JBES — Vol 42 Issue 2 · 2026-07-06¶

共 35 篇 · Journal of Business & Economic Statistics
目录核对 ✅ 35 篇全部抓到（对照 OpenAlex 35 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 Vol 42 Issue 2共35篇论文，整体上可归纳为四条主线：因果识别与估计（约6篇，涵盖合成控制、连续处理溢出、极端分位数处理效应、动态处理时长、非依从性CATE、网络分位数回归）、经济理论与应用（约10篇，涉及实验推广、资产定价、部分识别、时变因子模型、非平稳网络、加密货币网络等）、假设检验（约7篇，包括高维alpha检验、多重变点检测、秩统计量自助法、协变量效应检验、面板分位数自助法等）、以及非参数/半参数方法（约2篇，聚焦空间依赖面板非参推断和部分线性分位数回归的神经网络逼近）。此外，还有若干篇分散在金融风险度量、流动性建模、函数型时间序列、贝叶斯VAR、高频跳跃检测等方向。

在因果推断主线中，A Design-Based Perspective on Synthetic Control Methods 从随机化设计视角重新审视合成控制，提出修正无偏估计量并给出精确有限样本方差，直接挑战传统因子模型假设下的推断框架；Estimating a Continuous Treatment Model with Spillovers 将连续处理与网络溢出效应结合，采用控制函数方法处理双重内生性，为IV和mediation设定提供了新工具；Extreme Changes in Changes 针对极端分位数处理效应，引入极值理论改进CIC估计量，在低出生体重等极端场景下优于传统方法；Instrumental Variable Estimation of Dynamic Treatment Effects on a Duration Outcome 将工具变量与动态处理时长结合，通过积分方程识别非参数回归函数，其思路可迁移至proximal CI或mediation中的动态处理问题；Model-Assisted Complier Average Treatment Effect Estimates 在随机实验非依从性下，利用协变量构建模型辅助CATE估计量，允许工作模型误设并给出Neyman型保守方差；Dynamic Network Quantile Regression Model 通过IVQR处理同期网络内生性，其近邻相依性渐近理论对纵向因果推断有参考价值。假设检验主线中，Adaptive Testing for Alphas in High-Dimensional Factor Pricing Models 针对稀疏信号场景，基于高维高斯逼近构建模拟辅助检验，在弱信号下功效显著提升；A General Framework for Constructing Locally Self-Normalized Multiple-Change-Point Tests 提供通用框架，用户只需指定单变点统计量即可自动构造多重变点检验，无需估计nuisance参数或选择带宽；Tie-Break Bootstrap for Nonparametric Rank Statistics 通过扰动秩打破平局，改进经验copula过程的bootstrap逼近，尤其适用于含大量平局的数据；Testing For Global Covariate Effects in Dynamic Interaction Event Networks 构建参数与半参数模型比较框架，检验全局协变量能否完全解释时间动态。非参数主线中，Uniform Nonparametric Inference for Spatially Dependent Panel Data 建立增长维高斯耦合理论，为时空依赖面板数据提供均匀置信带和假设检验；Neural Networks for Partially Linear Quantile Regression 证明DNN逼近非参数分量时参数估计的√n一致性和渐近正态性，兼顾可解释性与高维协变量处理能力。

与因果推断方向最贴合的论文包括：A Design-Based Perspective on Synthetic Control Methods、Estimating a Continuous Treatment Model with Spillovers、Extreme Changes in Changes、Instrumental Variable Estimation of Dynamic Treatment Effects on a Duration Outcome、Model-Assisted Complier Average Treatment Effect Estimates、Dynamic Network Quantile Regression Model。与半参数/非参数效率方向相关的有：Uniform Nonparametric Inference for Spatially Dependent Panel Data、Neural Networks for Partially Linear Quantile Regression。与高维推断方向相关的有：Adaptive Testing for Alphas in High-Dimensional Factor Pricing Models、Monitoring Network Changes in Social Media。

因果推断 (causal_inference, 6 篇)¶

1. 10.1080/07350015.2023.2238788 · arXiv — A Design-Based Perspective on Synthetic Control Methods¶

作者: Lea Bottmer, Guido W. Imbens, Jann Spiess, Merrill Warnick
期刊/来源: Journal of Business & Economic Statistics
分类: vol 42 · issue 2 · pp 762-773
相关性 8/10 · novelty: new_method
摘要: 本文从设计视角（design-based perspective）重新审视合成控制（SC）方法，假设处理单元和时期的分配是随机的，而非传统的因子模型假设。作者证明标准SC估计量在随机分配下通常有偏，并提出修正无偏合成控制（MUSC）估计量，保证无偏性并推导出精确的、基于随机化的有限样本方差及其无偏估计量。在真实数据模拟中，当处理时期与其他时期相似（如随机选取）时，SC类估计量的均方根误差显著低于其他常见估计量。该结果直接适用于随机处理分配的场景，但作者认为其可补充观察性研究中的模型驱动方法。对您而言，本文提供了因果推断中面板数据估计量的新视角，特别是其无偏性保证和方差估计与您熟悉的非参数统计和因果推断估计理论直接相关。
关键技术: Synthetic Control, design-based inference, randomization-based variance estimation, Modified Unbiased Synthetic Control (MUSC), finite-sample unbiasedness
为什么对您有用: 本文直接连接您的primary interest中的因果推断（面板数据、估计量性质），且其设计视角下的无偏性分析可被您的'非参数统计'和'因果推断估计理论'武器库直接理解和评估。中期可做：若想将MUSC推广至更一般的非随机分配设定，需先在'semiparametric theory'上长肌肉（如处理选择偏差的倾向性得分加权）。

2. 10.1080/07350015.2023.2207617 · arXiv — Estimating a Continuous Treatment Model with Spillovers: A Control Function Approach¶

作者: Tadao Hoshino
期刊/来源: Journal of Business & Economic Statistics
分类: vol 42 · issue 2 · pp 591-602
相关性 8/10 · novelty: new_method
摘要: 本文研究存在网络溢出效应时的连续处理变量因果模型。假设个体的结果不仅受自身处理影响，还受邻居处理（加权平均）的影响，且两者均为内生变量。作者采用控制函数方法，借助合适的工具变量，非参数地识别了条件均值潜在结果。进一步，考虑更易操作的半参数模型，并开发了三步估计程序。实证部分以区域失业率对犯罪率的因果效应为例进行说明。该工作将连续处理与网络溢出效应结合，对您关注的因果推断（特别是IV和mediation）有直接参考价值。
关键技术: control function approach, instrumental variables, nonparametric identification, semiparametric estimation, three-step estimation, network spillovers
为什么对您有用: 直接关联您的主要兴趣——因果推断中的IV和识别理论。本文在连续处理+网络溢出这一复杂设定下使用控制函数方法，您可以用very_familiar的估计理论（如非参数统计、高维渐近）来审视其三步估计的收敛性和效率。中期可做：若想将HOIF（moderately_familiar）用于此类设定下的debiased估计，需先在该工具上积累经验。

3. 10.1080/07350015.2023.2249509 · arXiv — Extreme Changes in Changes¶

作者: Yuya Sasaki, Yulong Wang
期刊/来源: Journal of Business & Economic Statistics
分类: vol 42 · issue 2 · pp 812-824
相关性 7/10 · novelty: new_method
摘要: 本文在 changes-in-changes (CIC) 框架下，针对极端分位数（如极低出生体重婴儿）的处理效应估计问题，提出了一种新的极端 CIC 估计量。传统 CIC 估计量适用于中间分位数，但在极端分位数下表现不佳。新估计量基于极值理论（extreme value theory）构建，具有渐近正态性，并给出了相应的统计推断方法，实现简单。模拟研究表明，极端 CIC 估计量在极端分位数处优于传统 CIC，而中间分位数仍应使用传统 CIC。实证部分应用该方法研究了 1993 年 EITC 改革对极低出生体重婴儿的影响。本文提供了 Stata 命令，便于实际应用。对您而言，该工作直接连接了因果推断中的分位数处理效应估计，特别是针对极端子群体的识别与推断，属于您 primary interest 中 causal inference 的 sensitivity/IV/mediation 之外的另一个重要分支——分位数 DID 方法。
关键技术: changes-in-changes, extreme quantile treatment effect, extreme value theory, asymptotic normality, Stata implementation
为什么对您有用: 本文直接连接您的 primary interest 中 causal inference 的 identification 与 estimation 方向，具体是分位数处理效应在极端分位数处的估计与推断。从技术武器库看，本文的极值理论工具属于您 moderately_familiar 的 M-estimation 和 semiparametric theory 范畴，但极值渐近本身并非您当前 arsenal 的核心——属于中期可做：需先在 moderately_familiar 的 semiparametric theory 上进一步熟悉极值统计的 regularity conditions 和收敛速率。不过，本文的实证应用（EITC 改革与出生体重）也连接了您的 secondary interest 中的 epidemiology 应用场景，可作为入门读物了解极端分位数因果推断的实践。

