JBES — Vol 41 Issue 2 · 2026-07-06¶

共 27 篇 · Journal of Business & Economic Statistics
目录核对 ✅ 27 篇全部抓到（对照 OpenAlex 28 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。

这一期共 27 篇论文，整体上可归纳为四条主线：因果识别与异质性处理效应（Multi-Threshold SEM、Density Ratio for Causal Inference、Circularly Projected Common Factors）、高维统计与推断（Post-selection Inference under Case-Control、Penalized Pairwise Difference for Censored Regression）、半参数/非参数方法与模型（Generalized Single Index、Multiplicative Volatility、Semiparametric Bayesian Panel Density、No-Crossing SIQR）、以及假设检验与诊断（Equal Conditional Predictive Ability under Measurement Error、Nonparametric High-Frequency Inference、Panel Trend Specification、Finite Moment Diagnostics）。此外，还有一批经济理论应用论文（Skilled Mutual Fund Selection、Identification-Robust Pseudo-Matching、Simultaneous Spatial Panel、SAR with Dominant Units、Composite Likelihood Panel Ordered Probit、Reconciled Monthly GDP、Classifier-Lasso ECM）和若干其他方向（SR-SV、Dynamic Score-Driven ICA、GMVP Prediction、Asymmetric Scoring Rules、Clustered Point Processes）。

在因果推断主线中，Multi-Threshold Structural Equation Model 将变化点检测嵌入 IV 框架，直接处理因果回归参数随未知子群体结构变化的问题，为异质性处理效应识别提供了新工具；Estimating Density Ratio of Marginals to Joint 则从非参数密度比估计入手，无需离散化或倾向性得分建模即可估计连续处理效应，其理论性质（收敛速率、渐近正态性）对因果推断中的剂量-反应曲线有直接支撑。Circularly Projected Common Factors 虽非直接因果方法，但其分组投影思路可迁移至多组纵向数据的中介分析或因子提取。高维统计方面，Post-selection Inference under Case-Control 针对病例-对照设计下的高维逻辑回归，用去偏 Lasso 和加权似然校正选择偏差，解决了非随机抽样下的推断难题；Penalized Pairwise Difference for Censored Regression 则用成对差分技巧处理删失数据中的重尾/异方差问题，其 ADMM 算法在计算效率上优于现有方法。半参数/非参数主线中，No-Crossing Single-Index Quantile Regression 通过联合约束保证分位数曲线不交叉，是分位数回归中一个长期问题的直接解法；Semiparametric Bayesian Panel Density 在短 T 大 N 面板下用非参数贝叶斯估计异质参数分布，后验一致性结果对密度预测有理论价值。

与因果推断方向最贴的论文是 Multi-Threshold SEM（异质性处理效应识别）和 Density Ratio for Causal Inference（连续处理效应估计）；半参数效率方向可关注 No-Crossing SIQR（分位数曲线单调性约束）和 Generalized Single Index（两步估计框架）；高维方向优先看 Post-selection Inference under Case-Control（非随机抽样下的高维推断）和 Penalized Pairwise Difference for Censored Regression（删失数据稳健估计）。

因果推断 (causal_inference, 3 篇)¶

1. 10.1080/07350015.2021.2023553 — Multi-Threshold Structural Equation Model¶

作者: Jingli Wang, Jialiang Li
期刊/来源: Journal of Business & Economic Statistics
机构: Nankai University · National University of Singapore
分类: vol 41 · issue 2 · pp 377-387
相关性 8/10 · novelty: new_method
摘要: 本文提出多阈值结构方程模型（MT-SEM），在工具变量（IV）框架下处理因果回归参数随未知子群体结构变化的问题。目标是在两阶段最小二乘（2SLS）过程中同时检测多个未知变化点（阈值）并估计其位置。方法上，先通过一种多重变化点检测算法确定阈值个数和位置，再在识别出的子群体内用Wald方法估计内生变量的回归系数。在正则性假设下，建立了估计量的一致性和因果系数的渐近正态性。模拟研究验证了有限样本表现，并应用于菲律宾农户数据，发现了新的异质性因果效应。该工作将经典变化点检测与IV估计结合，对您关注的因果推断中异质性处理效应识别和纵向数据中的结构变化问题有直接参考价值。
关键技术: instrumental variable estimation, change point detection, two-stage least squares, Wald estimation, threshold regression
为什么对您有用: 本文直接连接您的primary interest中的因果推断（IV估计）和纵向/异质性处理效应子方向。您武器库中'very_familiar'的'nonparametric statistics'和'estimation theory in causal inference'可用于分析其变化点检测的收敛速率和IV估计的有限样本性质；'moderately_familiar'的'identification theory in causal inference'可帮助评估其阈值识别假设的合理性。中期可做：若想将方法推广到更灵活的异质性模型（如连续阈值），需先在'moderately_familiar'的'semiparametric theory'上加强。

2. 10.1080/07350015.2022.2035228 — Estimating Density Ratio of Marginals to Joint: Applications to Causal Inference¶

作者: Yukitoshi Matsushita, Taisuke Otsu, Keisuke Takahata
期刊/来源: Journal of Business & Economic Statistics
机构: Hitotsubashi University · London School of Economics and Political Science · Keio University
分类: vol 41 · issue 2 · pp 467-481
相关性 7/10 · novelty: application
摘要: 本文研究边际密度乘积与联合密度之比的估计问题，该比值在因果推断中自然出现，例如连续处理变量与协变量的联合分布与边际乘积之比，是构建因果效应估计量的关键成分。作者将 Kanamori、Hido 和 Sugiyama 提出的通用最小二乘密度比估计方法应用于这一特定比值，并证明了其理论性质，包括估计量的收敛速率和渐近正态性。该方法特别适用于连续处理效应和剂量-反应曲线的估计，无需对处理变量进行离散化或倾向性得分建模。通过模拟研究和美国总统竞选广告数据的实证分析，展示了该方法在估计连续处理效应中的实用性。对您而言，本文提供了一种非参数密度比估计的新工具，可直接用于您感兴趣的因果推断中的连续处理效应估计问题，且其最小二乘框架与您的非参数统计和估计理论背景高度契合。
关键技术: least-squares density ratio estimation, product of marginals to joint density ratio, continuous treatment effects, dose-response curves, kernel-based estimation
为什么对您有用: 本文直接连接您的 primary interest 中的因果推断子方向——连续处理效应估计，提供了一种无需倾向性得分建模的密度比估计方法。您的 very_familiar 武器库中的非参数统计和估计理论可直接用于理解该方法的核心机制（最小二乘框架、核方法收敛性），且可进一步探索该方法与您熟悉的 higher-order U-statistics 或 semiparametric efficiency 理论的结合点。中期可做：若想将密度比估计与您 moderately_familiar 的 semiparametric theory 结合（如推导该估计量的 semiparametric efficiency bound），需先巩固 semiparametric theory 中的 influence function 技术。

