EJS — Vol 18 Issue 2 · 2026-07-15¶

共 56 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。

这一期共 56 篇论文，覆盖因果推断、假设检验、高维统计与随机矩阵、半参数/非参数、统计计算等多个方向。主线可归纳为三条：一是因果识别与效率提升，涉及工具变量、模型选择、稳健加权、实验设计等；二是高维与稀疏推断，包括高维 GLM、变点检测、计数时间序列、多视图 PCA、二分图聚类等；三是非参数与半参数理论，涵盖删失数据回归、流形学习、密度估计、分布值协变量回归等。此外，假设检验方向有离散条件独立性检验、协方差矩阵检验、拟合优度检验等新工具，统计计算方向则贡献了矩阵回归算法、子采样方法、ABC 新策略等。

因果推断主线中，Structural mean models for instrumented difference-in-differences 针对计数和罕见二元结局，在 IV-DID 框架下提出乘法结构均值模型，允许平行趋势因未测量混杂而违反，并发展了基于有效影响函数的半参数估计。Model selection and inference for estimation of causal parameters 处理因果推断中模型选择后的推断问题，通过估计平方 ℓ2 偏差构造渐近有效置信区间，适用于 IPW、IV 等设定。Robust propensity score weighting estimation under missing at random 利用信息投影构造双重稳健估计量，并推广至离群值稳健估计。Multivariate tie-breaker designs 在 RDD 与 RCT 之间提出 D-最优性准则，通过凸优化选择处理概率，并纳入经济和伦理约束。Confounder adjustment in single index function-on-scalar regression model 将因果调整引入函数型数据分析，但识别依赖因子模型假设。Integrating external summary information under population heterogeneity and information uncertainty 提出双重惩罚约束最大似然方法，在人群异质性和信息不确定性下整合外部汇总信息。

高维与稀疏推断主线中，Empirical Bayes inference in sparse high-dimensional generalized linear models 证明了 Bernstein–von Mises 定理，保证后验不确定性量化的渐近有效性。Efficient sparsity adaptive changepoint estimation 提出自适应稀疏性的变点估计方法，计算复杂度近线性。High-dimensional latent Gaussian count time series 建立计数序列与潜在高斯自协方差间的浓度界，并用于稀疏 VAR 估计。Sparse and integrative principal component analysis for multiview data 通过 Fantope 优化实现元素级和块级双稀疏约束。Strong consistency guarantees for clustering high-dimensional bipartite graphs with the spectral method 证明谱方法在二分图社区检测中达到精确恢复阈值，无需后处理。

半参数与非参数主线中，Nonparametric regression for current status censored response 给出 MISE 收敛速度的 sharp minimax 理论，包括 sharp 常数。Nonparametric linear feature learning in regression through regularisation 通过 Hermite 多项式与交替最小化学习低维线性子空间。Prediction in measurement error models 直接构造预测区间，工作模型错误时仍具一致性。Non-parametric manifold learning 用图拉普拉斯谱估计流形距离，给出误差上界。About the optimal estimation of a density with infinite support under Hellinger loss 填补无限支撑密度最优速率的理论空白。Direct Bayesian linear regression for distribution-valued covariates 实现闭式贝叶斯推断，并给出最优估计误差界。

与因果推断最贴的论文包括：Structural mean models for instrumented difference-in-differences、Model selection and inference for estimation of causal parameters、Robust propensity score weighting estimation under missing at random、Multivariate tie-breaker designs、Confounder adjustment in single index function-on-scalar regression model、Integrating external summary information under population heterogeneity and information uncertainty。与半参数效率最贴的包括：Robust improvement of efficiency using information on covariate distribution、Nonparametric regression for current status censored response、Nonparametric linear feature learning in regression through regularisation。与高维统计最贴的包括：Empirical Bayes inference in sparse high-dimensional generalized linear models、Efficient sparsity adaptive changepoint estimation、High-dimensional latent Gaussian count time series、Sparse and integrative principal component analysis for multiview data、Strong consistency guarantees for clustering high-dimensional bipartite graphs with the spectral method。

因果推断 (causal_inference, 6 篇)¶

1. 10.1214/24-ejs2313 · arXiv — Structural mean models for instrumented difference-in-differences¶

