JBES — Vol 42 Issue 1 · 2026-07-06¶

共 27 篇 · Journal of Business & Economic Statistics
目录核对 ✅ 27 篇全部抓到（对照 OpenAlex 27 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 JBES 共 27 篇论文，整体围绕三条主线展开：因果识别与敏感性分析、高维统计与结构恢复、以及时间序列建模与推断。因果推断方向有 3 篇，分别处理无混淆假设的敏感性、高维中介效应检验、以及利用辅助数据提升预测精度的迁移学习问题。高维方向涵盖协方差估计、删失回归、面板数据同质性检测、矩阵因子模型等 5 篇，方法上以惩罚似然、EBIC 模型选择、稳健估计为主。时间序列方向最为密集，涉及时变参数 VAR、阈值自回归、非平稳因子预测、协整检验、GARCH 设定检验、结构断点估计等 8 篇，其中多篇关注参数时变性或结构变化的推断问题。此外，假设检验方向有 5 篇，覆盖高维同时推断、尾部 Copula 两样本检验、Lorenz 占优检验、GARCH 边界参数检验、以及基金筛选的多重检验；统计计算方向有 1 篇关于海量数据子采样 bootstrap 的超参数优化。

在因果推断主线中，Assessing Sensitivity to Unconfoundedness 引入标量敏感性参数 c，通过非参数松弛无混淆假设，估计处理效应边界并构造一致置信带，方法不依赖参数模型，适合作为非参数敏感性分析的基准工具。Estimations and Tests for Generalized Mediation Models 将高维惩罚方法与中介分析结合，提出部分惩罚极大似然估计和 Wald 检验，间接效应检验渐近服从 χ² 分布，直接效应部分惩罚似然比检验同样渐近 χ²，适用于高维潜在中介场景。Prediction Using Many Samples 提出模型平均预测方法，通过数据自适应加权主模型与辅助模型，允许模型设定错误，且不要求数据同分布，与因果推断中的迁移学习/数据融合问题直接关联。

高维主线中，Covariance Model with General Linear Structure 提出一般线性结构协方差模型，允许参数发散，QMLE 渐近性质与 EBIC 模型选择一致性得到证明，适合高维协方差结构建模。High-Dimensional Censored Regression 将 Tobit 模型与惩罚方法结合，给出 ℓ2 误差界和 Oracle 性质，算法采用二次上界逼近与坐标下降，适用于左删失高维数据。Homogeneity and Sparsity Analysis 同时检测面板数据中的群组结构和稀疏模式，惩罚估计量一致恢复结构，算法通过剪枝降低复杂度，与纵向数据中的异质性处理效应检测相关。Matrix Factor Analysis 从最小二乘角度解释投影估计量，并推广至 Huber 损失以应对重尾误差，连接矩阵因子模型与稳健估计。

时间序列主线中，On the Least Squares Estimation of Multiple-Threshold-Variable Autoregressive Models 证明多阈值自回归模型中阈值参数 LSE 渐近独立，提出加权 Nadaraya-Watson 方法构建置信区间，适用于纵向数据中的结构突变检测。Estimation, Inference, and Empirical Analysis for Time-Varying VAR Models 提出时变 VAR 模型，建立脉冲响应渐近性质，并给出 Wald 型检验和滞后阶数选择准则。Low Frequency Cointegrating Regression 针对局部单位根回归变量，修正 TA-OLS 偏误，构造基于 Bonferroni 的协整向量检验，适用于长期关系推断。Specification Tests for GARCH Processes 处理边界参数下的模型设定检验，提出收缩 bootstrap 方法，适用于波动率模型诊断。Estimation of a Structural Break Point 修正小幅度断点下 LSE 的双峰问题，新估计量一致且单峰，适用于断点日期估计。

与因果推断方向最贴合的论文是 Assessing Sensitivity to Unconfoundedness（非参数敏感性分析）、Estimations and Tests for Generalized Mediation Models（高维中介检验）、Prediction Using Many Samples（迁移学习式预测）。与半参数效率方向相关的有 Assessing Sensitivity to Unconfoundedness（非参数边界估计与一致置信带）。与高维方向最贴合的包括 Covariance Model with General Linear Structure、High-Dimensional Censored Regression、Homogeneity and Sparsity Analysis、Matrix Factor Analysis，以及假设检验中的 Two-Directional Simultaneous Inference。

因果推断 (causal_inference, 4 篇)¶

1. 10.1080/07350015.2023.2183212 · arXiv — Assessing Sensitivity to Unconfoundedness: Estimation and Inference¶

作者: Matthew A. Masten, Alexandre Poirier, Linqi Zhang
期刊/来源: Journal of Business & Economic Statistics
分类: vol 42 · issue 1 · pp 1-13
相关性 9/10 · novelty: new_method
摘要: 本文在无混淆假设（unconfoundedness）下，研究处理效应（ATE、ATT）对不可观测选择偏差的敏感性。作者引入一个标量敏感性参数 c，通过非参数松弛无混淆假设，允许有限程度的不可观测选择，c 越大则松弛程度越大，最终退化为无任何假设的边界。核心方法是估计并推断处理效应边界作为 c 的函数，使用非标准 bootstrap 构造对 c 一致的置信带（uniform confidence band）。该方法不依赖参数模型，属于非参数敏感性分析框架。实证部分应用于 National Supported Work Demonstration 数据，并提供了 Stata 模块 tesensitivity。该工作为实证因果推断中常用的无混淆假设提供了系统性的稳健性检验工具，对您关注的因果推断中的敏感性分析方向有直接参考价值。
关键技术: sensitivity analysis, unconfoundedness relaxation, nonparametric bounds, uniform confidence band, nonstandard bootstrap
为什么对您有用: 直接对应 primary interest 中的 causal inference 敏感性分析子方向，且方法为非参数框架，与您熟悉的 nonparametric statistics 和 estimation theory 高度匹配。武器库中 very_familiar 的 minimax bounds 可用于验证其边界估计的 sharpness，moderately_familiar 的 identification theory 可用于理解其识别假设的松弛结构。立即可做：用非参数统计工具分析其边界估计的收敛速率或构造更紧的置信带。

2. 10.1080/07350015.2023.2174548 — Estimations and Tests for Generalized Mediation Models with High-Dimensional Potential Mediators¶