3. 10.1080/07350015.2022.2051520 — Circularly Projected Common Factors for Grouped Data¶

作者: Mingjing Chen
期刊/来源: Journal of Business & Economic Statistics
机构: Chongqing Technology and Business University
分类: vol 41 · issue 2 · pp 636-649
相关性 4/10 · novelty: new_method
摘要: 本文针对分组数据中提取共同因子的问题，提出了两种新的非迭代方法：循环投影法。在多层因子模型框架下，现有方法如迭代PCA计算耗时，而CCA仅能处理两组数据。作者先在各组内提取因子，再通过循环投影将组内因子投影到共同因子张成的空间，从而估计共同因子及其个数。新方法无需迭代，计算效率高，且能统一处理多组数据，将CCA作为特例。理论部分证明了估计量的相合性，数值模拟验证了有限样本表现。应用部分展示了在国际商业周期和零售价格联动分析中的实证结果。对您而言，该方法中的投影思路和分组处理策略可迁移至因果推断中的多组纵向数据或中介分析中的因子提取问题，且其计算效率优势值得关注。
关键技术: circular projection, multilevel factor model, principal component analysis, canonical correlation analysis, consistency
为什么对您有用: 本文属于经济理论（应用因果工作）方向，处理的是分组数据中的共同因子提取问题，与您对经济数据集的兴趣直接相关。技术层面，您武器库中的非参数统计和高维渐近工具可用于分析该投影估计量的收敛性质，特别是当组数较大时的一致性。中期可做：若想将此类投影方法用于因果推断中的多组IV或纵向中介分析，需先在 moderately_familiar 的识别理论上加强，以理解因子结构在因果识别中的角色。

高维统计 / 随机矩阵 (high_dim_rmt, 2 篇)¶

1. 10.1080/07350015.2022.2050245 — Post-selection Inference of High-dimensional Logistic Regression Under Case–Control Design¶

作者: Yuanyuan Lin, Jinhan Xie, Ruijian Han, Niansheng Tang
期刊/来源: Journal of Business & Economic Statistics
机构: Chinese University of Hong Kong · Yunnan University
分类: vol 41 · issue 2 · pp 624-635
相关性 7/10 · novelty: new_method
摘要: 本文研究病例-对照设计（case-control design）下高维逻辑回归的 post-selection inference 问题。病例-对照设计是流行病学和计量经济学中常见的响应选择性抽样方案，其非随机抽样特性使得标准的高维推断方法失效。作者针对单个或低维参数构造了置信区间和统计检验，在温和条件下建立了估计量的渐近性质。核心方法基于去偏的 debiased Lasso 估计量，并利用病例-对照设计的加权似然来校正选择偏差。对于更复杂的线性假设（如多个参数的联合检验），作者提出了检验统计量并证明其渐近精确性及良好的功效。数值模拟和真实数据分析验证了方法在有限样本下的表现。该工作对您在高维因果推断中处理非随机抽样（如病例-对照或 outcome-dependent sampling）的 inference 问题有直接参考价值。
关键技术: debiased Lasso, case-control sampling, high-dimensional logistic regression, post-selection inference, weighted likelihood
为什么对您有用: 直接连接到您的高维统计和因果推断兴趣：病例-对照设计是流行病学因果推断中的标准设计，本文提供了在该设计下进行高维推断的严格理论。您的武器库中'high-dimensional asymptotics'和'estimation theory in causal inference'可以直接用于理解其去偏估计量的渐近性质，而'identification theory in causal inference'可帮助评估其加权似然方法在非随机抽样下的识别条件。中期可做：若想将本文方法推广到更复杂的因果参数（如 ATE 或 mediation effect）的 post-selection inference，需先在 moderately_familiar 的'semiparametric theory'上提升，以处理加权估计的效率问题。

2. 10.1080/07350015.2021.2013243 — -Penalized Pairwise Difference Estimation for a High-Dimensional Censored Regression Model¶

作者: Zhewen Pan, Jianhui Xie
期刊/来源: Journal of Business & Economic Statistics
机构: Sun Yat-sen University
分类: vol 41 · issue 2 · pp 283-297
相关性 6/10 · novelty: new_method
摘要: 本文针对高维删失线性回归模型，提出了一种结合l1惩罚与成对差分的LAD估计量。在删失数据（如Tobit模型）和高维p>n的设定下，传统方法（如l1惩罚最小二乘）对重尾或异方差误差敏感，而本文的成对差分技巧无需估计误差分布，且天然对异常值稳健。估计量在正则条件下达到估计一致性和模型选择一致性，收敛速度与l1惩罚M估计器相当。进一步提出的post-penalized估计量在选定模型上应用无惩罚成对差分LAD，收敛速度更快（达到√n率）。算法方面，基于ADMM设计了快速计算方案，仿真显示计算时间大幅优于现有方法。本文对您在高维统计与因果推断中处理删失结局（如流行病学中的生存数据或经济学中的工资上限）有直接参考价值，其成对差分思路可迁移至IV或mediation中的删失处理。
关键技术: pairwise difference LAD, l1 penalization, high-dimensional censored regression, post-penalized estimator, ADMM algorithm
为什么对您有用: 本文连接您的高维统计与因果推断兴趣：删失结局在流行病学队列研究和经济学中常见（如工资上限、生存时间），而成对差分LAD提供了一种无需强分布假设的稳健估计思路。您的武器库中'高维渐近理论'和'M估计理论'可直接用于理解其收敛性证明，而'软件工具开发'经验可复现其ADMM算法。中期可做：将成对差分技巧与DML框架结合，处理删失结局下的ATE估计——这需要先在'semiparametric theory'上长肌肉（具体为删失数据的EIF推导）。

非参数 / 半参数 (nonparam_semipara, 4 篇)¶

1. 10.1080/07350015.2022.2027777 — A Novel Estimation Method in Generalized Single Index Models¶

