Biometrika — Vol 109 Issue 2 · 2026-07-06¶

共 19 篇 · Biometrika
目录核对 ✅ 19 篇全部抓到（对照 OpenAlex 20 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109卷第2期共19篇论文，整体上可归纳为四条主线：假设检验（6篇）、因果推断（4篇）、统计计算（4篇）与高维/随机矩阵（3篇），另有非参/半参（1篇）和其他（2篇）作为补充。假设检验主线覆盖了条件独立性检验、秩相关功效、DAG嵌套检验、单位根检验及尾部自相关检验，因果推断主线则聚焦于半监督均值推断、匹配相合性、乘法效应建模与高维预测。统计计算主线涉及MCMC后处理、不可计算似然下的MCMC、协方差矩阵求逆与弹跳粒子采样器，高维主线则处理误差变量回归与遗传相关估计。

在假设检验主线中，Fast and powerful conditional randomization testing via distillation通过蒸馏条件随机化检验（distilled CRT）大幅降低计算成本，同时保持对第一类错误的精确控制，其核心是先用复杂模型训练充分统计量再重抽样。On the power of Chatterjee’s rank correlation则从渐近相对效率角度指出Chatterjee秩相关系数在局部备择下功效率劣于经典方法，为独立性检验工具选择提供了理论警示。Smoothed nested testing on directed acyclic graphs提出平滑过程调整嵌套假设检验的统计量，兼容FWER、FDR等错误率控制，显著提升功效。Testing for unit roots based on sample autocovariances利用样本自协方差函数构造非参数单位根检验，通过样本分裂获得临界值，渐近功效为1。Asymptotics of sample tail autocorrelations for tail-dependent time series揭示了尾部自相关函数的相变现象，为尾部依赖检测提供了可视化工具。

因果推断主线中，High-dimensional semi-supervised learning: in search of optimal inference of the mean提出k折交叉拟合双稳健估计量，证明半监督设置下无标签数据可降低均值估计的半参效率界，并扩展至异质性处理效应。On the inconsistency of matching without replacement通过理论反例揭示无放回倾向得分匹配估计ATT的不相合性，指出其系统性改变匹配集条件分布，对应用匹配方法的实证研究有直接警示。Multiplicative effect modelling: the general case将乘法效应建模推广至一般处理变量，通过引入log odds product nuisance实现参数空间变差独立，适用于二值结局下相对风险的直接估计。Inverse moment methods for sufficient forecasting using high-dimensional predictors结合因子分析与充分降维，利用逆三阶矩捕捉非单调效应，在高维预测中无需稀疏性假设。

统计计算主线中，Semi-exact control functionals from Sard’s method结合Stein方法与Sard数值积分，为MCMC输出提供多项式精确的后处理估计量，并具偏差校正性质。Efficient Bernoulli factory Markov chain Monte Carlo for intractable posteriors提出不依赖密度比的接受概率族，通过Bernoulli工厂绕过似然计算，适用于扩散过程等不可解析情形。Inverses of Matérn covariances on grids从谱域分析指出SPDE近似对逆协方差矩阵的精度不足，对大规模空间统计计算有警示意义。A discrete bouncy particle sampler提出离散弹跳粒子采样器，无需局部上界，通过引导随机游走与延迟拒绝实现非可逆MCMC，并给出调参准则。

高维主线中，High-dimensional log-error-in-variable regression with applications to microbial compositional data analysis针对成分数据提出log-误差-变量模型，给出估计误差的匹配上下界，证明统计最优性。Estimation of genetic correlation with summary association statistics在高维线性模型下利用矩估计遗传相关，充分利用LD信息，对模型偏离更稳健。

对于因果推断方向，High-dimensional semi-supervised learning与Multiplicative effect modelling直接相关；半参数效率方向可关注High-dimensional semi-supervised learning与Confidence regions in Wasserstein distributionally robust estimation；高维方向则优先看High-dimensional log-error-in-variable regression与Estimation of genetic correlation。

因果推断 (causal_inference, 4 篇)¶

1. 10.1093/biomet/asab042 · arXiv — High-dimensional semi-supervised learning: in search of optimal inference of the mean¶