4. 10.1080/07350015.2023.2231053 · arXiv — Instrumental Variable Estimation of Dynamic Treatment Effects on a Duration Outcome¶

作者: Jad Beyhum, Samuele Centorrino, Jean-Pierre Florens, Ingrid Van Keilegom
期刊/来源: Journal of Business & Economic Statistics
分类: vol 42 · issue 2 · pp 732-742
相关性 7/10 · novelty: new_method
摘要: 本文研究动态处理效应中，处理时间 Z 对持续时间 T 的因果效应识别与估计问题。设定中，处理时间非随机分配，T 被随机右删失变量 C 截断，且 Z 被 T∧C 右删失，内生性通过工具变量解决。在完全非参数框架下，作者将回归函数刻画为积分方程的解，并给出基于该识别方程的识别条件。估计阶段假设回归函数服从参数模型，提出估计量并证明其渐近正态性。模拟显示有限样本性质良好，并应用于评估倦怠治疗时机对康复时长的影响。本文对您的主要兴趣——工具变量与纵向因果推断——有直接连接，其积分方程识别思路可迁移至您的 proximal CI 或 mediation 设定中的动态处理问题。
关键技术: instrumental variable, duration model, right censoring, integral equation identification, asymptotic normality
为什么对您有用: 本文直接连接您的 primary interest 中的 IV 和 longitudinal 因果推断。其积分方程识别框架与您 moderately_familiar 的 identification theory 高度吻合，可尝试用您 very_familiar 的非参数统计工具（如 sieve M-estimation）将参数估计推广至半参数或非参数，以获得更稳健的估计。中期可做：需先在 moderately_familiar 的 semiparametric theory 上提升，以处理更一般的识别条件。

5. 10.1080/07350015.2023.2224851 · arXiv — Model-Assisted Complier Average Treatment Effect Estimates in Randomized Experiments with Noncompliance¶

作者: Jiyang Ren
期刊/来源: Journal of Business & Economic Statistics
分类: vol 42 · issue 2 · pp 707-718
相关性 7/10 · novelty: new_method
摘要: 在随机实验中，非依从性（noncompliance）是常见问题，导致传统的意向治疗（ITT）分析可能低估处理效应。本文在二值结果、二值处理的设定下，关注依从者平均处理效应（CATE）的估计，其识别为结果与处理变量的ITT效应之比（即Wald estimand）。为提升估计效率，作者提出了三类模型辅助（model-assisted）估计量，利用协变量信息构建工作模型（working model），但分析基于随机化推断（randomization-based），允许工作模型误设。理论部分推导了估计量的渐近性质，并与经典Wald估计量比较了效率，同时给出了Neyman型保守方差估计量以支持有效推断。方法还扩展到了乘性CATE（multiplicative CATE）的估计。模拟和一项关于学术服务/激励对学业表现影响的随机实验展示了方法优势。该工作直接连接您对因果推断中IV/依从者效应的兴趣，且其模型辅助+随机化推断的思路与您熟悉的非参数估计和因果推断理论有很好的技术亲和性。
关键技术: Wald estimator, model-assisted estimation, randomization-based inference, Neyman-type variance estimator, complier average treatment effect (CATE), intention-to-treat (ITT)
为什么对您有用: 直接连接您对因果推断中IV/依从者效应的兴趣，且其模型辅助+随机化推断的思路与您熟悉的非参数估计和因果推断理论有很好的技术亲和性。您可以用very_familiar的因果推断估计理论快速理解其效率增益机制，并考虑将类似模型辅助框架推广到连续结果或更复杂的IV设定（如proximal CI）。中期可做：若想将方法扩展到更一般的识别策略（如proximal g-formula），需先在moderately_familiar的identification theory上深入。

6. 10.1080/07350015.2022.2093882 · arXiv — Dynamic Network Quantile Regression Model¶

作者: Xiu Xu, Weining Wang, Yongcheol Shin, Chaowen Zheng
期刊/来源: Journal of Business & Economic Statistics
机构: Soochow University · University of York
分类: vol 42 · issue 2 · pp 407-421
相关性 4/10 · novelty: new_method
摘要: 本文提出动态网络分位数回归模型，用于在给定网络结构信息下研究分位数层面的关联性。模型扩展了Zhu等人的网络分位数自回归，显式引入同期网络效应并控制共同因子，以刻画跨分位数的网络溢出。为处理同期网络溢出导致的内生性，采用工具变量分位数回归（IVQR）估计，并利用网络过程的近邻相依性推导了IVQR估计量的相合性和渐近正态性。蒙特卡洛模拟验证了不同网络结构下IVQR估计量在各分位点的良好表现。实证部分应用于2016年纽交所和纳斯达克股票数据，展示了方法的实用性。对您而言，该文在因果推断的IV框架下处理网络内生性，其IVQR估计量的渐近理论（近邻相依性）可迁移至您熟悉的纵向因果推断或中介分析中的工具变量设定。
关键技术: instrumental variable quantile regression, near epoch dependence, network quantile autoregression, contemporaneous network effects
为什么对您有用: 该文属于因果推断中工具变量方法在分位数网络效应下的扩展，直接连接您的primary interest中的IV和纵向设定。您的technical arsenal中'very_familiar'的'high-dimensional asymptotics'和'estimation theory in causal inference'可直接用于分析其IVQR估计量的渐近性质，例如验证近邻相依性假设在您的纵向数据场景下是否成立。中期可做：需先在'moderately_familiar'的'identification theory in causal inference'上巩固，以处理网络结构未知时的识别问题。

高维统计 / 随机矩阵 (high_dim_rmt, 1 篇)¶

作者: Cathy Yi-Hsuan Chen, Yarema Okhrin, Tengyao Wang
期刊/来源: Journal of Business & Economic Statistics
机构: University of Glasgow · Adam Smith Institute · Humboldt-Universität zu Berlin · University of Augsburg · London School of Economics and Political Science
分类: vol 42 · issue 2 · pp 391-406
相关性 5/10 · novelty: new_method
摘要: 本文针对高维动态网络中的变化点监测问题，提出了一种在线检测方法。网络被建模为高维对象，变化可能由少数节点或边驱动（稀疏性假设）。方法的核心是：在每个时间点，将整个网络投影到一个低维向量上，通过比较连续时间点间最优投影方向的正弦角距离来检测变化。该方法考虑了网络的高维性、变化的稀疏性以及在线监测的实际需求。在次高斯设定下，推导了关于误报率和检测延迟的强理论保证，允许数据存在时空依赖性。数值实验和社交媒体消息网络的应用验证了方法的有效性。对您而言，本文涉及高维统计和在线推断，与您的高维统计和假设检验兴趣相关。
关键技术: online change-point detection, sparse projection, sine angle distance, sub-Gaussian concentration, temporal-spatial dependence
为什么对您有用: 本文直接关联您的高维统计和假设检验兴趣，特别是高维网络数据的在线变化点检测。您武器库中的高维渐近理论和 minimax 界可用于分析其检测延迟的下界或最优性。中期可做：需先熟悉变化点检测的序列分析工具（如 CUSUM 的边界），这是 moderately_familiar 的 M-estimation 理论的一个具体应用方向。

非参数 / 半参数 (nonparam_semipara, 2 篇)¶

1. 10.1080/07350015.2023.2219283 — Uniform Nonparametric Inference for Spatially Dependent Panel Data¶