作者: Xu Guo, Runze Li, Jingyuan Liu, Mudong Zeng
期刊/来源: Journal of Business & Economic Statistics
机构: Beijing Normal University · Pennsylvania State University · Xiamen University
分类: vol 42 · issue 1 · pp 243-256
相关性 7/10 · novelty: new_method
摘要: 本文针对高维潜在中介变量下的广义中介模型，提出直接效应的部分惩罚极大似然估计方法，并建立其理论性质。间接效应的Wald检验在零假设下渐近服从χ²分布；直接效应的部分惩罚似然比检验同样渐近服从χ²分布。在完全中介模型下，还发展了间接效应的更有效估计量。模拟研究比较了所提方法与现有方法的有限样本表现。实证部分以COVID-19疫情期间股票反应为例，分析公司行业与股票价值之间的中介机制。该文将高维惩罚方法与中介分析结合，对您在高维因果推断和中介分析方向的研究有直接参考价值。
关键技术: partial penalized maximum likelihood, Wald test for indirect effect, partial penalized likelihood ratio test, high-dimensional mediation model, complete mediation model
为什么对您有用: 本文直接关联您primary interest中的causal inference（mediation）和high-dimensional statistics。技术层面，您可用very_familiar的high-dimensional asymptotics和minimax bounds工具来审视其估计量的收敛速率是否最优，或用moderately_familiar的identification theory评估其识别假设的合理性。中期可做：若想将方法推广到更复杂的纵向或proximal中介设定，需先在moderately_familiar的semiparametric theory上加强。

3. 10.1080/07350015.2023.2166515 — Prediction Using Many Samples with Models Possibly Containing Partially Shared Parameters¶

作者: Xinyu Zhang, Huihang Liu, Yizheng Wei, Yanyuan Ma
期刊/来源: Journal of Business & Economic Statistics
机构: Chinese Academy of Sciences · University of Science and Technology of China · Academy of Mathematics and Systems Science · University of South Carolina · Pennsylvania State University
分类: vol 42 · issue 1 · pp 187-196
相关性 3/10 · novelty: new_method
摘要: 本文研究当主模型与多个辅助模型共享部分参数时的预测问题。目标是在主模型可能设定错误的情况下，利用辅助模型的数据提升预测精度。提出了一种模型平均预测（MAP）方法，通过加权平均主模型和辅助模型的预测结果，权重由数据自适应决定。核心机制是：当主模型错误设定时，MAP 能给出最优权重（最小化预测风险）；当主模型正确设定时，MAP 渐近地将所有错误辅助模型的权重降至零，从而避免偏差。方法不要求各模型数据同分布，仅需共享部分协变量效应。模拟和信用卡违约数据集上的实证表明 MAP 优于单一模型和传统模型平均方法。对您而言，该工作与因果推断中的迁移学习/数据融合问题有直接联系——例如在 IV 或 proximal CI 中，辅助样本（如 negative control 数据）可类似地通过加权融合提升主样本的估计效率，且 MAP 的权重选择机制可视为一种自动的模型选择工具。
关键技术: Model averaging, Weighted prediction, Asymptotic optimality, Misspecified models, Data fusion
为什么对您有用: 该工作直接连接您 causal inference 兴趣中的迁移学习/数据融合子方向——主模型与辅助模型共享参数的结构在 IV 和 proximal CI 中常见（如用外部样本估计 nuisance 参数）。您的 very_familiar 武器库中的 minimax bounds 和 estimation theory 可用于分析 MAP 的预测风险上界是否紧，或扩展至因果 estimand 的融合估计。中期可做：需先在 moderately_familiar 的 identification theory 上长肌肉，以形式化辅助样本的 identification 条件（如哪些参数可共享、哪些需独立估计）。

4. 10.1080/07350015.2023.2174124 — On the Least Squares Estimation of Multiple-Threshold-Variable Autoregressive Models¶

作者: Xinyu Zhang, Dong Li, Howell Tong
期刊/来源: Journal of Business & Economic Statistics
机构: University of Iowa · Tsinghua University · University of Electronic Science and Technology of China · London School of Economics and Political Science
分类: vol 42 · issue 1 · pp 215-228
相关性 2/10 · novelty: new_method
摘要: 本文研究多阈值变量自回归模型（K-TAR）的最小二乘估计（LSE），这是对经典单阈值TAR模型的推广。在2-TAR设定下，作者证明了两个阈值参数的LSE渐近独立，这一性质简化了联合推断。为构建阈值参数的置信区间，提出了加权Nadaraya-Watson方法，该方法在阈值变量内生或外生时均能提供良好的概率覆盖，是目前唯一具备此性质的方法。理论结果通过模拟和两个实证案例验证。文章还讨论了向K>2的扩展。对您而言，该文在时间序列因果推断（如纵向数据中的结构突变检测）中提供了可迁移的推断工具，且其加权NW方法可能对您熟悉的非参数统计和M估计理论有直接借鉴意义。
关键技术: Least Squares Estimation, Weighted Nadaraya-Watson method, Threshold Autoregressive Model, Asymptotic independence, Confidence interval construction
为什么对您有用: 该文直接关联您对因果推断中纵向数据方法的兴趣，特别是多阈值变量模型可用于识别时间序列中的结构性因果变化。您熟悉的非参数统计和M估计理论可直接用于分析其加权NW方法的收敛性质，或将其推广到更一般的因果设定（如带协变量的阈值IV模型）。中期可做：需先在identification theory in causal inference上进一步熟悉，以将阈值变量与因果识别假设（如无混淆性）结合。

高维统计 / 随机矩阵 (high_dim_rmt, 4 篇)¶

1. 10.1080/07350015.2022.2142593 · arXiv — Covariance Model with General Linear Structure and Divergent Parameters¶

作者: Xinyan Fan, Wei Lan, Tao Zou, Chih-Ling Tsai
期刊/来源: Journal of Business & Economic Statistics
分类: vol 42 · issue 1 · pp 36-48
相关性 7/10 · novelty: new_method
摘要: 本文针对高维协方差矩阵估计问题，提出了一般线性结构协方差模型（CMGL），通过广义链接函数将响应向量的协方差表示为权重矩阵的线性组合。在响应分布未知且参数个数可发散至无穷的设定下，推导了拟极大似然估计（QMLE）的渐近性质。为选择相关权重矩阵，提出了扩展贝叶斯信息准则（EBIC）并证明了其一致性。在恒等链接函数下，给出了具有闭式解的普通最小二乘估计（OLS），计算量低于QMLE，并研究了其理论性质。进一步提出了拟似然比检验以评估链接函数的充分性，并得到了其极限分布。模拟和美股实证分析验证了方法的有效性。该工作对您在高维统计与随机矩阵理论方向有直接参考价值，尤其是其发散参数设定和模型选择一致性结果。
关键技术: quasi-maximum likelihood estimation, extended Bayesian information criterion, generalized linear model for covariance, divergent parameter asymptotics, quasi-likelihood ratio test
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，特别是发散参数下协方差矩阵估计的渐近理论。您武器库中'高维渐近'和'逆问题'工具可直接用于分析其QMLE的收敛速率与EBIC的模型选择一致性。中期可做：将CMGL框架与您的higher-order U-statistics结合，利用树宽/张量收缩视角优化权重矩阵选择的计算复杂度。