作者: Yuqian Zhang, Jelena Bradic
期刊/来源: Biometrika
分类: vol 109 · issue 2 · pp 387-403
相关性 8/10 · novelty: new_method
摘要: 本文研究半监督学习中均值推断的问题，核心设定是：有标签样本量 n 远小于无标签样本量 N，传统直觉认为 N 大能提升估计精度，但本文量化了这一收益。作者提出一种 k 折交叉拟合双稳健估计量，在仅需对 outcome 模型进行慢于根号 n 的一致估计（如高维、非参数或半参数模型）的条件下，仍能实现根号 n 收敛的均值推断。方法同时适用于线性和非线性 outcome，并扩展到了异质性处理效应（HTE）的估计。理论贡献在于：证明了半监督设置下均值估计的 semiparametric efficiency bound 可由无标签数据降低，且所提估计量达到该界。技术工具包括 cross-fitting、double robustness、以及高维稀疏模型的 post-selection inference。对您而言，该文直接连接 causal inference 中 ATE 估计的 double robust 框架，且其“慢速估计仍可根号 n 推断”的结论对您熟悉的 proximal CI 或 IV 设定中的 nuisance 函数估计有启发——若您的武器库中已有 cross-fitting 和 influence function 技术，可立即尝试将类似思路移植到负对照或工具变量场景。
关键技术: double robust estimation, cross-fitting, semiparametric efficiency bound, high-dimensional inference, semi-supervised learning
为什么对您有用: 直接连接 primary interest 中的 causal inference（ATE/HTE 估计）和 semiparametric theory（efficiency bound）。您 very_familiar 的 nonparametric statistics 和 estimation theory in causal inference 可立即用于理解其 double robust 框架；moderately_familiar 的 semiparametric theory 可用于验证其效率界推导。中期可做：将本文的半监督效率界结果移植到 proximal CI 设定中，需先在 moderately_familiar 的 identification theory 上长肌肉。

2. 10.1093/biomet/asab035 · arXiv — On the inconsistency of matching without replacement¶

作者: F Sävje
期刊/来源: Biometrika
分类: vol 109 · issue 2 · pp 551-558
相关性 8/10 · novelty: new_theory
摘要: 本文研究无放回倾向得分匹配（matching without replacement）估计ATT（average treatment effect on the treated）的相合性问题。作者证明，在一般设定下，无放回匹配估计量是不相合的，即使匹配基于真实的倾向得分。核心机制是：无放回匹配会系统性地改变匹配集的条件分布，导致匹配后的样本不再代表原始ATT目标总体。要达到相合性，必须施加极强假设——要么假设不存在倾向得分大于1/2的单元，要么假设这些单元无混杂。该结论不限于倾向得分，对任何得分进行无放回匹配都会产生类似问题。本文通过反例和理论分析揭示了这一被广泛忽视的缺陷，对应用匹配方法的实证研究具有重要警示意义。对您而言，该结果直接关联因果推断中匹配估计量的理论性质，尤其适合作为敏感性分析或方法选择的参考。
关键技术: matching without replacement, propensity score matching, average treatment effect on the treated, consistency failure, confounding
为什么对您有用: 直接关联您primary interest中的因果推断（identification & estimation），特别是匹配估计量的理论缺陷。您的武器库中'nonparametric statistics'和'estimation theory in causal inference'可立即用于验证或扩展该不一致性结论（例如在连续型协变量下的表现）。立即可做：用您熟悉的minimax bound框架分析该不一致性的速率条件。

3. 10.1093/biomet/asab064 · arXiv — Multiplicative effect modelling: the general case¶

作者: J Yin, S Markes, T S Richardson, L Wang
期刊/来源: Biometrika
机构: University of Washington · University of Toronto
分类: vol 109 · issue 2 · pp 559-566
相关性 7/10 · novelty: new_method
摘要: 本文研究二值结局下处理变量（连续或分类）对结局的乘法效应（如相对风险）的建模问题。传统 logistic 回归的系数对应 log odds ratio，在结局不罕见时不能近似相对风险；Poisson 回归虽可直接建模乘法效应，但参数空间受约束导致变差相依。作者将 Richardson et al. (2017) 的二元处理情形推广到一般处理变量，提出一种新的二项回归模型，通过引入 log odds product nuisance 模型实现参数空间的变差独立。模型的核心机制是构造一个乘积形式的 nuisance 参数，使得目标参数（相对风险）与 nuisance 参数在参数空间上正交，从而避免约束问题。估计采用最大似然估计，理论性质包括一致性和渐近正态性。Monte Carlo 模拟和 Titanic 数据实证展示了方法的良好有限样本表现。对您而言，该工作属于因果推断中效应尺度选择的方法学贡献，其变差独立参数化的思路可迁移到您熟悉的因果推断估计理论中，尤其是处理效应异质性分析中相对风险的建模。
关键技术: variation-independent parameterization, log odds product nuisance model, binomial regression, multiplicative effect, relative risk
为什么对您有用: 本文直接连接您 primary interest 中的因果推断（效应尺度选择与建模），其变差独立参数化技巧是您非常熟悉的非参数统计和估计理论可以攻克的——您可以用 minimax 界分析该模型在非参数化下的估计效率损失。中期可做：若想将该方法扩展到高维协变量或工具变量设定，需先在 moderately_familiar 的识别理论（如 IV 下的相对风险识别）上长肌肉。

4. 10.1093/biomet/asab037 · arXiv — Inverse moment methods for sufficient forecasting using high-dimensional predictors¶