作者: Dixin Zhang, Yulin Wang, Hua Liang
期刊/来源: Journal of Business & Economic Statistics
机构: Nanjing University of Finance and Economics · Shanghai University of Finance and Economics · George Washington University
分类: vol 41 · issue 2 · pp 399-413
相关性 7/10 · novelty: minor
摘要: 本文研究广义单指标模型 E(Y | θ⊤X) = ψ(g(θ⊤X))，其中连接函数 ψ(·) 已知但链接函数 g(·) 未知。作者提出两步估计法：先用局部线性平滑得到回归函数的相合估计 ĝ(·)，再将 ψ(ĝ(θ⊤Xi)) 视为连续响应来估计参数 θ。该方法避免了广义线性模型在稀疏响应或模型误设时的收敛问题。θ 的估计量渐近正态，且无需对 g(·) 施加光滑性以外的强假设。模拟和 P2P 借贷数据实证表明方法在有限样本下表现稳健。对您而言，该文是 semiparametric 指数族模型的经典设定，其两步估计思路可与您熟悉的非参数统计和 M-估计理论对接，但方法学 novelty 有限，属于已有框架的工程改进。
关键技术: local linear smoothing, single index model, two-step estimation, asymptotic normality
为什么对您有用: 本文属于 semiparametric 和非参数理论方向，直接对应 primary interest 中的 semiparametric & nonparametric theory。技术层面，两步估计的渐近分析可用您非常熟悉的非参数统计和 M-估计理论来审视，但方法本身并未引入新的识别策略或效率理论工具（如 influence function），因此 novelty 有限。中期可做：若想在此方向深入，需先在 moderately_familiar 的 semiparametric theory 上长肌肉（如 efficient influence function 的推导），但目前暂不可做——核心机器（如正交评分、cross-fitting）不在武器库中。

2. 10.1080/07350015.2022.2036612 — Locally Stationary Multiplicative Volatility Modeling¶

作者: Christopher Walsh, Michael Vogt
期刊/来源: Journal of Business & Economic Statistics
机构: University of Bonn
分类: vol 41 · issue 2 · pp 497-508
相关性 5/10 · novelty: new_method
摘要: 本文研究一个半参数乘性波动率模型，将波动率分解为非参数部分（含确定性时间趋势和随机回归变量的乘积）和参数GARCH分量。作者提出两步估计法：第一步通过模型变换和backfitting估计非参数分量，第二步用拟极大似然估计GARCH参数。理论方面，利用混合性和局部平稳性证明了估计量的相合性和渐近正态性。模拟表明忽略随机回归变量会导致GARCH参数估计的显著偏差。实证部分用金融数据展示了方法的应用。该工作对您而言，其半参数两步估计框架（非参数backfitting + 参数QML）与您熟悉的非参数统计和M估计理论直接相关，且金融时间序列的局部平稳性假设是您可能感兴趣的高维时间序列分析的切入点。
关键技术: backfitting, quasi-maximum likelihood, mixing conditions, local stationarity, multiplicative volatility model
为什么对您有用: 本文属于半参数/非参数理论方向，其两步估计框架（非参数backfitting + 参数QML）与您熟悉的非参数统计和M估计理论直接对接。您可以用minimax bound技术分析其非参数分量的估计最优性，或用U-statistic投影方法研究其估计量的高阶性质。中期可做：需先在moderately_familiar的M估计理论上巩固时间序列的渐近理论（如混合性下的CLT）。

3. 10.1080/07350015.2021.2021922 · arXiv — Density Forecasts in Panel Data Models: A Semiparametric Bayesian Perspective¶

作者: Laura Liu
期刊/来源: Journal of Business & Economic Statistics
分类: vol 41 · issue 2 · pp 349-363
相关性 5/10 · novelty: new_method
摘要: 本文研究面板数据中个体特定密度预测问题，设定为动态线性模型，包含共同参数与异质系数，且存在截面异方差。核心挑战在于时间维度T短而截面维度N大，传统方法难以分离异质参数与冲击，导致估计污染。作者假设异质参数服从一个未知分布，并允许该分布与初始条件及个体特定协变量相关，从而通过整个面板信息非参数地估计该分布。理论上，在截面同方差情形下，证明了共同参数与异质参数分布的后验一致性，且密度预测渐近收敛到Oracle预测。方法上，开发了基于模拟的后验采样算法，专门处理未观测异质参数的非参数密度估计。蒙特卡洛模拟与年轻企业动态实证表明，该方法在密度预测上优于替代方法。对您而言，本文的非参数贝叶斯方法与面板数据结合，可视为半参数效率理论在预测问题中的应用，与您的semiparametric & nonparametric theory兴趣直接相关。
关键技术: posterior consistency, nonparametric density estimation, simulation-based posterior sampling, dynamic linear model, panel data
为什么对您有用: 本文连接您的semiparametric & nonparametric theory兴趣，具体为面板数据中异质参数分布的非参数估计与后验一致性理论。您的技术武器库中'nonparametric statistics'和'minimax bounds for estimation problems'可直接用于分析其估计量的收敛速率是否最优，属于'立即可做'的follow-up。

4. 10.1080/07350015.2021.2013245 — No-Crossing Single-Index Quantile Regression Curve Estimation¶

作者: Rong Jiang, Keming Yu
期刊/来源: Journal of Business & Economic Statistics
机构: Donghua University · Anqing Normal University · Brunel University of London
分类: vol 41 · issue 2 · pp 309-320
相关性 5/10 · novelty: weaker_assumption
摘要: 本文研究单指标分位数回归（SIQR）中的分位数曲线交叉问题。在单指标模型假设下，响应变量仅通过协变量的一个线性组合与预测变量关联，从而避免非参数方法的维数灾难。然而，标准分位数回归在不同分位点上的估计曲线可能交叉，导致响应变量的条件分布无效。本文提出一种保证分位数曲线不交叉的估计方法，并扩展至复合分位数回归。方法的核心机制是通过对单指标系数和分位数回归系数的联合约束，确保估计的分位数函数在协变量空间上单调递增。作者推导了所提估计量的渐近性质，包括一致性和渐近正态性，并证明了其相对于现有方法的优势。模拟研究和实际数据应用验证了有限样本性能。对您而言，本文涉及非参数/半参数理论中的分位数回归和单调性约束，与您的非参数统计和估计理论兴趣相关，但方法学新颖性有限，主要是对已有问题的改进。
关键技术: single-index quantile regression, non-crossing constraints, composite quantile regression, asymptotic normality
为什么对您有用: 本文属于非参数/半参数理论方向，具体涉及分位数回归中的单调性约束问题。您的技术武库中'非参数统计'和'估计理论'可以直接用于理解其渐近性质推导，但方法本身（约束优化）与您的高阶U统计量或因果推断核心兴趣关联较弱。中期可做：若想深入，需先在'半参数理论'上提升对分位数回归影响函数的理解。