2. 10.1080/07350015.2023.2182309 · arXiv — High-Dimensional Censored Regression via the Penalized Tobit Likelihood¶

作者: Tate Jacobson, Hui Zou
期刊/来源: Journal of Business & Economic Statistics
分类: vol 42 · issue 1 · pp 286-297
相关性 6/10 · novelty: new_method
摘要: 本文针对高维左删失回归问题，将经典 Tobit 模型与高维惩罚方法结合，提出了 penalized Tobit lasso 和 folded concave 惩罚 Tobit 模型。在理论上，对 Tobit lasso 给出了 ℓ2 估计误差界，并证明基于局部线性近似的 folded concave 惩罚估计量具有强 Oracle 性质（变量选择一致且估计渐近正态）。算法上采用二次上界逼近（quadratic majorization）结合坐标下降，高效求解整个解路径。模拟表明，在高维左删失数据上，所提方法在预测和参数估计上优于现有方法。应用部分使用 AIDS Clinical Trials Group 的 HIV 病毒载量数据，识别了潜在的耐药突变位点。对您而言，本文是 high-dimensional statistics 与删失回归交叉的典型案例，其理论分析（Oracle 性质、ℓ2 界）可直接与您的 minimax bounds 和 high-dimensional asymptotics 知识对接，且算法设计（坐标下降+二次逼近）属于您 very_familiar 的软件开发和计算范畴，可快速复现或扩展。
关键技术: penalized Tobit likelihood, quadratic majorization coordinate descent, folded concave penalty, strong oracle property, local linear approximation
为什么对您有用: 本文连接 high-dimensional statistics 与删失回归（经济/流行病学常见设定），属于您 primary interest 中的高维统计方向。技术层面，其 ℓ2 估计误差界和 Oracle 性质的证明可用您 very_familiar 的 minimax bounds 工具检验是否紧致；算法（坐标下降+二次逼近）可直接用您 very_familiar 的软件开发能力复现。中期可做：若想将方法推广到更复杂的删失机制（如区间删失、竞争风险），需先在 moderately_familiar 的 M-estimation theory 上加强。

3. 10.1080/07350015.2022.2140667 — Homogeneity and Sparsity Analysis for High-Dimensional Panel Data Models¶

作者: Wu Wang, Zhongyi Zhu
期刊/来源: Journal of Business & Economic Statistics
机构: Renmin University of China · Fudan University
分类: vol 42 · issue 1 · pp 26-35
相关性 6/10 · novelty: new_method
摘要: 本文研究高维面板数据模型中同时检测潜在群组结构和显著协变量的问题。模型假设斜率系数存在组内同质、组间异质的群组结构，并包含个体和时间固定效应。作者提出了一种惩罚估计量，能够同时恢复群组结构和稀疏模式。为优化目标函数，开发了新算法，并通过剪枝惩罚项降低计算复杂度，同时提升群组结构检测的准确性。理论上证明了该估计量在大样本下能一致地恢复潜在群组结构和稀疏模式。蒙特卡洛模拟和真实数据应用验证了有限样本性能。对您而言，该工作涉及高维面板数据的结构恢复，与您的高维统计和因果推断（如纵向数据中的异质性处理效应）兴趣相关。
关键技术: penalized estimation, group structure detection, fixed effects panel data, high-dimensional regression, computational complexity reduction
为什么对您有用: 本文直接关联您的高维统计兴趣，特别是高维面板数据中的结构恢复问题。您武器库中的'高维渐近理论'和'非参数统计'可用于分析其惩罚估计量的相合性，而'软件工程'技能可复现其算法。中期可做：需先在'半参数理论'上加强，以处理固定效应带来的 incidental parameter 问题。

4. 10.1080/07350015.2023.2191676 · arXiv — Matrix Factor Analysis: From Least Squares to Iterative Projection¶

作者: Yong He, Xinbing Kong, Long Yu, Xinsheng Zhang, Changwei Zhao
期刊/来源: Journal of Business & Economic Statistics
分类: vol 42 · issue 1 · pp 322-334
相关性 5/10 · novelty: new_method
摘要: 本文研究高维矩阵因子模型，目标是在平方损失下估计因子载荷矩阵和因子得分矩阵。有趣的是，所得估计量与Yu等人提出的投影估计量（PE）一致，从而为PE提供了最小二乘解释，这类似于向量因子模型中PCA的最小二乘解释。在次高斯尾部假设下，推导了理论最小化子的收敛速度。为应对重尾误差，将最小二乘扩展为Huber损失最小化，并提出了加权迭代投影算法来估计参数。在误差仅有有界四阶矩甚至(2+ε)阶矩的条件下，推导了Huber损失理论最小化子的收敛速度。模拟和Fama-French金融组合数据集上的应用表明，Huber估计量在重尾数据下表现稳健且优于现有方法。本文连接了高维统计中的矩阵因子模型与稳健估计，对您在高维统计和统计计算方面的兴趣有直接参考价值。
关键技术: matrix factor model, projected estimator, Huber loss, iterative projection, convergence rate under heavy tails
为什么对您有用: 本文直接关联您的高维统计兴趣，特别是矩阵因子模型的估计理论。您武器库中'高维渐近理论'和'逆问题'可用于分析其收敛速度，而'软件工程'技能可用于实现其加权迭代投影算法。中期可做：将Huber损失思想推广到您熟悉的张量因子模型，利用您对张量收缩/einsum的熟悉度。

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

1. 10.1080/07350015.2023.2191672 · arXiv — Two-Directional Simultaneous Inference for High-Dimensional Models¶