作者: Wei Luo, Lingzhou Xue, Jiawei Yao, Xiufan Yu
期刊/来源: Biometrika
分类: vol 109 · issue 2 · pp 473-487
相关性 6/10 · novelty: new_method
摘要: 本文研究利用高维预测变量进行单变量时间序列预测的问题，允许预测函数存在非线性关系。假设预测变量通过潜在因子影响响应变量，作者提出先进行因子分析，再对估计的因子应用充分降维（SDR）以得到用于后续预测的降维数据。在SDR阶段，使用方向回归和逆三阶矩方法，能够捕捉因子对响应的非单调效应，这比Fan et al. (2017)的充分预测方法更具适用性。方法允许因子数量发散，且仅对因子分布施加一般正则条件，避免了因子时间可逆性的不必要假设。理论贡献包括一个不变性结果、无需稀疏性假设的高维SDR路径，以及相应的阶数确定程序。模拟和实证研究（1959-2016年月度宏观经济数据）验证了方法的有效性。对您而言，本文的逆矩方法与您在高阶U统计量方面的专长有潜在联系，且高维因子模型下的充分降维是因果推断中处理高维混淆变量的重要工具。
关键技术: sufficient dimension reduction, directional regression, inverse third-moment method, factor model, high-dimensional forecasting, order determination
为什么对您有用: 本文连接您的因果推断兴趣（高维混淆变量下的充分降维）和高维统计兴趣（因子模型）。技术武器库中的'非参数统计'和'高维渐近理论'可直接用于理解其不变性结果和阶数确定程序的理论证明。中期可做：若将逆矩方法与您熟悉的higher-order U-statistics的treewidth视角结合，可能推导出更高效的降维估计量，但需先在'moderately_familiar'的HOIF理论上提升。

高维统计 / 随机矩阵 (high_dim_rmt, 2 篇)¶

1. 10.1093/biomet/asab020 · arXiv — High-dimensional log-error-in-variable regression with applications to microbial compositional data analysis¶

作者: Pixu Shi, Yuchen Zhou, Anru R Zhang
期刊/来源: Biometrika
机构: Duke University · University of Wisconsin–Madison
分类: vol 109 · issue 2 · pp 405-420
相关性 7/10 · novelty: new_method
摘要: 本文针对微生物组和基因组研究中常见的成分数据回归问题，提出了一种高维log-误差-变量回归模型。传统log-contrast模型通过将测序读数标准化为成分来处理测序深度变化，但零读数计数和协变量的随机性仍是关键难题。作者引入了一个简洁、可解释且高效的方法，通过校正测序数据可能存在的过度离散性，同时避免对零读数进行主观插补。理论方面，给出了估计误差的匹配上下界，证明了方法的统计最优性。通过真实数据分析和模拟研究验证了方法的实用性。该工作将高维误差-变量模型与成分数据回归结合，为微生物组关联分析提供了新的统计工具。
关键技术: log-error-in-variable regression, compositional data analysis, high-dimensional estimation, minimax lower bound, overdispersion correction
为什么对您有用: 本文连接您的高维统计与因果推断兴趣：成分数据回归是微生物组流行病学中的标准工具，而误差-变量模型与测量误差校正直接相关。您可以用very_familiar的高维渐近理论验证其minimax界的紧性，并思考如何将误差校正思想引入proximal causal inference中的negative control设定。中期可做：若将方法扩展到纵向或中介分析，需先在moderately_familiar的identification theory上加强。

2. 10.1093/biomet/asab030 · arXiv — Estimation of genetic correlation with summary association statistics¶

作者: Jianqiao Wang, Hongzhe Li
期刊/来源: Biometrika
机构: University of North Carolina at Chapel Hill
分类: vol 109 · issue 2 · pp 421-438
相关性 5/10 · novelty: new_method
摘要: 本文在高维线性模型框架下研究遗传相关性（genetic correlation）的矩估计方法。目标是用GWAS汇总统计量（summary association statistics）估计两个复杂性状之间的遗传相关性，无需原始基因型数据。作者将遗传相关性分解为多效性效应和连锁不平衡（LD）导致的关联两部分，并基于回归系数和LD矩阵定义参数。提出矩估计量，证明其相合性和渐近正态性。与LD score回归（LDSC）相比，本文方法更充分利用LD信息，且对模型假设的偏离更稳健。模拟和真实数据分析表明，新估计量在不同遗传架构下优于LDSC。对您而言，本文的高维线性模型框架和矩估计方法可迁移至因果推断中的高维工具变量或mediation分析，且其稳健性分析思路对您关注的sensitivity analysis有参考价值。
关键技术: method of moments, high-dimensional linear model, summary association statistics, linkage disequilibrium matrix, consistency and asymptotic normality
为什么对您有用: 本文直接关联您的高维统计和因果推断兴趣：其高维线性模型框架可用于高维工具变量或mediation分析中的参数估计；矩估计的稳健性分析思路可迁移至您关注的sensitivity analysis。技术武器库中'high-dimensional asymptotics'和'estimation theory in causal inference'可直接用于理解或改进本文方法。中期可做：若将本文的LD矩阵结构类比为因果推断中的confounding结构，可用您moderately_familiar的'identification theory'拓展其识别条件。