作者: Jia Li, Zhipeng Liao, Wenyu Zhou
期刊/来源: Journal of Business & Economic Statistics
机构: Singapore Management University · Zhejiang International Studies University · Zhejiang University of Finance and Economics · Zhejiang University
分类: vol 42 · issue 2 · pp 654-664
相关性 5/10 · novelty: new_method
摘要: 本文针对面板数据中非参数回归的均匀推断问题，提出了一种能处理一般未知时空依赖结构的统一方法。方法要求时间维度较长，但对截面大小和空间相关强度不做限制。核心创新在于建立了一个新的增长维高斯耦合理论，适用于时空依赖面板数据，从而为均匀置信带和假设检验提供了理论基础。作者将方法应用于两个实证场景：一是检验资产价格波动率与交易量之间的非参数关系（混合分布假说），二是检验调查预测的理性，发现专业预测者存在信息刚性的非参数证据，支持粘性信息和噪声信息模型。对您而言，本文在非参数统计和假设检验方面提供了处理复杂依赖结构的新工具，尤其适合您在高维和半参数理论中的兴趣。
关键技术: Gaussian coupling, uniform confidence band, spatio-temporal dependence, nonparametric regression, growing-dimensional asymptotics
为什么对您有用: 本文直接连接您的 primary interest 中的非参数统计和假设检验，特别是处理时空依赖的均匀推断问题。您的 technical arsenal 中的非参数统计和 minimax bounds 经验可用于评估其 Gaussian coupling 方法的紧性，而高维渐近工具可帮助理解其增长维设定。中期可做：需先在 moderately_familiar 的 M-estimation 理论上加强，以处理其依赖结构下的推断。

2. 10.1080/07350015.2023.2208183 · arXiv — Neural Networks for Partially Linear Quantile Regression¶

作者: Qixian Zhong, Jane-Ling Wang
期刊/来源: Journal of Business & Economic Statistics
分类: vol 42 · issue 2 · pp 603-614
相关性 5/10 · novelty: new_method
摘要: 本文针对部分线性分位数回归模型，提出用深度神经网络（DNN）逼近非参数分量，同时保持感兴趣协变量的线性参数结构，以实现统计推断。核心贡献在于：在 mild 条件下，证明了参数分量的估计量是 √n 一致且渐近正态的，而非参数分量的 DNN 估计量达到 minimax 最优收敛速率。方法上，采用两步估计或联合估计策略，利用 DNN 的逼近能力处理高维或复杂协变量，同时通过线性部分输出可解释的系数估计和置信区间。理论证明依赖于神经网络的逼近误差界和 empirical process 工具，与经典核方法或样条方法相比，DNN 在稀疏结构下可能更高效。模拟和实证表明，该方法在预测精度和推断可靠性上优于现有半参数分位数方法。对您而言，本文展示了如何将 DNN 嵌入半参数框架并保持经典推断性质，与您对 semiparametric theory 和 efficiency theory 的兴趣直接相关，且其理论分析策略（√n 一致性 + minimax 率）可迁移至您熟悉的非参数统计和因果推断中的部分线性设定。
关键技术: partially linear quantile regression, deep neural network approximation, root-n consistency and asymptotic normality, minimax optimal convergence rate, empirical process theory
为什么对您有用: 本文连接您的 primary interest 中的 semiparametric & nonparametric theory 和 efficiency theory，具体展示了 DNN 作为非参数分量的半参数分位数回归的推断性质。您可以用 very_familiar 中的非参数统计和 minimax bound 工具来验证其声称的收敛率是否紧，或用 moderately_familiar 中的 semiparametric theory 分析其影响函数和效率界。中期可做：若将类似框架扩展到因果推断中的部分线性 IV 或分位数处理效应，需先在 moderately_familiar 的 identification theory 上加强。

数理统计 / 假设检验 (hypothesis_testing, 8 篇)¶

1. 10.1080/07350015.2023.2217871 · arXiv — Adaptive Testing for Alphas in High-Dimensional Factor Pricing Models¶

作者: Qiang Xia, Xianyang Zhang
期刊/来源: Journal of Business & Economic Statistics
分类: vol 42 · issue 2 · pp 640-653
相关性 7/10 · novelty: new_method
摘要: 本文针对高维因子定价模型中的alpha检验问题，提出了一种自适应检验方法。在大量资产且市场无效定价仅影响少数异常资产的稀疏信号设定下，传统检验可能功效不足。作者基于高维高斯逼近理论，构建了一个模拟辅助的检验统计量，通过模拟近似其零分布，避免了渐近分布的解析推导。该方法在稀疏备择下相比现有检验（如Pesaran和Yamagata的检验）具有显著的势提升，尤其对弱信号敏感。数值实验表明，该方法在控制尺寸的同时，在稀疏和弱信号场景下功效大幅优于对比方法。该工作连接了高维统计推断与金融计量中的因子模型检验，对您在高维假设检验方向的研究有直接参考价值。
关键技术: high-dimensional Gaussian approximation, simulation-based inference, sparse signal detection, factor pricing model, alpha testing
为什么对您有用: 本文直接对应您在高维统计与假设检验方面的兴趣，特别是高维高斯逼近理论在检验问题中的应用。您武器库中的高维渐近理论可以用于分析该检验的渐近性质或提出改进版本。该文属于中期可做：需先在 moderately_familiar 的 M-estimation 理论上长肌肉，以处理因子模型中的估计误差对检验的影响。

2. 10.1080/07350015.2023.2231041 · arXiv — A General Framework for Constructing Locally Self-Normalized Multiple-Change-Point Tests¶

作者: Cheuk Hin Cheng, Kin Wai Chan
期刊/来源: Journal of Business & Economic Statistics
分类: vol 42 · issue 2 · pp 719-731
相关性 6/10 · novelty: new_method
摘要: 本文提出一个通用框架，用于构建时间序列数据中多重变点检测的自标准化检验。核心思想是：用户只需指定一个单变点检测统计量（如CUSUM、稳健秩统计量、顺序统计量等），即可自动构造出无需估计 nuisance 参数、无需选择带宽、也无需预指定变点数的多重变点检验统计量。该框架通过自标准化技术消除了对长期方差等 nuisance 参数的稳健一致估计需求，从而避免了带宽选择等主观步骤。理论部分建立了检验统计量在原假设下的极限分布，并证明了其在备择假设下的相合性。有限样本模拟表明，该方法在尺寸准确性、对备择假设误设的稳健性以及检验功效方面均优于现有方法。对您而言，该工作直接关联假设检验这一主要兴趣，且其自标准化技术可迁移至您熟悉的因果推断敏感性分析或高维设定中的检验问题。
关键技术: self-normalization, multiple change-point detection, CUSUM process, robust rank statistics, time series inference
为什么对您有用: 本文直接对应您的主要兴趣“hypothesis testing”，且其自标准化框架避免了 nuisance 参数估计，这一思路可迁移至您熟悉的因果推断中的敏感性分析检验（如 IV 弱工具变量检验）。武器库中“nonparametric statistics”和“high-dimensional asymptotics”足以理解其理论核心，属于立即可做的阅读。

3. 10.1080/07350015.2023.2210181 — Tie-Break Bootstrap for Nonparametric Rank Statistics¶

作者: Juwon Seo
期刊/来源: Journal of Business & Economic Statistics
机构: National University of Singapore
分类: vol 42 · issue 2 · pp 615-627
相关性 6/10 · novelty: new_method
摘要: 本文提出一种新的bootstrap方法用于经验copula过程的分布逼近，核心创新在于对归一化秩进行微小扰动以打破平局（tie-breaking），从而改进经典bootstrap在有限样本下的表现。该方法本质上是带放回抽样的简单修改，但能显著提升秩统计量推断的精度，尤其在存在大量平局的数据中。作者进一步将方法推广到时间序列框架，使其适用于依赖数据。由于非参数秩统计量可视为经验copula的泛函，该bootstrap程序能广泛用于近似各类秩统计量的分布。实证部分利用美国人口普查配偶收入数据，检验了正象限依赖、尾部单调性和随机单调性等假设。对您而言，该工作直接关联假设检验与秩统计量的非参数推断，且其tie-breaking技巧可能为处理离散或高维数据中的平局问题提供新思路。
关键技术: empirical copula process, bootstrap with tie-breaking, nonparametric rank statistics, time series bootstrap, positive quadrant dependence test
为什么对您有用: 本文直接关联您的primary interest中的假设检验与非参数统计：它提出一种改进的bootstrap方法用于秩统计量的分布逼近，而秩统计量是您熟悉的非参数推断核心工具。从技术武器库看，您可以用very_familiar的非参数统计和minimax bound视角分析该bootstrap的收敛速率是否最优，或与经典bootstrap的finite-sample比较。中期可做：若想将tie-breaking技巧推广到更高阶的U-statistics（如您熟悉的treewidth/einsum框架），需先在moderately_familiar的higher-order U-statistics理论上进一步熟悉，但本文本身是立即可读的入门级方法论文。

4. 10.1080/07350015.2023.2263537 · arXiv — Testing For Global Covariate Effects in Dynamic Interaction Event Networks¶