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

1. 10.1080/07350015.2021.2021923 · arXiv — On Testing Equal Conditional Predictive Ability Under Measurement Error¶

作者: Yannick Hoga, Timo Dimitriadis
期刊/来源: Journal of Business & Economic Statistics
分类: vol 41 · issue 2 · pp 364-376
相关性 6/10 · novelty: new_theory
摘要: 本文研究在目标变量存在测量误差时，如何检验多个预测模型的条件预测能力是否相等。作者首先定义了损失函数对测量误差的“精确稳健性”（exact robustness）概念，并完整刻画了满足该性质的损失函数类——即Bregman散度类。因此，只有条件均值预测的评估可以做到精确稳健；对于这类损失函数，基于代理变量计算的损失差异在期望上不受测量误差影响，从而可以沿用标准推断方法检验条件预测能力。进一步，作者证明更精确的代理变量能提高预测能力检验的统计功效。模拟实验展示了稳健与非稳健损失函数的不同表现。对美国GDP增长率的实证分析表明，分位数预测对测量误差不稳健，且使用更优的GDP代理变量能更容易区分不同预测时点的均值预测。
关键技术: Bregman divergence, exact robustness, measurement error, predictive ability test, loss function characterization
为什么对您有用: 本文属于假设检验方向，直接关联您对hypothesis testing的兴趣，且其精确稳健性刻画为处理测量误差的预测评估提供了理论框架。您可以用very_familiar的非参数统计和minimax bound工具来检验其刻画是否在更弱假设下成立，或推广到其他损失函数类。中期可做：若想将结果扩展到条件分位数预测的稳健检验，需先在moderately_familiar的M-estimation理论上加强。

2. 10.1080/07350015.2022.2040520 — Inference for Nonparametric High-Frequency Estimators with an Application to Time Variation in Betas¶

作者: Ilze Kalnina
期刊/来源: Journal of Business & Economic Statistics
机构: North Carolina State University
分类: vol 41 · issue 2 · pp 538-549
相关性 5/10 · novelty: new_method
摘要: 本文研究非参数高频估计量的推断问题，目标是在未知渐近方差的情况下进行有效的统计推断。作者证明了一种多元子抽样（subsampling）方法在一般条件下能够一致估计方差-协方差矩阵，且保证估计结果半正定。该方法不依赖于渐近方差的具体解析形式，因此比传统的plug-in方法更具稳健性。模拟研究表明，子抽样方法在有限样本下表现优于基于渐近方差的plug-in方法。实证部分将该方法应用于NYSE六只股票的金融贝塔（beta）时变特征分析，发现高频tick数据比5分钟或20分钟采样数据能捕捉到更多的贝塔变化。进一步，作者利用估计的方差对含测量误差的贝塔动态模型进行纠偏，发现纠偏后贝塔的持续性显著高于朴素估计。本文的方法贡献在于为高频金融数据的非参数推断提供了一种通用且稳健的方差估计工具，对您而言，其子抽样推断框架可与您熟悉的非参数统计和高维渐近理论结合，用于处理因果推断中复杂估计量的不确定性量化问题。
关键技术: subsampling, variance-covariance estimation, nonparametric high-frequency estimators, errors-in-variables bias correction, time-varying betas
为什么对您有用: 本文属于假设检验与推断方法，直接连接您primary interest中的hypothesis testing和非参数统计。子抽样方法为估计量方差未知时的推断提供了通用工具，您可以用very_familiar的非参数统计和minimax bounds知识来评估其理论性质（如收敛速度是否最优），并考虑将其迁移到因果推断中debiased ML估计量的不确定性量化。中期可做：需先在moderately_familiar的semiparametric theory上巩固，以理解该方法在更复杂估计量（如EIF-based estimators）下的适用性。

3. 10.1080/07350015.2022.2035227 — Testing for Trend Specifications in Panel Data Models¶

作者: Jilin Wu, Xiaojun Song, Zhijie Xiao
期刊/来源: Journal of Business & Economic Statistics
机构: Xiamen University · Peking University · Boston College
分类: vol 41 · issue 2 · pp 453-466
相关性 5/10 · novelty: new_method
摘要: 本文针对面板数据固定效应模型，提出一个检验共同趋势设定是否正确的非参数检验。原假设是趋势函数具有某种参数形式（如线性、二次型等），备择假设是任意偏离。检验统计量基于残差的核平滑累积和过程，允许误差项存在异方差、截面相关和序列相关。在正确设定下，统计量渐近正态；对固定备择假设一致，且对两类局部备择假设（分别以 n^{-1/2}h^{-1/4} 和 n^{-1/2} 速率趋近零假设）具有渐近单位功效。作者还提出 wild bootstrap 改进有限样本表现，模拟显示 bootstrap p 值控制水平良好。实证部分用美国各州人均收入数据检验线性共同趋势假设，发现该假设被拒绝。对您而言，本文属于假设检验方向，其非参数检验框架与您熟悉的非参数统计和 minimax 理论有直接交集，且面板数据中的依赖结构处理（截面相关、序列相关）可迁移至您关注的纵向因果推断中的敏感性分析。
关键技术: nonparametric specification test, kernel smoothing, wild bootstrap, panel data with fixed effects, local alternatives
为什么对您有用: 本文属于假设检验方向，直接对应您 primary interest 中的 'mathematical statistics (hypothesis testing)'。检验统计量基于核平滑残差累积和，其渐近理论（弱收敛、局部备择功效）可用您 very_familiar 的 nonparametric statistics 和 high-dimensional asymptotics 工具理解。中期可做：若想将类似检验思路推广至面板因果推断中的共同趋势假设检验（如平行趋势的 formal test），需先在 moderately_familiar 的 identification theory in causal inference 上长肌肉，理解 DID 设定下的识别条件如何转化为可检验的零假设。

4. 10.1080/07350015.2021.2019047 — Diagnostic Testing of Finite Moment Conditions for the Consistency and Root-N Asymptotic Normality of the GMM and M Estimators¶

