Technometrics — Vol 66 Issue 4 · 2026-07-13¶

共 20 篇 · Technometrics
目录核对 ✅ 20 篇全部抓到（对照 OpenAlex 20 篇）

本期导览¶

自动生成：归纳本期主要主题与脉络，不打分、不排名。

这一期《Technometrics》第66卷第4期的20篇论文，整体上可归纳为三条主线：统计计算与序贯/联邦设计（约5篇，涉及模拟器校准、联邦张量回归、贝叶斯优化、符号回归书评）、函数型数据与稳健方法（约4篇，涵盖函数型协方差估计、控制图、异常检测、图像比较）、以及应用导向的综述与书评（约7篇，包括癌症筛查、信息价值、工业过程监控等）。此外，还有少量论文涉及时间序列边界追踪、集合敏感性分析、在线异常检测等分散主题。因果推断方向仅有一篇，聚焦于数据流下的偏移调整。

在统计计算主线中，Augmenting a Simulation Campaign 提出了KOH框架下闭合形式的IMSPE准则，用于序贯获取模拟器数据，其空间填充与校准参数集中采样的结合，以及闭合梯度优化，对非参数统计中的实验设计有直接参考价值。Federated Multiple Tensor-on-Tensor Regression 则处理多站点多模态数据，通过ADMM实现联邦张量回归，其收敛性分析和张量分解降维思路，适用于数据共享受限的高维场景。Constrained Bayesian Optimization 将LCB采集函数扩展至约束优化，虽方法学新颖性有限，但提供了理论收敛保证。函数型数据主线中，Minimum Regularized Covariance Trace Estimator 通过子集选择和自动化正则化实现稳健协方差估计，其subset-based思路可迁移至高维协方差估计。Robust Multivariate Functional Control Chart 则模块化地处理函数型个案与分量异常，鲁棒降维与缺失插补设计对函数型数据预处理有实用价值。Detection of Emergent Anomalous Structure 利用主微分分析和CUSUM进行顺序监控，推导了误报率控制性质。

与因果推断最贴合的论文是 Sequential Data Integration Under Dataset Shift，它处理流式数据下的参数估计更新，通过加权似然和偏移权重实现一致估计，其在线更新框架与纵向因果推断中的时变处理效应估计有潜在联系。半参数/非参数方向，Building Trees for Probabilistic Prediction 通过评分规则优化决策树分裂，生成非参数预测分布，适合不确定性量化场景。高维方向，Federated Multiple Tensor-on-Tensor Regression 和 Minimum Regularized Covariance Trace Estimator 分别涉及张量分解降维和正则化协方差估计，值得优先关注。

因果推断 (causal_inference, 1 篇)¶

1. 10.1080/00401706.2024.2350436 — Sequential Data Integration Under Dataset Shift¶

作者: Ying Sheng, Jing Qin, Chiung-Yu Huang
期刊/来源: Technometrics
机构: Chinese Academy of Sciences · Academy of Mathematics and Systems Science · National Institute of Allergy and Infectious Diseases · National Institutes of Health · University of California, San Francisco
分类: vol 66 · issue 4 · pp 662-670
相关性 4/10 · novelty: new_method
摘要: 本文研究在数据流式到达（streaming data）且存在数据集偏移（dataset shift）的背景下，如何高效地更新参数估计。目标是在每批数据联合分布不同（prior probability shift）时，仍能获得一致的估计量。作者提出了两种偏移调整的估计程序，能够同时估计参数和偏移程度。方法基于加权似然或估计方程框架，利用前一批次的估计结果和当前批次的偏移权重进行更新，避免了全量数据的存储和重计算。理论部分证明了估计量的相合性和渐近正态性，并给出了渐近方差表达式。数值实验和Ford GoBike共享单车数据案例验证了方法的有效性。对您而言，该文提出的在线更新框架与您关注的纵向因果推断（longitudinal causal inference）中处理时变混杂和样本选择偏移的问题有直接关联，其加权更新思路可迁移至连续收集的观察性数据场景。
关键技术: weighted estimating equations, prior probability shift, streaming data, online parameter update, asymptotic normality
为什么对您有用: 该文直接关联您的primary interest中的因果推断（纵向设定）和统计计算（算法）。其核心问题——在数据流式到达且分布偏移时进行参数更新——与您熟悉的非参数统计和因果推断中的估计理论（very_familiar）高度匹配，可立即尝试将加权估计方程框架应用于纵向因果推断中的逆概率加权（IPW）或双重稳健估计的在线版本。中期可做：若需处理更复杂的偏移类型（如协变量偏移或概念偏移），需先在identification theory（moderately_familiar）上加强，以明确偏移的可识别性条件。

