pp 845-855
相关性 3/10 · novelty: new_method
摘要: 本文针对计算机实验中的空间填充设计，提出了一种构建最大最小距离设计的简便方法。该方法的核心思想是从小规模设计出发，通过递归或组合方式构造大规模设计，从而规避了传统算法搜索在大规模问题中计算成本高、效果不稳定的缺陷。方法适用于任意距离度量，具有通用性。理论保证方面，作者证明了大设计的最优性可由小设计的最优性直接继承，即小设计在最大最小距离准则下的表现决定了最终大设计的质量。这一构造性方法避免了复杂的数值优化，为实际应用中快速生成高质量设计提供了可行路径。对您而言，本文虽不直接涉及因果推断或高维统计，但其构造性思路与您熟悉的统计计算（特别是算法设计与软件实现）方向高度相关，可作为空间填充设计领域的入门读物，帮助理解设计准则与构造策略之间的理论联系。
关键技术: maximin distance design, space-filling design, constructive design, distance measure
为什么对您有用: 本文属于统计计算中实验设计方向的构造性方法，与您 primary interest 中的 statistical computing 直接相关。您武器库中 very_familiar 的 minimax bounds 和 software development 可用于评估该构造方法的理论最优性（如设计距离的下界是否紧）以及实现其算法。作为 gateway reading，本文清晰阐述了设计准则与构造策略，适合作为进入空间填充设计领域的起点，值得花时间阅读全文。

其他 (other, 2 篇)¶

1. 10.1093/biomet/asaa093 · arXiv — Elicitation complexity of statistical properties¶

作者: Rafael M Frongillo, Ian A Kash
期刊/来源: Biometrika
分类: vol 108 · issue 4 · pp 857-879
相关性 5/10 · novelty: new_theory
摘要: 本文研究统计泛函（property）的 elicitation complexity，即需要多少维的损失函数才能间接 elicit 该泛函。核心设定是：一个泛函是 elicitable 当且仅当存在某个损失函数使其期望损失最小化时给出该泛函；而 elicitation complexity 则量化了实现这一目标所需的最小维度。作者建立了 elicitation complexity 的一般理论框架，包括基本性质（如单调性、可加性）和若干标准泛函的复杂度。主要定理给出了 Bayes risk 类泛函的紧的复杂度界，涵盖方差、熵、范数以及多类金融风险度量。证明技术涉及凸分析、支撑函数和损失函数的几何构造。对您而言，本文属于统计决策理论的基础性工作，与您的主要兴趣（如假设检验、效率理论）有间接的方法论联系，但并非直接可用的工具。
关键技术: elicitation complexity, Bayes risk, convex analysis, support function, loss function geometry
为什么对您有用: 本文属于统计决策理论的基础性工作，与您的主要兴趣（如假设检验、效率理论）有间接的方法论联系，但并非直接可用的工具。您的技术武器库中非参数统计和 minimax 界可帮助理解其复杂度界的紧性，但核心机器（elicitation 的凸几何）不在武器库中，属于暂不可做方向。

2. 10.1093/biomet/asaa097 · arXiv — Event history and topological data analysis¶

作者: K Garside, A Gjoka, R Henderson, H Johnson, I Makarenko
期刊/来源: Biometrika
机构: Newcastle University
分类: vol 108 · issue 4 · pp 757-773
相关性 4/10 · novelty: application
摘要: 本文将持久同调（persistent homology）中的特征出现与消失视为事件，引入事件史分析（event history analysis）方法进行拓扑数据分析。核心思想是将嵌套拓扑空间序列（filtration）与事件史中的风险过程对应，从而用经典生存分析工具研究拓扑特征。作者提出了Nelson–Aalen累积风险估计量的变体，用于比较随机场的拓扑特征并检验参数假设；同时提出了Cox比例风险模型用于分析嵌入度量树（embedded metric trees）。方法在三个应用上展示：全球气候数据、银河系中性氢分布（astrostatistics应用）、以及糖尿病视网膜病变患者眼底图像血管模式比较。本文的方法学贡献在于将生存分析框架与拓扑数据分析桥接，但理论深度有限，未涉及效率理论或高维渐近。对您而言，本文属于gateway-reading范畴的astrostatistics应用，但数据/模型阐述不够详细，且方法学新颖性较低。
关键技术: persistent homology, Nelson–Aalen estimator, Cox proportional hazards model, filtration, metric trees
为什么对您有用: 本文属于astrostatistics的gateway-reading，但数据侧（气候数据、氢分布）和模型侧（拓扑特征的事件史建模）阐述不够清晰，不适合作为入门读物。武器库中非参数统计和软件开发的技能可支持理解方法，但本文的方法学贡献较弱，不值得花时间全文阅读。

Maintained by 陈星宇 · Homepage · Source on GitHub