JCGS — Vol 34 Issue 2 · 2026-07-13¶

共 9 篇 · Journal of Computational and Graphical Statistics
目录核对 ⚠️ 疑似漏 22 篇（对照 OpenAlex 31 篇）：10.1080/10618600.2024.2374584、10.1080/10618600.2024.2388604、10.1080/10618600.2024.2402278、10.1080/10618600.2024.2402904、10.1080/10618600.2024.2380051 等

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 JCGS 整体围绕高维与函数型数据的计算统计方法展开，同时覆盖时间序列推断与空间统计计算。主线可归纳为三条：一是高维函数型与多变量回归中的特征选择与估计（FAStEN、CoMPAdRe），二是非参数与分布式计算（3D点云分布式学习、非平稳空间协方差估计），三是时间序列与变点检测的推断与算法（时变系数自助法、多尺度变点检测）。此外，还有投影寻踪可视化、MCMC方差估计、贝叶斯交叉验证近似等单篇方法贡献。

高维函数型与多变量回归是本期最突出的主题。FAStEN 针对高维函数型回归（函数对函数、标量对函数），融合 FPCA 与稀疏对偶优化，实现特征选择与估计的统一，并证明渐近 oracle 性质。CoMPAdRe 则处理多变量稀疏可加模型，同时区分线性/非线性效应并利用响应间协方差结构提升效率，其并行计算策略值得关注。两篇均涉及高维惩罚回归，但分别面向函数型与多变量响应，工具上 FAStEN 侧重稀疏优化，CoMPAdRe 侧重协方差辅助惩罚。

非参数与分布式计算是另一条主线。3D点云分布式学习提出通信高效的局部样条聚合框架，仅需一次通信即达到全局收敛率，适合大规模点云数据。非平稳空间协方差估计则用 ConvNet 自动划分子区域，结合 ExaGeoStat 实现大规模似然计算，展示了深度学习与传统空间统计的融合。两篇均处理大规模数据，但前者强调分布式通信，后者强调子区域自动划分。

时间序列与变点检测方面，时变系数模型的自助法（LBWB）针对局部平稳过程，通过局部分块野自助构建置信带，覆盖精度优于传统方法。Ms.FPOP 则提供精确变点检测算法，多尺度惩罚下达到最优速率，且对长序列（n≥10^5）呈准线性复杂度。两篇均涉及时间序列结构，但前者聚焦推断，后者聚焦分割算法。

其余单篇中，投影寻踪指标（Is This Normal?）提供高维偏离检验的可视化工具，MCMC方差估计（Multivariate Moment Least-Squares）扩展至多变量可逆链，贝叶斯交叉验证近似（Approximate Cross-Validated）针对分层模型加速。若您关注因果推断，本期无直接因果论文；若关注半参数效率，FAStEN 的 oracle 性质与 CoMPAdRe 的协方差辅助设计值得优先看；若关注高维方法，FAStEN 与 CoMPAdRe 最直接；若关注时间序列推断，LBWB 自助法为首选。

数理统计 / 假设检验 (hypothesis_testing, 1 篇)¶

1. 10.1080/10618600.2024.2403705 — Bootstrap Inference for Linear Time-Varying Coefficient Models in Locally Stationary Time Series¶

作者: Yicong Lin, Mingxuan Song, Bernhard van der Sluis
期刊/来源: Journal of Computational and Graphical Statistics
机构: Tinbergen Institute · Vrije Universiteit Amsterdam · Erasmus University Rotterdam
分类: vol 34 · issue 2 · pp 654-667
相关性 5/10 · novelty: application
摘要: 本文针对局部平稳时间序列中的线性时变系数模型，提出了一种新的局部分块野自助法（LBWB）来构建系数曲线的置信带。传统残差筛自助法仅适用于严格平稳过程，而LBWB通过局部分块和野自助机制，能够有效复制参数估计的分布并自动处理各种 nuisance 参数。模拟研究表明，LBWB在覆盖精度上显著优于多种基准方法，并展示了在时变协整模型等更广泛场景中的潜力。理论方面，作者给出了LBWB一致性的渐近论证，但未涉及半参效率界或高阶影响函数。实证部分应用于中国可再生能源市场的羊群效应检测，发现2016年前存在显著羊群行为，而2018-2021年间则无显著证据。对您而言，本文的 bootstrap 方法在时间序列因果推断（如纵向数据中的时变处理效应）中具有潜在应用价值，但方法学 novelty 有限，主要是现有技术的组合与扩展。
关键技术: local blockwise wild bootstrap, time-varying coefficient model, locally stationary time series, confidence band, sieve bootstrap
为什么对您有用: 本文属于 hypothesis_testing 方向，具体是时间序列中时变系数的 bootstrap 推断。您的武器库中 'nonparametric statistics' 和 'high-dimensional asymptotics' 可以直接用于理解其渐近理论，但核心的 bootstrap 机制与您的 higher-order U-statistics 或 semiparametric theory 无直接交叉。中期可做：若您想将类似 bootstrap 方法用于因果推断中的时变效应，需先在 'identification theory in causal inference' 上熟悉纵向设定。暂不可做：本文不涉及您最核心的 higher-order U-statistics 或 efficiency theory。