非参数 / 半参数 (nonparam_semipara, 1 篇)¶

1. 10.1080/00401706.2024.2343062 · arXiv — Building Trees for Probabilistic Prediction via Scoring Rules¶

作者: Sara Shashaani, Özge Sürer, Matthew Plumlee, Seth Guikema
期刊/来源: Technometrics
分类: vol 66 · issue 4 · pp 625-637
相关性 5/10 · novelty: new_method
摘要: 本文研究如何构建用于概率预测的决策树，目标是生成非参数预测分布而非点预测。标准决策树的分裂准则（如均方误差）针对点预测优化，可能导致预测分布质量不佳。作者提出将分裂准则改为基于适当评分规则（如连续排序概率评分CRPS）的准则，以直接优化整个预测分布的校准性和锐度。通过模拟和多个真实数据集验证，新准则生成的树在预测分布性能上显著优于标准方法。该方法在非参数预测和不确定性量化领域具有实用价值，与您的非参数统计和统计计算兴趣相关。
关键技术: proper scoring rules, CRPS, decision trees, nonparametric predictive distributions, splitting criteria
为什么对您有用: 本文连接您的非参数统计兴趣，提出了一种改进决策树预测分布的方法，与您的统计计算（算法开发）方向相关。您可以用 minimax bounds 工具分析该分裂准则的预测分布最优性，或用软件开发经验实现该算法。中期可做：需先熟悉评分规则理论（moderately_familiar 中的 M-estimation 理论可辅助理解）。

统计计算 / 算法 (stat_computing, 6 篇)¶

1. 10.1080/00401706.2024.2345139 · arXiv — Augmenting a Simulation Campaign for Hybrid Computer Model and Field Data Experiments¶

作者: Scott Koermer, Justin Loda, Aaron Noble, Robert B. Gramacy
期刊/来源: Technometrics
分类: vol 66 · issue 4 · pp 638-650
相关性 5/10 · novelty: new_method
摘要: 本文在 Kennedy-O'Hagan (KOH) 校准框架下，针对耦合高斯过程（GP）元模型（一个 GP 模拟器、一个 GP 偏差校正项），提出了一个闭合形式的积分均方预测误差（IMSPE）准则，用于序贯获取新的模拟器数据。该准则在输入空间上做空间填充，但在校准参数空间上集中采样，并具有闭合梯度以支持高效数值优化。通过基准问题验证，KOH-IMSPE 策略比传统空间填充或单 GP IMSPE 更高效地利用模拟预算。最终应用于稀土元素液-液萃取反应的平衡浓度建模。对您而言，本文的闭合形式 IMSPE 推导和序贯设计思路可直接迁移到您熟悉的非参数统计和软件工具开发中，尤其适合作为统计计算（数值方法）方向的入门级阅读。
关键技术: Kennedy-O'Hagan calibration, coupled Gaussian processes, integrated mean-squared prediction error (IMSPE), sequential design, closed-form gradient
为什么对您有用: 本文属于统计计算（数值方法）方向，是您 primary interest 中的一项。武器库中 very_familiar 的“非参数统计”和“软件工具开发”可直接用于复现和扩展其序贯设计算法。中期可做：若想将 IMSPE 准则推广到更高阶的 U-统计量或张量积模型，需先在 moderately_familiar 的“M-估计理论”上提升对 GP 超参数估计的渐近理解。

