EJS — Vol 18 Issue 1 · 2026-07-15¶

共 49 篇 · Electronic Journal of Statistics
目录核对 ⏭️ 未核对（权威目录源暂不可达）

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。

本期EJS Vol 18 Issue 1共49篇论文，整体关注点可归纳为四条主线：因果推断与实验设计（约4篇，涉及回归调整、自适应随机化、个体化治疗规则）、高维统计与随机矩阵（约10篇，涵盖协方差/精度矩阵估计、变点检测、稀疏回归、图模型）、假设检验与推断（约10篇，包括变点检验、在线多重检验、e-value合并、条件覆盖区间）、非参数/半参数方法（约8篇，涉及局部线性回归、最优传输、趋势滤波、分位数回归）。此外，还有少量计算（MCMC收敛性、网络模型近似似然）和信号处理/生存分析等方向论文。

在因果推断主线中，A unified analysis of regression adjustment in randomized experiments 系统比较了完全随机化实验下多种线性回归调整估计量的渐近方差，给出了二元处理下方差占优的充分条件，并指出多值处理时该现象消失。Adaptive randomization in network data 将自适应随机化推广到网络干扰设定，利用Lyapunov函数分析时变非齐次马尔可夫链的渐近性质。Multi-label residual weighted learning for individualized combination treatment rule 针对组合治疗规则估计，使用广义ψ-loss处理交互效应，并通过DCA优化。Generating knockoffs via conditional independence 提出基于条件独立性构造knockoff的新方法，给出了闭式表达和逼近理论。

高维统计与随机矩阵主线中，Covariance estimation under missing observations and L4−L2 moment equivalence 在随机缺失下构造了首个同时关于缺失概率最优的协方差估计量。Projection inference for high-dimensional covariance matrices with structured shrinkage targets 针对高维时间序列，结合结构化收缩目标与投影推断，构造了对边际协方差结构变点的稳健检验。A tradeoff between false discovery and true positive proportions for sparse high-dimensional logistic regression 在n/p→δ渐近框架下推导了FDR与TPR的非线性权衡函数，并扩展到model-X knockoff。High-dimensional undirected graphical models for arbitrary mixed data 基于潜在高斯copula统一处理混合类型数据的高维图模型，达到minimax最优率。Precision matrix estimation under the horseshoe-like prior–penalty dual 构建了图形马蹄先验-惩罚对偶，证明了后验收敛速率和MAP估计的频率相合性。

假设检验主线中，Power of weighted test statistics for structural change in time series 分析了加权U-统计量在变点检验中功效随变点位置的变化。Merging sequential e-values via martingales 通过鞅构造了序贯e-value合并的统一框架。Online multiple testing with super-uniformity reward 利用p值超均匀分布信息改进在线FDR/FWER控制。A (tight) upper bound for the length of confidence intervals with conditional coverage 推导了条件正态分布族下置信区间长度的紧上界。A note on the equivalence between the conditional uncorrelation and the independence of random variables 证明了任意分位数条件集上的条件不相关蕴含独立性，为构造新检验提供理论基础。

非参数/半参数主线中，High–dimensional local linear regression under sparsity and convex losses 提出惩罚局部线性回归，同时进行变量选择和带宽估计，具有oracle性质。Limit theorems for entropic optimal transport maps and Sinkhorn divergence 通过Hadamard可微性推导了EOT映射和Sinkhorn散度的中心极限定理。Uniform confidence band for optimal transport map on one-dimensional data 基于函数delta方法构建了OT映射的均匀置信带。Exponential family trend filtering on lattices 将趋势滤波推广到一般指数族分布，给出收敛速率和自适应性质。Quantile regression by dyadic CART 提出分位数回归的二元CART估计量，在分段常数和有界变差函数类上达到自适应最优速率。

与因果推断方向最贴的论文是：A unified analysis of regression adjustment in randomized experiments、Adaptive randomization in network data、Multi-label residual weighted learning for individualized combination treatment rule、Generating knockoffs via conditional independence。与半参数效率方向最贴的是：Efficient Bayesian estimation and use of cut posterior in semiparametric hidden Markov models（半参数Bernstein-von Mises定理）、Limit theorems for entropic optimal transport maps and Sinkhorn divergence（Hadamard可微性与效率）。与高维统计方向最贴的是：Covariance estimation under missing observations and L4−L2 moment equivalence、Projection inference for high-dimensional covariance matrices with structured shrinkage targets、A tradeoff between false discovery and true positive proportions for sparse high-dimensional logistic regression、High-dimensional undirected graphical models for arbitrary mixed data。

因果推断 (causal_inference, 4 篇)¶

1. 10.1214/24-ejs2233 · arXiv — A unified analysis of regression adjustment in randomized experiments¶

作者: Katarzyna Reluga, Ting Ye, Qingyuan Zhao
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 1
相关性 8/10 · novelty: new_theory
摘要: 本文在完全随机化实验的框架下，系统比较了一类线性回归调整估计量的渐近方差。目标估计量为平均处理效应（ATE），关键设定是允许异方差误差且不假定线性模型正确。核心方法基于经典线性回归的异方差稳健方差公式，推导出不同回归调整策略（如ANCOVA、带交互项的ANCOVA等）的渐近方差显式表达式。主要理论贡献是给出了在二元处理下某些回归调整估计量渐近方差严格小于其他估计量的充分条件，即方差占优现象。进一步探索了更一般的处理分配机制（如多值处理）和广义线性模型，发现此时方差占优现象不再成立。实证部分通过模拟和真实数据验证了理论结果。对您而言，本文是因果推断中回归调整这一经典问题的精细理论分析，直接关联您的因果推断（估计理论）兴趣，且其异方差设定下的方差比较技术可迁移至您熟悉的非参数统计与M估计理论框架。
关键技术: heteroscedasticity-robust variance, ANCOVA, linear regression adjustment, asymptotic variance comparison, variance dominance
为什么对您有用: 本文直接关联您因果推断兴趣中的估计理论子方向，特别是随机化实验中回归调整的渐近效率比较。您武器库中'非参数统计'和'估计理论'的功底可直接用于理解其异方差设定下的方差推导，而'M估计理论'（moderately_familiar）可用于推广至更一般的估计方程框架。中期可做：将本文的方差占优条件推广至非参数回归调整（如核方法或样条），这需要先在moderately_familiar的'半参数理论'上加强。

2. 10.1214/24-ejs2236 · arXiv — Multi-label residual weighted learning for individualized combination treatment rule¶

作者: Qi Xu, Xiaoke Cao, Geping Chen, Hanqi Zeng, Haoda Fu, Annie Qu
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 1
相关性 7/10 · novelty: new_method
摘要: 本文研究个性化组合治疗规则的估计问题，目标是在多个治疗同时存在时，为每个个体推荐最优的治疗组合。现有方法通常忽略治疗间的交互效应，或仅能处理弱交互。作者提出多标签残差加权学习框架，使用广义 ψ-loss 作为非凸替代损失函数，该损失函数的极小化器在 Fisher 一致性意义下与最优决策规则等价，且能捕捉任意强度的交互效应。计算上，采用差凸算法（DCA）进行高效优化。模拟和真实数据应用表明，该方法在推荐组合治疗方面优于现有方法。对您而言，本文属于因果推断中个体化治疗规则（ITR）的子方向，其核心贡献在于处理组合治疗的交互效应，这与您对因果推断中估计方法的兴趣直接相关。
关键技术: residual weighted learning, generalized ψ-loss, Fisher consistency, difference-of-convex algorithm, individualized treatment rules
为什么对您有用: 本文属于因果推断中个体化治疗规则（ITR）的子方向，直接对应您 primary interest 中的 causal inference。其核心贡献在于处理组合治疗的交互效应，这为您的 identification theory 和 estimation theory 提供了新的应用场景。从武器库看，您可以用 very_familiar 的 nonparametric statistics 和 estimation theory 来审视其 Fisher 一致性和收敛性质，属于立即可做的 follow-up 方向。

3. 10.1214/23-ejs2198 · arXiv — Generating knockoffs via conditional independence¶

作者: Emanuela Dreassi, Fabrizio Leisen, Luca Pratelli, Pietro Rigo
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 1
相关性 6/10 · novelty: new_method
摘要: 本文提出一种基于条件独立性假设构造 knockoff 副本的新方法（NA）。核心设定是：若 X_1,...,X_p 在给定某个随机元素 Z 后条件独立，则 knockoff 副本的构造可直接通过条件分布实现，且联合分布 (X, X̃) 有闭式表达。第一项理论结果是：任意 R^p 上的概率测度 μ 可在全变差距离下被形如 μ_0(A_1×...×A_p)=E[∏ P(X_i∈A_i|Z)] 的测度逼近，当 μ 绝对连续时逼近误差可忽略，从而可近似使用 NA 构造 knockoff。第二项结果是：NA 型 knockoff 的充要条件是 (X, X̃) 可延拓为满足某种不变性的无穷序列，证明依赖于 de Finetti 的部分可交换序列定理。此外，在 X_i 为二元变量等特殊情形下给出了 X̃|X 的条件分布显式公式。该方法为高维变量选择中的 FDR 控制提供了一种新的构造思路，尤其适用于您关注的因果推断中高维协变量筛选问题。
关键技术: knockoff construction, conditional independence, de Finetti's theorem for partially exchangeable sequences, total variation approximation, closed-form joint distribution
为什么对您有用: 本文直接关联您 primary interest 中的高维统计与因果推断：knockoff 方法是高维变量选择中控制 FDR 的核心工具，而本文提出的 NA 构造法基于条件独立性假设，与您熟悉的非参数统计和逆问题技术有潜在交叉。从技术武器库看，您可用 very_familiar 的高维渐近理论分析 NA 构造的逼近误差，或用 moderately_familiar 的识别理论将其推广到因果推断中的协变量筛选场景。中期可做：需先在 moderately_familiar 的 HOIF 上提升，以处理条件独立性假设的检验问题。