作者: Wei Liu, Huazhen Lin, Jin Liu, Shurong Zheng
期刊/来源: Journal of Business & Economic Statistics
分类: vol 42 · issue 1 · pp 298-309
相关性 7/10 · novelty: new_method
摘要: 本文针对高维模型（包括高维均值模型、稀疏回归模型和潜变量模型）提出了一种通用的双向同时推断（TOSI）框架。其核心思想是从两个方向进行同时推断：一是检验假设为零的参数是否确实为零（控制假阳性），二是检验非零参数集合中是否存在零值（控制假阴性）。通过这种双向检验，可以更准确地识别参数是否为零，从而在保持数据结构完整性的同时实现简约表达。理论上证明了单次分裂的TOSI具有渐近无偏性，而多次分裂版本能控制第一类错误在预设显著性水平以下。模拟和两个真实数据分析表明，TOSI方法比现有方法能提供更具预测性和可解释性的估计量。该框架统一处理了多种高维结构，但未涉及因果推断中的识别问题。
关键技术: simultaneous inference, high-dimensional regression, data splitting, multiple testing, latent factor models
为什么对您有用: 本文属于假设检验方向，直接连接您对高维统计推断的兴趣。其双向推断思路（同时控制假阳性和假阴性）在您熟悉的非参数统计和minimax框架下可以进一步分析其最优性——例如，用minimax bound验证其声称的渐近无偏性是否紧。中期可做：需先在moderately_familiar的M-estimation理论上长肌肉，以理解其数据分裂策略在更一般半参数模型下的推广。

2. 10.1080/07350015.2023.2166050 — Two-Sample Testing for Tail Copulas with an Application to Equity Indices¶

作者: Sami Umut Can, John H. J. Einmahl, Roger J. A. Laeven
期刊/来源: Journal of Business & Economic Statistics
机构: University of Amsterdam · Tilburg University
分类: vol 42 · issue 1 · pp 147-159
相关性 6/10 · novelty: new_method
摘要: 本文针对双变量数据的尾部Copula相等性提出了一种新颖的两样本假设检验程序。研究设定为观测两组独立同分布的双变量样本，目标是检验其尾部依赖结构（即尾部Copula）是否相同。方法的核心机制是：首先构造一个自然的两样本尾部Copula过程，然后通过鞅变换将其转化为一个检验过程，该过程在零假设下依分布收敛到标准Wiener过程。这一收敛性使得可以从中衍生出多种渐近分布自由的检验统计量（如Kolmogorov-Smirnov型或Cramér-von Mises型）。技术工具涉及极值理论、经验过程、鞅变换以及弱收敛。蒙特卡洛模拟验证了程序在有限样本下的良好表现。实证部分将该检验应用于全球金融危机期间及之后股票指数负日对数收益率的配对数据，未发现尾部Copula存在显著差异。对您而言，本文提供了一个在假设检验框架下处理尾部依赖结构的分布自由方法，其鞅变换技巧和极值理论工具可能与您在高维统计或非参数检验中的兴趣点（如经验过程、弱收敛）产生技术交叉。
关键技术: tail copula, two-sample hypothesis test, martingale transformation, Wiener process, extreme value theory, empirical process
为什么对您有用: 本文直接关联您的primary interest中的hypothesis testing，特别是针对尾部依赖结构的非参数检验。技术层面，鞅变换和弱收敛工具与您武器库中very_familiar的非参数统计和minimax bound经验过程技术有重叠，可尝试用经验过程理论分析该检验统计量的局部幂或最优性。中期可做：若想将方法推广到高维或更复杂的依赖结构，需先在moderately_familiar的M-estimation理论上提升，以处理更一般的极值模型。

3. 10.1080/07350015.2022.2146696 — Likelihood Ratio Tests for Lorenz Dominance¶

作者: Shen-Da Chang, Philip E. Cheng, Michelle Liou
期刊/来源: Journal of Business & Economic Statistics
机构: Institute of Statistical Science, Academia Sinica
分类: vol 42 · issue 1 · pp 64-75
相关性 6/10 · novelty: new_method
摘要: 本文研究 Lorenz 占优 (LD) 的假设检验问题，重点关注第三阶随机占优 (TSD) 的刻画，即分布对在无二阶广义 Lorenz 占优时仍可能呈现 TSD。作者提出基于似然比 (LR) 的拟合优度检验，用于检验 LD、交叉 Lorenz 曲线和 TSD 的假设，检验统计量渐近服从卡方分布。方法的核心机制是将 Lorenz 曲线和广义 Lorenz 曲线的比较转化为参数化模型下的 LR 统计量，利用经验 Lorenz 过程和积分过程的理论性质。模拟评估了检验的有限样本表现，并应用于 COVID-19 区域死亡数据的双变量样本分析。该工作为经济不平等和健康不平等研究中的随机占优检验提供了新的推断工具。对您而言，本文连接了假设检验与 Lorenz 占优这一应用方向，且其 LR 检验框架与您熟悉的非参数统计和 M-估计理论有技术交集。
关键技术: Likelihood ratio test, Lorenz dominance, stochastic dominance, empirical Lorenz process, Chi-squared approximation
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)'。技术层面，LR 检验的渐近卡方分布推导涉及经验过程理论，您可以用 very_familiar 的非参数统计和 minimax 界工具来评估其检验功效的紧性。中期可做：若想将方法扩展到高维或多重比较场景，需在 moderately_familiar 的 M-估计理论上进一步积累。

4. 10.1080/07350015.2023.2173206 — Specification Tests for GARCH Processes with Nuisance Parameters on the Boundary¶

作者: Giuseppe Cavaliere, Indeewara Perera, Anders Rahbek
期刊/来源: Journal of Business & Economic Statistics
分类: vol 42 · issue 1 · pp 197-214
相关性 5/10 · novelty: new_method
摘要: 本文针对GARCH模型条件方差函数的正确设定检验问题，当真实参数可能位于参数空间边界时，提出了基于Kolmogorov-Smirnov和Cramér-von Mises类型的检验统计量。这些统计量以中心化残差平方为标记的经验过程为基础，其极限分布以非平凡方式依赖于未知的冗余参数，导致检验难以直接实施。为此，作者引入了一种新颖的bootstrap方法，通过以适当速率将用于生成bootstrap样本的参数估计向边界收缩，证明了该bootstrap在一般条件下渐近有效，且不受边界冗余参数的影响。该方法实现简单、计算快速，检验统计量具有封闭形式。文章还讨论了当数据生成过程的参数以n^{-1/2}速率趋近边界时如何获得有效推断。模拟研究表明，新检验在原假设和备择假设下均具有优良的有限样本表现，是对现有Ljung-Box型方法的有益补充。该工作对您在高维统计和假设检验方面的兴趣有直接连接，特别是bootstrap在边界参数下的渐近理论可迁移至您熟悉的非参数统计和M估计框架。
关键技术: Kolmogorov-Smirnov test, Cramér-von Mises test, empirical process, bootstrap with shrinking, GARCH model, nuisance parameter on boundary
为什么对您有用: 本文直接连接您对假设检验和数学统计的兴趣，特别是处理参数在边界时的检验问题，这是经典理论中常被回避但实际重要的场景。您武器库中'非参数统计'和'高维渐近'的功底可用来分析该bootstrap方法的收敛速度是否最优，或将其推广至更一般的半参数设定。中期可做：需先在'semiparametric theory'上巩固边界参数下的影响函数理论，然后可尝试将本文的收缩bootstrap思想与您的HOIF工作结合。