统计计算 / 算法 (stat_computing, 8 篇)¶

1. 10.1080/10618600.2024.2407464 · arXiv — FAStEN: An Efficient Adaptive Method for Feature Selection and Estimation in High-Dimensional Functional Regressions¶

作者: Tobia Boschi, Lorenzo Testa, Francesca Chiaromonte, Matthew Reimherr
期刊/来源: Journal of Computational and Graphical Statistics
分类: vol 34 · issue 2 · pp 567-579
相关性 7/10 · novelty: new_method
摘要: 本文针对高维函数型回归（函数对函数、标量对函数）中的特征选择与参数估计问题，提出了一种名为 FAStEN 的自适应高效方法。该方法融合了函数型主成分分析（FPCA）、稀疏优化（Dual Augmented Lagrangian）与机器学习技术，将特征选择与估计统一在一个框架中。核心创新在于利用 FPCA 基展开和稀疏对偶问题的结构，大幅降低了计算复杂度，并引入自适应权重机制提升选择精度。理论上，作者推导了 FAStEN 估计量的渐近 oracle 性质，保证了估计与选择的一致性。模拟实验表明，与现有最优方法相比，FAStEN 在 CPU 时间和选择性能上均有巨大提升，且系数估计质量不下降。最后，论文将方法应用于 AOMIC PIOP1 研究的脑 fMRI 数据，并提供了完整代码。对于您而言，本文展示了如何在高维函数型数据中通过优化技巧实现计算效率的突破，其计算策略（如利用稀疏结构加速）对您关注的统计计算与算法设计方向有直接参考价值。
关键技术: Functional Principal Component Analysis, Dual Augmented Lagrangian, adaptive lasso, oracle property, sparse optimization, function-on-function regression
为什么对您有用: 本文属于统计计算方向，直接对接您 primary interest 中的 'statistical computing (numerical methods, algorithm)'。其核心贡献在于利用 FPCA 和稀疏对偶问题的结构来显著降低计算成本，这种 '利用问题结构加速' 的思路与您武器库中 'software development' 和 'high-dimensional asymptotics' 高度契合。您可以用 very_familiar 的 minimax 工具验证其 oracle 性质的紧性，或用 moderately_familiar 的 M-estimation 理论分析其自适应权重的收敛行为。中期可做：若想将类似加速策略推广到更高阶的 U-统计量计算，需先在 moderately_familiar 的 'theory of higher-order U-statistics' 上深入，理解其 tensor 结构如何与稀疏优化结合。

2. 10.1080/10618600.2024.2407453 · arXiv — Covariance Assisted Multivariate Penalized Additive Regression (CoMPAdRe)¶