4. 10.1214/23-ejs2159 · arXiv — Adaptive randomization in network data¶

作者: Zhixin Zhou, Ping Li, Feifang Hu
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 1
相关性 0/10 · novelty: new_method
摘要: 本文研究网络数据中自适应随机化方法，目标是高效估计平均处理效应（ATE）。设定中，个体的处理结果受自身协变量及邻居协变量影响，且分配处理时仅已知当前已入组个体的子网络。提出一种新的自适应随机化程序，通过最小化处理效应差异估计的均方误差来优化分配。由于网络节点和连接数同时增长，理论分析困难；本文将所提程序建模为时变非齐次马尔可夫链，并利用Lyapunov函数推导其渐近性质。模拟和真实网络数据实验验证了方法的优势。对您而言，该工作将自适应随机化（通常用于个体独立数据）推广到网络干扰设定，属于因果推断中干扰（interference）与实验设计的交叉方向，与您的primary interest（causal inference）直接相关。
关键技术: adaptive randomization, network interference, time-varying inhomogeneous Markov chain, Lyapunov function, ATE estimation
为什么对您有用: 直接关联primary interest中的因果推断（网络干扰下的ATE估计与实验设计）。技术武器库中'nonparametric statistics'和'estimation theory in causal inference'可用于分析其估计量的渐近性质；'identification theory in causal inference'可审视其识别假设（如邻居协变量影响的可观测性）。中期可做：若想进一步推导该自适应程序下的半参效率界，需先在'moderately_familiar'的'semiparametric theory'上长肌肉。

高维统计 / 随机矩阵 (high_dim_rmt, 10 篇)¶

1. 10.1214/23-ejs2193 — Estimation and inference in sparse multivariate regression and conditional Gaussian graphical models under an unbalanced distributed setting¶

作者: Ensiyeh Nezakati, Eugen Pircalabelu
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 1
相关性 7/10 · novelty: new_method
摘要: 本文研究在非均衡分布式（unbalanced distributed）设定下，稀疏多变量回归与条件高斯图模型的估计与推断问题。非均衡指各机器数据量或计算能力不同，且协变量、响应变量和机器数均随样本量增长。每台机器上构造系数矩阵和精度矩阵的 debiased 估计量，并给出理论保证。进一步提出基于伪对数似然函数的聚合估计器，将各机器信息有效整合，证明其随机器数增长具有渐近正态性和效率。模拟和真实数据实验表明，该分布式估计量的表现接近使用全数据的非分布式估计量。本文对您在高维统计与分布式计算交叉领域的研究有参考价值，特别是其 debiased 估计和聚合策略可迁移至您熟悉的 high-dimensional asymptotics 框架。
关键技术: debiased Lasso, sparse multivariate regression, conditional Gaussian graphical model, distributed estimation, pseudo log-likelihood aggregation, unbalanced data splitting
为什么对您有用: 本文直接关联您 primary interest 中的 high-dimensional statistics 和 estimation theory，具体子方向为分布式高维推断。您武器库中 very_familiar 的 high-dimensional asymptotics 可直接用于分析其 debiased 估计量的收敛性，而 moderately_familiar 的 M-estimation theory 可用于理解其伪似然聚合机制。中期可做：需先在 moderately_familiar 的 semiparametric theory 上加强，以处理其效率界与渐近正态性的证明细节。

2. 10.1214/24-ejs2221 · arXiv — Efficient change point detection and estimation in high-dimensional correlation matrices¶

作者: Zhaoyuan Li, Jie Gao
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 1
相关性 7/10 · novelty: new_method
摘要: 本文研究高维相关矩阵的变点检测与定位问题，设定为 p 与 n 可比甚至 p >> n 的高维场景。目标是在序列相关矩阵中检测是否存在变点，并估计变点位置及变化支持集。方法上，提出基于 signflip parallel analysis 的断点检验，利用符号翻转排列构造零分布，避免对数据分布的参数假设。进一步，提出两步法：先用 signflip 置换降维，再结合 CUSUM 统计量估计变点位置，并证明估计量的一致性。模拟显示，该方法在非高斯数据、变点位于序列极端尾部时优于现有方法，且随维度 p 增大精度提升。对您而言，该文将高维随机矩阵的谱分析与变点检测结合，其 signflip 置换思路可迁移至您熟悉的高维假设检验框架，属于中期可做方向（需先熟悉 permutation-based inference 在相关矩阵上的具体实现）。
关键技术: signflip parallel analysis, CUSUM statistic, high-dimensional correlation matrix, permutation-based inference, change point detection
为什么对您有用: 直接连接 primary interest 中的高维统计与假设检验：本文在高维相关矩阵上提出变点检测方法，signflip 置换构造零分布的技术可视为一种非参数检验思路，与您熟悉的 minimax 界和 high-dimensional asymptotics 工具链兼容。技术武器库中 'high-dimensional asymptotics' 和 'nonparametric statistics' 可直接用于分析该方法的检验功效与变点估计的 minimax 最优性，属于中期可做（需先补 permutation-based inference 在高维相关矩阵上的具体理论，如置换分布的一致性条件）。

3. 10.1214/24-ejs2259 · arXiv — High-dimensional data segmentation in regression settings permitting temporal dependence and non-Gaussianity¶

作者: Haeran Cho, Dom Owens
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 1
相关性 7/10 · novelty: new_method
摘要: 本文针对高维线性回归中回归系数可能发生多次变化的问题，提出了一种数据分割方法 MOSEG。该方法分两阶段进行：首先使用基于移动窗口的程序扫描多个变点，然后进行位置精炼。MOSEG 在第一阶段采用粗网格以提高计算效率，并在允许序列依赖和非高斯性的通用条件下，实现了变点数量和位置估计的理论一致性。此外，还提出了多尺度扩展 MOSEG.MS，它在计算复杂度与 MOSEG 相当的情况下，能同时处理短区间内的大参数偏移和长平稳段内的小变化，从而在更广泛的参数空间上达到理论一致性。模拟研究和应用于预测股权溢价的应用展示了所提方法的良好性能。
关键技术: moving window procedure, multiscale segmentation, high-dimensional linear regression, change point detection, temporal dependence
为什么对您有用: 本文属于高维统计中的变点检测问题，与您的高维统计和假设检验兴趣相关。您可以使用非常熟悉的 minimax 界工具来评估其变点估计的速率最优性，并考虑将 higher-order U-statistics 的计算复杂度视角（treewidth / einsum）引入其多尺度扫描过程的分析。中期可做：需先在 moderately_familiar 的 M-estimation 理论上加强，以处理其非高斯误差下的理论证明。

4. 10.1214/24-ejs2264 — Covariance estimation under missing observations and L4−L2 moment equivalence¶

作者: Pedro Abdalla
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 1
相关性 7/10 · novelty: new_method
摘要: 研究在随机缺失观测下协方差矩阵的估计问题，每个观测向量的每个元素独立以概率 p 缺失。在 L4-L2 矩等价假设下，构造了首个同时关于缺失概率 p 达到最优、且在 p=1（无缺失）时恢复经典最优收敛率的估计量。方法基于对观测模式进行加权和阈值化处理，利用矩等价条件控制高阶项。理论结果给出了 Frobenius 范数下的 minimax 最优率，并证明了估计量的自适应性质。该工作将高维协方差估计的经典理论推广到了缺失数据场景，对您的高维统计和随机矩阵理论兴趣有直接连接。
关键技术: L4-L2 moment equivalence, minimax optimal rate, random missing observations, covariance estimation, thresholding estimator
为什么对您有用: 直接连接您的高维统计和随机矩阵理论兴趣，特别是缺失数据下的 minimax 最优估计。您的武器库中 minimax bounds 和 high-dimensional asymptotics 可以立即用于验证其最优性是否紧，或推广到其他损失函数（如谱范数）。立即可做。

5. 10.1214/24-ejs2225 · arXiv — Projection inference for high-dimensional covariance matrices with structured shrinkage targets¶

作者: Fabian Mies, Ansgar Steland
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 1
相关性 6/10 · novelty: new_method
摘要: 本文针对高维时间序列的协方差矩阵推断问题，提出了一种结合结构化收缩目标（如带状或Toeplitz型非参数估计）的投影推断方法。在非平稳性和相依性假设下，推导了收缩估计量的双线性投影的可行高斯逼近结果，该结果不限制维度p与样本量n的关系。基于此逼近，构造了对边际协方差结构变点的统计检验，该检验对 nuisance 参数的非平稳性具有稳健性。方法核心是将样本协方差矩阵与结构化目标矩阵线性组合以克服奇异性，并通过数据驱动方式选择收缩权重。模拟研究表明，对于接近分数高斯噪声的非Toeplitz协方差结构，所提收缩估计量优于传统方法。该工作对您在高维统计与假设检验方向有直接参考价值，特别是其投影推断框架可迁移至您熟悉的U-统计量或因果推断中的敏感性分析设定。
关键技术: shrinkage estimation, Gaussian approximation for bilinear projections, structural break test, bandable/Toeplitz target matrix, data-driven shrinkage weight selection
为什么对您有用: 该论文直接关联您的高维统计与假设检验兴趣，其投影推断框架可视为对高维协方差矩阵的线性泛函进行推断，这与您熟悉的U-统计量投影思想有技术共鸣。您可以用very_familiar的高维渐近理论工具（如随机矩阵的Marchenko-Pastur律）来评估其高斯逼近的精度，或用moderately_familiar的M-估计理论分析其收缩权重的选择机制。中期可做：若将投影推断推广至因果推断中的高维协变量调整问题（如DML中的协方差估计），需先在moderately_familiar的semiparametric theory上加强。

6. 10.1214/23-ejs2204 — A tradeoff between false discovery and true positive proportions for sparse high-dimensional logistic regression¶

作者: Jing Zhou, Gerda Claeskens
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 1
相关性 6/10 · novelty: new_method
摘要: 本文研究稀疏高维逻辑回归中正则化方法（如MCP、SCAD）的变量选择性能。在n/p→δ>0的渐近框架下，作者推导出假发现率（FDR）与真阳性率（TPR）之间的非线性权衡函数，该函数由六个参数的系统方程刻画。分析采用“平均分量”方式处理未知参数，不要求稀疏性假设中的beta-min条件。基于该权衡函数，提出两个应用：一是给定FDR水平下达到指定功效的样本量计算程序；二是考虑功效的FDR校准方法。进一步将分析扩展到model-X knockoff方法，通过比较权衡曲线实现不同选择方法的对比。模拟和真实数据验证了理论结果。对您而言，该工作连接了高维统计与假设检验中的FDR控制，其“平均分量”渐近分析思路可能为您的U-statistic或随机矩阵理论工作提供新的分析视角。
关键技术: regularized logistic regression, folded-concave regularizers (MCP/SCAD), false discovery rate (FDR) vs. power tradeoff, average-over-components asymptotics, model-X knockoff comparison
为什么对您有用: 直接连接您的高维统计兴趣，特别是正则化方法在logistic回归中的FDR控制。您武器库中的minimax bounds和high-dimensional asymptotics可直接用于验证其tradeoff函数的紧性；其“平均分量”渐近框架与您熟悉的U-statistic投影技术有潜在联系。中期可做：若将tradeoff分析推广到更一般的M-estimation框架，需先在semiparametric theory上加强。