非参数 / 半参数 (nonparam_semipara, 1 篇)¶

1. 10.1093/biomet/asab027 · arXiv — Scalar-on-function local linear regression and beyond¶

作者: F Ferraty, S NAGY
期刊/来源: Biometrika
分类: vol 109 · issue 2 · pp 439-455
相关性 5/10 · novelty: new_method
摘要: 本文研究标量响应与函数型协变量的回归问题，即函数型数据回归中的标量-函数回归。作者提出基于投影的局部线性回归方法，并证明其渐近性质优于传统的局部常数回归（即Nadaraya-Watson型估计）。核心机制是将函数型协变量投影到有限维子空间，然后在该空间上应用局部线性平滑，从而得到回归算子的估计。进一步，该方法还可用于估计回归算子的函数型导数，该导数本身具有独立的理论意义，且其估计量被证明是相合的。理论结果包括回归算子及其导数的收敛速率和渐近分布。模拟实验展示了有限样本下的良好表现，并在单函数指标模型的实际数据例子中，展示了如何利用函数型导数提供一种新颖、快速且广泛适用的估计方法。对您而言，本文的非参数函数型数据回归方法，特别是局部线性回归相对于局部常数的优势分析，与您的非参数统计和半参数理论兴趣直接相关，其投影技术也可迁移至高维统计设定。
关键技术: functional local linear regression, functional data analysis, projection-based estimation, functional derivative estimation, single-functional index model
为什么对您有用: 本文直接关联您的非参数统计和半参数理论兴趣，具体在函数型数据回归这一子方向。您武器库中'非参数统计'和'高维渐近理论'的功底可直接用于理解其投影降维和收敛速率分析。中期可做：若想将此类方法推广至因果推断中的函数型协变量调整，需先在'半参数理论'上加强，特别是影响函数和正交化技术。

数理统计 / 假设检验 (hypothesis_testing, 6 篇)¶

1. 10.1093/biomet/asab039 · arXiv — Fast and powerful conditional randomization testing via distillation¶

作者: Molei Liu, Eugene Katsevich, Lucas Janson, Aaditya Ramdas
期刊/来源: Biometrika
分类: vol 109 · issue 2 · pp 277-293
相关性 9/10 · novelty: new_method
摘要: 本文针对条件独立性检验问题，在给定协变量 Z 的条件下检验 Y 与 X 是否独立。作者提出蒸馏条件随机化检验（distilled CRT），核心思想是先用原始数据训练一次复杂预测算法（如随机森林、深度网络）得到充分统计量，再基于该统计量进行条件随机化检验，从而避免在每次重抽样时重新训练模型。该方法在保持 CRT 精确控制第一类错误（无需对 Y|(X,Z) 做任何假设）的同时，将计算成本降低数个数量级。文中还结合了筛选（screening）和计算复用（recycling）等技巧进一步加速。模拟实验表明，蒸馏 CRT 在功效上接近最优的 CRT 实现，但计算时间大幅减少。最后，在乳腺癌数据集中识别与癌症分期相关的生物标志物，展示了其实用性。对您而言，该工作将条件独立性检验的计算瓶颈与高维统计中的变量筛选问题结合，您可以用 very_familiar 的高维渐近工具分析其蒸馏步骤的统计效率损失，或用 moderately_familiar 的 M-估计理论刻画筛选与重抽样之间的偏差-方差权衡。
关键技术: conditional randomization test, distillation, screening, recycling computations, model-X framework, multiple testing
为什么对您有用: 直接连接 hypothesis testing 子方向（条件独立性检验的精确控制与计算效率）。技术武器库中 very_familiar 的高维渐近工具可用于分析蒸馏步骤的统计效率损失（如筛选阈值对功效的影响），moderately_familiar 的 M-估计理论可刻画重抽样与筛选的偏差-方差权衡。中期可做：需先在 moderately_familiar 的 M-估计理论上长肌肉（如理解筛选后的条件分布变化），才能严格推导蒸馏 CRT 的渐近功效界。

2. 10.1093/biomet/asab028 · arXiv — On the power of Chatterjee’s rank correlation¶