作者: Neel Desai, Veerabhadran Baladandayuthapani, Russell T. Shinohara, Jeffrey S. Morris
期刊/来源: Journal of Computational and Graphical Statistics
分类: vol 34 · issue 2 · pp 591-600
相关性 6/10 · novelty: new_method
摘要: 本文提出 CoMPAdRe 方法，用于多变量稀疏可加模型的变量选择与估计，同时处理响应变量间的相关误差。该方法能区分每个预测变量的零效应、线性效应与光滑非线性效应，并通过联合估计响应间的稀疏残差结构来提升效率。核心机制是将线性与非线性协变量的选择与估计并行化，利用协方差结构辅助惩罚回归。模拟表明，在信噪比适中的场景下，联合多变量建模相比单响应方法在估计效率和选择准确性上均有提升。应用部分使用乳腺癌通路中的蛋白-mRNA 表达数据，识别了多个通路的非线性 mRNA-蛋白关联及蛋白-蛋白子网络。对您而言，本文的并行计算策略与协方差辅助惩罚回归的设计，可作为统计计算中处理高维相关响应问题的参考案例。
关键技术: penalized additive regression, multivariate sparse additive models, covariance-assisted estimation, parallel computation, variable selection with correlated errors
为什么对您有用: 本文属于统计计算方法论文，与您的 primary interest 中的统计计算（数值方法、算法）直接相关。其并行化处理线性/非线性选择的技术，可与您 very_familiar 的软件开发和 high-dimensional asymptotics 工具结合，用于评估算法效率或扩展至更复杂的协方差结构。中期可做：需先在 moderately_familiar 的 M-estimation theory 上巩固，以理解其惩罚框架的理论性质。

3. 10.1080/10618600.2024.2406301 — Efficient Nonparametric Estimation of 3D Point Cloud Signals through Distributed Learning¶

作者: Guannan Wang, Yuchun Wang, Annie S. Gao, Li Wang, Alzheimer’s Disease Neuroimaging Initiative
期刊/来源: Journal of Computational and Graphical Statistics
机构: William & Mary · George Mason University · Alzheimer’s Disease Neuroimaging Initiative
分类: vol 34 · issue 2 · pp 746-758
相关性 5/10 · novelty: new_method
摘要: 本文针对3D点云数据（如医学成像中的脑结构数据）提出了一种非参数分布式学习框架（NPD），核心设定是数据分散在多个节点上，目标是在通信受限下估计定义在三角剖分域上的三变量样条平滑函数。方法上，NPD算法采用局部样条基展开，各节点独立计算局部估计后通过加权平均聚合，仅需一次通信即可得到全局估计，实现了近线性的加速比。理论部分证明，在正则条件下NPD样条估计量达到与全局样条估计量相同的收敛速度，并达到Stone最优非参数收敛率。模拟和ADNI真实数据实验表明，NPD在保持精度的同时显著降低了计算和通信成本。对您而言，本文的分布式非参数框架与您的统计计算兴趣直接相关，其通信高效的聚合策略可迁移到您熟悉的U-统计量分布式计算场景中，属于中期可做方向——需先在 moderately_familiar 的HOIF理论中积累分布式推断经验。
关键技术: trivariate spline smoothing, triangulation-based domain partitioning, distributed learning with one-shot communication, nonparametric convergence rate, near-linear speedup
为什么对您有用: 本文直接对应您的 primary interest 中的 statistical computing 子方向，特别是分布式计算与通信效率问题。您非常熟悉的 nonparametric statistics 和 minimax bounds 工具可直接用于分析其收敛率是否紧，而您 moderately_familiar 的 HOIF 理论可进一步探索分布式样条估计的高阶改进。中期可做：将本文的 one-shot 聚合策略与您擅长的 U-统计量 tensor contraction 结合，设计通信高效的分布式高阶U-统计量估计器，需先补足分布式推断的分解-聚合理论。

4. 10.1080/10618600.2025.2468785 · arXiv — Is This Normal? A New Projection Pursuit Index to Assess a Sample Against a Multivariate Null Distribution¶

作者: Annalisa Calvi, Ursula Laa, Dianne Cook
期刊/来源: Journal of Computational and Graphical Statistics
分类: vol 34 · issue 2 · pp 771-777
相关性 4/10 · novelty: application
摘要: 本文针对多变量数据中“新样本是否偏离参考分布”的检验问题，提出一种基于投影寻踪（projection pursuit）的引导式可视化方法。参考分布被设定为多元正态分布，目标是比较新样本与参考分布之间的差异。核心贡献是定义了一个新的投影寻踪指标（index），该指标在低维投影空间中量化新样本与参考椭球（analytically computed projected ellipse）的偏离程度。方法通过引导式tour（guided tour）生成一系列低维投影序列，并自动导向差异最大的方向，从而支持高维数据的可视化诊断。所有方法已在R包tourr中实现。本文属于计算统计与可视化方法，不涉及新的渐近理论或效率界，但为多变量分布检验提供了一种直观、可交互的探索工具。对您而言，该工作展示了如何将投影寻踪与引导式可视化结合用于分布比较，可作为统计计算与可视化方向的入门参考，但方法学深度有限。
关键技术: projection pursuit, guided tour, projected ellipse, multivariate visualization, R package tourr
为什么对您有用: 本文属于统计计算与可视化方向，与您的primary interest中的“statistical computing”直接相关。您武器库中的“software development”和“high-dimensional asymptotics”可帮助您理解其实现逻辑并评估其在高维下的表现。本文是gateway-reading性质，适合作为统计计算与可视化方法的入门读物，但方法学贡献有限，不值得深入精读。