作者: Yuya Sasaki, Yulong Wang
期刊/来源: Journal of Business & Economic Statistics
机构: Vanderbilt University · Syracuse University
分类: vol 41 · issue 2 · pp 339-348
相关性 4/10 · novelty: new_method
摘要: 本文针对GMM和M估计量的一致性和根n渐近正态性所依赖的有限矩条件，提出了一种诊断检验方法。在实证应用中，数据可能具有厚尾分布，导致矩条件不满足，进而使标准推断失效。作者基于样本矩的渐近行为构造检验统计量，原假设为所需阶数的矩存在。检验方法无需指定备择分布，具有非参数性质。通过模拟和真实数据集（如金融收益率）验证了检验的有效性。该工作直接连接您对假设检验和估计理论中正则性条件的兴趣，特别是为因果推断中IV估计的有限样本性质诊断提供了工具。
关键技术: moment condition testing, GMM estimation, M-estimation, heavy-tailed distributions, diagnostic test
为什么对您有用: 直接连接您对假设检验和估计理论中正则性条件的兴趣。该诊断检验可应用于因果推断中IV估计的有限样本性质验证，属于您非常熟悉的非参数统计和估计理论范畴。立即可做：您可以用非参数统计和minimax界工具分析该检验的势函数或提出更优的检验统计量。

统计计算 / 算法 (stat_computing, 1 篇)¶

1. 10.1080/07350015.2022.2032721 · arXiv — Bayesian Dynamic Tensor Regression¶

作者: Monica Billio, Roberto Casarin, Matteo Iacopini, Sylvia Kaufmann
期刊/来源: Journal of Business & Economic Statistics
分类: vol 41 · issue 2 · pp 429-439
相关性 6/10 · novelty: new_method
摘要: 本文提出了一种新的贝叶斯动态张量回归模型（ART），用于处理高维和多维数组（张量）时间序列数据。模型利用PARAFAC低秩分解对参数进行稀疏化，从而在保持表达力的同时大幅减少参数数量。作者推导了模型的脉冲响应函数，并开发了贝叶斯推断框架，包含收缩先验以实现自动变量选择。在多层网络时间序列的应用中，模型能够刻画冲击在节点、层和时间维度上的传播路径。该方法将张量回归与时间序列动力学结合，对您在高阶U-统计量计算中使用的张量收缩/einsum复杂度分析有直接的方法论连接——ART模型的低秩分解与参数化策略可视为一种计算-统计权衡的实例，其贝叶斯推断的计算成本（MCMC采样）与张量秩的选择密切相关，这为研究统计计算权衡（information-computation gap）提供了一个具体的应用场景。
关键技术: PARAFAC low-rank decomposition, Bayesian shrinkage prior, impulse response function, multilayer network time series, autoregressive tensor process
为什么对您有用: 本文连接您的统计计算兴趣（张量回归的计算成本）和统计计算权衡兴趣（低秩分解作为计算-统计权衡的实例）。您的武器库中'高阶U-统计量的树宽/张量收缩/einsum计算'可以直接用于分析ART模型在不同秩下的计算复杂度与统计效率之间的权衡——例如，秩的选择如何影响MCMC的混合速度与估计精度。中期可做：需要先在moderately_familiar的'高阶U-统计量理论'上进一步熟悉张量分解的统计性质，然后可以设计一个实验，比较不同秩下ART的贝叶斯推断效率与频率学派（如张量CP分解）的估计精度。

经济理论 / 应用 (econ_theory, 8 篇)¶

1. 10.1080/07350015.2022.2044337 · arXiv — Skilled Mutual Fund Selection: False Discovery Control Under Dependence¶

作者: Lijia Wang, Xu Han, Xin Tong
期刊/来源: Journal of Business & Economic Statistics
分类: vol 41 · issue 2 · pp 578-592
相关性 5/10 · novelty: application
摘要: 本文在金融计量中研究共同基金选股能力的多重检验问题，目标是在基金α估计量存在强相依性和非正态性的实际数据特征下，控制错误发现率（FDR）与错误非发现率（FNDR）的加权组合。作者从决策理论出发，提出一个最优多重检验过程，其核心是构造每只基金为非技能基金的后验概率，该概率依赖于所有基金的信息。为建模检验统计量的联合分布，他们提出一种称为“近似经验贝叶斯”的参数拟合方法，在相依性假设下估计混合模型参数。实证结果表明，所选出的技能基金在长期和短期均显著跑赢S&P 500指数。本文的方法学贡献在于将多重检验的FDR控制推广到强相依且非正态的高维金融数据场景，对您而言，这是一篇经济理论应用方向的实证论文，其多重检验框架和相依性处理思路可迁移至流行病学或因果推断中的多重假设检验问题（如多个IV的筛选），但方法学新颖性有限，属于应用层面。
关键技术: multiple testing, false discovery rate (FDR), empirical Bayes, mixture model under dependence, Carhart four-factor model
为什么对您有用: 本文属于经济理论应用方向，直接对应您的secondary interest中的经济理论（应用、数据集、因果推断）。您武器库中的非参数统计和高维渐近工具可用于评估其相依性假设的合理性，但核心方法（经验贝叶斯混合模型）与您的primary interest（因果推断、高维统计）无直接技术重叠。作为gateway reading，本文适合了解金融计量中多重检验的典型设定，但方法学深度有限，暂不可做后续拓展——因为其核心机器（相依混合模型的EM算法）不在您的武器库中，且您更关注因果推断而非资产定价。

2. 10.1080/07350015.2021.2019046 — Identification-Robust Inference With Simulation-Based Pseudo-Matching¶

作者: Bertille Antoine, Lynda Khalaf, Maral Kichian, Zhenjiang Lin
期刊/来源: Journal of Business & Economic Statistics
机构: Simon Fraser University · Carleton University · University of Ottawa · University of Nottingham Ningbo China
分类: vol 41 · issue 2 · pp 321-338
相关性 5/10 · novelty: new_method
摘要: 本文提出一种基于模拟的广义推断方法，适用于部分指定模型（partially specified models），其核心创新在于允许辅助统计量与模拟对应量之间的匹配不必依赖参数可识别性或一一对应的绑定函数（binding function）。方法通过校准 nuisance 参数构造伪模拟量（pseudo-simulators），并利用 bootstrap 实现渐近有效的推断，无需严格精确校准。理论部分刻画了伪模拟量结合适当 bootstrap 的渐近有效性条件。实证部分展示了该方法在脉冲响应匹配（impulse-response matching）中的应用，包括一个动态随机一般均衡模型的模拟研究，以及新凯恩斯菲利普斯曲线和工业生产指数的两个实证案例。此外，文章还通过因子分析距离度量（factor-analytic measure of distance）分析了局部投影脉冲响应（local projections IRs），避免了定义权重矩阵的需求。对您而言，本文是经济理论方向中处理弱识别问题的实用方法，其模拟推断框架与您对因果推断中 IV 和敏感性分析的关注有潜在联系。
关键技术: simulation-based inference, pseudo-matching, bootstrap, impulse-response matching, factor-analytic distance, weak identification
为什么对您有用: 本文属于经济理论方向的应用方法论文，直接连接您的 secondary interest 中的经济理论（模型与因果推断）。其模拟推断框架在弱识别设定下工作，与您 primary interest 中的因果推断（IV、敏感性分析）有方法论交叉。作为 gateway reading，本文对统计学家友好，清晰阐述了模型设定和推断步骤，但核心机器（模拟匹配、bootstrap 渐近理论）不在您的武器库中，属于暂不可做方向——需要先熟悉模拟推断和弱识别文献。