7. 10.1214/24-ejs2219 · arXiv — High-dimensional functional graphical model structure learning via neighborhood selection approach¶

作者: Boxin Zhao, Percy S. Zhai, Y. Samuel Wang, Mladen Kolar
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 1
相关性 5/10 · novelty: application
摘要: 本文研究高维函数型数据的无向图模型结构学习问题。在EEG/fMRI等应用中，观测数据是多元随机函数而非向量，传统图模型方法因精度算子可能不存在而失效。作者提出邻域选择方法：先通过函数对函数回归估计每个节点的邻域，再合并得到全图结构。该方法直接估计条件独立性，规避了无限维空间中精度算子的定义困难。理论部分在高维设定下证明了变量选择的相合性，并分析了基函数选择对降维步骤的影响，给出了启发式准则和两种实用基函数。实验验证了方法的计算效率和统计性能。对您而言，本文的高维图模型理论（邻域选择+函数回归）与您的高维统计和因果推断兴趣有交集，但方法学新颖性有限，属于已有邻域选择思路在函数型数据上的推广。
关键技术: neighborhood selection, function-on-function regression, Gaussian functional graphical model, high-dimensional consistency, basis expansion for dimensionality reduction
为什么对您有用: 本文属于高维统计与函数型数据交叉方向，与您的高维统计兴趣有交集，但核心方法（邻域选择）是经典图模型思路的推广，理论贡献以相合性为主而非新率或新界。武器库中'高维渐近理论'可直接理解其证明框架，但方法学新颖度不足以进入深度阅读。若您未来涉足函数型因果推断（如函数型IV或函数型中介分析），本文的回归框架可作为基础，但当前暂不可做。

8. 10.1214/23-ejs2196 · arXiv — Precision matrix estimation under the horseshoe-like prior–penalty dual¶

作者: Ksheera Sagar, Sayantan Banerjee, Jyotishka Datta, Anindya Bhadra
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 1
相关性 5/10 · novelty: new_method
摘要: 本文研究多元高斯模型下精度矩阵（precision matrix）的估计问题，目标是构建一个兼具良好贝叶斯和频率学派性质的先验-惩罚对偶。核心贡献是提出一种近似图形马蹄（graphical horseshoe）先验和惩罚的新对偶，克服了马蹄先验密度函数无闭式表达的主要困难。理论上，建立了精度矩阵的后验收敛速率达到oracle rate，并证明了MAP估计量的频率相合性，同时为图形马蹄先验等此前未获理论支持的方法提供了理论依据。计算方面，分别开发了用于惩罚似然和完全贝叶斯估计的EM和MCMC算法，数值实验显示马蹄方法全面优于竞争方法。最后通过B细胞淋巴瘤的蛋白质相互作用网络估计验证了方法的实用性。对您而言，该工作涉及高维协方差/精度矩阵估计这一高维统计核心问题，其理论分析（后验收敛速率、oracle rate）与您的minimax bounds和high-dimensional asymptotics工具直接相关。
关键技术: graphical horseshoe prior, posterior convergence rate, MAP estimator consistency, EM algorithm, MCMC, precision matrix estimation
为什么对您有用: 连接高维统计（precision matrix estimation）子方向；可用very_familiar中的minimax bounds和high-dimensional asymptotics工具验证其声称的oracle rate是否紧；中期可做：若想将马蹄先验思想迁移到您的因果推断或U-statistics问题中，需先在moderately_familiar的identification theory上长肌肉以理解其结构假设。

9. 10.1214/24-ejs2254 · arXiv — High-dimensional undirected graphical models for arbitrary mixed data¶

作者: Konstantin Göbler, Mathias Drton, Sach Mukherjee, Anne Miloschewski
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 1
相关性 5/10 · novelty: new_method
摘要: 本文针对混合类型数据（连续、计数、二元、有序等）的高维无向图模型学习问题，提出基于潜在高斯 copula 的通用框架。核心观察是经典的多分格相关（polychoric）与多序列相关（polyserial）估计量可在潜在高斯 copula 下统一处理任意混合类型变量，无需对每个变量类型单独建模。方法上，作者利用秩相关系数（如 Kendall's tau）的非参数估计来恢复潜在高斯图的精度矩阵，并采用 graphical lasso 进行高维稀疏估计。理论部分证明了在正则条件下，估计量的收敛速率与全连续情形一致，达到 minimax 最优率（对数 p/n 量级）。数值实验覆盖了多种混合类型组合，验证了方法的有限样本表现。对您而言，本文的高维稀疏图估计框架与您的高维统计和随机矩阵理论兴趣直接相关，其基于秩相关的稳健估计策略也可迁移至因果推断中的敏感性分析场景。
关键技术: latent Gaussian copula, polychoric/polyserial correlation, rank-based estimation, graphical lasso, high-dimensional consistency
为什么对您有用: 本文直接连接您的高维统计兴趣，特别是高维图模型在混合数据下的理论保证。您的武器库中的 minimax 界工具可直接用于验证本文声称的收敛速率是否紧（立即可做）。此外，秩相关估计与潜在变量框架的思路可迁移至因果推断中的测量误差或代理变量设定，属于中期可做的方向（需先在 semiparametric theory 上长肌肉）。

10. 10.1214/24-ejs2222 · arXiv — Direct covariance matrix estimation with compositional data¶

作者: Aaron J. Molstad, Karl Oskar Ekvall, Piotr M. Suder
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 1
相关性 4/10 · novelty: new_method
摘要: 本文针对成分数据（compositional data）的协方差矩阵估计问题，提出了一种直接估计多个协方差矩阵的方法，允许在不同总体间共享信息。成分数据常见于微生物组研究，其和为一的约束使得标准协方差估计量失效。现有方法通常间接估计潜在对数丰度的协方差，而本文的估计量直接、保证正定性，且是凸优化问题的解。估计量通过近端-近端梯度下降算法计算，适用于高维场景。渐近性质表明该估计量在高维下表现良好，模拟研究显示其优于现有方法。在慢性疲劳综合征患者的微生物组数据分析中，该方法提供了比竞争方法更可靠的估计。对您而言，该工作涉及高维协方差估计与凸优化，与您的高维统计和统计计算兴趣相关，其直接估计思路和正定性保证值得关注。
关键技术: proximal-proximal gradient descent, convex optimization, high-dimensional covariance estimation, compositional data, positive definiteness constraint
为什么对您有用: 本文直接关联您的高维统计兴趣，特别是高维协方差矩阵估计问题。您的技术武器库中的'高维渐近理论'和'逆问题'可用于分析其估计量的收敛性，而'软件工程'技能可用于实现其近端梯度算法。中期可做：若您想深入，需先在'M估计理论'上加强，以理解其渐近性质的推导细节。

非参数 / 半参数 (nonparam_semipara, 10 篇)¶

1. 10.1214/24-ejs2216 — High–dimensional local linear regression under sparsity and convex losses¶

作者: Kin Yap Cheung, Stephen M.S. Lee
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 1
相关性 7/10 · novelty: new_method
摘要: 本文针对高维非参数回归，考虑了一类由凸损失函数导出的广义回归框架（涵盖均值回归、分位数回归、逻辑回归等），不假设可加性结构。提出了一种新颖的惩罚局部线性回归方法，通过交替优化方案同时进行变量选择和带宽估计，其中协变量维度可超过多项式阶，活跃变量数随样本量缓慢增长。理论上证明了该方法在变量选择上具有一致性，且回归函数估计量具有oracle性质。模拟和真实数据示例展示了在均值回归、分位数回归和逻辑回归中的良好表现。该方法将高维稀疏性与非参数局部线性回归结合，对您在高维统计和非参数理论方面的兴趣有直接参考价值，尤其是其处理凸损失函数的统一框架和oracle性质的理论证明。
关键技术: penalized local linear regression, Bridge penalty, alternating optimization, oracle property, variable selection consistency, convex loss function
为什么对您有用: 本文直接连接您在高维统计和非参数理论方面的兴趣，提出了一种在高维稀疏设定下进行非参数回归的统一方法。您的技术武器库中的非参数统计和高维渐近理论可以直接用于理解其理论性质，例如验证oracle性质的证明或探索更紧的minimax界。中期可做：可尝试将本文的惩罚局部线性框架与您的higher-order U-statistics工作结合，研究高维U-统计量的非参数估计问题，但需要先在moderately_familiar的M-估计理论上进一步熟悉。

2. 10.1214/23-ejs2201 — Efficient Bayesian estimation and use of cut posterior in semiparametric hidden Markov models¶

作者: Daniel Moss, Judith Rousseau
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 1
相关性 7/10 · novelty: new_method
摘要: 本文研究有限状态隐马尔可夫模型（HMM）中转移矩阵和非参数发射密度的联合估计问题。在转移矩阵的估计上，作者构造了半参数有效估计量，并证明了半参数 Bernstein-von Mises 定理，从而为贝叶斯推断提供了渐近正态性保证。对于发射密度的估计，论文提出了一种模块化方法，使用 cut posterior 来避免模型误设的污染，并推导了收缩率的一般定理。关键中间步骤是一个反演不等式，将边际密度的 L1 距离与发射密度的 L1 距离联系起来。此外，论文还给出了平滑概率的收缩结果，避免了常见的样本分割技巧。模拟实验验证了理论结果和实现简便性。该工作对您在半参数理论和非参数贝叶斯方面的兴趣有直接参考价值，尤其是 cut posterior 的收缩率分析技术可迁移至您熟悉的因果推断中的模块化估计问题。
关键技术: cut posterior, Bernstein-von Mises theorem, semiparametric efficiency, contraction rates, hidden Markov models, inversion inequality
为什么对您有用: 本文直接连接您的半参数与非参数理论兴趣，特别是 cut posterior 的收缩率分析为模块化贝叶斯推断提供了新工具。您非常熟悉的非参数统计和 minimax 界技术可直接用于验证其收缩率是否最优，或推广至因果推断中的纵向数据设定。中期可做：需先在 moderately_familiar 的 M-estimation 理论上加强，以处理 cut posterior 的渐近性质。

3. 10.1214/23-ejs2207 — Analysis of the rate of convergence of two regression estimates defined by neural features which are easy to implement¶