5. 10.1080/07350015.2022.2154777 · arXiv — Estimation of a Structural Break Point in Linear Regression Models¶

作者: Yaein Baek
期刊/来源: Journal of Business & Economic Statistics
分类: vol 42 · issue 1 · pp 95-108
相关性 5/10 · novelty: new_method
摘要: 本文研究线性回归模型中单次结构断点的估计问题。当断点幅度较小时，传统最小二乘估计量的有限样本分布会在样本期两端出现双峰，导致估计严重偏离真实断点位置。作者提出一种修正的最小二乘目标函数，通过引入随候选断点变化的估计不确定性权重来消除双峰问题。新估计量在断点幅度小的设定下具有一致性，且有限样本分布呈单峰。在填充渐近框架下推导了极限分布，蒙特卡洛模拟表明新方法显著优于传统最小二乘估计。实证部分应用于美国和英国股票收益预测模型的断点日期估计。该方法对您在高维时间序列或因果推断中处理结构变化时的断点估计问题有直接参考价值。
关键技术: least-squares estimator, in-fill asymptotic framework, modified objective function, structural break, Monte Carlo simulation
为什么对您有用: 本文直接关联您的主要兴趣——假设检验与因果推断中的结构变化问题。您武器库中'非参数统计'和'高维渐近理论'可用于分析该估计量在更复杂模型（如高维IV或proximal CI）中的表现。中期可做：将方法扩展到存在多个断点或断点幅度随样本量衰减的设定，需先熟悉'M估计理论'以处理修改后目标函数的渐近性质。

6. 10.1080/07350015.2023.2174549 — A One-Sided Refined Symmetrized Data Aggregation Approach to Robust Mutual Fund Selection¶

作者: Long Feng, Binghui Liu, Yanyuan Ma
期刊/来源: Journal of Business & Economic Statistics
机构: Nankai University · Northeast Normal University · Pennsylvania State University
分类: vol 42 · issue 1 · pp 257-271
相关性 4/10 · novelty: new_method
摘要: 本文研究在大量候选基金中识别有技能基金经理的问题，设定为包含可观测和潜在市场因子的线性因子定价模型。考虑到非强潜在因子的存在以及误差分布类型的多样性，作者开发了一种分布自由的多重检验程序。该程序基于对称数据聚合的统计工具，使其对潜在因子的强度和误差项分布类型具有鲁棒性。在温和的正则条件下，作者建立了所提程序在错误发现率和真实发现比例方面的渐近有效性。通过广泛的蒙特卡洛实验，展示了该程序相对于现有方法的优势。在实证应用中，该程序在筛选有技能基金方面表现出比主要竞争对手更令人满意的性能。对您而言，本文的分布自由多重检验框架与您在高维统计和假设检验方面的兴趣直接相关，其对称数据聚合技术可能为处理复杂依赖结构下的多重比较问题提供新思路。
关键技术: symmetrized data aggregation, multiple testing, false discovery rate, linear factor pricing model, distribution-free inference
为什么对您有用: 本文直接连接到您在高维统计和假设检验方面的主要兴趣，特别是多重检验问题。您武器库中'高维渐近理论'和'非参数统计'可以直接用于理解其对称数据聚合方法的理论性质，而'极小极大界'可用于评估其FDP控制的最优性。中期可做：若您想在'M估计理论'上进一步深入，可以尝试将本文的分布自由框架推广到更一般的半参数设定。

统计计算 / 算法 (stat_computing, 1 篇)¶

1. 10.1080/07350015.2023.2166514 · arXiv — Optimal Subsampling Bootstrap for Massive Data¶

作者: Yingying Ma, Chenlei Leng, Hansheng Wang
期刊/来源: Journal of Business & Economic Statistics
分类: vol 42 · issue 1 · pp 174-186
相关性 5/10 · novelty: new_method
摘要: 针对海量数据下经典 bootstrap 因反复重采样整个数据集而计算不可行的问题，本文提出一种超参数选择框架，用于优化子采样 bootstrap 类方法（子采样 bootstrap、子采样双 bootstrap、小 bootstrap 包）中的子样本大小、子样本个数及每个子样本的重采样次数。将超参数选择形式化为在计算成本约束下最小化估计量精度度量（以均方误差为代理）的优化问题，并给出闭式解，几乎不增加额外时间成本。通过数值实验验证了所提方法在提升估计精度与计算效率方面的有效性。该工作直接连接您的统计计算兴趣，特别是算法设计与数值方法优化。
关键技术: subsampled bootstrap, bag of little bootstraps, hyperparameter optimization, mean square error proxy, computational cost constraint
为什么对您有用: 本文直接命中您的 primary interest 中的统计计算（numerical methods, algorithm），特别是大规模数据下 bootstrap 的计算效率优化。您武器库中 very_familiar 的 minimax bounds 与 high-dimensional asymptotics 可用于分析其闭式解的最优性，而 moderately_familiar 的 M-estimation theory 可帮助理解其精度度量的理论性质。中期可做：将框架扩展到更复杂的估计量（如因果推断中的 DR 估计量），需先在 moderately_familiar 的 semiparametric theory 上加强。

经济理论 / 应用 (econ_theory, 7 篇)¶

1. 10.1080/07350015.2023.2166052 — Identification of a Triangular Two Equation System Without Instruments¶