作者: Zihan Zhang, Shancong Mou, Mostafa Reisi Gahrooei, Massimo Pacella, Jianjun Shi
期刊/来源: Technometrics
机构: Georgia Institute of Technology · University of Florida · University of Salento · Innovation Engineering (Italy)
分类: vol 66 · issue 4 · pp 548-560
相关性 4/10 · novelty: new_method
摘要: 本文提出联邦多张量对张量回归（FedMTOT）框架，用于处理多站点多模态结构化高维数据，在数据不可直接共享的约束下进行系统建模。目标是在每个站点本地训练个体模型，同时利用其他站点的特征知识（而非原始数据）提升模型精度。核心机制是基于交替方向乘子法（ADMM）的联邦计算，将张量回归的优化问题分解为各站点的本地子问题与全局协调步骤，满足数据管理政策与存储成本限制。方法上，FedMTOT 将多模态数据建模为多个张量协变量与一个张量响应之间的线性回归，通过张量分解（如 CP 或 Tucker 分解）降低参数维度，并利用 ADMM 实现分布式优化。理论部分给出了算法的收敛性分析，实证部分通过两个仿真和两个案例研究（如制造过程监测）验证了框架在预测精度和通信效率上的优势。对您而言，本文属于统计计算与算法方向，其联邦张量回归的 ADMM 实现与张量分解技术可直接迁移到您熟悉的张量收缩与 einsum 计算框架中，但核心问题（联邦学习下的分布式优化）与您的主要兴趣（因果推断、高维统计）距离较远，属于中等相关的方法学拓展。
关键技术: alternating direction method of multipliers (ADMM), tensor-on-tensor regression, CP/Tucker decomposition, federated learning, distributed optimization
为什么对您有用: 本文连接您的统计计算兴趣，特别是张量回归与分布式优化。您武器库中'软件发展'和'高维渐近'可直接用于复现或扩展其 ADMM 算法（立即可做），但联邦学习的通信效率分析需先在'moderately_familiar'的 M 估计理论中补足分布式收敛性工具（中期可做）。作为方法学论文，其张量分解与 ADMM 的结合对您理解张量回归的分布式实现有参考价值，但非核心方向。

3. 10.1080/00401706.2024.2336542 · arXiv — Minimum Regularized Covariance Trace Estimator and Outlier Detection for Functional Data¶

作者: Jeremy Oguamalam, Una Radojičić, Peter Filzmoser
期刊/来源: Technometrics
机构: TU Wien · Numerical Method (China)
分类: vol 66 · issue 4 · pp 588-599
相关性 4/10 · novelty: new_method
摘要: 本文针对密集函数型数据，提出最小正则化协方差迹（MRCT）估计量，用于稳健协方差估计和函数型异常值检测。MRCT 采用基于子集的方法，通过推广马氏距离优先选择更中心的子集，算法类似于 fast-MCD。其关键创新在于通过正则化参数 α>0 实现内部平滑，从而无需预处理或降维即可处理高维数据，且 α 的选择是自动化的。大量模拟研究表明，MRCT 在稳健协方差估计和自动异常值检测方面效果良好，能有效平衡噪声排除与信号保留。该方法在实践中收敛快，且与现有函数型异常值检测方法相比表现更优。对您而言，本文的 subset-based 稳健估计思路和自动化正则化参数选择可迁移至高维统计中的协方差估计问题，且其算法实现细节对统计计算方向有参考价值。
关键技术: Minimum Regularized Covariance Trace (MRCT), fast-MCD algorithm, Mahalanobis distance generalization, regularized covariance estimation, functional outlier detection
为什么对您有用: 本文属于统计计算方法在函数型数据中的应用，与您的 primary interest 中的 statistical computing 和 high-dimensional statistics 相关。您可以用 very_familiar 中的 high-dimensional asymptotics 和 software development 技能，分析其正则化参数 α 的渐近性质或实现其算法。中期可做：若想深入其理论保证，需先在 moderately_familiar 的 M-estimation theory 上加强。

4. 10.1080/00401706.2024.2336535 — Constrained Bayesian Optimization with Lower Confidence Bound¶