作者: Alina Braun, Michael Kohler, Jeongik Cho, Adam Krzyżak
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 1
相关性 6/10 · novelty: new_method
摘要: 本文研究非参数回归中基于神经网络特征的估计量的收敛速度。作者提出两种易于实现的回归估计：第一种使用随机初始化的神经网络特征（权重不训练）加上一个通过最小二乘法拟合的额外层，在回归函数光滑的假设下推导了收敛速度；第二种将随机特征与投影追踪结合，通过多次随机方向选择，在投影追踪假设下达到了（对数因子以内的）一维收敛速度。核心机制是：利用神经网络的逼近性质，但避免昂贵的数据依赖优化——权重随机初始化后固定，仅训练最后一层线性输出。理论工具包括非参数回归的minimax速率、光滑函数类的逼近理论、以及投影追踪的维度约简思想。主要结果表明，在适当的结构假设下，随机特征方法可以避免维数灾难，达到接近最优的收敛速度。对您而言，本文展示了如何用随机化技巧简化高维非参数估计的计算，与您熟悉的非参数统计和minimax界工具直接相关，且其“随机特征+最小二乘”的框架可能启发您在因果推断或高维设定中设计计算高效的估计量。
关键技术: random neural features, least squares fitting, projection pursuit, nonparametric regression rates, minimax convergence
为什么对您有用: 本文直接连接您的primary interest中的非参数统计与minimax界：您可以用very_familiar的非参数minimax工具验证其声称的收敛速度是否紧，并评估随机特征方法在高维设定下的最优性。中期可做：若将随机特征思想迁移到因果推断中的非参数估计（如DML中的 nuisance 函数估计），需先在moderately_familiar的semiparametric theory上巩固，以处理估计量的一阶偏差。

4. 10.1214/24-ejs2217 · arXiv — Limit theorems for entropic optimal transport maps and Sinkhorn divergence¶

作者: Ziv Goldfeld, Kengo Kato, Gabriel Rioux, Ritwik Sadhu
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 1
相关性 6/10 · novelty: new_method
摘要: 本文研究熵正则化最优传输（EOT）映射、对偶势函数以及Sinkhorn散度的极限定理。核心技术工具是对EOT势函数关于边际分布的一阶和二阶Hadamard可微性分析，该结果本身具有独立价值。基于可微性结果，利用函数delta方法推导了经验EOT势函数和映射的中心极限定理。利用二阶函数delta方法建立了原假设下经验Sinkhorn散度的极限分布，并进一步推导了Sinkhorn独立性检验统计量的原假设极限分布，刻画了正确的收敛阶。由于极限定理源于相关映射的Hadamard可微性，作为副产品，还获得了经验EOT映射、势函数和Sinkhorn散度的bootstrap一致性和渐近有效性。该工作为基于最优传输的统计推断提供了严格的渐近理论基础，对您在高维统计和假设检验方面的兴趣有直接参考价值。
关键技术: Hadamard differentiability, functional delta method, entropic optimal transport, Sinkhorn divergence, central limit theorem, bootstrap consistency
为什么对您有用: 本文直接关联您对非参数/半参数理论和假设检验的兴趣，特别是其利用Hadamard可微性和函数delta方法建立渐近分布的技术路径。您武器库中'非参数统计'和'高维渐近理论'的功底可直接用于理解其核心论证，而'高阶U统计量'的树宽/张量收缩视角或可用于分析EOT映射的计算复杂度。中期可做：若您先在'半参数理论'上加强，可进一步探索EOT映射在因果推断中的半参数效率界。

5. 10.1214/24-ejs2241 · arXiv — Exponential family trend filtering on lattices¶

作者: Veeranjaneyulu Sadhanala, Robert Bassett, James Sharpnack, Daniel J. McDonald
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 1
相关性 5/10 · novelty: new_method
摘要: 本文将趋势滤波（trend filtering）从高斯同方差噪声设定推广到一般指数族分布（如 Poisson、Binomial、Gamma 等），目标是在格点（lattice）上做非参数回归。方法核心是构造一个基于总变差（total variation）惩罚的广义线性模型，使用坐标下降（coordinate descent）或交替方向乘子法（ADMM）进行优化，并利用格点结构的稀疏性实现大规模计算。理论方面，文章给出了在指数族分布下估计量的收敛速率，该速率依赖于惩罚参数和格点拓扑，并证明了自适应于局部光滑性的性质。调参方面，提出了基于 AIC / BIC 的路径算法，无需额外交叉验证。模拟和气候数据应用展示了方法在异质性噪声和离散响应下的优势。对您而言，本文的非参数回归框架与您熟悉的 minimax 界和 M-estimation 理论直接对接，且格点数据结构与您的高维统计和计算经验有交集。
关键技术: trend filtering, generalized linear model, total variation penalty, coordinate descent, ADMM, lattice data
为什么对您有用: 本文属于非参数统计与 M-estimation 理论，直接连接您的 primary interest 中的非参数统计和 minimax 界。您可以用 very_familiar 的 minimax 界工具检验其收敛速率是否紧，或用 moderately_familiar 的 M-estimation 理论分析其惩罚项的 influence。中期可做：若想将方法扩展到因果推断中的非参数回归（如 DML 中的 nuisance 估计），需先在 moderately_familiar 的 semiparametric theory 上长肌肉。

6. 10.1214/24-ejs2214 · arXiv — Quantile regression by dyadic CART¶

作者: Oscar Hernan Madrid Padilla, Sabyasachi Chatterjee
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 1
相关性 5/10 · novelty: new_method
摘要: 本文提出并研究了用于分位数回归的二元CART（QDCART）估计量。在固定设计下，该估计量通过动态规划算法实现，计算复杂度为O(N log N)。与均值回归版本类似，QDCART估计量满足一个权衡平方误差与真实信号复杂度参数的oracle风险界。该oracle界进一步表明，QDCART估计量在分段常数和有界变差函数类上具有自适应速率最优的估计保证。与现有DCART估计量要求误差分布为次高斯型不同，本文的估计保证不依赖于误差分布的尾部衰减假设，即使误差分布没有一阶矩（如柯西分布）也成立。此外，本文还将最优回归树（ORT）估计量扩展到分位数设定，并建立了类似的理论保证。数值实验验证了所提方法在处理重尾数据时的有效性。该工作对您在高维非参数统计和稳健估计方向的研究有直接参考价值，特别是其自适应速率最优性和对重尾分布的鲁棒性。
关键技术: Dyadic CART, quantile regression, dynamic programming, oracle risk bound, adaptive rate optimality, bounded variation function classes
为什么对您有用: 该论文直接关联您的非参数统计和半参数理论兴趣，特别是自适应估计和重尾数据下的稳健方法。您非常熟悉的minimax界和非参数统计工具可以直接用于验证其声称的自适应速率最优性是否紧。中期可做：若您希望在重尾分布下的分位数回归领域深入，需先在M估计理论（moderately_familiar）上加强。

7. 10.1214/23-ejs2211 — Uniform confidence band for optimal transport map on one-dimensional data¶

作者: Donlapark Ponnoprat, Ryo Okano, Masaaki Imaizumi
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 1
相关性 5/10 · novelty: new_method
摘要: 本文针对一维实数分布之间的最优传输（OT）映射，提出了基于均匀置信带的统计推断方法。OT 映射作为函数，其均匀范数下的推断对可视化和解释至关重要。作者推导了 OT 映射估计误差的均匀范数的极限分布，并据此构建了均匀置信带。此外，还开发了基于核平滑的 bootstrap 方法，并证明了其渐近覆盖概率的有效性。证明主要依赖于函数 delta 方法和一维 OT 映射的显式表示。该工作为 OT 映射的统计推断提供了非参数框架下的理论保证。对您而言，该文涉及非参数统计和极限分布理论，与您对非参数/半参数理论的兴趣直接相关。
关键技术: functional delta method, kernel smoothing, bootstrap confidence band, optimal transport map, uniform norm limit distribution
为什么对您有用: 本文属于非参数统计中函数型推断的经典问题，直接连接您的 primary interest 中的非参数/半参数理论。您可以用 minimax 界（very_familiar）来检验其置信带的最优性，或用更高阶 U-统计量的视角（moderately_familiar）分析其 bootstrap 方法的精度。中期可做：若想将方法推广到高维或更复杂的 OT 设定，需先在 moderately_familiar 的 semiparametric theory 上加强。

8. 10.1214/24-ejs2226 — A functional nonlinear mixed effects modeling framework for longitudinal functional responses¶

作者: Linglong Kong, Xinchao Luo, Jinhan Xie, Lixing Zhu, Hongtu Zhu
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 1
相关性 4/10 · novelty: new_method
摘要: 本文提出一个功能非线性混合效应模型（FNLMM）框架，用于刻画个体时空功能轨迹与纵向响应之间的随机非线性关系。模型通过时空过程刻画个体内变异性，将固定效应和随机效应函数以及时空协方差算子纳入统一框架。估计方法基于核/样条平滑与混合效应模型，并建立了固定效应函数估计的一致性和弱收敛性等渐近性质。作者还开发了全局线性假设检验和基于bootstrap的固定效应函数同时置信带。数值模拟和自闭症研究数据库的实证分析表明，该模型在检测功能固定效应方面比现有非线性混合效应模型更灵活有效。对您而言，本文的纵向功能数据建模框架与您对纵向因果推断的兴趣直接相关，其假设检验方法也可迁移至您熟悉的非参数统计工具中。
关键技术: functional nonlinear mixed effects model, spatiotemporal covariance operator, uniform consistency, weak convergence, bootstrap simultaneous confidence bands, global linear hypothesis test
为什么对您有用: 本文直接连接您对纵向数据建模和假设检验的兴趣，其功能非线性混合效应框架可用于处理纵向因果推断中的时变混杂问题。您非常熟悉的非参数统计和M估计理论可直接用于验证其渐近性质的紧性，或扩展至更复杂的因果参数估计。中期可做：需先在 moderately_familiar 的 semiparametric theory 上进一步熟悉功能数据的影响函数推导，即可尝试将本文的检验方法应用于您关注的 proximal causal inference 设定。

9. 10.1214/24-ejs2245 · arXiv — On dependent Dirichlet processes for general Polish spaces¶