作者: H Shi, M Drton, F Han
期刊/来源: Biometrika
机构: University of Washington · Technical University of Munich
分类: vol 109 · issue 2 · pp 317-333
相关性 7/10 · novelty: sharper_rate
摘要: 本文系统比较了 Chatterjee (2021) 新提出的秩相关系数与三种经典秩相关系数（Hoeffding's D、Blum-Kiefer-Rosenblatt's R、Bergsma-Dassios-Yanagimoto's τ）在独立性检验中的功效。核心设定是：在局部旋转和混合备择假设下，比较这些统计量的渐近相对效率。主要理论结果是：Chatterjee 系数在局部备择下的检验功效率劣于 D、R 和 τ，即其收敛速度较慢（rate-suboptimal）。对于 Dette et al. (2013) 的早期估计量，情况则更为微妙。文章还结合最新算法进展比较了计算效率。这些结果明确建议：在独立性检验任务中，应优先使用 D、R 或 τ* 而非 Chatterjee 系数。对您而言，本文直接关联到假设检验中秩统计量的渐近功效比较，且其局部备择框架和 rate 分析技术可迁移至您熟悉的 U-统计量理论（very_familiar）中的检验问题。
关键技术: rank correlation, Hoeffding's D, Blum-Kiefer-Rosenblatt's R, Bergsma-Dassios-Yanagimoto's τ*, local alternatives, rate-optimality
为什么对您有用: 本文直接关联到您的 primary interest 中的 hypothesis testing 子方向，具体是比较秩相关系数在独立性检验中的渐近功效。您可以用 very_familiar 的 higher-order U-statistics 理论（尤其是 treewidth / tensor contraction 视角）来分析这些统计量的计算复杂度和高阶性质，例如 D 和 R 作为 U-统计量的投影方差结构。中期可做：若想进一步推导 Chatterjee 系数在更一般备择下的 minimax 最优检验率，需先在 moderately_familiar 的 HOIF 上长肌肉。

3. 10.1093/biomet/asab041 · arXiv — Smoothed nested testing on directed acyclic graphs¶

作者: J H Loper, L Lei, W Fithian, W Tansey
期刊/来源: Biometrika
分类: vol 109 · issue 2 · pp 457-471
相关性 6/10 · novelty: new_method
摘要: 本文研究在假设检验存在逻辑嵌套结构（如DAG、链、树）时的多重检验问题。当内层假设为假时，外层假设必为假，因此拒绝一个节点要求同时拒绝其所有祖先节点。作者提出一个通用框架，利用已知的逻辑约束调整节点级检验统计量。核心方法是一种平滑过程，将每个节点与其所有后代节点的统计量结合（如算术平均），以构造更有效的统计量。理论证明，在原始检验统计量独立于零假设的条件下，该平滑策略可与现有选择程序（如FWER、FDX、FDR控制）兼容，并保持错误率控制。对于正态观测且正相关的情形，作者证明了算术平均平滑仍能控制三种错误率。模拟和生物学数据集应用显示平滑方法能显著提升检验功效。该工作对您在高维假设检验和多重比较方向的研究有直接参考价值，特别是其利用图结构信息提升功效的思路可迁移至您熟悉的U-统计量检验问题。
关键技术: directed acyclic graph (DAG) testing, smoothing procedure, familywise error rate (FWER) control, false discovery exceedance (FDX) control, false discovery rate (FDR) control, positive correlation normal observations
为什么对您有用: 该论文直接连接您primary interest中的hypothesis testing方向，特别是多重比较与图结构约束下的检验问题。您的技术武库中'nonparametric statistics'和'minimax bounds'可用于分析该平滑方法的功效最优性，而'higher-order U-statistics'的图论视角（treewidth）可用来刻画更复杂DAG结构下的平滑计算成本。中期可做：若您先熟悉moderately_familiar中的'identification theory in causal inference'（用于理解DAG的因果解释），可进一步探索将平滑方法应用于因果推断中的多重检验（如mediation analysis中的路径检验）。

4. 10.1093/biomet/asab025 · arXiv — Estimation under matrix quadratic loss and matrix superharmonicity¶

作者: T Matsuda, W E Strawderman
期刊/来源: Biometrika
分类: vol 109 · issue 2 · pp 503-519
相关性 5/10 · novelty: new_theory
摘要: 本文研究正态均值矩阵在矩阵二次损失下的估计问题。矩阵二次损失的优势在于，若一个估计量在该损失下优于另一个，则对任意列向量的线性组合在普通二次损失下也保持优势。首先推导了风险的无偏估计，并证明了Efron-Morris估计量是极小极大的。接着引入了矩阵值函数的矩阵超调和性概念，并证明其性质与经典超调和函数类似，这一概念本身可能具有独立意义。然后证明，基于矩阵超调和先验的广义贝叶斯估计量是极小极大的。文章还提供了一类矩阵超调和先验，其中包括Stein先验的推广。数值结果表明，矩阵超调和先验对低秩矩阵表现良好。本文对您在高维统计和随机矩阵理论方面的兴趣有直接关联，矩阵超调和性这一新工具可能为高维协方差矩阵估计或因子模型中的收缩估计提供新思路。
关键技术: matrix quadratic loss, unbiased risk estimation, Efron-Morris estimator, matrix superharmonicity, generalized Bayes estimator, minimax estimation
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，特别是矩阵估计的极小极大理论。矩阵超调和性这一新概念可能为高维协方差矩阵或因子模型的收缩估计提供新工具，而您武器库中的'minimax bounds for estimation problems'和'high-dimensional asymptotics'可直接用于验证或扩展本文的理论结果。中期可做：若将矩阵超调和先验与您熟悉的einsum/treewidth框架结合，可能在高维矩阵估计的计算效率上取得突破，但需先在'moderately_familiar'的HOIF或semiparametric theory上积累矩阵值损失的经验。