作者: Alexander Kreiss, Enno Mammen, Wolfgang Polonik
期刊/来源: Journal of Business & Economic Statistics
机构: Heidelberg University · Institute of Mathematics and Informatics · Czech Academy of Sciences, Institute of Mathematics · University of California, Davis · Leipzig University
分类: vol 42 · issue 2 · pp 457-468
相关性 5/10 · novelty: new_method
摘要: 本文针对动态交互事件网络（如共享单车网络）中的协变量效应检验问题，提出了一种新的假设检验框架。研究区分全局协变量（如天气、季节）和局部协变量（如站点间距离），目标是检验全局时间动态是否可以被简单的全局协变量完全解释。方法上，作者扩展了连续时间网络模型，构建了一个完全参数化模型（全局和局部协变量均为参数形式）和一个半参数模型（局部协变量参数化、全局时间分量非参数化）的比较框架。核心检验统计量基于两个模型的似然比或偏差度量，其渐近分布通过经验过程理论推导。理论贡献在于证明了检验统计量在零假设下的渐近分布，并讨论了其局部幂性质。实证部分应用于纽约Citi Bike共享单车数据集，检验天气和星期几作为全局协变量是否能充分解释骑行模式的全局时间变化。对您而言，本文在假设检验框架下处理网络数据中的协变量效应，其半参数建模思路（参数+非参数分量）与您的非参数统计和假设检验兴趣直接相关，且经验过程工具是您熟悉的领域。
关键技术: semiparametric model, hypothesis testing, empirical process theory, continuous-time network model, local vs global covariates
为什么对您有用: 本文直接关联您的假设检验和非参数统计兴趣：它在一个动态网络设定下构建了半参数检验，将全局时间效应视为非参数分量，局部协变量效应视为参数分量，这正好是您熟悉的非参数统计和M估计理论可以切入的场景。从技术武器库看，您可以用very_familiar的minimax bound工具来评估该检验的幂函数是否最优，或用moderately_familiar的M估计理论分析其估计量的渐近效率。中期可做：若想将此类检验推广到更复杂的网络依赖结构，需先在moderately_familiar的semiparametric theory上加强，特别是处理网络数据中依赖性的影响函数推导。

5. 10.1080/07350015.2023.2238774 — An LM Test for the Conditional Independence between Regressors and Factor Loadings in Panel Data Models with Interactive Effects¶

作者: George Kapetanios, Laura Serlenga, Yongcheol Shin
期刊/来源: Journal of Business & Economic Statistics
机构: King's College London · University of Bari Aldo Moro · University of York
分类: vol 42 · issue 2 · pp 743-761
相关性 5/10 · novelty: new_method
摘要: 本文针对面板数据交互效应模型中回归元与因子载荷的条件独立性假设，提出了一个LM检验。在零假设下，回归元与因子载荷条件独立，此时双向固定效应估计量仍一致且稳健，无需使用更复杂的估计方法。检验基于交互效应模型的似然函数构造拉格朗日乘子统计量，适用于静态和动态面板设定，且允许因子存在序列相关。蒙特卡洛模拟表明该检验在小样本下具有满意的尺寸和功效。作者将检验应用于22个经典面板数据集，发现多数情况下零假设未被拒绝，说明双向固定效应估计在实践中可能足够。该检验为面板数据建模中的模型选择提供了实用的诊断工具。
关键技术: LM test, interactive effects panel model, conditional independence test, two-way fixed effects estimator, Lagrange multiplier statistic
为什么对您有用: 本文属于假设检验方向，直接对应您对数学统计与假设检验的兴趣。检验统计量基于似然框架构造，其渐近性质的分析可能涉及您熟悉的非参数与高维渐近工具。该检验为面板数据因果推断中的模型设定提供了诊断手段，与您关注的因果推断（特别是纵向数据）有间接关联。

6. 10.1080/07350015.2023.2210189 · arXiv — Bootstrap Inference for Panel Data Quantile Regression¶

作者: Antonio F. Galvao, Thomas Parker, Zhijie Xiao
期刊/来源: Journal of Business & Economic Statistics
分类: vol 42 · issue 2 · pp 628-639
相关性 5/10 · novelty: application
摘要: 本文针对固定效应面板分位数回归模型，开发了基于随机加权自助法的统计推断方法。研究目标是在个体内存在时间依赖（即序列相关）的条件下，为面板分位数回归的系数提供有效的置信区间和假设检验。核心方法是利用随机加权自助法（random-weighted bootstrap）对固定效应面板分位数回归估计量进行重抽样，并严格证明了该方法的渐近有效性。该方法在实现上仅需调用加权分位数回归估计，计算简便。蒙特卡洛模拟表明，所提自助法在有限样本下具有正确的覆盖率和检验水平。实证部分以环境库兹涅茨曲线为例展示了方法的应用。对您而言，本文属于经典计量经济学方法在面板数据分位数回归中的拓展，其自助法推断框架与您在高维统计和假设检验方面的兴趣有间接关联，但方法学创新性有限。
关键技术: random-weighted bootstrap, panel data quantile regression, fixed effects, temporal dependence
为什么对您有用: 本文属于假设检验与计量经济学的交叉，与您对数学统计和假设检验的兴趣有间接关联。但方法学上属于经典自助法在面板分位数回归中的推广，技术工具（随机加权自助法）不在您当前武器库的核心范围内，且未涉及您更关注的高维、半参或因果推断前沿。可作为计量经济学应用方向的背景阅读，但暂不可做直接跟进。

7. 10.1080/07350015.2023.2224850 · arXiv — Consistent Estimation of Multiple Breakpoints in Dependence Measures¶

作者: Marvin Borsch, Alexander Mayer, Dominik Wied
期刊/来源: Journal of Business & Economic Statistics
分类: vol 42 · issue 2 · pp 695-706
相关性 4/10 · novelty: new_method
摘要: 本文研究在 copula 依赖度量中一致检测多个断点的问题。设定为时间序列中依赖结构（如秩相关、尾部依赖）可能发生多次突变，目标是在未知断点位置和数量的情况下进行一致估计。方法上，从经典的二元分割（binary segmentation）扩展到更近期的野二元分割（wild binary segmentation, WBS），并证明在 AR-GARCH 滤波效应下断点位置和数量估计的一致性。核心理论工具包括 copula 模型、经验过程以及分割算法的收敛性分析。模拟基于因子 copula 和 Clayton copula 模型，展示了方法的优势和局限。实证部分使用 Euro Stoxx 50 数据，识别出依赖结构中的可解释断点。对您而言，该文将断点检测从均值/方差推广到 copula 依赖度量，与您在高维统计和假设检验方面的兴趣直接相关，且其分割算法的一致性证明思路可能迁移到您熟悉的非参数统计框架中。
关键技术: binary segmentation, wild binary segmentation, copula-based dependence measures, change point detection, AR-GARCH filtering, consistency proof
为什么对您有用: 本文连接您对假设检验（断点检测）的兴趣，具体在时间序列依赖结构的突变检测上。您武器库中'非参数统计'和'高维渐近理论'可直接用于分析其分割算法在更一般依赖度量下的性质，例如用 minimax 界验证其一致性率是否最优。中期可做：若想将方法推广到高维 copula 或更复杂的依赖结构，需先在 moderately_familiar 的 M-估计理论上长肌肉，以处理估计方程中的非光滑目标函数。

8. 10.1080/07350015.2023.2201313 — Bonferroni Type Tests for Return Predictability and the Initial Condition¶

作者: Sam Astill, David I. Harvey, Stephen J. Leybourne, A. M. Robert Taylor
期刊/来源: Journal of Business & Economic Statistics
机构: University of Essex · University of Nottingham
分类: vol 42 · issue 2 · pp 499-515
相关性 4/10 · novelty: new_method
摘要: 本文针对金融时间序列中收益率可预测性检验问题，提出对预测变量的初始条件大小和持久性程度均稳健的Bonferroni型混合检验。现有Bonferroni Q检验在强持久预测变量且初始条件渐近可忽略时功效优异，但初始条件非可忽略或预测变量弱持久时存在严重尺寸扭曲和功效损失；Bonferroni t检验虽在初始条件非可忽略时尺寸控制更优，但功效低于Q检验；弱持久情形下常规回归t检验在正态性下渐近最优。作者基于这三种检验的互补性质，构造了两个渐近尺寸受控的混合检验统计量，其功效在初始条件和持久性的各种组合下均表现良好。理论分析采用局部到单位根设定，推导了检验统计量的渐近分布，并通过蒙特卡洛模拟验证了有限样本性能。对Campbell和Yogo原始数据的实证应用表明，当预测变量初始条件估计值较大时，新混合检验比Bonferroni Q检验更可能发现可预测性证据。该工作对您的主要兴趣——假设检验和时间序列中的因果推断——有直接参考价值，特别是其处理初始条件非可忽略性的思路可迁移至纵向因果推断中的弱工具变量问题。
关键技术: Bonferroni-type hybrid test, local-to-unity asymptotics, size control under non-negligible initial condition, predictive regression, persistent predictor
为什么对您有用: 直接连接您的主要兴趣——假设检验（hypothesis testing）和时间序列中的因果推断。该文的混合检验策略可迁移至纵向因果推断中弱工具变量问题：当工具变量持久性弱或初始条件非可忽略时，现有IV检验可能尺寸扭曲，而类似Bonferroni混合方法可提供稳健推断。从技术武器库看，您对非参数统计和因果推断估计理论非常熟悉，但该文的核心工具是局部到单位根渐近和Bonferroni校正——这些不在您的武器库中（属于时间序列计量经济学），因此属于暂不可做：需要先补充时间序列单位根检验和局部到单位根渐近理论。不过作为gateway reading，该文清晰展示了如何通过组合互补检验来获得稳健性，这一思路本身值得借鉴。