作者: Arthur Lewbel, Susanne M. Schennach, Linqi Zhang
期刊/来源: Journal of Business & Economic Statistics
机构: Boston College · Brown University
分类: vol 42 · issue 1 · pp 14-25
相关性 8/10 · novelty: new_method
摘要: 本文研究线性三角方程组（triangular two-equation system）的识别问题，目标是在没有工具变量或任何辅助信息的情况下实现点识别。作者证明，除了当导致内生性的潜变量服从正态分布这一特殊情况外，模型均可被点识别；在不可识别的正态情形下，推导出锐利识别集（sharp identified set）。方法核心在于利用非正态性（non-normality）作为识别来源，通过矩条件或特征函数（characteristic function）等技术实现参数识别。该结果对经典计量经济学中依赖工具变量的做法提出了重要补充。实证部分将方法应用于Acemoglu和Johnson关于预期寿命与GDP的模型，在不使用其工具变量的情况下获得了点识别和可比估计。对您而言，本文是经济理论中应用因果推断的典型例子，展示了在弱假设下实现识别的可能性，可作为您secondary interest中经济理论方向的有价值入门读物。
关键技术: triangular system identification, identification without instruments, non-normality as identification, sharp identified set, characteristic function
为什么对您有用: 本文属于经济理论（econ_theory）方向的gateway reading，适合作为您进入该领域的入门读物。文章清晰阐述了在没有工具变量时如何利用分布假设实现识别，问题设定和识别策略对统计学家友好。您的武器库中'identification theory in causal inference'（moderately_familiar）足以理解其核心识别论证，但本文不涉及您熟悉的minimax或U-statistics工具，因此属于'暂不可做'——核心机器（非正态性识别、特征函数方法）不在您的武器库中，但作为入门读物值得花时间读全文，以拓宽对识别策略的理解。

2. 10.1080/07350015.2022.2151449 — Identification of Time-Varying Factor Models¶

作者: Ying Lun Cheung
期刊/来源: Journal of Business & Economic Statistics
机构: Capital University of Economics and Business
分类: vol 42 · issue 1 · pp 76-94
相关性 5/10 · novelty: application
摘要: 本文研究时变因子模型（TVFM）的识别问题，目标是在因子载荷随时间变化的情况下，无需旋转即可渐近估计因子和载荷。传统因子模型假设载荷恒定，但长跨度数据中该假设常被质疑；TVFM 虽灵活，却面临非可识别性难题。作者提出了一组识别条件，使得因子和载荷的估计量具有渐近正态性，并推导了其渐近分布。方法上，文章采用主成分分析（PCA）结合局部平滑技术，通过时间局部化实现时变参数的估计。模拟实验验证了理论结果，并基于美国宏观经济数据集评估了不同识别约束下的预测表现，发现识别约束的选择对预测性能有显著影响。对您而言，本文属于经济理论方向的应用型工作，展示了因子模型在宏观时间序列中的识别与推断问题，可作为了解该领域数据结构和模型设定的入门读物。
关键技术: time-varying factor model, principal component analysis, local smoothing, asymptotic normality, identification restrictions
为什么对您有用: 本文属于经济理论方向的应用工作，连接您的 secondary interest 中的经济理论（数据集、模型）。作为 gateway reading，它清晰展示了宏观经济数据中因子模型的识别与推断问题，对您而言可快速了解该领域的数据结构和模型设定。武器库中 'high-dimensional asymptotics' 和 'estimation theory in causal inference' 的熟悉度足以理解其主成分分析和渐近理论，但本文方法学 novelty 有限（主要是应用现有技术），因此暂不可做直接的方法学跟进。

3. 10.1080/07350015.2023.2200458 — A Dynamic Binary Probit Model with Time-Varying Parameters and Shrinkage Prior¶

作者: Zhongfang He
期刊/来源: Journal of Business & Economic Statistics
机构: Royal Bank of Canada
分类: vol 42 · issue 1 · pp 335-346
相关性 3/10 · novelty: application
摘要: 本文研究时间序列二元Probit模型，其中潜变量依赖于其滞后项和外生回归量。为捕捉模型可能的不稳定性，允许回归系数随时间变化。应用贝叶斯收缩先验自动区分固定系数和真正时变系数，从而避免不必要的模型复杂性。开发了一种利用参数分块提高采样效率的MCMC算法，并基于卡尔曼滤波开发了高效蒙特卡洛近似，以改善二元结果预测似然计算的数值稳定性。通过模拟研究和预测经济衰退的应用展示了所提模型的优势。对您而言，这是一篇经济时间序列中贝叶斯动态模型的应用论文，其MCMC和卡尔曼滤波技术可能对您在高维统计计算或因果推断中的纵向数据处理有参考价值。
关键技术: Bayesian shrinkage prior, MCMC with parameter blocking, Kalman filter, dynamic binary probit model, time-varying parameter model
为什么对您有用: 本文属于经济理论与应用方向，是您的次要兴趣。它提供了一个处理时变参数和二元结果的贝叶斯框架，其MCMC和卡尔曼滤波技术对您在高维统计计算或因果推断中的纵向数据建模有潜在参考价值。作为入门读物，它清晰展示了贝叶斯动态模型在宏观经济预测中的应用，但方法学创新有限，属于应用型工作。武器库中的'软件发展'和'高维渐近'知识可帮助理解其计算实现，但核心贝叶斯方法不在您的技术武器库中，因此暂不可做直接的方法学跟进。

4. 10.1080/07350015.2023.2191673 — Estimation, Inference, and Empirical Analysis for Time-Varying VAR Models¶

作者: Jiti Gao, Bin Peng, Yayi Yan
期刊/来源: Journal of Business & Economic Statistics
机构: Monash University · Shanghai University of Finance and Economics
分类: vol 42 · issue 1 · pp 310-321
相关性 3/10 · novelty: application
摘要: 本文提出了一类新的时变向量自回归（TV-VAR）模型，允许系数和误差协方差矩阵随时间平滑变化，以更好地捕捉经济动态。在结构性VAR识别条件下，建立了脉冲响应分析的渐近性质，并提出了选择最优滞后阶数的信息准则和检验系数是否恒定的Wald型检验。通过模拟研究验证了理论结果，并利用美国政府支出乘数的实证应用展示了方法的实用性。该方法为宏观经济时间序列分析提供了更灵活的建模工具，尤其适用于政策传导机制和动态关联性的研究。对您而言，本文的Wald检验和模型选择准则与您的假设检验兴趣相关，而时变参数设定可能为因果推断中的纵向数据建模提供新思路。
关键技术: time-varying VAR, smooth coefficient estimation, impulse response analysis, Wald-type test, information criterion
为什么对您有用: 本文属于经济理论应用方向，直接对接您的secondary interest。Wald检验和模型选择准则与您的假设检验兴趣有技术重叠，但核心方法（时变VAR）不在您的武器库中（非因果推断或高维统计的常用工具）。作为入门读物，本文清晰展示了经济时间序列的建模与推断流程，但方法论创新有限，不值得花大量时间精读全文。