作者: Neelesh S. Upadhye, Raju Chowdhury
期刊/来源: Technometrics
机构: Indian Institute of Technology Madras
分类: vol 66 · issue 4 · pp 561-574
相关性 3/10 · novelty: minor
摘要: 本文提出一种混合贝叶斯优化（BO）框架，用于求解带约束的黑箱优化问题。核心创新是将无约束BO中经典的Lower Confidence Bound（LCB）采集函数改造为约束感知变体，通过分别分析可行域与不可行域的信息来指导采样，并证明了该变体的理论收敛保证。方法在六个不同问题（包括黑箱函数、经典工程优化和超参数调优）上与现有约束BO方法进行了对比，通过图形和统计检验展示了有效性。对您而言，本文属于统计计算中的算法设计，与您的统计计算兴趣（数值方法、算法）直接相关，但方法学新颖性有限（主要是LCB的约束扩展），且未涉及您核心兴趣中的因果推断、高维统计或U-统计量。
关键技术: Bayesian optimization, lower confidence bound, constrained optimization, acquisition function, Gaussian process
为什么对您有用: 本文属于统计计算中的贝叶斯优化方法，直接对应您的'统计计算（数值方法、算法）'兴趣。但方法学贡献较常规（LCB的约束扩展），且未涉及您核心的因果推断、高维统计或U-统计量理论。作为gateway阅读，本文对您武器库中的非参数统计（GP模型）和软件工具有所涉及，但缺乏与您更深入兴趣的连接点，暂不可做后续研究——核心机器（BO理论、约束优化）不在您的武器库中。

5. 10.1080/00401706.2024.2327346 · arXiv — Robust Multivariate Functional Control Chart¶

作者: Christian Capezza, Fabio Centofanti, Antonio Lepore, Biagio Palumbo
期刊/来源: Technometrics
分类: vol 66 · issue 4 · pp 531-547
相关性 3/10 · novelty: new_method
摘要: 本文针对工业4.0中多元函数型质量特性的在线监控问题，提出鲁棒多元函数控制图（RoMFCC）。该方法同时应对两类异常：函数型个案异常（所有分量同时污染）和分量异常（仅部分分量污染）。核心流程包括：(I) 函数型滤波器识别并替换分量异常为缺失值；(II) 鲁棒多元函数型数据插补；(III) 个案鲁棒降维；(IV) 基于降维后的监控统计量构建控制图。通过蒙特卡洛模拟与已有方法对比，并在汽车电阻点焊过程案例中验证。方法已实现为R包funcharts。对您而言，本文属于统计计算与软件开发的直接应用，其鲁棒降维与缺失插补的模块化设计可迁移至您在高维因果推断或函数型数据中的预处理步骤。
关键技术: functional data analysis, robust multivariate control chart, functional filter, robust imputation, dimensionality reduction, profile monitoring
为什么对您有用: 本文直接对应您primary interest中的statistical computing（软件实现R包）和high-dimensional statistics（函数型数据降维）。其鲁棒插补与降维的模块化设计，可迁移至您在高维因果推断或函数型数据中的预处理步骤。武器库中very_familiar的软件开发和high-dimensional asymptotics可直接用于复现或扩展其方法。中期可做：若想将鲁棒函数型控制图与因果推断中的异常检测结合，需先在moderately_familiar的identification theory上长肌肉。

6. 10.1080/00401706.2024.2407721 — Symbolic Regression¶

作者: Stan Lipovetsky
期刊/来源: Technometrics
分类: vol 66 · issue 4 · pp 674-675
相关性 2/10 · novelty: survey
摘要: 本文是对《Symbolic Regression》一书的书评，该书总结了奥地利应用科学大学HEAL实验室20年来在符号回归（SR）领域的研究与软件开发成果。与常规回归预先指定函数形式不同，SR同时搜索函数结构并估计其参数，可视为一种广义的监督学习任务。书中系统介绍了SR的进化算法框架（如遗传编程）、模型选择策略以及实际软件实现。书评指出SR在发现数据背后的解析表达式方面具有独特优势，尤其适用于科学发现场景。对您而言，SR作为一种自动化的模型发现工具，与您在高维统计和因果推断中处理复杂函数形式的需求有潜在联系，但本书评本身不提供新的方法论贡献。
关键技术: Symbolic Regression, Genetic Programming, Evolutionary Algorithm, Supervised Learning
为什么对您有用: 本文属于统计计算（stat_computing）方向的gateway阅读材料。您对统计计算有次要兴趣，且武器库中的软件开发和逆问题经验可帮助理解SR的算法实现。但本文仅为书评，缺乏技术细节和理论分析，作为入门读物信息密度不足，不值得花时间读全文。