经济理论 / 应用 (econ_theory, 11 篇)¶

作者: Michael Gechter
期刊/来源: Journal of Business & Economic Statistics
机构: Pennsylvania State University
分类: vol 42 · issue 2 · pp 801-811
相关性 7/10 · novelty: application
摘要: 本文研究如何将社会实验（随机对照试验）估计的处理效应从一个情境（地区/时间）推广到另一个情境。作者推导了目标情境下平均处理效应（ATE）的识别边界，该边界基于两部分信息：一是实验中可识别的由不可观测因素导致的处理效应异质性；二是利用不同情境下结果分布的差异来学习不可观测因素分布的差异。实证部分使用印度两项补习教育实验的数据，展示了该方法能从一个地点恢复另一个地点的ATE，而基准方法（直接外推）则不能。该方法为处理效应外部有效性（external validity）提供了理论框架和实证工具，属于应用因果推断中关于推广性的重要进展。对您而言，本文是经济理论与应用因果推断的交叉实例，展示了如何利用分布差异信息进行敏感性分析，其边界推导思路可迁移至您熟悉的因果推断中的identification和sensitivity analysis问题。
关键技术: partial identification, treatment effect heterogeneity, external validity, bounds on ATE, distributional differences
为什么对您有用: 本文属于经济理论（应用因果推断）方向，直接连接您的secondary interest 'economic theory (application, data sets, causal inference)'。其核心方法——利用结果分布差异构建ATE边界——与您非常熟悉的'identification theory in causal inference'和'estimation theory in causal inference'高度相关，可视为一种sensitivity analysis工具。中期可做：若您希望将此类边界方法推广至更复杂的设定（如proximal CI或纵向数据），需先在moderately_familiar的'identification theory in causal inference'上进一步巩固，特别是处理不可观测混杂时的识别策略。

2. 10.1080/07350015.2021.2011736 — Dynamic Peer Groups of Arbitrage Characteristics¶

作者: Shuyi Ge, Shaoran Li, Oliver Linton
期刊/来源: Journal of Business & Economic Statistics
机构: Tianjin University of Finance and Economics · Nankai University · Peking University · University of Cambridge
分类: vol 42 · issue 2 · pp 367-390
相关性 6/10 · novelty: application
摘要: 本文提出一个基于特征的半参数资产定价因子模型，其中错误定价函数和因子载荷函数均为特征的非参数函数，通过B样条筛分逼近，且样条系数维数随样本量发散。模型估计后，作者采用一种功效增强的假设检验方法来检验错误定价函数的存在性，该检验解决了发散维数参数导致的低功效问题，且渐近功效趋近于1。进一步，利用层次K均值聚类分析错误定价成分的结构。实证部分基于CRSP和Compustat的1967–2017年美国股票市场数据，以一年滚动窗口进行，发现某些时间段存在显著的错误定价函数，且相同特征的不同聚类会产生相似的套利收益，形成“套利特征的同侪群体”。该工作将半参数方法与金融经济学中的资产定价问题结合，对您而言，其半参数筛分估计和功效增强检验的技术思路可迁移至因果推断中的高维协变量调整或敏感性分析场景。
关键技术: B-spline sieve estimation, power-enhanced hypothesis test, diverging dimension parameters, hierarchical K-means clustering, semiparametric factor model
为什么对您有用: 本文属于经济理论（资产定价）的应用型工作，使用了半参数筛分估计和功效增强检验，与您的次要兴趣“经济理论”直接相关。您的武器库中“非参数统计”和“高维渐近”非常熟悉，可用于理解其B样条筛分的收敛性和发散维数下的检验理论，但本文的方法学创新（功效增强检验）并非您核心兴趣的因果推断或高维随机矩阵方向，属于中期可做：需先在“半参数理论”上进一步熟悉其筛分估计的渐近性质。

3. 10.1080/07350015.2023.2203768 · arXiv — Simple Inference on Functionals of Set-Identified Parameters Defined by Linear Moments¶

作者: JoonHwan Cho, Thomas M. Russell
期刊/来源: Journal of Business & Economic Statistics
机构: Rochester Institute of Technology
分类: vol 42 · issue 2 · pp 563-578
相关性 5/10 · novelty: new_method
摘要: 本文针对由线性矩不等式定义的部分识别参数，提出了一种新的推断方法，目标是得到线性泛函或标量子向量的均匀有效置信区间。该方法的核心机制是对随机扰动的线性规划问题的值函数进行自助法（bootstrap），无需在参数空间上打网格。低层条件依赖于线性规划的一般性结果，保证了均匀有效性。这种非常规的扰动方法产生的置信集在识别集上的覆盖概率为1，但在一个外集上获得精确覆盖，假设较弱且计算简单。对于从事部分识别和线性矩不等式推断的应用计量经济学研究者，本文提供了一种计算简便且理论扎实的替代方案。
关键技术: bootstrap, linear programming, partially identified parameters, moment inequalities, uniform inference
为什么对您有用: 本文属于经济理论（应用计量经济学）方向，是您的次要兴趣。它处理部分识别和线性矩不等式推断，这是一个在实证因果推断中常见的问题。您的武器库中的'identification theory in causal inference'和'estimation theory in causal inference'可以用于理解其识别策略和推断性质。本文计算简单，适合作为进入部分识别领域的入门读物，值得花时间阅读全文。

4. 10.1080/07350015.2023.2203726 — Estimation and Inference on Time-Varying FAVAR Models¶

作者: Zhonghao Fu, Liangjun Su, Xia Wang
期刊/来源: Journal of Business & Economic Statistics
机构: Shanghai University of International Business and Economics · Fudan University · Tsinghua University · Renmin University of China
分类: vol 42 · issue 2 · pp 533-547
相关性 4/10 · novelty: application
摘要: 本文提出时变因子增强向量自回归（TV-FAVAR）模型，允许因子载荷和VAR系数随时间平滑变化。首先通过局部主成分分析（PCA）估计未观测的公共因子，然后采用局部平滑方法估计TV-FAVAR参数，并建立了估计量的渐近分布。为检验时变特征的来源，作者构造了三个基于L2距离的检验统计量，推导了它们在原假设和局部备择下的渐近性质。模拟实验表明估计量和检验方法在有限样本下表现良好。对美国宏观经济数据的实证分析揭示了FAVAR模型中存在显著的结构变化，且TV-FAVAR在预测关键宏观序列上优于传统时不变模型。该工作属于经济时间序列的经典应用，方法学上以局部平滑和PCA为主，未涉及您核心关注的因果推断或高维统计前沿。
关键技术: local principal component analysis, local smoothing estimation, L2-distance-based test, time-varying factor model, factor-augmented VAR
为什么对您有用: 本文属于经济理论（宏观时间序列）的应用方向，可作为了解FAVAR模型在结构变化检测中作用的入门读物。您的武器库中非参数统计和M估计理论足以理解其局部平滑方法，但核心方法（局部PCA、时变VAR）与您的主要兴趣（因果推断、高维RMT、U统计量）交集有限，暂不可做直接跟进。

5. 10.1080/07350015.2022.2099870 — Large Spillover Networks of Nonstationary Systems¶