作者: Tat-Thang Vo, Ting Ye, Ashkan Ertefaie, Samrat Roy, James Flory, Sean Hennessy et al.
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 2
相关性 9/10 · novelty: new_method
摘要: 本文在 instrumented difference-in-differences (IV-DID) 框架下，针对计数和罕见二元结局，提出了乘法结构均值模型 (multiplicative structural mean models)。该模型允许在平行趋势假设因未测量混杂而违反时，利用一个外生工具变量（满足排他性和趋势尺度无混杂）来识别和估计总体或处理组中的平均处理效应 (ATE 或 ATT)。作者讨论了模型的可识别性条件，并发展了半参数有效估计方法，允许使用数据自适应或机器学习方法估计 nuisance 参数。估计量基于 efficient influence function 构建，可实现 n^{-1/2}-收敛和渐近正态性。在模拟研究中验证了有限样本性能，并应用于医疗保健数据，评估磺脲类药物与二甲双胍相比导致中度至重度体重增加的风险。该工作将 IV-DID 从线性连续结局推广到计数/二元结局，对您从事的因果推断（IV、纵向）和半参数效率理论方向有直接参考价值。
关键技术: structural mean models, instrumental variables, difference-in-differences, semiparametric efficiency, efficient influence function, data-adaptive estimation
为什么对您有用: 本文直接连接您的 primary interest 中的因果推断（IV、纵向）和效率理论（半参数效率界）。您可以用 very_familiar 的 minimax bounds 和 estimation theory 来检验其提出的半参数估计量是否达到效率界，或用 moderately_familiar 的 semiparametric theory 工具（如 HOIF）进一步分析其估计量的高阶性质。中期可做：若想将方法推广到更复杂的纵向设定，需先在 moderately_familiar 的 identification theory 上长肌肉。

2. 10.1214/24-ejs2308 — Model selection and inference for estimation of causal parameters¶

作者: Dominik Rothenhäusler
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 2
相关性 8/10 · novelty: new_method
摘要: 本文研究因果推断中模型选择后的推断问题。在因果推断中，同一目标量（如ATE）常有多个合理估计量（如IPW、IV、基于代理结果的方法），但实践者难以在观测数据前确定最优方法。若在窥视数据后选择模型，朴素推断会失效。作者提出一种模型选择程序，估计有限维估计量与其目标的平方ℓ2偏差，该程序依赖一个已知的渐近无偏（可能高方差）的参数估计量。由于所得估计量不连续且无高斯极限分布，标准渐近展开不适用。作者为低维设定推导了考虑模型选择步骤的渐近有效置信区间。模拟实验在低维场景（实验数据、IV设定、基于可观测选择的观察数据）中评估了ATE估计与推断的性能。该工作为因果推断中模型选择后的有效推断提供了理论框架，对您关注的因果推断（特别是估计量选择与推断）有直接参考价值。
关键技术: model selection after peeking, squared ℓ2-deviation estimation, asymptotically unbiased estimator, non-Gaussian limit distribution, confidence intervals post-selection
为什么对您有用: 直接连接您因果推断兴趣中的估计量选择与推断问题。您武器库中'因果推断的估计理论'（very_familiar）可直接用于理解其偏差估计框架，而'半参数理论'（moderately_familiar）可用于扩展至更复杂设定。中期可做：将本文低维方法推广至高维或半参数模型，需先在'半参数理论'上加强。

3. 10.1214/24-ejs2263 · arXiv — Robust propensity score weighting estimation under missing at random¶

作者: Hengfang Wang, Jae Kwang Kim, Jeongseop Han, Youngjo Lee
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 2
相关性 8/10 · novelty: new_method
摘要: 本文针对缺失数据下的倾向得分加权估计问题，提出一种基于信息投影（information projection）的稳健估计方法。在MAR假设下，通过间接模型校准约束构造双重稳健（doubly robust）估计量，当结果回归模型或倾向得分模型之一正确指定时，估计量仍保持相合性。该方法可等价表示为内部偏差校准（internal bias calibration）条件下的双重稳健回归插补估计。进一步，将信息投影推广至离群值稳健估计（outlier-robust estimation），通过调整投影权重降低异常值影响。理论部分给出了估计量的渐近性质，包括相合性和渐近正态性。模拟研究表明，该方法不仅对模型设定偏差稳健，还能有效应对离群值。对您而言，本文的稳健双重稳健框架可应用于您关注的因果推断中缺失数据处理问题，尤其是纵向数据或敏感度分析中的离群值场景。
关键技术: information projection, doubly robust estimation, internal bias calibration, outlier-robust estimation, propensity score weighting
为什么对您有用: 本文直接关联您primary interest中的因果推断（缺失数据处理）和效率理论（双重稳健估计）。技术武器库中'nonparametric statistics'和'estimation theory in causal inference'可立即用于理解其信息投影与校准机制，而'moderately_familiar'中的'semiparametric theory'可进一步分析其渐近效率。立即可做：您可用very_familiar的因果推断估计理论复现其模拟，并检验其稳健性框架在您熟悉的proximal CI或IV设定下的适用性。