5. 10.1080/10618600.2024.2407458 — Multivariate Moment Least-Squares Variance Estimators for Reversible Markov Chains¶

作者: Hyebin Song, Stephen Berg
期刊/来源: Journal of Computational and Graphical Statistics
机构: Pennsylvania State University
分类: vol 34 · issue 2 · pp 409-421
相关性 4/10 · novelty: new_method
摘要: 本文针对可逆马尔可夫链的多变量函数，提出了一种新的自协方差序列和渐近方差矩阵估计方法。该方法基于 Berg 和 Song 先前为单变量函数提出的矩最小二乘（momentLS）估计器，通过将其扩展至多变量情形，同时估计各分量的自相关和分量间的互相关。估计器利用了可逆链的 shape-constrained 性质，保证了自协方差序列的合理性。作者证明了所提自协方差序列和渐近方差矩阵估计量的强相合性。模拟和实际数据（包括随机游走 Metropolis 和 STAN 的 No-U-Turn 采样器）的比较表明，该方法在估计精度和有效样本量评估上优于现有方法。对您而言，本文属于统计计算中的 MCMC 不确定性评估问题，与您的软件开发和数值方法兴趣直接相关，且其多变量扩展思路可迁移至您熟悉的因果推断中纵向数据的方差估计。
关键技术: moment least squares, autocovariance sequence estimation, reversible Markov chain, multivariate asymptotic variance, shape-constrained estimation, MCMC uncertainty assessment
为什么对您有用: 本文属于统计计算（MCMC 不确定性评估）方向，是您 secondary interest 中统计计算的具体应用。您的武器库中“软件开发和数值方法”可直接用于实现和扩展该多变量 momentLS 估计器；此外，该工作对多变量自协方差矩阵的强相合估计，可迁移至您 primary interest 中纵向因果推断的方差估计问题（如 g-computation 或 IPW 估计量的方差）。本文是 gateway reading，值得花时间读全文以了解其方法细节和实现。

6. 10.1080/10618600.2024.2402895 — Ms.FPOP: A Fast Exact Segmentation Algorithm with a Multiscale Penalty¶

作者: Arnaud Liehrmann, Guillem Rigaill
期刊/来源: Journal of Computational and Graphical Statistics
机构: Institut des Sciences des Plantes de Paris Saclay · Laboratoire Analyse et Modélisation pour la Biologie et l'Environnement · Laboratoire de Mathématiques Blaise Pascal · Laboratoire de Mathématiques et Modélisation d'Évry
分类: vol 34 · issue 2 · pp 707-717
相关性 4/10 · novelty: new_method
摘要: 本文针对分段常数均值时间序列的变点检测问题，提出了一种精确动态规划算法 Ms.FPOP，用于最小化带有多尺度惩罚的最小二乘准则。该多尺度惩罚由 Verzelen 等人提出，在非渐近场景下达到了变点检测与定位的最优速率。Ms.FPOP 将 Rigaill 和 Maidstone 等人的函数剪枝思想扩展到多尺度惩罚上，通过剪枝无效候选解实现加速。对于大信号（n≥10^5）且变点稀疏的情况，Ms.FPOP 经验上呈准线性复杂度，显著快于将 PELT 应用于同一惩罚时的二次复杂度。算法用 C++ 实现并配有 R 接口，可在数秒内分割 n=10^6 的序列。此外，算法允许施加最小段长约束，具有一般性。模拟表明，当序列足够长（n≥10^4）时，Ms.FPOP 结合 Verzelen 惩罚比用 BIC 惩罚的经典方法更有效。对您而言，该算法展示了如何将函数剪枝这一计算技巧推广到更复杂的惩罚结构，是统计计算中算法设计与复杂度分析的优秀案例，与您的统计计算兴趣直接相关。
关键技术: functional pruning, dynamic programming, multiscale penalty, changepoint detection, PELT, C++ implementation
为什么对您有用: 本文属于统计计算方向，直接对应您的 primary interest 中的 'statistical computing (numerical methods, algorithm)'。您武器库中的 'software development' 和 'high-dimensional asymptotics' 可用于理解其算法复杂度分析（准线性 vs 二次）和验证其最优性声称。该文是 gateway reading，清晰展示了函数剪枝这一计算技巧如何推广，武器库足以支撑您进入该方向，值得花时间读全文。