3. 10.1080/07350015.2022.2046007 — Simultaneous Spatial Panel Data Models with Common Shocks¶

作者: Lina Lu
期刊/来源: Journal of Business & Economic Statistics
机构: Federal Reserve Bank of Boston
分类: vol 41 · issue 2 · pp 608-623
相关性 4/10 · novelty: application
摘要: 本文提出一个同时性空间面板数据模型，联合建模三种效应：同期效应、空间效应和共同冲击效应。由于联合建模和考虑截面异方差导致大量 incidental parameters，作者提出了两种估计方法：拟极大似然法和迭代广义主成分法。文章为两种估计方法建立了完整的推断理论，并研究了模型设定与渐近性质之间的权衡。通过蒙特卡洛模拟验证了有限样本性能，并将模型应用于跨国面板数据，分析贸易与GDP之间的关系。该工作属于应用计量经济学领域，方法学上主要贡献在于将空间面板模型与共同冲击效应结合，并处理了高维 incidental parameters 问题。对您而言，这是一篇经济理论应用方向的论文，可作为了解空间面板数据模型在因果推断中应用的入门读物。
关键技术: quasi-maximum likelihood, iterative generalized principal components, spatial panel data model, common shocks, incidental parameters
为什么对您有用: 本文属于经济理论应用方向，可作为 gateway reading 了解空间面板数据模型在因果推断中的应用。武器库中的非参数统计和因果推断估计理论可帮助理解其模型设定，但核心的空间计量经济学工具（如空间权重矩阵、拟似然推断）不在当前武器库中，属于暂不可做方向。不过，如果您未来想进入空间计量经济学或面板数据因果推断领域，本文是一个不错的起点。

4. 10.1080/07350015.2022.2041424 — QML and Efficient GMM Estimation of Spatial Autoregressive Models with Dominant (Popular) Units¶

作者: Lung-Fei Lee, Chao Yang, Jihai Yu
期刊/来源: Journal of Business & Economic Statistics
机构: The Ohio State University · Shanghai University of Finance and Economics · Peking University
分类: vol 41 · issue 2 · pp 550-562
相关性 4/10 · novelty: weaker_assumption
摘要: 本文研究空间自回归（SAR）模型中当空间权重矩阵的列和可能非一致有界时的QML和GMM估计问题。传统SAR模型假设列和一致有界，但实际中如贸易网络等存在主导（popular）单元时该假设不成立。作者允许有限或无限个列的和以O(n^δ)（δ<1）增长，并在此设定下推导了QML和GMM估计量的渐近分布，包括扰动非正态时基于最优线性与二次矩的GMM。蒙特卡洛实验表明，当列和阶数为O(n)时估计量表现不佳，而δ<1时表现满意。实证部分以贸易流网络中的增长收敛为例，展示了主导单元的实际影响。本文对您作为经济理论应用方向的研究者具有参考价值，特别是其处理网络数据中主导单元的方法可迁移至您关注的因果推断中的网络干扰问题。
关键技术: Spatial Autoregressive (SAR) model, Quasi-Maximum Likelihood (QML), Generalized Method of Moments (GMM), Central Limit Theorem for non-uniformly bounded weights, dominant units
为什么对您有用: 本文属于经济理论应用方向，直接对应您的secondary interest。其核心贡献在于放松了空间计量中列和一致有界的经典假设，为处理贸易网络等存在主导单元的数据提供了渐近理论。您武器库中的非参数统计与高维渐近工具可用于评估其假设的合理性，但本文方法本身（QML/GMM）并非您primary interests的核心。作为入门读物，它清晰展示了网络数据中一个实际建模问题，值得花时间阅读以拓展应用视野。

5. 10.1080/07350015.2022.2044829 — Composite Likelihood Estimation of an Autoregressive Panel Ordered Probit Model with Random Effects¶

作者: Kerem Tuzcuoglu
期刊/来源: Journal of Business & Economic Statistics
机构: Bank of Canada
分类: vol 41 · issue 2 · pp 593-607
相关性 3/10 · novelty: application
摘要: 本文针对含随机效应的自回归面板有序Probit模型，提出复合似然估计方法。该模型因潜变量滞后项导致似然函数含高维积分，计算困难。作者利用低维边际分布的复合似然来降低积分维度，并系统刻画了适用于该模型的复合似然类型及参数可识别条件。给出了两种复合似然估计量的一致性和渐近正态性理论结果，并通过蒙特卡洛模拟评估有限样本表现。最后将方法应用于企业债券评级数据分析。对您而言，这是一篇经济计量学中处理离散面板数据因果推断的应用论文，其复合似然框架与您熟悉的M估计理论及高维积分计算问题有技术关联。
关键技术: composite likelihood, panel ordered probit, autoregressive latent variable, identification conditions, M-estimation
为什么对您有用: 本文属于经济理论（经济计量学）的应用论文，处理离散面板数据中的序列相关和随机效应，与您的secondary interest 'economic theory (application, data sets, causal inference)'直接相关。技术层面，复合似然估计属于M估计范畴，您对M-estimation theory moderately_familiar，可借此巩固该工具。本文的识别条件分析对您理解非线性面板数据因果推断有参考价值，但核心方法并非您primary interests的前沿方向，属于中等相关。

6. 10.1080/07350015.2022.2044336 — Reconciled Estimates of Monthly GDP in the United States¶