作者: Shi Chen, Melanie Schienle
期刊/来源: Journal of Business & Economic Statistics
机构: Karlsruhe Institute of Technology
分类: vol 42 · issue 2 · pp 422-436
相关性 4/10 · novelty: application
摘要: 本文针对非平稳宏观经济与金融系统，提出了一种基于向量误差修正模型（VECM）的大规模溢出网络构建方法。核心目标是避免通用高维方法中难以验证的技术假设，同时允许维度随样本量增长。方法上，作者提出了一种逐元素Lasso技术（elementwise Lasso）用于VECM的一致且数值高效的模型选择，并将预测误差方差分解与网络拓扑表示联系起来。推导了模型选择与网络估计的渐近性质，并开发了高效估计的细化策略，同时讨论了相关创新下的推广。模拟研究展示了中低维度下的良好有限样本表现。在OECD国家外汇汇率系统的应用中，该方法揭示了外汇市场连通性与溢出效应的新见解。对您而言，这是一篇经济理论/应用方向的实证因果推断论文，展示了如何在高维非平稳设定下构建网络模型，其分析模式（VECM+Lasso+方差分解）对您理解宏观经济数据中的因果结构有参考价值。
关键技术: Vector Error Correction Model (VECM), elementwise Lasso, forecast error variance decomposition, spillover network, Diebold-Yilmaz network theory
为什么对您有用: 本文属于经济理论（应用因果推断）方向，是您的secondary interest。它展示了在高维非平稳时间序列中构建因果网络的方法，其VECM+Lasso框架与您熟悉的high-dimensional asymptotics和estimation theory in causal inference有技术交集。作为gateway reading，本文对非专业读者较为友好，清晰阐述了模型设定与网络拓扑的关系，但核心方法（VECM、Lasso）已在您的武器库中，属于立即可做的阅读——您可以直接用现有的高维统计工具理解其渐近论证，并评估其方法在您关注的因果推断问题中的可迁移性。

6. 10.1080/07350015.2023.2223683 — Asset Pricing via the Conditional Quantile Variational Autoencoder¶

作者: Xuanling Yang, Zhoufan Zhu, Dong Li, Ke Zhu
期刊/来源: Journal of Business & Economic Statistics
机构: Tsinghua University · Shanghai University of Finance and Economics · University of Hong Kong
分类: vol 42 · issue 2 · pp 681-694
相关性 3/10 · novelty: application
摘要: 本文提出一种基于条件分位数变分自编码器（CQVAE）的资产定价模型，适用于大规模面板收益数据。核心思想是用条件分位数构造的阶梯分布函数来近似收益的条件分布，从而学习整个条件分布而非仅条件均值。CQVAE网络通过VAE网络学习潜在因子，并通过“多头”网络学习非线性因子载荷，同时允许观测协变量（如资产特征）引导因子结构。模型采用两步估计程序，并利用学习到的条件分布的均值进行资产定价，同时结合均值和方差进行投资组合选择。在60年美国股票收益数据上的实证表明，相比基准条件自编码器模型，CQVAE在样本外总R²和预测R²上显著提升，且多空和纯多头组合的夏普比率至少提高30.9%。该工作对您作为经济理论（应用因果推断）的次要兴趣有直接参考价值，展示了深度学习方法在金融资产定价中的前沿应用。
关键技术: Conditional Quantile Variational Autoencoder (CQVAE), factor structure with latent factors, multi-head network for nonlinear factor loadings, two-step estimation procedure, portfolio selection via mean and variance
为什么对您有用: 本文属于经济理论（资产定价）的应用工作，直接对应您的次要兴趣。它展示了如何将深度生成模型（VAE）与条件分位数回归结合，处理高维面板数据中的非线性因子结构，其分析模式（两步估计、样本外评估）对您理解金融数据中的因果推断问题有借鉴意义。武器库中'高维渐近'和'非参数统计'可用于理解其因子载荷的非线性建模，但核心的VAE和神经网络训练细节不在当前武器库中，属于'暂不可做'——需先补充深度学习相关工具。

7. 10.1080/07350015.2023.2203756 — The Leverage Effect Puzzle under Semi-nonparametric Stochastic Volatility Models¶

作者: Dachuan Chen, Chenxu Li, Cheng Yong Tang, Jun Yan
期刊/来源: Journal of Business & Economic Statistics
机构: Nankai University · Peking University · Temple University · Stanford University
分类: vol 42 · issue 2 · pp 548-562
相关性 3/10 · novelty: application
摘要: 本文扩展了 Aït-Sahalia, Fan, and Li (2013) 对“杠杆效应谜题”的解决方案。该谜题指：基于高频数据估计的日收益率与日波动率变化之间的经验相关性几乎为零，这与标准随机波动率模型的预测相悖。作者采用算子展开方法，在一般的半非参数随机波动率模型下工作，而非局限于 Heston 模型。在此一般设定下，他们识别出一个新的偏差来源——方差动态的灵活性，从而将杠杆效应参数与瞬时相关参数区分开来。对于杠杆效应参数的估计，他们证明 Aït-Sahalia, Fan, and Li 关于偏差来源分析和偏差校正统计程序的主要结果在此一般模型下仍然成立，具有理论稳健性。对于瞬时相关参数的估计，他们开发了一种新的非参数估计方法。本文属于应用计量经济学工作，方法学 novelty 在于将现有偏差校正理论推广到更一般的模型类，并提出了新的非参数估计量。对您而言，本文可作为经济理论（金融计量）方向的应用型入门读物，展示了半参数模型与高频数据偏差分析的实际结合。
关键技术: semi-nonparametric stochastic volatility model, operator-based expansion method, bias correction, nonparametric estimation, high-frequency data
为什么对您有用: 本文属于经济理论（金融计量）方向的应用工作，是您 secondary interest 中 'economic theory (application, data sets, model, causal inference)' 的合适入门读物。它清晰展示了半参数模型在高频金融数据偏差分析中的应用，但核心方法（算子展开、偏差校正）与您武器库中的非参数统计和估计理论有交集。作为 gateway reading，本文 exposition 对非金融背景的统计学者友好，问题（杠杆效应谜题）本身值得关注，且数据侧（高频收益率）和模型侧（随机波动率）的设定都交代清楚。武器库中的 '非参数统计' 和 '估计理论' 足以支撑理解本文的方法论核心，但若要深入跟进该方向的后续理论工作（如更一般的偏差校正框架），可能需要补充随机过程（如扩散过程）的专门知识——目前暂不可做。

8. 10.1080/07350015.2023.2200486 — Estimation of Matrix Exponential Unbalanced Panel Data Models with Fixed Effects: An Application to US Outward FDI Stock¶

作者: Ye Yang, Osman Doğan, Süleyman Taşp Inar
期刊/来源: Journal of Business & Economic Statistics
机构: Capital University of Economics and Business · Istanbul Technical University · Queens College, CUNY
分类: vol 42 · issue 2 · pp 469-484
相关性 3/10 · novelty: application
摘要: 本文提出一种矩阵指数非平衡面板数据模型，允许通过矩阵指数项捕捉跨个体和跨时间的溢出效应，同时纳入个体和时间固定效应以及异方差误差。采用基于似然的直接估计方法，联合估计公共参数和固定效应。为确保估计量具有标准大样本性质，作者展示了如何在同方差和异方差下适当调整得分函数，并将建议的估计量定义为调整后得分函数的根，从而形成M-估计框架。推断方面，提出一种解析偏差校正方法，结合样本对偶和plug-in方法一致估计方差-协方差矩阵。蒙特卡洛模拟表明该M-估计量具有良好的有限样本性质。实证部分将该模型应用于美国行业层面对外直接投资（FDI）存量中的第三国效应分析。对您而言，本文展示了面板数据模型中固定效应与空间溢出效应的联合估计策略，其M-估计和偏差校正思路可迁移至您熟悉的因果推断中的纵向数据或中介分析设定。
关键技术: M-estimation, matrix exponential spatial model, fixed effects, bias-corrected variance estimation, unbalanced panel data, score function adjustment
为什么对您有用: 本文属于经济理论（面板数据模型）的应用工作，与您的secondary interest中的经济理论方向直接相关。您的技术武器库中'非参数统计'和'M-估计理论'（moderately_familiar）可用于理解其得分调整和偏差校正的渐近性质，而'因果推断中的估计理论'（very_familiar）可帮助您将类似的空间溢出与固定效应联合估计思路迁移至纵向因果推断。本文是值得花时间读全文的入门级应用论文，因为其模型设定清晰、方法学细节完整，且实证问题（FDI溢出）对统计学家有吸引力。

9. 10.1080/07350015.2022.2146695 · arXiv — A Time-Varying Network for Cryptocurrencies¶