7. 10.1080/10618600.2024.2404711 · arXiv — Approximate Cross-Validated Mean Estimates for Bayesian Hierarchical Regression Models¶

作者: Amy Zhang, Michael J. Daniels, Changcheng Li, Le Bao
期刊/来源: Journal of Computational and Graphical Statistics
分类: vol 34 · issue 2 · pp 488-497
相关性 4/10 · novelty: new_method
摘要: 本文针对贝叶斯分层回归模型（BHRM）的交叉验证计算瓶颈，提出一种近似方法。BHRM 因包含高斯过程或高斯马尔可夫随机场等复杂依赖结构，完整重跑 CV 的计算成本极高。作者将 CV 问题从概率采样转化为一个条件于方差-协方差参数的优化问题，从而避免逐折重估。该方法适用于留一法 CV 和留一簇法 CV，后者对复杂依赖模型更合适。理论分析表明，在许多情况下近似估计等价于完整 CV。模拟和公开数据实验验证了方法的有效性，并与多种现有 CV 近似方法进行了比较。对您而言，本文属于统计计算中的算法加速技巧，与您对统计计算（数值方法、算法）的兴趣直接相关，可作为轻量级入门阅读。
关键技术: cross-validation approximation, Bayesian hierarchical regression, Gaussian Markov random field, leave-one-out CV, leave-one-cluster-out CV, optimization-based approximation
为什么对您有用: 本文属于统计计算中的算法加速技巧，直接连接您对统计计算（数值方法、算法）的兴趣。武器库中的软件开发和 M-estimation 理论可用于分析其近似误差的收敛性。作为 gateway reading，本文门槛低、问题清晰，适合快速了解贝叶斯 CV 近似这一子方向，但核心机器（贝叶斯计算、分层模型）不在您的武器库中，属于暂不可做。

8. 10.1080/10618600.2024.2402277 · arXiv — Efficient Large-Scale Nonstationary Spatial Covariance Function Estimation Using Convolutional Neural Networks¶

作者: Pratik Nag, Yiping Hong, Sameh Abdulah, Ghulam A. Qadir, Marc G. Genton, Ying Sun
期刊/来源: Journal of Computational and Graphical Statistics
分类: vol 34 · issue 2 · pp 683-696
相关性 4/10 · novelty: new_method
摘要: 本文针对大规模非平稳空间过程建模中的计算挑战，提出用卷积神经网络（ConvNet）自动划分空间子区域，替代传统主观分区方法。在每个子区域内假设平稳性，拟合非平稳 Matérn 协方差函数，并通过 ExaGeoStat 软件实现大规模精确高斯似然计算。核心机制是：ConvNet 从数据中学习子区域边界，使各子区域内部近似满足平稳性假设，从而降低非平稳建模的复杂度。方法在合成数据和真实气候数据集上验证，参数估计精度优于传统用户定义分区。对您而言，本文展示了统计计算中深度学习与传统空间统计的融合，属于 gateway reading 范畴——若您想进入大规模空间统计计算方向，本文提供了清晰的软件工具链（ExaGeoStat）和可复现的 pipeline。
关键技术: Convolutional Neural Networks (ConvNets), nonstationary Matérn covariance, ExaGeoStat software, spatial partitioning, large-scale Gaussian process likelihood
为什么对您有用: 本文属于统计计算方向，与您的 primary interest 中“statistical computing (numerical methods, algorithm)”直接相关。您的 technical arsenal 中 very_familiar 的“software development”和“high-dimensional asymptotics”可帮助您快速理解 ExaGeoStat 的并行计算架构和似然近似的误差分析。中期可做：若您想将类似的分区思想推广到更高阶的时空非平稳模型，需先在 moderately_familiar 的“M-estimation theory”上加强，以处理分区估计的渐近性质。

Maintained by 陈星宇 · Homepage · Source on GitHub