作者: Gary Koop, Stuart McIntyre, James Mitchell, Aubrey Poon
期刊/来源: Journal of Business & Economic Statistics
机构: University of Strathclyde · Federal Reserve Bank of Cleveland · Örebro University
分类: vol 41 · issue 2 · pp 563-577
相关性 3/10 · novelty: application
摘要: 本文针对美国GDP的月度估计问题，提出一种贝叶斯混合频率向量自回归（MF-VAR）方法，将季度频率的支出法（GDPE）和收入法（GDPI）估计与月度短期经济指标相结合，以生成月度真实GDP的调和估计。模型假设GDPE和GDPI是真实GDP的带测量误差的代理变量，并利用测量误差视角施加结构约束。由于模型在无额外约束时不可识别，作者考虑了多种点识别和集识别方案，并展示了不同识别假设对月度GDP估计的影响。通过历史数据回溯，本文揭示了月度GDP估计对商业周期分析的新见解，并在疫情期间提供了实时预测应用。该方法为宏观经济监测提供了更高频、更可靠的GDP指标，对经济政策制定和实证研究具有实用价值。
关键技术: Bayesian mixed frequency VAR, measurement error model, point and set identification, nowcasting, business cycle analysis
为什么对您有用: 本文属于经济理论的应用方向，与您的次要兴趣（经济理论中的数据集、模型、应用因果工作）直接相关。您武器库中的非参数统计和因果推断中的估计理论可用于分析其识别假设的稳健性，例如用半参数方法放松其线性VAR假设。本文可作为经济时间序列中测量误差与识别问题的入门读物，值得花时间阅读全文以了解其建模框架和识别策略。

7. 10.1080/07350015.2022.2036613 — Detecting Unobserved Heterogeneity in Efficient Prices via Classifier-Lasso¶

作者: Wenxin Huang, Liangjun Su, Yuan Zhuang
期刊/来源: Journal of Business & Economic Statistics
机构: Shanghai Jiao Tong University · Tsinghua University · University of International Business and Economics
分类: vol 41 · issue 2 · pp 509-522
相关性 3/10 · novelty: application
摘要: 本文在面板误差修正模型（ECM）框架下，提出了一种新的有效价格度量，即买卖报价的加权平均，权重由买卖价差的长期均衡关系决定。为允许长期关系存在异质性，作者引入潜类别结构，使得同一组内的股票共享相同的长期关系，组间则不同。方法上，将Classifier-Lasso方法扩展到ECM中，同时识别个体的组归属并估计组特定的长期关系。在正则条件下，建立了分类一致性和post-Lasso估计量的渐近性质。实证发现，S&P 1500中超过30%的股票的有效价格显著偏离中点（传统有效价格度量），这种偏离提供了知情交易活动的动态信息。对您而言，本文展示了在面板数据中结合潜类别与Lasso进行因果参数异质性识别的方法，与您对因果推断中异质性处理效应的兴趣相关。
关键技术: Classifier-Lasso, panel error-correction model, latent group structures, post-Lasso estimation, uniform classification consistency
为什么对您有用: 本文属于经济理论（金融计量）的应用，展示了在面板数据中利用Lasso进行潜类别识别的方法，与您对因果推断中异质性处理效应的兴趣相关。您的技术武器库中的非参数统计和因果推断估计理论可用于分析其分类一致性的有限样本性质，但核心的Lasso分类机制与您当前工具的重叠度一般。本文可作为入门读物了解金融计量中的异质性识别问题，但方法学新颖性有限，属于应用拓展。

8. 10.1080/07350015.2022.2039159 — Quantifying Time-Varying Forecast Uncertainty and Risk for the Real Price of Oil¶

作者: Knut Are Aastveit, Jamie L. Cross, Herman K. van Dijk
期刊/来源: Journal of Business & Economic Statistics
机构: Norges Bank · BI Norwegian Business School · Erasmus University Rotterdam · Tinbergen Institute
分类: vol 41 · issue 2 · pp 523-537
相关性 2/10 · novelty: application
摘要: 本文提出一种新颖且数值高效的预测不确定性量化方法，用于实时石油价格预测。该方法通过组合概率个体模型预测，扩展了先前应用于油价预测的方法，允许顺序更新时变组合权重、估计时变预测偏差和个体预测密度的校准缺陷，以及模型间的时变相互依赖关系。实证部分覆盖1974-2018年，展示了油价预测不确定性和风险的时变模式。组合方法在点预测和密度预测上均系统性地优于常用基准模型和组合方法。估计的个体模型权重高度时变，反映了各模型相对表现的巨大时间变化。该方法内置诊断信息度量，能清晰指示模型不完整性，尤其在三次危机期间。最后，通过基本的盈亏和对冲价格风险分析，展示了该方法对政策分析的实用性。
关键技术: Bayesian model averaging, time-varying parameter, density forecast combination, sequential updating, diagnostic information measures
为什么对您有用: 本文属于经济理论（应用）方向，是经济预测中模型组合与不确定性量化的扎实应用工作。虽然方法学创新程度中等，但其对时变权重和模型校准的诊断思路，对您从事因果推断中的敏感性分析和纵向数据建模有启发——例如在IV或中介分析中处理模型不确定性。作为入门读物，本文清晰展示了经济时间序列预测的数据结构和模型评估框架，武器库中的非参数统计和因果推断估计理论足以理解其核心逻辑，值得花时间读全文以获取实证分析模式。

其他 (other, 5 篇)¶

1. 10.1080/07350015.2022.2028631 · arXiv — A Statistical Recurrent Stochastic Volatility Model for Stock Markets¶

作者: Trong-Nghia Nguyen, Minh-Ngoc Tran, David Gunawan, Robert Kohn
期刊/来源: Journal of Business & Economic Statistics
分类: vol 41 · issue 2 · pp 414-428
相关性 4/10 · novelty: application
摘要: 本文提出统计循环随机波动率（SR-SV）模型，将传统随机波动率（SV）模型与循环神经网络（RNN）结构结合，以捕捉金融时间序列中波动率的非线性、长记忆等复杂动态特征。模型在贝叶斯框架下进行推断，使用粒子滤波和MCMC方法估计参数，并给出统计可解释性。通过DAX30、HSI50、CAC40、SP500、TSX250五个国际股指的实证研究，SR-SV在样本外预测性能上优于标准SV模型。作者提供了开源软件包。该工作属于应用统计建模，方法学创新在于将深度学习架构嵌入经典状态空间模型，但未涉及因果推断、高维统计或半参效率理论等核心兴趣方向。
关键技术: recurrent neural network, stochastic volatility, particle filter, MCMC, state space model
为什么对您有用: 本文属于金融时间序列建模，与您的主要兴趣（因果推断、高维统计、半参理论）无直接交集。作为gateway阅读，它展示了RNN与状态空间模型的结合方式，但武器库中的非参统计、U统计量等工具难以直接迁移。暂不可做——核心机器（贝叶斯深度学习、粒子滤波）不在武器库中。

2. 10.1080/07350015.2021.2013244 — Dynamic Score-Driven Independent Component Analysis¶