5. 10.1080/07350015.2022.2154778 — Getting the ROC into Sync¶

作者: Liu Yang, Kajal Lahiri, Adrian Pagan
期刊/来源: Journal of Business & Economic Statistics
机构: Nanjing University of Finance and Economics · University at Albany, State University of New York · The University of Sydney
分类: vol 42 · issue 1 · pp 109-121
相关性 3/10 · novelty: application
摘要: 本文研究宏观经济与金融中二元事件同步性的度量问题。传统上使用同步性指数（如 concordance index）来评判序列间的同步程度，近年来 ROC 曲线也被用于此任务。作者证明 ROC 曲线与同步性方法在决策框架下是等价的，且均可通过标准矩估计方法识别和估计全局同步性度量。关键贡献在于允许底层序列存在序列相关（这在宏观金融数据中普遍存在），并给出了相应的推断方法。方法上不涉及高维或非参数技术，而是基于经典矩估计和渐近理论。实证部分使用美国经济周期数据展示了方法的实用性。对您而言，这是一篇经济理论（同步性度量）的应用论文，展示了 ROC 曲线在非诊断领域的推广，但方法学新颖性有限，属于经典统计工具在特定经济问题中的再解释。
关键技术: Receiver Operating Characteristic (ROC) curve, concordance index, method of moments estimation, serial dependence correction
为什么对您有用: 本文属于经济理论（应用）方向，连接您的 secondary interest 中的经济理论应用。方法学上属于经典矩估计，与您的 technical arsenal 中 'estimation theory in causal inference' 和 'high-dimensional asymptotics' 有间接重叠，但核心工具（ROC 曲线与同步性指数的等价性）并非您武器库中的强项。这是一篇入门级的经济应用论文，值得花时间读全文以了解经济周期同步性度量的标准做法，但中期内不直接催生可动手的问题。

6. 10.1080/07350015.2023.2166048 — Forecasting a Nonstationary Time Series Using a Mixture of Stationary and Nonstationary Factors as Predictors¶

作者: Sium Bodha Hannadige, Jiti Gao, Mervyn J. Silvapulle, Param Silvapulle
期刊/来源: Journal of Business & Economic Statistics
机构: Monash University
分类: vol 42 · issue 1 · pp 122-134
相关性 2/10 · novelty: application
摘要: 本文针对非平稳时间序列（如GDP）的预测区间构建问题，提出了一种混合因子增强回归（mixture-FAR）方法。该方法在FAR模型中同时纳入平稳和非平稳因子作为预测变量，以充分利用包含混合类型变量的高维面板数据（如FRED-QD）中的信息。核心创新在于提供了在预测模型中混合使用平稳与非平稳因子的理论依据和估计方法。模拟研究表明，与要求所有预测变量均为非平稳的竞争方法相比，mixture-FAR的预测均方误差（MSE）至少降低33%。基于美国FRED-QD数据的实证分析显示，该方法在预测GDP和工业产值等非平稳变量时表现优于现有方法。本文属于应用计量经济学工作，方法学创新在于因子模型的设定与估计，而非因果推断或高维统计理论。对于您关注的经济学应用方向，本文展示了一个处理混合型面板数据预测的实用框架，但其方法学深度有限，不涉及您核心兴趣中的识别、效率或高维推断问题。
关键技术: Factor Augmented Regression (FAR), mixture of stationary and nonstationary factors, prediction intervals, panel data forecasting
为什么对您有用: 本文属于经济理论/应用方向，是您的次要兴趣。它提供了一个处理宏观经济面板数据（FRED-QD）中平稳与非平稳变量混合的预测框架，可作为入门读物了解该领域的数据结构和常见问题。但方法学上主要依赖经典因子模型和预测区间构造，不涉及您武器库中的因果推断、高维统计或U统计量工具，属于暂不可做范畴——核心机器（因子模型的时间序列理论）不在您的武器库里。如果您想进入宏观经济预测方向，需要先补充时间序列因子模型和单位根检验的基础知识。

7. 10.1080/07350015.2023.2166513 — Low Frequency Cointegrating Regression with Local to Unity Regressors and Unknown Form of Serial Dependence¶

作者: Jungbin Hwang, Gonzalo Valdés
期刊/来源: Journal of Business & Economic Statistics
机构: University of Connecticut · University of Tarapacá
分类: vol 42 · issue 1 · pp 160-173
相关性 2/10 · novelty: new_method
摘要: 本文在低频率变换的三角协整回归框架下，研究当回归变量可能为局部单位根（local-to-unity）过程且序列依赖形式未知时的t检验和F检验问题。首先证明低频率变换增强OLS（TA-OLS）方法存在渐近偏误，导致协整向量检验在回归变量轻微偏离单位根时出现严重尺寸扭曲。为校正该偏误，作者提出修正的TA-OLS统计量，通过调整偏误并考虑偏误校正带来的长期内生性估计不确定性，构造了基于Bonferroni方法的协整向量检验，可使用标准t和F临界值。蒙特卡洛模拟表明，该方法在广泛的局部单位根参数范围内具有正确的尺寸和合理的功效，且在序列依赖和长期内生性重要时优于IVX方法。本文对您作为经济理论（应用因果工作）的次要兴趣有直接参考价值，其低频率变换和偏误校正技术也可迁移至您熟悉的因果推断中IV估计的弱工具变量问题。
关键技术: low-frequency transformation, triangular cointegrating regression, local-to-unity regressors, Bonferroni-based tests, bias-corrected OLS
为什么对您有用: 本文属于经济理论（应用因果工作）方向，直接对应您的次要兴趣。其偏误校正和Bonferroni检验思路可迁移至您熟悉的因果推断中IV估计的弱工具变量问题（武器库中'估计理论'项）。中期可做：需先在'moderately_familiar'的识别理论中熟悉局部单位根设定与IV的类比。

其他 (other, 5 篇)¶

1. 10.1080/07350015.2022.2143784 · arXiv — Graphical Assistant Grouped Network Autoregression Model: A Bayesian Nonparametric Recourse¶