流行病学 (epidemiology, 1 篇)¶

1. 10.1080/00401706.2024.2407727 — Probability Modeling and Statistical Inference in Cancer Screening¶

作者: Firdous Ahmad Mala
期刊/来源: Technometrics
机构: Cluster University Srinagar
分类: vol 66 · issue 4 · pp 680-681
相关性 3/10 · novelty: survey
摘要: 本文是一篇书评，评述了《Probability Modeling and Statistical Inference in Cancer Screening》一书。该书系统介绍了癌症筛查中的概率建模与统计推断方法，涵盖灵敏度与特异度的权衡、假阳性与假阴性控制等核心问题。书中讨论了ROC曲线分析、贝叶斯方法、生存分析等统计工具在筛查评估中的应用。书评指出该书为医学研究人员和统计学家提供了实用的方法论指导。对您而言，这是一篇应用导向的综述，连接了流行病学筛查中的统计推断问题，但方法学新颖性有限。
关键技术: ROC curve analysis, Bayesian methods, survival analysis, sensitivity and specificity trade-off
为什么对您有用: 本文属于流行病学应用领域，涉及癌症筛查中的统计推断问题，与您的secondary interest（流行病学应用）相关。但作为书评，方法学深度有限，且未提供具体数据集或分析流程，难以直接迁移到您的研究中。建议作为入门读物了解筛查统计的基本框架，但无需深入精读。

其他 (other, 11 篇)¶

1. 10.1080/00401706.2024.2350421 · arXiv — On Tracking Varying Bounds When Forecasting Bounded Time Series¶

作者: Amandine Pierrot, Pierre Pinson
期刊/来源: Technometrics
分类: vol 66 · issue 4 · pp 651-661
相关性 3/10 · novelty: new_method
摘要: 本文针对有界时间序列中边界随时间变化的问题，提出了一种新框架。将未观测到的时变边界视为有界随机变量分布的参数，通过扩展对数似然进行估计。由于优化问题非凸，作者利用随机拟凸优化的最新理论，设计了在线归一化梯度下降算法来追踪边界。通过模拟研究和风电功率预测的真实数据案例验证了方法的有效性。该工作属于时间序列预测与在线学习的交叉领域，与您的主要研究方向（因果推断、高维统计、U-统计量等）无直接技术重叠。
关键技术: online maximum likelihood estimation, stochastic quasiconvex optimization, normalized gradient descent, time-varying bounds
为什么对您有用: 本文属于时间序列预测方法，与您的主要兴趣方向（因果推断、高维统计、U-统计量等）无直接技术关联。作为统计计算方向的gateway reading，其在线拟凸优化框架对您武器库中的非参数统计和M-估计理论有一定参考价值，但核心问题设定（时变边界追踪）与您的技术栈距离较远。暂不可做——缺少在线学习/随机优化领域的核心工具（如拟凸优化收敛分析、自适应步长技术）。

2. 10.1080/00401706.2024.2336537 · arXiv — Kernel-based Sensitivity Analysis for (Excursion) Sets¶

作者: N. Fellmann, C. Blanchet-Scalliet, C. Helbert, A. Spagnol, D. Sinoquet
期刊/来源: Technometrics
机构: École Centrale de Lyon · IFP Énergies nouvelles · Institut Camille Jordan
分类: vol 66 · issue 4 · pp 575-587
相关性 3/10 · novelty: new_method
摘要: 本文针对集合值模型（如可行集、超标集）提出一种基于核的敏感性分析方法。传统敏感性分析通常处理标量输出，而本文在随机集概率框架下，将输出视为随机闭集，并设计了一个适用于集合值的核函数，证明了该核是特征核（characteristic），这是HSIC（Hilbert-Schmidt独立性准则）方法有效性的关键性质。基于该核，作者构建了HSIC-ANOVA指标，用于衡量每个输入变量对集合输出的影响，实现变量筛选与排序。估计方法也针对集合值输出进行了适配。在三个超标集（excursion set）的数值案例上验证了方法的有效性。本文方法学贡献在于将核敏感性分析从标量/函数输出推广到集合输出，但整体属于特定应用场景下的方法扩展，与您的主要研究方向（因果推断、高维统计、U-统计量、半参效率理论等）无直接交集。
关键技术: Hilbert-Schmidt Independence Criterion (HSIC), kernel-based sensitivity analysis, characteristic kernel, random closed sets, HSIC-ANOVA indices
为什么对您有用: 本文属于统计方法在工程/仿真领域的应用，与您的主要兴趣方向（因果推断、高维统计、U-统计量、半参效率理论）无直接关联。其核心工具（HSIC、特征核）在您的武器库中属于外围，且集合值输出的设定与您关注的估计问题（如ATE、高维参数）差异较大。暂不可做：缺乏直接可迁移的问题或技术入口，不值得投入时间精读。