作者: Christian M. Hafner, Helmut Herwartz
期刊/来源: Journal of Business & Economic Statistics
机构: UCLouvain · University of Göttingen
分类: vol 41 · issue 2 · pp 298-308
相关性 4/10 · novelty: application
摘要: 本文提出一种动态独立成分分析（ICA）模型，其动态性由伪似然关于旋转角度的得分驱动。在标准ICA中，条件二阶矩对旋转不变，但高阶条件矩（如峰度）则对旋转敏感，这对金融应用有重要意义。作者证明了伪极大似然估计量的一致性和渐近正态性，并通过模拟研究展示了其在有限样本下的良好性质，包括对创新密度误设的稳健性。在欧元/英镑兑美元的双变量汇率序列应用中，模型隐含的条件投资组合峰度与2008年全球金融危机、2010-2013年欧债危机及2017年英国脱欧传闻等金融压力叙事高度吻合。这些发现与近期将投资组合峰度与地缘政治风险因子关联的模型一致。本文主要贡献在于将动态得分框架引入ICA领域，但方法学上属于已有技术的应用组合，理论深度有限。
关键技术: score-driven dynamics, independent component analysis, pseudo maximum likelihood, conditional higher moments, portfolio kurtosis
为什么对您有用: 本文属于时间序列与金融计量交叉领域，与您的主要兴趣（因果推断、高维统计、U统计量）无直接技术重叠。方法学上，得分驱动模型虽与广义自回归得分（GAS）模型相关，但未涉及您武器库中的核心工具（如非参数统计、极小极大界、高阶U统计量）。作为经济理论（应用）的次级兴趣，本文提供了一个汇率数据集的实证分析案例，但方法学新颖性有限，不值得投入深度阅读。

3. 10.1080/07350015.2022.2035226 — Predicting the Global Minimum Variance Portfolio¶

作者: Laura Reh, Fabian Krüger, Roman Liesenfeld
期刊/来源: Journal of Business & Economic Statistics
机构: University of Cologne · Karlsruhe Institute of Technology
分类: vol 41 · issue 2 · pp 440-452
相关性 3/10 · novelty: application
摘要: 本文提出一种预测全局最小方差投资组合（GMVP）权重的新动态方法。核心创新在于将GMVP权重表示为基准收益率对收益率差向量的线性回归系数，从而无需对收益率做分布假设即可通过一致损失函数推断权重。为捕捉条件协方差结构的时变性，作者采用递归最小二乘（RLS）方案和广义自回归得分（GAS）型动态建模权重。稀疏参数化和向等权组合权重的目标化处理确保了方法对资产数量的可扩展性。在日度股票收益率数据上的实证表明，该方法在期望损失和无条件组合方差方面优于现有静态和动态方法。
关键技术: recursive least squares, generalized autoregressive score, consistent loss function, sparse parameterization
为什么对您有用: 本文属于金融计量经济学应用，与您的主要兴趣（因果推断、高维统计等）无直接技术重叠。但其中通过线性回归表示GMVP权重的识别策略，以及使用一致损失函数进行无分布假设推断的思路，对您熟悉的因果推断中的识别和估计问题有一定启发。作为应用论文，其方法论新颖性有限，不值得深入阅读。

4. 10.1080/07350015.2022.2035229 — Proper Scoring Rules for Evaluating Density Forecasts with Asymmetric Loss Functions¶

作者: Matteo Iacopini, Francesco Ravazzolo, Luca Rossini
期刊/来源: Journal of Business & Economic Statistics
机构: Tinbergen Institute · Vrije Universiteit Amsterdam · Free University of Bozen-Bolzano · BI Norwegian Business School · Ospedale Infermi di Rimini · Ca' Foscari University of Venice · University of Milan
分类: vol 41 · issue 2 · pp 482-496
相关性 3/10 · novelty: new_method
摘要: 本文提出非对称连续概率评分（ACPS）用于评估密度预测，扩展了对称的CRPS以允许决策者具有不对称偏好。加权版本可强调预测分布中特定区域（如尾部或中心）的表现。基于ACPS构建了统计检验以比较不同预测模型的预测能力。通过人工实验展示不对称程度的影响，并应用于美国就业增长和石油/电力价格的密度预测评估，特别关注COVID-19危机时期。该方法适用于任何决策者具有不对称偏好的预测评估场景。
关键技术: Asymmetric Continuous Probabilistic Score (ACPS), weighted scoring rules, density forecast evaluation, predictive ability test, CRPS generalization
为什么对您有用: 本文属于预测评估方法，与您的主要兴趣（因果推断、高维统计等）无直接关联。但评分规则和预测比较是统计推断的基础工具，可作为背景知识。武器库中的非参数统计和估计理论可帮助理解其理论性质，但核心问题不在您当前研究方向上，暂不可做。

5. 10.1080/07350015.2021.2025065 · arXiv — Learning Human Activity Patterns Using Clustered Point Processes With Active and Inactive States¶

作者: Jingfei Zhang, Biao Cai, Xuening Zhu, Hansheng Wang, Ganggang Xu, Yongtao Guan
期刊/来源: Journal of Business & Economic Statistics
分类: vol 41 · issue 2 · pp 388-398
相关性 3/10 · novelty: application
摘要: 本文提出了一类新的聚类点过程模型，该模型在活跃与不活跃状态之间交替，以刻画人类活动模式中事件聚集与长时间不活跃的异质性。模型具有灵活性和高可解释性，能够揭示事件模式的深层结构。为进行高效且数值稳定的参数估计，作者开发了复合似然方法和复合EM估计程序，并研究了估计量的计算与统计性质，包括收敛性、相合性和渐近正态性。该方法被应用于分析特朗普在总统竞选前后推文行为的变化，以及新浪微博大规模社交媒体数据中用户行为的聚类识别。虽然模型设计精巧且应用场景有趣，但方法论上属于点过程建模的增量改进，未涉及因果推断、高维统计或半参效率理论等核心兴趣领域。
关键技术: clustered point process, active-inactive states, composite likelihood, composite EM algorithm, social media data analysis
为什么对您有用: 本文属于应用统计建模，与您的主要兴趣（因果推断、高维统计、半参理论）无直接交集。它展示了点过程在行为科学中的应用，但方法论新颖性有限，且未提供可迁移至您武器库（如U统计量、效率理论）的技术入口。作为gateway reading价值不高，因为缺乏对统计学家有吸引力的数据/模型结构阐述。暂不可做。

Maintained by 陈星宇 · Homepage · Source on GitHub