作者: Yimeng Ren, Xuening Zhu, Xiaoling Lu, Guanyu Hu
期刊/来源: Journal of Business & Economic Statistics
分类: vol 42 · issue 1 · pp 49-63
相关性 5/10 · novelty: application
摘要: 本文提出一种贝叶斯分组网络自回归模型（GAGNAR），用于分析带有潜在图结构的时间序列数据。模型通过图辅助的中国餐馆过程（Chinese restaurant process）自动推断分组数量与分组配置，并同时估计组内自回归参数。采用马尔可夫链蒙特卡洛（MCMC）算法进行后验采样。模拟研究和两个真实数据应用展示了方法的有限样本性能。该工作主要贡献在于将非参数贝叶斯聚类与网络自回归结合，但方法学创新程度有限，属于应用导向的模型扩展。对您而言，该文与您的主要兴趣（因果推断、高维统计、半参理论）无直接技术连接，但可作为了解网络时间序列建模的入门参考。
关键技术: Bayesian nonparametric clustering, Chinese restaurant process, network autoregression, MCMC sampling
为什么对您有用: 本文属于应用统计建模，与您的主要兴趣方向（因果推断、高维随机矩阵、半参效率理论）无直接技术重叠。您的武器库中非参数统计和M估计理论可帮助理解其贝叶斯聚类机制，但核心方法（CRP、MCMC）不在您的技术栈中。作为gateway reading，本文对网络时间序列建模的入门价值有限，因为其方法学贡献偏增量。建议仅当您需要了解网络自回归的贝叶斯处理时再读全文。

2. 10.1080/07350015.2023.2166049 · arXiv — Bayesian Nonparametric Panel Markov-Switching GARCH Models¶

作者: Roberto Casarin, Mauro Costantini, Anthony Osuntuyi
期刊/来源: Journal of Business & Economic Statistics
分类: vol 42 · issue 1 · pp 135-146
相关性 4/10 · novelty: application
摘要: 本文提出贝叶斯非参数面板马尔可夫切换GARCH模型，用于处理多个时间序列的波动率建模。模型允许每个序列拥有独立的隐马尔可夫链驱动GARCH参数，并通过分层先验实现软参数池化，利用贝叶斯非参数先验进行横截面聚类以降低参数空间维度。开发了MCMC后验近似算法，并在模拟中验证了其效率。实证部分应用于美国金融收益率数据，通过投资组合绩效练习展示了模型在预测和最优资产配置中的经济收益。该文主要贡献在于将贝叶斯非参数方法引入面板GARCH框架，但方法学创新性有限，属于应用导向的扩展。
关键技术: Bayesian nonparametrics, Markov-switching GARCH, hierarchical prior, MCMC posterior approximation, panel data clustering
为什么对您有用: 本文属于计量经济学时间序列建模，与您的主要兴趣（因果推断、高维统计等）无直接交集。方法学上未涉及您武器库中的核心工具（如U统计量、半参效率理论等），且非gateway reading。建议跳过全文，仅作背景了解。

3. 10.1080/07350015.2023.2174547 — On Bivariate Time-Varying Price Staleness¶

作者: Haibin Zhu, Zhi Liu
期刊/来源: Journal of Business & Economic Statistics
机构: Jinan University · University of Macau · Zhuhai Institute of Advanced Technology
分类: vol 42 · issue 1 · pp 229-242
相关性 3/10 · novelty: application
摘要: 本文研究双资产价格粘性（price staleness）的时变特征，将Bandi等人提出的系统性与异质性粘性扩展为时变参数。在infill渐近框架下，提出异质性与共同粘性的一致估计量并推导渐近理论。进一步构建可行的非参数检验，同时检验异质性与共同粘性是否恒定。模拟研究评估有限样本表现，实证应用展示方法实用性。方法核心是时变参数的非参数估计与假设检验，但统计工具较为常规（核平滑、infill渐近）。对您而言，本文属于经济金融领域的应用统计工作，与您的主要兴趣（因果推断、高维、U统计等）无直接方法学连接。
关键技术: infill asymptotics, nonparametric kernel estimation, time-varying parameter, hypothesis testing for constancy
为什么对您有用: 本文属于经济金融领域的应用统计，与您的主要兴趣（因果推断、高维统计、U统计等）无直接方法学连接。武器库中的非参数统计和假设检验工具可理解其方法，但问题本身不涉及您关心的识别、效率或计算复杂性。作为gateway reading价值有限——本文是标准非参数方法在金融微观结构问题上的应用，不提供新的统计理论或可迁移的分析范式。暂不可做：核心问题（价格粘性时变建模）不在您的兴趣轨道上。

4. 10.1080/07350015.2023.2181176 · arXiv — Probabilistic Forecast Reconciliation under the Gaussian Framework¶

作者: Shanika L. Wickramasuriya
期刊/来源: Journal of Business & Economic Statistics
分类: vol 42 · issue 1 · pp 272-285
相关性 2/10 · novelty: new_theory
摘要: 本文研究多元时间序列预测的协调问题，目标是将一组不满足线性约束的基预测转化为协调的概率预测。在基预测分布为联合高斯的假设下，作者证明了MinT（最小迹）方法最小化了层次结构的对数评分规则，并且MinT对每个边际预测密度的对数得分都优于OLS。理论结果通过模拟和澳大利亚国内旅游数据集进行了验证。估计MinT需要基预测误差的协方差矩阵，文章比较了样本协方差矩阵和收缩估计量的表现，发现协方差矩阵的可靠估计对理论性质影响很大，尤其在高维数据中。该工作主要贡献于时间序列预测领域，与您的主要兴趣方向（因果推断、高维统计、U统计量等）无直接技术交集。
关键技术: MinT (minimum trace) reconciliation, logarithmic scoring rule, shrinkage covariance estimation, Gaussian predictive distribution
为什么对您有用: 本文属于时间序列预测领域，与您的主要兴趣方向（因果推断、高维统计、U统计量）无直接技术连接。武器库中的非参数统计或高维渐近工具难以直接应用于其预测协调框架。暂不可做，因为核心问题（分层时间序列协调）不在您的技术武器库覆盖范围内。

5. 10.1080/07350015.2024.2291309 — Associate Editors¶

作者:
期刊/来源: Journal of Business & Economic Statistics
分类: vol 42 · issue 1
相关性 0/10 · novelty: minor
摘要: 本文是《Journal of Business & Economic Statistics》2023 年卷的编委会致谢名单，列出了所有副编辑的姓名和所属机构。内容不涉及任何研究问题、方法或数据。对您而言，这是一条纯粹的行政信息，无学术参考价值。
为什么对您有用: 本文不包含任何研究内容，与您的任何兴趣方向均无关。无需阅读。

Maintained by 陈星宇 · Homepage · Source on GitHub