作者: Andrés Iturriaga, Carlos A. Sing Long, Alejandro Jara
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 1
相关性 2/10 · novelty: new_theory
摘要: 本文研究在一般 Polish 空间上定义依赖型 Dirichlet 过程（DDP）的理论性质。传统 DDP 通常定义在欧氏空间上，本文将其推广到更一般的 Polish 空间，并给出了保证 DDP 在弱拓扑和强拓扑下连续性、关联结构以及支撑性质的充分条件。进一步，对于由 DDP 诱导的混合模型，在响应和预测变量独立同分布抽样下，证明了强连续性、关联结构、支撑以及弱相合性。这些结果可以扩展到更一般的依赖型 stick-breaking 过程。本文提供了严格的数学框架，但未涉及具体的估计方法或计算算法。对于您而言，本文属于非参数贝叶斯理论的基础性工作，与您的主要兴趣（非参数/半参数理论）有概念上的联系，但缺乏与您技术武库中具体工具的对接点。
关键技术: Dependent Dirichlet process, Polish space, weak and strong continuity, association structure, support of stochastic process, weak consistency
为什么对您有用: 本文属于非参数贝叶斯理论，与您的主要兴趣（非参数/半参数理论）有概念上的联系，但缺乏与您技术武库中具体工具的对接点。您非常熟悉的 minimax 界、U-统计量、因果推断等工具在此处没有直接应用空间。本文是纯理论性质，未涉及计算或数据，因此作为 gateway reading 的价值也有限。暂不可做：核心机器（非参数贝叶斯后验相合性理论）不在武器库里。

10. 10.1214/24-ejs2215 · arXiv — Stereological determination of particle size distributions for similar convex bodies¶

作者: Thomas van der Jagt, Geurt Jongbloed, Martina Vittorietti
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 1
相关性 2/10 · novelty: new_method
摘要: 研究问题：在 opaque medium 中，3D 凸体粒子（形状相同但大小随机）无法直接观测，仅能从随机平面切片上观测到 2D 截面面积，目标是反推 3D 粒子大小分布。这是一个典型的立体学（stereology）反问题，属于非参数统计中的 inverse problem 设定。方法核心：首先证明了在给定形状假设下，3D 大小分布可由 2D 截面面积分布唯一识别（identifiability），这依赖于粒子形状的已知性及随机取向假设。然后提出了一个非参数估计量，基于截面面积的经验分布通过积分变换（Abel 型积分方程）反卷积得到大小分布估计。理论结果：证明了该估计量的相合性（consistency），并在模拟中评估了有限样本表现。对您可能有用：该问题与您熟悉的 inverse problems with random noise 设定高度吻合，且非参数估计的 minimax 分析（如收敛速率）是您 very_familiar 武器库可直接攻克的延伸问题。
关键技术: stereology, inverse problem, Abel-type integral equation, nonparametric deconvolution, identifiability via shape assumption
为什么对您有用: 该论文直接连接您的 primary interest 中的 nonparametric statistics 和 inverse problems with random noise 子方向。您 very_familiar 的 minimax bounds for estimation problems 武器可直接用于推导该估计量的最优收敛速率（目前论文仅证明了相合性，未给出 minimax 下界或上界的最优性）。中期可做：需在 moderately_familiar 的 theory of higher-order U-statistics 上稍加延伸（因为截面面积数据是独立同分布样本，但估计量涉及积分变换的离散化，可能涉及 U-statistic 结构），但核心反卷积工具已在武器库中。

数理统计 / 假设检验 (hypothesis_testing, 11 篇)¶

1. 10.1214/24-ejs2248 · arXiv — Power of weighted test statistics for structural change in time series¶

作者: Herold Dehling, Kata Vuk, Marin Wendler
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 1
相关性 7/10 · novelty: new_method
摘要: 本文研究时间序列中结构变点检验的功效，重点关注变点位置对功效的影响。检验统计量是加权U-统计量的最大值，CUSUM检验和Wilcoxon变点检验是特例。在局部备择假设下，作者同时变化变点位置和变化幅度，量化了加权版本如何在变点位于时间区间首尾时提升功效，而在变点位于中心时损失功效。理论分析基于U-统计量的渐近分布和加权函数的选择，给出了功效函数的显式表达式。模拟研究验证了理论结果。对您而言，本文直接连接您对higher-order U-statistics和hypothesis testing的兴趣，特别是加权U-统计量在变点检验中的应用，以及功效分析中U-统计量投影技术的使用。
关键技术: weighted U-statistics, change-point detection, CUSUM test, Wilcoxon test, local alternatives, power function
为什么对您有用: 本文直接连接您对higher-order U-statistics和hypothesis testing的兴趣，特别是加权U-统计量在变点检验中的应用。技术层面，您可以用very_familiar的higher-order U-statistics计算（treewidth / tensor contraction）来分析加权U-统计量的计算成本，或用moderately_familiar的U-统计量理论来扩展本文结果到高阶U-统计量。中期可做：需先在moderately_familiar的HOIF上长肌肉，以处理更复杂的加权结构。

2. 10.1214/24-ejs2237 · arXiv — Reproducible parameter inference using bagged posteriors¶

作者: Jonathan H. Huggins, Jeffrey W. Miller
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 1
相关性 5/10 · novelty: new_method
摘要: 本文研究模型误设定下贝叶斯后验的不确定性量化缺乏可重复性的问题。作者提出一个可重复性准则：基于独立数据集构造的两个可信区间应具有非空交叠的概率下界，并证明当可信区间是有效置信集时该下界成立。标准后验的可信区间会严重违反该下界，表明其在误设定下内部不一致。为改善可重复性，作者提出对贝叶斯后验应用bagging（即对bootstrap数据集的后验分布取平均），称为BayesBag。从Jeffrey条件化原理出发推导BayesBag，并证明其通常满足交叠下界。进一步证明bagged后验的Bernstein-Von Mises定理，建立其渐近正态分布。模拟实验和犯罪率预测应用展示了BayesBag的优势。对您而言，该工作将可重复性形式化为一个可检验的统计性质，与您对假设检验和不确定性量化的兴趣直接相关。
关键技术: bagged posterior, Bernstein-Von Mises theorem, Jeffrey conditionalization, model misspecification, reproducibility criterion, confidence set overlap
为什么对您有用: 本文直接连接您对假设检验和不确定性量化的兴趣，提出了一个新颖的可重复性准则。您武器库中'非参数统计'和'高维渐近理论'可用于分析bagged后验在更复杂设定下的性质；'M估计理论'可用于将BayesBag推广到半参数模型。中期可做：需先在'semiparametric theory'上提升，以将BayesBag与debiased ML结合，处理因果推断中的模型误设定问题。

3. 10.1214/24-ejs2238 · arXiv — Sparse-limit approximation for t-statistics¶

作者: Micól Tresoldi, Daniel Xiang, Peter McCullagh
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 1
相关性 5/10 · novelty: new_method
摘要: 本文研究在基因组应用中，基于每个位点的样本均值和方差 (Ȳ, s²) 来量化信号活跃性的问题。设定中信号分布稀疏，且误差分布具有未知的位点特异性方差，因此标准化统计量的零分布为 Student-t 而非高斯分布。主要贡献是提出了 t 统计量在稀疏混合模型下的非零密度近似公式。该公式揭示了低自由度对贝叶斯因子或位点活跃条件概率的影响。方法核心是稀疏极限近似，技术工具涉及混合模型和密度近似。在 HIV 基因表达数据集上展示了该方法与标准方法的差异。对您而言，本文的稀疏混合近似思路可迁移至高维假设检验中处理厚尾或异方差问题，属于 hypothesis_testing 方向的具体应用。
关键技术: sparse-mixture approximation, t-statistic density approximation, Bayes factor, site-specific variance, genomic signal detection
为什么对您有用: 本文直接关联 primary interest 中的 hypothesis testing 和高维统计设定，其稀疏极限近似方法可视为处理高维异方差检验的一种新视角。从 technical_arsenal 看，您对 minimax bounds 和 high-dimensional asymptotics 非常熟悉，可立即评估该近似在更一般的非参数或半参数模型下的精度和适用性（立即可做）。

4. 10.1214/24-ejs2218 · arXiv — Two-sample and change-point inference for non-Euclidean valued time series¶

作者: Feiyu Jiang, Changbo Zhu, Xiaofeng Shao
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 1
相关性 5/10 · novelty: new_method
摘要: 本文针对取值于一般度量空间的非欧几里得时间序列，研究了两样本检验和变点检测两个统计推断问题。典型例子包括年度死亡率分布、时变网络和协方差矩阵时间序列。为了处理未知的时间相依性，作者将自标准化（SN）技术从希尔伯特空间推广到一般度量空间，这与现有针对函数型时间序列的SN推断有本质不同。理论上，提出了比现有文献更易验证的正则性条件，并推导了检验统计量在原假设和局部备择假设下的极限分布。对于变点检测问题，还证明了变点位置估计的一致性，并将所提变点检验与wild binary segmentation结合以实现多变点估计。数值模拟表明，与现有方法相比，所提检验有效且稳健。最后，将方法应用于死亡率数据的两样本推断和加密货币数据的变点检测。本文对您可能有用：它连接了您的假设检验兴趣，且自标准化技术是处理时间序列依赖性的非参数工具，与您的非参数统计和M估计理论背景契合。
关键技术: self-normalization (SN), non-Euclidean metric space, change-point detection, wild binary segmentation, two-sample testing, temporal dependence
为什么对您有用: 本文直接关联您的假设检验兴趣，特别是针对非欧几里得数据的时间序列推断。您非常熟悉的非参数统计和M估计理论可用于理解其自标准化技术的极限分布推导，而您中等熟悉的M估计理论可帮助评估其正则性条件的紧性。中期可做：若想将此类方法推广到因果推断中的纵向数据（如proximal CI中的时间序列），需先在中等熟悉的identification theory上提升。

5. 10.1214/24-ejs2228 · arXiv — Merging sequential e-values via martingales¶

作者: Vladimir Vovk, Ruodu Wang
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 1
相关性 4/10 · novelty: new_method
摘要: 本文研究如何将多个序贯 e-value 或独立 e-value 合并为一个 e-value 或 e-process 的问题。在序贯设定下，作者通过鞅构造了一类合并函数，并证明该类函数支配所有其他合并方法，且所有可容许的 e-process 构造方法均可由此获得。在独立 e-value 合并情形中，问题更为复杂，作者提出基于重排数据的鞅方法给出一般性合并函数类。该工作为 e-value 框架下的假设检验与推断提供了统一的合并工具，尤其适用于在线多重检验和自适应实验。对您而言，e-value 是近年来假设检验领域的重要新概念，与您对 hypothesis testing 的兴趣直接相关，且鞅方法在序贯分析中的使用可能启发您在高维或因果推断的序贯设定中应用类似技术。
关键技术: e-values, e-processes, martingale merging, sequential testing, admissible merging functions
为什么对您有用: 本文直接关联您 primary interest 中的 hypothesis testing，特别是 e-value 这一新兴检验框架。您的 technical arsenal 中 very_familiar 的 nonparametric statistics 和 high-dimensional asymptotics 可用于分析 e-value 合并的渐近性质，而 moderately_familiar 的 M-estimation theory 可能帮助将 e-value 方法扩展到更一般的估计问题。中期可做：需先在 moderately_familiar 的 semiparametric theory 上长肌肉，以理解 e-value 在复杂因果模型中的序贯应用。