5. 10.1093/biomet/asab038 — Asymptotics of sample tail autocorrelations for tail-dependent time series: phase transition and visualization¶

作者: Ting Zhang
期刊/来源: Biometrika
机构: University of Georgia
分类: vol 109 · issue 2 · pp 521-534
相关性 4/10 · novelty: new_method
摘要: 本文研究尾部相依时间序列的样本尾部自相关函数的渐近理论。与经典自相关函数不同，尾部自相关需要双渐近方案（样本量趋于无穷且阈值趋于极端分位数）才能捕捉尾部现象。论文不要求非尾部区域的依赖结构满足强混合条件，适用范围广。核心发现是相变现象：当滞后阶数超过尾部依赖消失的临界点后，样本尾部自相关的收敛速率和渐近分布会发生突变。这一发现填补了尾部自相关理论的空白，可用于构建类似经典自相关图的显著性参考线，以可视化判断序列是否存在尾部依赖或识别尾部依赖的最大滞后阶数。对您而言，该工作属于假设检验在时间序列尾部依赖检测中的应用，其相变分析与高维统计中的阈值现象有潜在联系，但方法学创新有限。
关键技术: sample tail autocorrelation, double asymptotic scheme, phase transition, lines of significance, tail dependence
为什么对您有用: 该论文属于假设检验方向，具体是时间序列尾部依赖的检验问题。您的武器库中'非参数统计'和'高维渐近'可用于理解其双渐近方案和相变现象，但核心工具（极值理论、时间序列弱依赖条件）不在您的熟悉范围内，属于暂不可做——缺少极值统计和混合性条件的技术储备。不过，作为假设检验在尾部依赖中的应用案例，值得了解其可视化方法（显著性参考线）对您未来处理极端事件数据时的启发。

6. 10.1093/biomet/asab034 · arXiv — Testing for unit roots based on sample autocovariances¶

作者: Jinyuan Chang, Guanghui Cheng, Qiwei Yao
期刊/来源: Biometrika
分类: vol 109 · issue 2 · pp 543-550
相关性 3/10 · novelty: new_method
摘要: 本文提出一种新的单位根检验方法，原假设为平稳 I(0) 过程，备择假设为存在单位根。检验统计量基于样本自协方差函数：在 H0 下收敛到有限总体自协方差，在 H1 下发散到无穷，从而具有天然的高判别力。为确定“多大算大”，作者采用样本分裂技巧构造正态近似，得到零分布下的临界值。由于统计量在 H1 下发散，可截断临界值使检验渐近功效为 1，且样本分裂带来的功效损失被大幅缓解。该方法完全非参数，无需指定 I(0) 过程的参数形式，且已提供 R 实现。对您而言，该检验的样本分裂构造与渐近正态性证明是假设检验方向的直接贡献，其非参数设定与您熟悉的 minimax 框架可自然衔接。
关键技术: sample autocovariance function, sample splitting, normal approximation, unit root test, nonparametric hypothesis testing
为什么对您有用: 直接对应 primary interest 中的 hypothesis testing 子方向，且非参数设定与您熟悉的 minimax 框架可自然衔接。武器库中 very_familiar 的 nonparametric statistics 和 high-dimensional asymptotics 可直接用于分析该检验统计量的高阶性质或推广到高维情形——立即可做。

统计计算 / 算法 (stat_computing, 4 篇)¶

1. 10.1093/biomet/asab036 · arXiv — Semi-exact control functionals from Sard’s method¶

作者: L F South, T Karvonen, C Nemeth, M Girolami, C J Oates
期刊/来源: Biometrika
分类: vol 109 · issue 2 · pp 351-367
相关性 5/10 · novelty: new_method
摘要: 本文提出一种新的控制变量技术，用于后处理马尔可夫链蒙特卡洛输出，结合Stein方法和Sard数值积分方法。在Gaussian背景下，所提估计量被证明具有多项式精确性，经验结果表明在Bernstein–von Mises极限附近该估计量近似于Gaussian cubature方法。主要理论结果建立了在马尔可夫链不保持后验不变时的偏差校正性质。通过一系列贝叶斯推断任务的实证结果验证了方法的有效性。该工作为MCMC后处理提供了一种计算上高效且理论上有保证的替代方案，对统计计算方向有直接参考价值。
关键技术: Stein's method, Sard's method, control variates, Markov chain Monte Carlo, Bernstein–von Mises theorem, Gaussian cubature
为什么对您有用: 本文属于统计计算方向，直接关联您对统计计算（数值方法、算法）的兴趣。您武器库中的非参数统计和软件工程经验可用于理解和实现该方法，并可能将其扩展到更一般的MCMC设置。作为一篇方法论文，它提供了清晰的理论保证和实证验证，适合作为入门阅读，无需额外工具即可评估其适用性。