作者: Li Guo, Wolfgang Karl Härdle, Yubo Tao
期刊/来源: Journal of Business & Economic Statistics
机构: Fudan University · Humboldt-Universität zu Berlin · Singapore Management University
分类: vol 42 · issue 2 · pp 437-456
相关性 3/10 · novelty: application
摘要: 本文研究加密货币的时变网络结构，目标是利用收益率交叉可预测性和技术相似性来刻画风险传播与市场分割。作者提出动态协变量辅助谱聚类方法（DCASC），在时变框架下联合建模收益率预测关系和技术特征，以一致估计潜在社区结构。该方法通过引入协变量矩阵的核平滑和谱分解，解决了传统静态聚类无法捕捉网络演化的问题。理论部分证明了估计量在稀疏网络下的相合性，并给出了社区恢复的误差界。实证部分发现跨社区投资可实现更好的风险分散，基于社区间动量策略的日收益达1.08%，且该收益不能被行为因子解释。对您而言，本文展示了如何将高维统计方法（谱聚类）与因果推断思维（交叉可预测性作为网络连接度量）结合于金融经济问题，属于经济理论应用方向，可作为入门级应用论文阅读。
关键技术: dynamic spectral clustering, covariate-assisted clustering, kernel smoothing, community detection, cross-predictability network
为什么对您有用: 本文属于经济理论应用方向，与您的secondary interest（经济理论中的数据集与模型）直接相关。技术层面，您武器库中的高维渐近理论可用于分析其谱聚类估计量的相合性条件，但核心的时变核平滑与社区恢复误差界需要您先在moderately_familiar的M估计理论（如局部平稳过程的渐近）上补课——中期可做。本文作为应用论文，方法学novelty有限（主要是现有谱聚类方法的动态扩展），但实证设计（交叉可预测性网络+动量策略）值得借鉴。

10. 10.1080/07350015.2023.2221974 — A Simple Correction for Misspecification in Trend-Cycle Decompositions with an Application to Estimating r *¶

作者: James Morley, Trung Duc Tran, Benjamin Wong
期刊/来源: Journal of Business & Economic Statistics
机构: The University of Sydney · UNSW Sydney · KPMG (Australia) · Cambridge Econometrics (United Kingdom) · Monash University
分类: vol 42 · issue 2 · pp 665-680
相关性 2/10 · novelty: application
摘要: 本文针对趋势-周期分解中假设随机趋势为随机游走但估计趋势的一阶差分仍存在序列相关性的设定偏误问题，提出一种简单的修正方法。该修正通过对初步估计的趋势应用单变量Beveridge-Nelson分解来实现，无需重新估计原始模型。蒙特卡洛模拟表明，该修正方法的效果可与原始模型正确设定时相媲美。作者将方法应用于估计r*（无风险短期实际利率的趋势），发现修正后的估计比基于向量误差修正模型的多变量Beveridge-Nelson分解初步估计更平滑，暗示多变量模型中存在少量测量误差。本文属于应用计量经济学工作，方法学新颖性有限（修正步骤本质上是两阶段滤波），但实证分析完整。对您而言，本文可作为经济理论（应用因果推断）方向的入门读物，展示了时间序列分解在宏观经济学中的典型应用场景。
关键技术: Beveridge-Nelson decomposition, trend-cycle decomposition, vector error correction model, Monte Carlo simulation, measurement error correction
为什么对您有用: 本文属于经济理论（应用因果推断）方向的gateway reading，展示了时间序列分解在宏观经济学中的典型应用。您的武器库中非参数统计和估计理论可帮助理解其分解框架，但核心工具（Beveridge-Nelson分解、VECM）不在您的技术武器库中，属于暂不可做方向。不过，本文作为入门读物清晰易懂，适合快速了解宏观经济学中趋势估计的常见问题与数据特点，值得花时间读全文以建立领域直觉。

11. 10.1080/07350015.2023.2205918 — Links and Legibility: Making Sense of Historical U.S. Census Automated Linking Methods¶

作者: Arkadev Ghosh, Sam Il Myoung Hwang, Munir Squires
期刊/来源: Journal of Business & Economic Statistics
机构: BRIQ Institute on Behavior and Inequality · University of British Columbia
分类: vol 42 · issue 2 · pp 579-590
相关性 2/10 · novelty: application
摘要: 本文研究手写可读性如何影响美国人口普查跨轮次个体匹配算法的性能。作者提出了一种可读性度量方法，并在1940年美国人口普查中大规模实施，发现普查区层面的可读性存在显著差异。利用普查区边界不连续性，估计了低可读性对链接样本质量的因果效应，以链接率和验证链接份额为衡量指标。估计结果表明，在八种链接算法中，完全可读性可使链接率提高5-10个百分点。该研究为理解历史数据转录质量对基于记录链接的实证研究的影响提供了因果证据。对您而言，这是一篇应用因果推断方法（边界断点回归）于经济史数据链接问题的实证论文，展示了因果识别策略在非标准数据场景下的应用。
关键技术: record linkage, boundary discontinuity design, causal effect estimation, handwriting legibility measure
为什么对您有用: 本文属于经济史领域的应用因果推断工作，使用边界断点设计估计可读性对链接质量的因果效应，与您的secondary interest 'economic theory (application, data sets, causal inference)'直接相关。武器库中'identification theory in causal inference'（moderately_familiar）可用于理解其识别策略的假设和有效性。本文作为gateway reading，展示了因果方法在历史数据质量评估中的应用，值得花时间读全文以了解其数据构造和分析模式。

其他 (other, 7 篇)¶

1. 10.1080/07350015.2023.2200514 · arXiv — Backtesting Systemic Risk Forecasts Using Multi-Objective Elicitability¶

作者: Tobias Fissler, Yannick Hoga
期刊/来源: Journal of Business & Economic Statistics
分类: vol 42 · issue 2 · pp 485-498
相关性 5/10 · novelty: new_method
摘要: 本文研究系统性风险度量（CoVaR、CoES、MES）的回测问题。首先证明这些风险度量不可被单一得分函数elicitable和identifiable，导致传统的点预测比较与验证方法失效。利用多目标可elicitable性（multi-objective elicitability）的概念，通过配备字典序的双变量得分函数来解决这一问题。基于此，提出Diebold-Mariano类型的检验来比较系统性风险预测，并给出易于应用的交通灯方法。实证部分应用于DAX 30和S&P 500回报数据，为监管机构提供建议。该文主要贡献在金融风险度量领域，方法学上涉及可elicitable性理论，但核心工具（双变量得分、字典序）与您的主要兴趣方向（因果推断、高维统计、U统计量）关联较弱。
关键技术: multi-objective elicitability, lexicographic scoring, Diebold-Mariano test, CoVaR/CoES/MES
为什么对您有用: 本文属于金融计量领域，与您的主要兴趣方向（因果推断、高维统计、U统计量）无直接关联。方法学上涉及可elicitable性理论，但核心工具（双变量得分、字典序）不在您的技术武器库中，且未涉及您熟悉的非参/半参效率理论或高维渐近。作为gateway reading价值有限，因为金融风险度量的设定与您的统计计算-复杂度权衡兴趣方向距离较远。暂不可做。

2. 10.1080/07350015.2023.2238790 — Dynamic Autoregressive Liquidity (DArLiQ)¶

作者: Christian M. Hafner, Oliver B. Linton, Linqi Wang
期刊/来源: Journal of Business & Economic Statistics
机构: University of Cambridge
分类: vol 42 · issue 2 · pp 774-785
相关性 4/10 · novelty: application
摘要: 本文提出一类新的半参数动态自回归模型（DArLiQ），用于刻画Amihud非流动性测度。模型将非流动性序列的长期趋势用非参数成分捕捉，短期动态用自回归成分刻画，形成半参数结构。估计方面，作者基于条件矩约束发展了广义矩估计（GMM）方法，并在独立同分布假设下提出了有效的半参数极大似然（ML）估计。文章推导了估计量的大样本性质，包括一致性和渐近正态性。实证部分使用S&P 500指数数据，展示了模型拟合效果，并探讨了非流动性过程的不同成分与股票市场风险溢价的关系。该文属于金融计量经济学应用，方法学贡献在于将半参数建模与流动性测度结合，但核心工具（GMM、半参数ML）较为经典，未涉及因果推断、高维统计或U统计量等您的主要兴趣方向。
关键技术: semiparametric autoregressive model, generalized method of moments (GMM), semiparametric maximum likelihood, Amihud illiquidity measure, conditional moment restrictions
为什么对您有用: 本文属于金融计量应用，与您的主要兴趣（因果推断、高维统计、U统计量等）无直接关联。武器库中的非参数统计和半参数理论可帮助理解其模型设定，但方法本身较为经典，缺乏新颖的理论或计算挑战。作为经济理论（secondary interest）的应用文章，它展示了半参数模型在流动性分析中的使用，但方法学深度有限，不值得优先投入时间阅读全文。