6. 10.1214/24-ejs2230 · arXiv — Online multiple testing with super-uniformity reward¶

作者: Sebastian Döhler, Iqraa Meah, Etienne Roquain
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 1
相关性 4/10 · novelty: new_method
摘要: 本文研究在线多重检验中零假设p值超均匀（super-uniform）分布时的功效提升问题。现有在线FDR/FWER控制方法在p值严格均匀或保守时功效损失严重，而离散检验或加权p值场景下p值常呈超均匀分布。作者提出超均匀奖励（SUR）方法，通过利用单个零假设累积分布函数的信息，构造新的‘奖励型’在线检验过程。该方法在保持FWER或mFDR在线控制的理论保证下，对现有过程（如LORD、SAFFRON等）实现一致的功效改进。理论证明基于p值分布的超均匀性引理，不依赖独立或特定依赖假设。模拟和真实数据分析（如基因组关联研究）验证了SUR的实用性。对您而言，该工作将经典假设检验的保守性补偿思想与在线决策框架结合，其利用分布信息改进检验功效的策略可迁移至您熟悉的高维假设检验或因果推断中的敏感性分析场景。
关键技术: super-uniformity reward, online multiple testing, family-wise error rate, marginal false discovery rate, discrete p-values, weighted p-values
为什么对您有用: 直接连接您的主要兴趣——假设检验（hypothesis testing）。该文提出的SUR方法通过利用p值分布信息提升在线检验功效，其核心思想（用分布信息补偿保守性）可迁移至您非常熟悉的高维假设检验中离散检验或加权检验场景。中期可做：若您想将SUR推广至更复杂的依赖结构（如局部依赖），需先在 moderately_familiar 的M-estimation理论中强化对依赖结构下检验过程调整的理解。

7. 10.1214/23-ejs2205 — Random permutations generated by delay models and estimation of delay distributions¶

作者: Ludwig Baringhaus, Rudolf Grübel
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 1
相关性 3/10 · novelty: new_method
摘要: 本文研究由独立均匀到达时间与独立同分布延迟时间（分布函数 G）生成的随机排列 Πn，该排列连接前 n 个到达与离开的秩。核心问题是：能否利用 Πn 的非参数或参数信息来估计延迟分布 G？在非参数设定下，作者提出基于经验 copula 的估计方法，利用排列的秩结构构造 copula 过程；在参数设定下，则使用模式频率（pattern frequencies）进行推断。理论部分建立了估计量的相合性与渐近正态性，并给出了收敛速率。数值模拟验证了方法的有限样本表现。对您而言，本文提供了一个将排列的秩统计量与分布估计相结合的框架，其经验 copula 与模式频率技术可迁移至高维 U-统计量的组合推断问题。
关键技术: empirical copula, pattern frequencies, random permutation, rank-based estimation, delay distribution estimation
为什么对您有用: 本文连接了您的 hypothesis testing 与 higher-order U-statistics 兴趣：排列的秩结构可视为一种特殊的高阶组合统计量，其经验 copula 方法为基于秩的非参数推断提供了新视角。武器库中 very_familiar 的 nonparametric statistics 与 high-dimensional asymptotics 可直接用于分析该估计量的 minimax 性质；moderately_familiar 的 higher-order U-statistics 理论可用于推广至更复杂的延迟模型。中期可做：需先巩固 moderately_familiar 的 theory of higher-order U-statistics 以处理排列的联合分布投影。

8. 10.1214/23-ejs2199 · arXiv — Strong invariance principles for ergodic Markov processes¶

作者: Ardjen Pengel, Joris Bierkens
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 1
相关性 3/10 · novelty: new_theory
摘要: 本文研究遍历马尔可夫过程的强不变原理，即用布朗运动近似部分和过程的误差项。作者针对一大类遍历马尔可夫过程建立了强不变原理，为依赖结构下渐近方差估计量的统一分析提供了框架。具体地，论文展示了如何利用该结果分析分段确定性蒙特卡洛（PDMC）采样器模拟输出的批均值法。此外，还利用强近似结果推导了遍历扩散加性泛函的波动性结果。该工作将经典强不变原理从独立同分布或弱相依情形推广到连续时间遍历马尔可夫过程，填补了理论空白。对您而言，该论文与假设检验和渐近理论相关，其强近似框架可用于分析高维或复杂依赖结构下统计量的分布逼近。
关键技术: strong invariance principle, Brownian approximation, batch means method, Piecewise Deterministic Monte Carlo, ergodic Markov processes, additive functionals
为什么对您有用: 本文直接关联您的数学统计与假设检验兴趣，特别是依赖结构下的渐近理论。您武器库中的非参数统计与高维渐近工具可用于验证其强近似结果在更复杂设定（如高维马尔可夫链）下的适用性。中期可做：需先在 moderately_familiar 的 M-估计理论上长肌肉，以将强不变原理推广到 M-估计量的渐近分布分析。

9. 10.1214/24-ejs2244 — Robust inference in AR-G/GARCH models under model uncertainty¶

作者: Shang-Yuan Shiu, Hsin-Chieh Wong
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 1
相关性 3/10 · novelty: new_method
摘要: 本文在模型不确定性下，针对由 G/GARCH 噪声驱动的 AR 模型的自回归参数函数，提出了一种稳健检验方法。采用 Mallows 型模型平均方法选择权重，并将样本划分为固定数量的组，构造归一化估计量，其渐近分布为 t 分布，从而得到有效的置信区间。推导了所提 Mallows 型模型平均与选择估计量的极限分布，这些分布属于稳定族分布，但尚无法精确刻画，因此不能通过模拟实现。模拟实验表明，该方法在有限样本下对系数商检验具有出色的数值表现。本文连接了时间序列模型平均与假设检验，对您在高维统计和假设检验方面的兴趣有参考价值。
关键技术: Mallows-type model averaging, G/GARCH noise, robust inference, confidence interval via sample splitting, stable-family distributions
为什么对您有用: 本文直接关联您对假设检验的兴趣，特别是模型不确定性下的稳健推断。您武器库中的 minimax bounds 和非参数统计可用于分析其估计量的最优性，但核心的模型平均与稳定族分布工具不在您的熟悉范围内，属于暂不可做——需先掌握模型平均理论。

10. 10.1214/24-ejs2212 · arXiv — A note on the equivalence between the conditional uncorrelation and the independence of random variables¶

作者: Piotr Jaworski, Damian Jelito, Marcin Pitera
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 1
相关性 2/10 · novelty: new_theory
摘要: 本文研究随机变量条件不相关与独立性的等价关系。在经典概率论中，独立蕴含不相关，但反之不成立；本文证明，若随机变量在任意分位数条件集（quantile conditioning sets）上条件不相关，则它们独立。作者聚焦于绝对连续情形，给出了严格证明，并通过两个简单例子说明该结果在统计检验中的潜在用途：例如，可用于构造基于条件相关系数的独立性检验，或作为诊断工具检测变量间的非线性依赖。该结果将局部相关性条件与全局独立性联系起来，为高维或非参数设定下的独立性检验提供了新视角。对您而言，该工作直接关联假设检验方向，尤其适合作为构造更精细的基于U-统计量或经验过程的独立性检验的理论基础。
关键技术: conditional uncorrelation, quantile conditioning sets, independence test, local correlation, absolutely continuous distributions
为什么对您有用: 直接关联您的primary interest中的hypothesis testing方向：本文给出了一个简洁的充分条件（任意分位数条件集上的条件不相关）来保证独立性，这为构造新的独立性检验统计量提供了理论入口。您的武器库中very_familiar的nonparametric statistics和high-dimensional asymptotics可以直接用于设计基于经验分位数条件相关系数的检验，并分析其渐近性质——这是一个立即可做的follow-up。

11. 10.1214/24-ejs2232 · arXiv — A (tight) upper bound for the length of confidence intervals with conditional coverage¶

作者: Danijel Kivaranovic, Hannes Leeb
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 1
相关性 2/10 · novelty: new_theory
摘要: 本文研究条件覆盖置信区间的长度上界问题。在选择性推断（selective inference）框架下，Kivaranovic & Leeb (2020) 曾证明基于截断正态分布的置信区间期望长度为无穷大。本文将该结果推广到一类更广泛的条件正态分布族（截断正态分布是该族的极限情形），并推导出该类分布下置信区间长度的显式上界，且该上界在条件事件有界时是紧的。方法核心是分析条件分布族的尾部行为与区间长度的关系，利用正态分布的条件矩性质给出解析界。作者将结果应用于 data carving (Fithian et al., 2015) 和随机化响应 Lasso 选择 (Tian et al., 2018b) 两种流行的选择性推断程序，证明它们在区间长度上一致优于样本分裂策略。该工作为条件推断中区间估计的有限样本性质提供了理论保证，对您在高维假设检验和选择性推断中的实际应用有直接参考价值。
关键技术: selective inference, conditional coverage, truncated normal distribution, data carving, randomized response Lasso
为什么对您有用: 直接连接到您 primary interest 中的 hypothesis testing 子方向，特别是 selective inference 中条件置信区间的理论性质。您的 technical arsenal 中 very_familiar 的 minimax bounds 和 high-dimensional asymptotics 可以用于检验本文上界的紧性是否在更一般的模型（如高维稀疏回归）下成立。中期可做：需要先在 moderately_familiar 的 M-estimation theory 上熟悉 selective inference 的框架，然后可以尝试将本文的界推广到非正态误差或更一般的条件事件设定。

统计计算 / 算法 (stat_computing, 3 篇)¶

1. 10.1214/24-ejs2256 · arXiv — Computationally efficient inference for latent position network models¶