2. 10.1093/biomet/asab031 — Efficient Bernoulli factory Markov chain Monte Carlo for intractable posteriors¶

作者: D Vats, F B Gonçalves, K Łatuszyński, G O Roberts
期刊/来源: Biometrika
分类: vol 109 · issue 2 · pp 369-385
相关性 4/10 · novelty: new_method
摘要: 本文针对似然函数形式未知的贝叶斯后验推断问题，提出了一类新的MCMC接受概率族，其关键特征是不依赖于两个竞争点处目标密度的比值。传统接受-拒绝式MCMC（如Metropolis-Hastings）的接受概率通常需要计算密度比，这在似然函数不可解析计算时（如扩散过程、约束空间）几乎无法使用。作者引入两种稳定的Bernoulli工厂（Bernoulli factory）来生成属于该接受概率族的事件，从而绕过密度比的计算。方法的核心在于获取目标密度的合理局部上界或下界，作者给出了两类可行问题：扩散过程的贝叶斯推断和约束空间上的MCMC。所提出的portkey Barker算法是精确的（exact），且在计算效率上优于现有方法。本文属于统计计算方法创新，对您作为统计计算方向的研究者具有直接参考价值，尤其是其利用Bernoulli工厂处理intractable likelihood的思路，可启发您在高维或复杂模型中的MCMC算法设计。
关键技术: Bernoulli factory, accept-reject MCMC, portkey Barker algorithm, diffusion Bayesian inference, constrained MCMC
为什么对您有用: 本文直接关联您的primary interest中的统计计算（MCMC算法设计），属于方法学创新。您武器库中的'非参数统计'和'高维渐近'可用于分析该算法的收敛性，而'软件开发'经验可帮助您实现并扩展该算法。目前属于中期可做：需先在moderately_familiar的M-estimation理论上加强，以严格分析该算法的渐近方差和效率。

3. 10.1093/biomet/asab017 — Inverses of Matérn covariances on grids¶

作者: Joseph Guinness
期刊/来源: Biometrika
机构: Cornell University
分类: vol 109 · issue 2 · pp 535-541
相关性 3/10 · novelty: new_theory
摘要: 本文研究规则网格上 Matérn 协方差矩阵的逆的近似问题。作者通过分析网格上 Matérn 协方差的混叠谱密度，揭示了基于随机偏微分方程（SPDE）的流行近似方法的性质。虽然已有研究显示 SPDE 近似对协方差函数本身效果良好，但本文发现该方法在高频部分分配了过多功率，导致对逆协方差矩阵的近似精度不足。具体地，除一维指数协方差情形外，随着网格间距趋于零，SPDE 近似并不能提供对逆矩阵的渐近精确逼近。这一发现对大规模空间统计计算中常用的稀疏近似方法具有重要警示意义。对您而言，本文涉及统计计算中的数值方法（协方差矩阵求逆的近似），与您的统计计算兴趣直接相关，且其分析思路（谱域分析）可迁移至您熟悉的逆问题与高维渐近工具。
关键技术: Matérn covariance, aliased spectral density, stochastic partial differential equation (SPDE) approximation, grid-based covariance inversion, spectral analysis
为什么对您有用: 本文属于统计计算方向，直接关联您的 primary interest 中的统计计算（数值方法）。其核心问题——协方差矩阵逆的近似精度——是您非常熟悉的非参数统计与高维渐近工具可以切入的：您可以用 minimax 界来刻画 SPDE 近似的误差率，或用逆问题的视角分析其谱截断偏差。目前来看，中期可做：需要先在 moderately_familiar 的 M-估计理论中熟悉谱域分析技巧，才能将本文的结论推广到非规则网格或更一般的协方差族。

4. 10.1093/biomet/asab013 · arXiv — A discrete bouncy particle sampler¶

作者: C Sherlock, A H Thiery
期刊/来源: Biometrika
分类: vol 109 · issue 2 · pp 335-349
相关性 2/10 · novelty: new_method
摘要: 本文提出离散弹跳粒子采样器（DBPS），一种基于非可逆马尔可夫链的蒙特卡洛方法。与连续时间弹跳粒子采样器（BPS）不同，DBPS 仅需逐点评估目标密度及其梯度，无需计算局部上界，从而显著降低实现难度。算法核心包括引导随机游走、部分方向刷新和延迟拒绝步骤，并证明 BPS 是 DBPS 在特定参数下的缩放极限。在高斯设定下，作者推导了径向过程随维度趋于无穷的缩放极限，并据此得到 DBPS 的理论效率与部分刷新参数的显式关系，进而给出简单鲁棒的调参准则。进一步分析表明该准则在更一般的目标分布下也适用。实验对比了不同目标分布和算法变体的理论效率与经验效率曲线。对您而言，本文属于统计计算中的 MCMC 方法创新，其调参准则和缩放极限分析思路可迁移至您熟悉的非参数统计和高维渐近分析框架中，属于中期可做的方向——需先在 moderately_familiar 的 M-estimation 理论上巩固对缩放极限的理解。
关键技术: bouncy particle sampler, nonreversible Markov chain, scaling limit, guided random walk, delayed rejection, partial refreshment
为什么对您有用: 本文属于统计计算（MCMC）方向，是您的 secondary interest 之一。作为 gateway reading，本文对非 MCMC 专家友好：算法描述清晰，缩放极限推导完整，调参准则直观。您的技术武器库中 very_familiar 的高维渐近分析可直接用于理解其缩放极限推导，但核心的连续时间非可逆马尔可夫链理论（如 piecewise deterministic Markov process）不在武器库内，因此属于中期可做——需先在 moderately_familiar 的 M-estimation 理论上补充对连续时间过程的熟悉度。值得花时间读全文，因为其调参准则和效率分析思路对您未来设计高效采样算法有启发。