3. 10.1080/07350015.2021.2011299 — Modeling Functional Time Series and Mixed-Type Predictors With Partially Functional Autoregressions¶

作者: Xiaofei Xu, Ying Chen, Ge Zhang, Thorsten Koch
期刊/来源: Journal of Business & Economic Statistics
机构: Waseda University · National University of Singapore · Zuse Institute Berlin · Technische Universität Berlin
分类: vol 42 · issue 2 · pp 349-366
相关性 4/10 · novelty: new_method
摘要: 本文提出部分函数自回归模型（pFAR），用于建模函数型时间序列与高维混合类型预测变量之间的动态依赖关系。模型通过定义在二维曲面上的系数算子刻画曲线序列的自相关结构，并采用双层正则化（two-layer regularization）估计混合类型预测变量的个体与组效应。估计方法基于B样条筛（sieve）近似，结合前向选择准则确定筛维数与调优参数，并证明了估计量的一致性与变量选择相合性。数值模拟验证了模型对依赖结构的准确检测能力。在德国天然气日流量曲线数据的实际应用中，模型包含7个滞后曲线与85个标量预测变量，在预测精度上优于对比方法，并揭示了市政、工业与边境节点的天然气供需动态。
关键技术: partially functional autoregressive model, sieve estimation, two-layer regularization, B-spline basis, forward-looking criterion
为什么对您有用: 本文属于函数型数据分析与时间序列交叉领域，与您的主要兴趣（高维统计、非参数理论）有间接关联，但核心方法（函数型自回归、筛估计）不在您当前武器库的熟悉项内。作为gateway reading，本文对函数型时间序列建模的设定与正则化策略有清晰阐述，但缺乏与您核心方向（因果推断、U统计量、效率理论）的直接连接。暂不可做——核心机器（函数型数据分析、算子估计）不在武器库中。

4. 10.1080/07350015.2023.2252039 · arXiv — Large Order-Invariant Bayesian VARs with Stochastic Volatility¶

作者: Joshua C. C. Chan, Gary Koop, Xuewen Yu
期刊/来源: Journal of Business & Economic Statistics
分类: vol 42 · issue 2 · pp 825-837
相关性 3/10 · novelty: application
摘要: 本文针对大型向量自回归（VAR）模型中的变量顺序不变性问题，提出了一种新的贝叶斯估计方法。传统VAR模型因使用误差协方差矩阵的下三角参数化（如Cholesky分解），导致模型结果依赖于变量顺序，且在高维（大p）情形下该问题更为严重。作者提出一种避免下三角参数化的规范，并证明在多元随机波动率（SV）假设下模型是可识别的且具有顺序不变性。方法上，开发了用于贝叶斯估计和预测的马尔可夫链蒙特卡洛（MCMC）算法。在模拟和20变量宏观经济数据集的预测实验中，顺序不变方法优于传统方法，且变量顺序选择对预测精度有不可忽视的影响。该文属于贝叶斯时间序列计量经济学的方法论贡献，与您的主要兴趣（因果推断、高维统计）无直接技术重叠，但大型VAR的识别和计算问题对宏观经济学应用有参考价值。
关键技术: Bayesian VAR, stochastic volatility, order invariance, MCMC, Cholesky decomposition
为什么对您有用: 本文属于经济理论（宏观计量）的应用工作，与您的secondary interest（经济理论）相关。但方法核心是贝叶斯VAR和MCMC，与您武器库中的非参数统计、高维渐近等工具无直接接口，且不涉及因果推断或效率理论。作为入门读物，它清晰展示了大型VAR中顺序不变性的实际重要性，但技术深度有限。暂不可做：核心机器（贝叶斯MCMC、随机波动率建模）不在您的武器库中，且无直接可迁移的方法学问题。

5. 10.1080/07350015.2023.2203207 — Jumps or Staleness?¶

作者: Aleksey Kolokolov, Roberto Renò
期刊/来源: Journal of Business & Economic Statistics
机构: Manchester School of Architecture · École Supérieure des Sciences Économiques et Commerciales
分类: vol 42 · issue 2 · pp 516-532
相关性 3/10 · novelty: application
摘要: 本文研究金融数据中零收益率（stale prices）对跳跃推断的严重影响。在资产价格的高频数据中，即使少量的零回报也会导致标准跳跃检验方法产生大量误报。作者采用对价格粘性稳健的跳跃估计量（staleness-robust estimators），重新评估了金融市场中跳跃的统计特征。实证结果表明，跳跃的实际发生频率远低于以往文献的估计，且跳跃对价格变动的贡献也小得多。特别地，先前文献中“波动率由纯跳跃过程驱动”的结论被证明是价格粘性造成的伪像。该研究对高频金融计量和波动率建模具有重要启示。
关键技术: staleness-robust jump estimators, high-frequency financial data, jump detection, zero returns, volatility modeling
为什么对您有用: 本文属于经济理论（金融计量）的应用工作，与您的secondary interest（经济理论）中的数据集和模型方向相关。文章展示了价格粘性如何扭曲标准推断，这一分析模式对您在高维统计或因果推断中处理测量误差或缺失数据问题有参考价值。作为入门读物，本文方法学新颖性有限（主要是应用现有稳健方法），但实证分析思路清晰，值得花时间阅读全文以了解金融数据中的特殊挑战。

6. 10.1080/07350015.2024.2326778 — Introduction to the Special Issue on Statistics of Dynamic Networks¶

作者: Wolfgang Härdle, Melanie Schienled
期刊/来源: Journal of Business & Economic Statistics
机构: National Yang Ming Chiao Tung University · Charles University · Humboldt-Universität zu Berlin · Bucharest University of Economic Studies · Karlsruhe Institute of Technology · Heidelberg Institute for Theoretical Studies
分类: vol 42 · issue 2 · pp 347-348
相关性 2/10 · novelty: survey
摘要: 本文是《Journal of Business & Economic Statistics》关于动态网络统计的特刊引言。该特刊聚焦于经济与金融系统中随时间演化的相互依赖关系，这些关系对个体、企业或监管决策至关重要。引言概述了动态网络分析在经济学和金融学中的重要性，并简要介绍了特刊收录的论文主题，包括网络建模、估计和推断方法。文章本身不包含具体的方法论贡献或实证结果，而是作为特刊的导览。对于您而言，这是一篇编辑性文章，缺乏技术细节，与您的主要研究兴趣（因果推断、高维统计、U-统计量等）无直接关联。
为什么对您有用: 本文为特刊引言，不包含具体方法论或实证分析，与您的主要研究兴趣（因果推断、高维统计、U-统计量等）无直接关联。作为一篇编辑性文章，它不提供可迁移的技术工具或可深入阅读的数据分析模式。因此，不值得花费时间阅读全文。

7. 10.1080/07350015.2023.2239869 — Generalized Autoregressive Positive-valued Processes¶

作者: Bruno Feunou
期刊/来源: Journal of Business & Economic Statistics
机构: Bank of Canada
分类: vol 42 · issue 2 · pp 786-800
相关性 2/10 · novelty: new_method
摘要: 本文提出广义自回归正值过程（GARP），将现有自回归正值过程（ARP）扩展为允许每个条件矩动态由不同的、可识别的变量移动平均驱动。文章给出了GARP过程的遍历性条件，并推导了条件矩和无条件矩的闭式表达式。同时提供了估计和推断方法，并通过欧洲期权定价的应用实例展示了GARP过程相比ARP过程显著降低定价误差的效果。该工作主要贡献于时间序列建模和金融计量领域，与您的主要研究兴趣（因果推断、高维统计、U统计量等）无直接技术交集。
关键技术: autoregressive positive-valued processes, conditional moment dynamics, ergodicity conditions, closed-form moments, option pricing
为什么对您有用: 本文属于时间序列计量经济学应用，与您的主要兴趣（因果推断、高维统计、U统计量）和方法库（非参、极小极大界、高阶U统计量计算）无直接连接。作为经济理论方向的次要兴趣，本文提供了金融时间序列建模的新工具，但方法学新颖性有限，且未涉及您武器库中的核心工具。暂不可做：核心机器（时间序列遍历性、矩闭式推导）不在武器库中。

Maintained by 陈星宇 · Homepage · Source on GitHub