3. 10.1080/00401706.2024.2327341 — Statistical Process Monitoring from Industry 2.0 to Industry 4.0: Insights into Research and Practice¶

作者: Bianca M. Colosimo, L. Allison Jones-Farmer, Fadel M. Megahed, Kamran Paynabar, Chitta Ranjan, William H. Woodall
期刊/来源: Technometrics
机构: Politecnico di Milano · Miami University · Georgia Institute of Technology · Virginia Tech
分类: vol 66 · issue 4 · pp 507-530
相关性 3/10 · novelty: survey
摘要: 这是一篇关于统计过程监控（SPM）从工业2.0到工业4.0演变的综述性论文。文章回顾了SPM从1920年代至今的研究与实践历史，重点聚焦于2011年工业4.0时代开始后，由信息物理系统和物联网带来的挑战与机遇。作者讨论了新范式下SPM面临的问题，包括高维数据、流数据、数据异质性等，并给出了评估和比较监控方法的建议。文章主要面向工业应用，而非提出新的统计理论或方法。对您而言，本文属于工业统计领域的综述，与您的主要研究方向（因果推断、高维统计、半参数理论等）无直接技术关联，但可作为了解SPM领域现状的入门读物。
关键技术: statistical process monitoring, control charts, profile monitoring, high-dimensional monitoring, functional data monitoring
为什么对您有用: 本文属于工业统计的综述，与您的主要兴趣方向（因果推断、高维统计、半参数理论等）无直接技术关联。作为gateway-reading，本文对统计学家友好，清晰阐述了工业4.0下数据特征的变化（高维、流数据、异质性），但未深入讨论统计方法学细节。武器库中的非参数统计和高维渐近理论可用于理解文中提及的某些监控方法，但整体上本文属于领域概览，不值得投入全文时间。

4. 10.1080/00401706.2024.2407724 — Robust Latent Feature Learning for Incomplete Big Data¶

作者: E. Andry Dwi Kurniawan
期刊/来源: Technometrics
分类: vol 66 · issue 4 · pp 675-677
相关性 2/10 · novelty: survey
摘要: 本文是对《Robust Latent Feature Learning for Incomplete Big Data》一书的书评，发表于 Technometrics。书评概述了该书在利用潜在特征学习处理不完整大数据方面的内容，包括鲁棒性方法、算法实现和实际应用案例。书评指出该书结构清晰，适合作为入门读物，但未深入探讨具体的技术细节或理论贡献。对于研究者而言，该书评本身不提供新的方法论或理论结果，仅作为文献介绍。
关键技术: latent feature learning, robust estimation, missing data imputation
为什么对您有用: 本文为书评，不涉及具体方法学创新或理论结果，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。作为文献索引，可了解该领域入门读物，但无需深入阅读。

5. 10.1080/00401706.2024.2407725 — Value of Information for Healthcare Decision-Making¶

作者: Firdous Ahmad Mala
期刊/来源: Technometrics
机构: Cluster University Srinagar
分类: vol 66 · issue 4 · pp 677-678
相关性 2/10 · novelty: survey
摘要: 本书系统介绍了信息价值（VOI）分析，这是一种用于评估获取额外信息价值的数学框架，特别适用于医疗决策中的不确定性量化。书中涵盖了VOI的基本概念、期望值完美信息（EVPI）和期望值样本信息（EVSI）等核心指标，以及它们在成本-效果分析中的应用。作者通过实际案例展示了如何利用VOI方法在资源有限的情况下优化决策，并讨论了计算方法和敏感性分析。本书作为Technometrics的书评，主要面向应用统计学家和医疗政策研究者，提供了从理论到实践的全面指南。对于您而言，VOI与因果推断中的敏感性分析有概念上的联系，但本书更偏向决策理论而非统计推断方法，属于入门级读物。
关键技术: value of information (VOI), expected value of perfect information (EVPI), expected value of sample information (EVSI), cost-effectiveness analysis, decision theory
为什么对您有用: 本文属于gateway-reading范畴，作为医疗决策中不确定性量化的入门读物，对流行病学应用方向有参考价值。武器库中的'非参数统计'和'因果推断中的估计理论'可帮助理解VOI与敏感性分析的连接，但核心机器（决策理论下的信息价值框架）不在武器库中，属于暂不可做方向。