作者: Riccardo Rastelli, Florian Maire, Nial Friel
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 1
相关性 5/10 · novelty: new_method
摘要: 本文针对潜位置网络模型（latent position network models）的统计推断，提出了一种计算复杂度为 O(n) 的近似似然方法，突破了传统 O(n²) 的瓶颈，使得对含数万个节点的网络进行贝叶斯推断成为可能。核心机制是通过对似然函数中的双和项进行随机子采样近似，引入可控的噪声，并在 MCMC 采样中分析该近似误差对不变分布的影响。理论结果表明，在适当控制子采样率下，近似误差可以任意小，同时计算时间大幅降低。方法在模拟网络和一个大型合著网络（coauthorship network）上展示了实用性。对您而言，本文属于统计计算中“计算-统计权衡”的典型例子——用近似换取可扩展性，且理论分析（误差传播到 MCMC 不变分布）与您的 moderately_familiar 中的 M-estimation 理论有交叉，可作为 gateway reading 了解该领域的问题设定和理论风格。
关键技术: subsampled likelihood approximation, MCMC with approximate likelihood, computational-statistical tradeoff, latent position model, random dot product graph
为什么对您有用: 本文直接对应您的 primary interest 中的“statistical-computational tradeoff”子方向，属于 gateway reading：它清晰阐述了统计模型（潜位置模型）、计算模型（O(n²) 到 O(n) 的加速）以及近似误差与计算效率的权衡，符合 (a)(b)(c) 标准。您的 very_familiar 中的“非参数统计”和“高维渐近”可帮助理解其理论证明，但核心的 MCMC 近似误差分析需要 moderately_familiar 的 M-estimation 理论来深入评估其 tightness。中期可做：需先在 M-estimation 理论上长肌肉，才能对这类近似似然方法的 minimax 最优性给出判断。

2. 10.1214/24-ejs2257 · arXiv — Multivariate strong invariance principles in Markov chain Monte Carlo¶

作者: Arka Banerjee, Dootika Vats
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 1
相关性 3/10 · novelty: sharper_rate
摘要: 本文研究马尔可夫链蒙特卡洛（MCMC）输出分析中的强不变原理（strong invariance principle）。在宽意义再生（wide-sense regenerative）过程框架下，作者为多元遍历马尔可夫链的部分和建立了显式的强不变收敛速率。主要贡献在于：对于多项式遍历和几何遍历的马尔可夫链，无需1步小化条件（1-step minorization condition）即可证明强不变原理的存在性，且给出的速率是紧的。这一结果直接应用于MCMC输出分析，例如验证某些方差估计量强相合性的关键条件。对您而言，本文属于统计计算中MCMC理论的基础性工作，其显式速率和条件放松对理解MCMC的收敛诊断有参考价值，但方法学创新有限，属于该领域的经典问题改进。
关键技术: strong invariance principle, regenerative Markov chain, polynomial ergodicity, geometric ergodicity, variance estimation in MCMC
为什么对您有用: 本文属于统计计算（MCMC理论）方向，是您primary interest中'statistical computing'的经典子问题。武器库中'nonparametric statistics'和'high-dimensional asymptotics'的收敛速率分析经验可用于理解其证明框架，但核心工具（再生链、强不变原理）属于moderately_familiar的MCMC理论，需先熟悉该领域才能深入。暂不可做：核心机器（再生链的耦合论证、强不变原理的Skorokhod嵌入）不在当前武器库中。

3. 10.1214/24-ejs2235 · arXiv — Geometric ergodicity of Gibbs samplers for Bayesian error-in-variable regression¶

作者: Austin Brown
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 1
相关性 3/10 · novelty: application
摘要: 本文研究贝叶斯测量误差线性回归（EIV）中 Gibbs 采样的几何遍历性。模型假设特征和响应均存在附加高斯误差，采用经典误差和 Berkson 误差两种设定，先验取独立正态和逆 Wishart。构造了一个三变量确定性扫描 Gibbs 采样器，并证明该采样器总是几何遍历的，从而保证马尔可夫链时间平均的 CLT 成立。模拟实验考察了大数据场景下的性能、对模型误设的稳健性，并分析了天体物理学真实数据。理论证明依赖于对条件后验分布的漂移条件和 minorization 条件的验证，是 MCMC 收敛性分析的标准技术。对您而言，这是一篇统计计算（MCMC 收敛性）的扎实工作，但方法学 novelty 有限——几何遍历性在 Gibbs 采样中已有大量先例，本文的主要贡献在于将证明推广到 EIV 这一特定模型族。
关键技术: Gibbs sampler, geometric ergodicity, drift condition, minorization condition, Bayesian error-in-variable regression
为什么对您有用: 连接您的 statistical computing 兴趣，具体是 MCMC 收敛性分析。您的武器库中 nonparametric statistics 和 high-dimensional asymptotics 的漂移/小化条件分析能力可直接用于评估其证明的紧性，但本文方法学 novelty 较低（几何遍历性证明是标准技术），属于暂不可做——核心机器（MCMC 收敛性理论）不在您的 very_familiar 或 moderately_familiar 中，除非您计划将 MCMC 收敛性作为新方向。作为 astrostatistics 的 gateway reading，本文的天体物理数据例子（第 5 节）提供了真实数据结构和模型误设分析，适合入门阅读，但 exposition 不够系统（未详细说明数据噪声结构、选择效应），评分中等。

经济理论 / 应用 (econ_theory, 1 篇)¶

1. 10.1214/24-ejs2258 · arXiv — Order statistics approaches to unobserved heterogeneity in auctions¶

作者: Yao Luo, Peijun Sang, Ruli Xiao
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 1
相关性 7/10 · novelty: application
摘要: 本文研究拍卖模型中不可观测异质性的非参数识别与估计问题。在连续且不可分的异质性设定下，利用三个连续投标订单统计量实现模型的非参数识别。提出筛极大似然估计量（sieve MLE）来联合估计不可观测异质性与私人价值的联合分布及其条件/边际分布。理论部分建立了估计量的收敛性质，并应用于中国司法拍卖数据集。实证结果表明，在设定保留价时考虑不可观测异质性可显著提高收益，并提出以评估价作为保留价的简单方案，接近最优收益。对您而言，本文的识别策略（利用订单统计量）与您的非参数统计和因果推断兴趣有潜在联系，尤其是处理未观测混杂时的识别思路可迁移至proximal causal inference中的negative control设定。
关键技术: sieve maximum likelihood estimation, order statistics, nonparametric identification, unobserved heterogeneity, auction models
为什么对您有用: 本文属于经济理论（拍卖模型）的应用工作，使用非参数识别和筛MLE方法，与您的secondary interest（经济理论）直接相关。您的武器库中'非参数统计'和'M估计理论'可用来分析其估计量的收敛速率或半参效率界，属于'中期可做'——需先在moderately_familiar的'半参理论'上加强。本文的识别思路（利用高阶统计量处理不可观测变量）对您的proximal CI研究有启发，但核心方法不直接涉及因果推断，因此暂不进入deep-read。

其他 (other, 10 篇)¶

1. 10.1214/24-ejs2247 · arXiv — On variance estimation of random forests with Infinite-order U-statistics¶

作者: Tianning Xu, Ruoqing Zhu, Xiaofeng Shao
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 1
相关性 9/10 · novelty: new_method
摘要: 本文研究随机森林等子抽样集成学习算法的不确定性量化问题，将预测视为无穷阶U-统计量（IOUS）。现有方差估计方法依赖Hoeffding分解中首项主导性，当核函数阶数大或样本量小时产生偏倚；虽有若干无偏估计量，但缺乏理论性质（如比率相合性）的系统研究。作者提出基于“峰值区域主导性”的新视角，导出无偏方差估计量，并证明其与多种现有无偏估计量的等价性。首次建立了该方差估计量的比率相合性，从而保证随机森林置信区间的覆盖率的理论正当性。数值上引入局部平滑过程改善有限样本表现。对您而言，该工作直接连接您对高阶U-统计量理论（moderately_familiar）的兴趣，且其“峰值区域主导性”视角可能为U-统计量方差估计的树宽/张量收缩复杂度分析提供新入口——这是您very_familiar的武器，可立即探索该视角在一般高阶U-统计量计算成本刻画中的推广。
关键技术: Infinite-order U-statistics, Hoeffding decomposition, ratio consistency, subbagging ensemble, local smoothing
为什么对您有用: 直接连接您对高阶U-统计量理论（moderately_familiar）的兴趣，且其“峰值区域主导性”视角可能为U-统计量方差估计的树宽/张量收缩复杂度分析提供新入口——这是您very_familiar的武器，可立即探索该视角在一般高阶U-统计量计算成本刻画中的推广。

2. 10.1214/23-ejs2200 — A penalised bootstrap estimation procedure for the explained Gini coefficient¶

作者: Alexandre Jacquemain, Cédric Heuchenne, Eugen Pircalabelu
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 1
相关性 5/10 · novelty: application
摘要: 本文研究 Lorenz 回归中解释性 Gini 系数的估计问题，该系数常用于机会不平等测量。在单指标模型设定下，解释性 Gini 系数定义为响应变量条件期望的 Gini 系数，无需估计连接函数即可估计。当协变量数量较多时，朴素估计容易过估计。作者提出一种惩罚自助法（penalised bootstrap），同时实现变量选择和有效推断，所得估计量满足 Oracle 性质。数值上采用 SCAD-FABS 算法（将 FABS 算法适配 SCAD 惩罚）进行计算。理论保证和 Monte Carlo 模拟验证了方法性能，并给出了真实数据示例。该问题属于经济学应用中的不平等度量，与您 secondary interest 中的经济理论（应用因果工作）有交集，但方法学核心（单指标模型 + 惩罚 + 自助法）与您 primary interests 中的高维统计或因果推断框架无直接技术重叠。
关键技术: SCAD penalty, FABS algorithm, Oracle property, single-index model, bootstrap inference
为什么对您有用: 本文属于经济理论（机会不平等测量）的应用工作，与您的 secondary interest 中的经济理论方向有交集，可作为该领域入门阅读。但方法学核心（单指标模型 + SCAD 惩罚 + 自助法）与您 primary interests 中的因果推断、高维统计或 U-统计量框架无直接技术连接，武器库中 very_familiar 的非参数统计和 minimax 界工具难以直接攻入该问题的核心（单指标模型假设下的 Gini 系数推断）。暂不可做——核心机器（单指标模型半参推断、Gini 系数的 influence function 推导）不在武器库中。

3. 10.1214/24-ejs2252 · arXiv — Large-sample properties of non-stationary source separation for Gaussian signals¶