其他 (other, 2 篇)¶

1. 10.1093/biomet/asab026 · arXiv — Confidence regions in Wasserstein distributionally robust estimation¶

作者: Jose Blanchet, Karthyek Murthy, Nian Si
期刊/来源: Biometrika
机构: Stanford University · Singapore University of Technology and Design
分类: vol 109 · issue 2 · pp 295-315
相关性 7/10 · novelty: new_theory
摘要: 本文研究基于Wasserstein分布鲁棒优化的估计量的渐近正态性及其诱导的最优置信区域。在分布鲁棒优化框架下，估计量通过求解一个极小极大问题得到，其中统计学家选择参数以最小化在Wasserstein距离球内所有概率模型下的最坏情况损失。该框架统一了多种正则化估计量，包括平方根Lasso和支持向量机。作者证明了分布鲁棒估计量的渐近正态性，并推导了由优化问题自然诱导的置信区域的最优性质。此外，文章还研究了极小极大分布鲁棒优化问题的关键性质，例如分布鲁棒估计量基于损失函数导数进行正则化，以及极小极大与极大极小问题等价的一般充分条件。本文属于理论统计与优化交叉领域，对您而言，其渐近理论分析（如正态性、置信区域）与您对数学统计和假设检验的兴趣直接相关，但方法本身（Wasserstein鲁棒优化）并非您武器库中的核心工具，属于可了解但非优先阅读的文献。
关键技术: Wasserstein distributionally robust optimization, min-max estimation, asymptotic normality, confidence region, regularized estimation
为什么对您有用: 本文连接您对数学统计与假设检验的兴趣，具体涉及渐近正态性和置信区域构造。您武器库中的非参数统计和极小极大界可用于分析其估计量的收敛速度，但核心的Wasserstein鲁棒优化框架与您的技术栈（如U统计量、半参理论）距离较远。暂不可做：核心机器（Wasserstein几何、分布鲁棒优化的对偶性）不在武器库中，需先补充相关优化理论。

2. 10.1093/biomet/asab021 — A minimum aberration-type criterion for selecting space-filling designs¶

作者: Ye Tian, Hongquan Xu
期刊/来源: Biometrika
机构: University of California, Los Angeles
分类: vol 109 · issue 2 · pp 489-501
相关性 2/10 · novelty: new_method
摘要: 本文提出了一种用于评估空间填充设计（space-filling designs）的“最小像差型准则”（minimum aberration-type criterion），其灵感来源于强正交数组（strong orthogonal arrays）的分层正交性。该准则基于设计在各种网格上的分层性质（stratification properties）来评估其空间填充性能，并提出了一个空间填充层次原则（space-filling hierarchy principle）作为基本假设。新准则提供了一种系统的方法来分类和排序空间填充设计，包括各种类型的强正交数组和拉丁超立方体设计（Latin hypercube designs）。理论结果和示例表明，在提出的准则下，最大强度的强正交数组是最优的。对于相同强度的强正交数组，该空间填充准则可以根据其空间填充模式（space-filling patterns）进一步排序。本文主要贡献在于为计算机实验中的设计选择提供了新的理论工具，但方法本身属于实验设计领域，与您的主要统计兴趣（因果推断、高维统计、U-统计量等）无直接技术关联。
关键技术: strong orthogonal arrays, Latin hypercube designs, space-filling hierarchy principle, minimum aberration criterion, design stratification
为什么对您有用: 本文属于实验设计（design of experiments）领域，与您的核心兴趣（因果推断、高维统计、U-统计量等）无直接技术重叠。虽然空间填充设计在计算机实验中很重要，但本文的方法论（基于正交数组的分层准则）与您的技术武器库（非参数统计、minimax界、高阶U-统计量等）没有明显的交叉点。因此，本文对您而言属于暂不可做的范畴——核心机器（实验设计中的正交数组理论）不在您的武器库中，且与您当前的研究方向距离较远，不值得花时间深入阅读。

Maintained by 陈星宇 · Homepage · Source on GitHub