6. 10.1080/00401706.2024.2342314 — Data-Driven Pathwise Sampling Approaches for Online Anomaly Detection¶

作者: Dongmin Li, Miao Bai, Xiaochen Xian
期刊/来源: Technometrics
机构: University of Florida · University of Connecticut
分类: vol 66 · issue 4 · pp 600-613
相关性 2/10 · novelty: application
摘要: 本文研究移动车辆传感器（MVS）在实时异常检测中的路径采样策略，目标是在路径约束下快速识别感兴趣区域中的突变（如野火、油污）。方法整合统计过程控制（SPC）与数学优化，利用实时观测数据自适应调整MVS路径，以平衡全局状态监测与可疑位置采样。理论分析验证了所提策略的统计性质，仿真实验表明其优于基准方法。基于真实野火数据的数值研究显示，该方法能显著提前检测到野火并降低相关成本。对您而言，本文属于应用统计与优化交叉领域，与您的主要兴趣（因果推断、高维统计等）无直接方法学关联，但可作为统计过程控制与实时决策结合的入门阅读。
关键技术: Statistical Process Control, Adaptive Sampling, Mathematical Optimization, Change Point Detection
为什么对您有用: 本文属于应用统计与运筹学交叉，与您的主要兴趣（因果推断、高维统计、U-统计量等）无直接方法学连接。武器库中的非参数统计和软件工程经验可辅助理解其SPC框架，但核心优化部分（路径规划）不在您的技术栈内。作为gateway-reading，本文对统计过程控制领域的新手较为友好，但方法学新颖性有限，不值得花时间全文阅读。

7. 10.1080/00401706.2024.2342315 — Detection of Emergent Anomalous Structure in Functional Data¶

作者: Edward Austin, Idris A. Eckley, Lawrence Bardwell
期刊/来源: Technometrics
机构: Lancaster University
分类: vol 66 · issue 4 · pp 614-624
相关性 2/10 · novelty: application
摘要: 本文提出一种在函数型数据中顺序检测异常结构的新方法，称为函数异常顺序检验（FAST）。与经典函数型数据方法不同，FAST 不要求曲线完全观测，而是在每个新数据点到达时实时判断异常是否出现。该方法利用主微分分析（Principal Differential Analysis）估计曲线的共同轮廓，并采用 CUSUM 检验形式对新的函数观测进行顺序监控。文章推导了该过程的理论性质，包括控制误报率的性质。模拟实验和电信网络数据上的应用验证了方法的有效性。该方法主要面向数字网络等应用场景，其核心是顺序假设检验与函数型数据建模的结合。
关键技术: Functional Anomaly Sequential Test (FAST), Principal Differential Analysis, CUSUM test, sequential hypothesis testing, functional data monitoring
为什么对您有用: 本文属于函数型数据中的异常检测，与您的主要兴趣（假设检验、函数型数据）有间接关联。您的武器库中非参数统计和假设检验工具可用于分析其 CUSUM 检验的渐近性质或提出更优的检验统计量。但该文核心是应用导向的方法，理论深度有限，且与您的高维统计、因果推断等核心方向距离较远。暂不可做——核心机器（函数型数据顺序监测理论）不在武器库中。

8. 10.1080/00401706.2024.2322670 — Image Comparison Based On Local Pixel Clustering¶