作者: François Bachoc, Christoph Muehlmann, Klaus Nordhausen, Joni Virta
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 1
相关性 4/10 · novelty: new_theory
摘要: 本文研究非平稳源分离（NSS）中一种常用方法 NSS-JD 的大样本性质。在瞬时线性混合模型下，假设源信号为独立高斯非平稳过程，且方差函数差异足够大以保证渐近可分离。作者证明了混合矩阵估计量的相合性和以平方根速率收敛到高斯极限分布。理论结果仅依赖有界性和有限依赖等非常一般的条件。模拟实验验证了理论发现并探讨了块长对分离效果的影响。该工作填补了非平稳源分离方法缺乏大样本理论的空白。对您而言，本文属于信号处理领域，与您的主要兴趣（因果推断、高维统计等）无直接关联。
关键技术: joint diagonalization, blind source separation, Gaussian process, consistency and asymptotic normality, block-wise covariance estimation
为什么对您有用: 本文属于信号处理/时间序列分析，与您的主要兴趣（因果推断、高维统计、半参理论）无直接交集。虽然非平稳源分离在因果推断中可能有潜在应用（如工具变量或混淆控制），但本文未涉及因果识别或效率理论。武器库中无直接可攻工具。暂不可做——核心机器（盲源分离的渐近理论）不在武器库中。

4. 10.1214/23-ejs2195 — Regression analysis of partially linear transformed mean residual life models¶

作者: Haijin He, Jingheng Cai, Xinyuan Song
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 1
相关性 4/10 · novelty: minor
摘要: 本文提出了一类新的部分线性变换平均剩余寿命（TMRL）模型，用于研究生存结局中线性和非线性的协变量效应。与现有基于逆概率删失加权（IPCW）的估计方程方法不同，本文采用鞅基估计方程方法，结合全局和核加权局部估计方程来估计参数和非参数分量，从而避免了对删失时间分布进行估计或建模，提升了模型能力和计算效率。文章建立了参数和非参数分量估计量的渐近性质，并开发了高效的迭代算法。模拟研究展示了所提方法在有限样本下的良好表现。最后，模型被应用于肺癌和2型糖尿病并发症的研究。
关键技术: martingale-based estimating equations, kernel-weighted local estimating equations, partially linear model, mean residual life model
为什么对您有用: 本文属于生存分析领域，与您的主要兴趣（因果推断、高维统计等）无直接关联。它不涉及因果识别、高维推断或计算复杂性等核心方向。作为应用统计方法论文，其方法学新颖性有限（novelty_flag: minor），不值得深入阅读。

5. 10.1214/23-ejs2169 · arXiv — Consistency of maximum likelihood for continuous-space network models I¶

作者: Cosma Shalizi, Dena Asta
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 1
相关性 4/10 · novelty: new_theory
摘要: 本文研究连续潜空间网络模型（latent space network models）中最大似然估计的一致性。模型假设每个节点对应一个连续潜空间中的点，边概率随潜空间距离递减。作者在对称性和光滑性假设下，证明了当节点数趋于无穷时，潜位置对数似然函数的一致收敛性。由此推出，最大似然嵌入在信息论意义下收敛到真实潜位置。该工作为潜空间网络模型的统计推断提供了理论基础，但方法学上属于经典M估计框架，未涉及因果推断、高维统计或U统计等核心兴趣方向。后续工作将扩展到潜分布恢复和大图分布。
关键技术: maximum likelihood estimation, latent space models, uniform convergence, M-estimation
为什么对您有用: 本文属于网络模型的理论统计工作，与您的主要兴趣（因果推断、高维统计、U统计）无直接交集。武器库中的非参数统计和M估计理论可理解其技术框架，但问题设定（潜空间嵌入）与您的核心方向距离较远，暂不可做。

6. 10.1214/24-ejs2227 · arXiv — Intrinsic and extrinsic deep learning on manifolds¶

作者: Yihao Fang, Ilsang Ohn, Vijay Gupta, Lizhen Lin
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 1
相关性 3/10 · novelty: application
摘要: 本文提出两种用于流形上深度学习的通用框架：外在深度神经网络（eDNN）和内在深度神经网络（iDNN）。eDNN 通过等变嵌入将流形映射到欧氏空间，从而保留几何特征；iDNN 则利用黎曼结构下的指数映射和对数映射直接编码流形的内在几何。作者证明了这两种框架的经验风险最小化（ERM）估计量能够达到最优收敛速率。eDNN 框架简单易计算，而 iDNN 框架精度高且收敛快。通过模拟和真实数据分析展示了方法的实用性。该工作主要贡献在于为流形数据提供了理论保证的深度学习架构，但方法学创新程度有限，属于现有技术的系统化整合与应用。
关键技术: extrinsic deep neural networks, intrinsic deep neural networks, equivariant embedding, exponential and log maps, empirical risk minimization, optimal convergence rates
为什么对您有用: 本文与您的主要兴趣（非参数/半参数理论、统计计算）关联较弱，属于流形学习这一独立领域。您的技术武库（非参数统计、高维渐近）可部分用于分析其收敛速率，但核心的黎曼几何工具（指数映射、切空间）不在您的熟悉范围内。该文可作为了解流形深度学习的入门读物，但暂不可做后续研究。

7. 10.1214/24-ejs2234 · arXiv — Differentially private confidence intervals for proportions under stratified random sampling¶

作者: Shurong Lin, Mark Bun, Marco Gaboardi, Eric D. Kolaczyk, Adam Smith
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 1
相关性 3/10 · novelty: new_method
摘要: 本文在分层随机抽样框架下，研究比例参数的差分隐私置信区间构造问题。首先明确了适用于分层抽样数据的两种差分隐私变体（全局隐私与每层隐私），并在此设定下提出了三种差分隐私算法。每种算法都给出了严格的隐私损失分析和估计量的渐近性质（如相合性与覆盖概率）。通过模拟实验和1940年美国人口普查数据的两项应用，验证了所提方法在有限样本下的表现。对您而言，本文虽不直接涉及因果推断或高维统计，但其将差分隐私与抽样设计结合的分析思路，以及隐私-精度权衡的量化方法，可作为统计计算与隐私保护交叉领域的入门参考。
关键技术: differential privacy, stratified random sampling, confidence interval, privacy-utility tradeoff, asymptotic coverage
为什么对您有用: 本文属于差分隐私与抽样统计的交叉，不直接匹配您的primary interests（因果推断/高维/半参），但可作为gateway reading了解隐私保护下的推断方法。您的武器库中'非参数统计'和'高维渐近'可帮助理解其渐近性质，但核心差分隐私机制（如Laplace机制、隐私预算分配）不在您的技术栈中，属于暂不可做方向。

8. 10.1214/24-ejs2242 — Quantiles and depth for directional data from elliptically and skew-rotationally symmetric distributions¶

作者: Konstantin Hauch, Claudia Redenbach
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 1
相关性 3/10 · novelty: new_method
摘要: 本文针对球面 S^{d-1} 上的方向数据，提出了一种在椭圆对称分布（elliptically symmetric）下的分位数和深度（depth）的规范定义。现有方法（Ley et al. [1]）仅适用于旋转对称分布，其深度等高线总是旋转对称的，无法适应椭圆对称分布。作者的核心思路是通过一个微分同胚映射（diffeomorphic mapping）将椭圆等高线变形为旋转对称等高线，从而将问题归约为已有规范情形。进一步，该方法被扩展到偏斜-旋转对称（skew-rotationally symmetric）分布。蒙特卡洛模拟验证了方法的有效性，并展示了如何利用深度等高线的椭圆度进行方向数据的修剪（trimming）。在纤维增强混凝土中纤维方向的实际数据分析中，该方法展现了实用价值。对您而言，本文属于方向统计学的专门方法，与您的主要兴趣（因果推断、高维统计等）无直接交集，但深度和分位数的几何变形思想在非参数统计中可能有一定启发。
关键技术: directional quantiles, elliptically symmetric distributions, depth contours, diffeomorphic mapping, skew-rotationally symmetric distributions
为什么对您有用: 本文属于方向统计学的专门方法，与您的主要兴趣（因果推断、高维统计、U-统计量等）无直接交集。武器库中的非参数统计和 minimax 界工具难以直接应用于本文的几何变形框架。暂不可做——核心机器（方向数据的深度和分位数理论）不在武器库中。

9. 10.1214/23-ejs2210 — A new parameterization for elliptically symmetric angular Gaussian distributions of arbitrary dimension¶

作者: Zehao Yu, Xianzheng Huang
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 1
相关性 3/10 · novelty: minor
摘要: 本文针对任意维度的椭圆对称角高斯分布提出了一种新的参数化方法。原模型参数受复杂约束限制，新参数化将所有参数转化为无约束形式，从而将带约束的最大似然估计转化为常规的无约束优化问题。该方法保证了理论上的合理性和数值上的稳定性，并基于似然推断的副产品开发了图形化和数值化的拟合优度诊断工具。通过模拟研究和水文地质数据应用验证了推断程序和诊断方法的性能。该工作主要贡献在于参数化技巧和计算稳定性，而非统计推断理论或方法论的突破。对您而言，本文属于统计计算中的参数化技巧，与您的主要兴趣方向（因果推断、高维统计等）无直接关联。
关键技术: reparameterization, constrained optimization, maximum likelihood estimation, directional statistics
为什么对您有用: 本文属于方向统计学的参数化技巧，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或高维渐近理论在此不适用。暂不可做——核心问题（方向数据的参数化与约束优化）不在您的武器库覆盖范围内。

10. 10.1214/23-ejs2206 · arXiv — Space-time covariance models on networks¶

作者: Jun Tang, Dale Zimmerman
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 1
相关性 1/10 · novelty: application
摘要: 本文研究定义在广义线性网络（如河流网络）上的时空随机过程的二阶协方差结构建模，填补了该领域在非欧几里得空间上的空白。作者利用空间嵌入技术将网络嵌入欧几里得树，结合广义Gneiting类模型和1-对称特征函数，通过尺度混合方法构建了一系列参数化的非可分离时空协方差模型。文中详细分析了这些协方差函数在原点附近和无穷远处的几何特征，并展示了不同模型类之间的理论联系。通过每日河流水温数据集，作者用交叉验证比较了不同模型的预测性能（克里金法）。该工作主要贡献在于将成熟的欧几里得空间协方差建模框架推广到网络结构上，但方法本身是经典时空统计的延伸，未涉及因果推断、高维或半参效率等核心兴趣方向。
关键技术: Gneiting class, scale mixture, space embedding, Euclidean tree, kriging, cross-validation
为什么对您有用: 本文属于空间统计应用，与您的主要兴趣（因果推断、高维统计、半参理论）无直接交集。但若您未来涉足环境流行病学或生态学中的网络数据（如河流污染传播），该文提供的协方差模型可作为时空克里金的工具。当前武器库中的非参数统计和逆问题工具可辅助理解其建模框架，但无直接可攻问题。

Maintained by 陈星宇 · Homepage · Source on GitHub