作者: Anik Roy, Partha Sarathi Mukherjee
期刊/来源: Technometrics
机构: Indian Statistical Institute
分类: vol 66 · issue 4 · pp 495-506
相关性 2/10 · novelty: application
摘要: 本文提出一种基于局部像素聚类的图像比较方法，目标是在噪声和强度函数不连续（存在空间结构）的条件下判断两幅图像是否发生有意义的变化。方法将边缘/跳变点作为主要特征，通过局部像素聚类提取这些特征，并基于 Variation of Information (VI) 度量构造检验统计量。这是一种基于特征而非基于强度的图像比较技术，避免了背景微小变化导致的误判。数值实验和统计性质分析表明该方法在多种实际场景中表现良好。本文属于应用统计方法论文，方法学创新程度有限，主要贡献在于提出了一种实用的图像比较框架。
关键技术: local pixel clustering, Variation of Information metric, edge detection, feature-based image comparison
为什么对您有用: 本文与您的主要研究兴趣（因果推断、高维统计等）无直接关联，属于统计方法在图像分析中的应用。您的技术武器库（非参数统计、M估计等）可部分用于理解其统计性质，但核心问题（图像比较）并非您的主攻方向。本文可作为统计计算或应用方向的泛读材料，但无需深入跟进。

9. 10.1080/00401706.2024.2407726 — Advances in Data Science and Analytics: Concepts and Paradigms (1st ed.)¶

作者: Jemsri Stenli Batlajery, Helda Yunita Taihuttu
期刊/来源: Technometrics
机构: IPB University
分类: vol 66 · issue 4 · pp 678-680
相关性 1/10 · novelty: survey
摘要: 这是一篇书评，评述了《数据科学与分析进展：概念与范式》一书。该书旨在介绍数据科学和分析学领域的最新进展，涵盖统计学、数学和计算机编程的交叉应用。书评指出，该书内容广泛但深度有限，适合作为入门级参考读物。对于专注于因果推断、高维统计等前沿理论的研究者而言，该书缺乏方法论上的新颖性和技术深度。因此，这篇书评对您的研究方向参考价值较低。
为什么对您有用: 本文为书评，不涉及具体方法论或应用，与您的主要研究兴趣（因果推断、高维统计、半参数理论等）无直接关联。武器库中的工具无法应用于此。暂不可做。

10. 10.1080/00401706.2024.2418749 — The 2023 Technometrics Prizes¶

作者:
期刊/来源: Technometrics
分类: vol 66 · issue 4 · pp 682-685
相关性 0/10 · novelty: minor
摘要: 本文是《Technometrics》期刊2023年度奖项公告，公布了Jack Youden奖（最佳说明性论文）、Frank Wilcoxon奖（最佳应用论文）以及Thomas L. Saaty Prize（最佳方法论论文）的获奖名单。获奖论文涵盖在线实验方差缩减、高维数据降维、贝叶斯优化等方向。文章仅列出获奖者、论文标题及简要引用信息，未提供任何技术细节或方法论贡献。该公告属于期刊常规事务性内容，不具备学术研究价值。对您而言，该文不涉及因果推断、高维统计或半参理论等任何核心兴趣方向，无需进一步关注。
为什么对您有用: 本文为期刊奖项公告，无技术内容，与您所有兴趣方向均无关。不涉及任何可读或可迁移的方法论。

11. 10.1080/00401706.2024.2407720 — Philosophies, Puzzles and Paradoxes: A Statistician’s Search for Truth¶

作者: Firdous Ahmad Mala, Ubaidullah Pandit
期刊/来源: Technometrics
机构: Cluster University Srinagar
分类: vol 66 · issue 4 · pp 671-673
相关性 0/10 · novelty: survey
摘要: 这是一篇书评，收录于 Technometrics 的书评栏目。文章评论了一本关于统计学哲学、谜题与悖论的著作，探讨统计学家在寻求真理过程中面临的哲学问题。书评本身不提出新的统计方法或理论，而是对既有文献的反思与介绍。文中可能涉及统计推断的哲学基础、悖论案例等，但缺乏具体的技术细节或方法论贡献。对于专注于因果推断、高维统计、半参数理论等具体技术方向的您而言，本文不直接提供可操作的方法或理论进展。
为什么对您有用: 本文属于书评，不涉及具体统计方法或理论，与您的主要研究兴趣（因果推断、高维统计、半参数理论等）无直接关联。它既不是入门读物，也不提供可迁移的技术工具。建议跳过，无需投入阅读时间。

Maintained by 陈星宇 · Homepage · Source on GitHub