4. 10.1214/24-ejs2312 · arXiv — Multivariate tie-breaker designs¶

作者: Tim P. Morrison, Art B. Owen
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 2
相关性 7/10 · novelty: new_method
摘要: 本文研究多变量 tie-breaker 设计（TBD），这是一种介于回归间断设计（RDD）和随机对照试验（RCT）之间的实验设计：对运行变量（running variable）高值的受试者给予处理，低值的不给处理，中间值随机分配。作者在潜在结果框架下建模，假设处理组和对照组的期望响应均为协变量的多元回归函数。他们提出了一种前瞻性的 D-最优性准则（类似于贝叶斯最优设计），通过凸优化选择处理概率以优化该准则，并可以纳入经济和伦理约束。理论结果表明，在该模型下，处理效应的 D-最优性与整个回归的 D-最优性一致；无约束时 RCT 全局最优；而单调性约束（更应得处理的受试者获得更高处理概率）会导致处理概率的稀疏性。最后，作者使用 MIMIC-IV-ED 数据库中的分诊数据进行了半合成示例分析。本文为实验设计中的资源分配与统计效率权衡提供了可计算的设计工具，对您从事因果推断中的实验设计（如 IV、纵向研究中的分配机制）有直接参考价值。
关键技术: tie-breaker design, D-optimality, convex optimization, regression discontinuity design, randomized controlled trial, MIMIC-IV-ED database
为什么对您有用: 本文直接连接您的 primary interest 中的因果推断（实验设计、分配机制），特别是 RDD 与 RCT 之间的折衷设计。您的 technical arsenal 中的 'estimation theory in causal inference' 和 'software development' 可立即用于实现其凸优化算法并扩展到更复杂的约束场景（如纵向数据中的序贯分配）。中期可做：将本文的 D-最优性框架与您的 'semiparametric theory' 结合，推导处理效应估计量的半参数效率界，以验证设计是否达到最优。

5. 10.1214/24-ejs2333 — Confounder adjustment in single index function-on-scalar regression model¶

作者: Shengxian Ding, Xingcai Zhou, Jinguan Lin, Rongjie Liu, Chao Huang
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 2
相关性 6/10 · novelty: new_method
摘要: 本文针对函数型响应与标量协变量的回归问题，提出单指标函数-标量回归模型，以同时处理非线性关联和由成像异质性（如研究环境、人群、方案差异）导致的未观测混杂。模型将协变量效应通过一个未知的单指标函数进入函数型回归，并引入潜在因子来捕捉混杂因素。估计采用基于B样条和惩罚最小二乘的迭代算法，推断则利用渐近正态性构建置信区间。作者建立了参数估计的相合性和渐近正态性，以及函数估计的收敛速度。模拟和ADNI弥散张量成像数据展示了方法的有限样本表现。该工作将因果调整思想引入函数型数据分析，但identification策略依赖于因子模型假设，未使用IV或negative control等更稳健的因果推断工具。
关键技术: single index model, function-on-scalar regression, confounding adjustment via latent factors, B-spline estimation, penalized least squares
为什么对您有用: 连接因果推断的confounding adjustment子方向，但方法学上更偏向函数型数据建模而非因果identification。武器库中'非参数统计'和'因果推断中的估计理论'可直接用于分析其单指标函数的收敛性，但该文的混杂调整策略（潜变量因子）与您熟悉的proximal CI或IV框架不同，属于中期可做——需先在'moderately_familiar'的identification theory上理解因子模型的可识别性条件。

6. 10.1214/24-ejs2327 — Integrating external summary information under population heterogeneity and information uncertainty¶

作者: Yuqi Zhai, Peisong Han
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 2
相关性 6/10 · novelty: new_method
摘要: 本文研究在内部研究（有个体级数据）与外部研究（仅有汇总统计量）之间存在人群异质性和外部信息不确定性的情况下，如何利用外部汇总信息提升内部研究的估计效率。作者提出双重惩罚约束最大似然（dPCML）方法，该方法通过惩罚项同时选择与内部研究一致的外部信息并纳入估计，同时恰当处理外部信息的不确定性。dPCML 允许外部模型仅报告部分参数估计值，或某些参数在内外研究间已知不等，且仅需外部样本量（而非标准误）即可有效处理不确定性。该方法涵盖若干现有数据整合方法作为特例。理论部分建立了 dPCML 估计量的相合性、外部信息选择相合性和渐近正态性，并给出了实现算法和模拟研究。应用实例是整合两个广泛使用的前列腺癌风险计算器的信息来更新高危前列腺癌风险模型。该工作与您的因果推断兴趣中的估计方法（如数据融合、传输学习）直接相关，其处理异质性和不确定性的框架可迁移至 IV 或 Proximal CI 中的外部信息整合问题。
关键技术: doubly penalized constrained maximum likelihood, data integration under heterogeneity, external information selection consistency, constrained M-estimation, asymptotic normality with penalty
为什么对您有用: 本文直接连接您 primary interest 中的因果推断估计方法，特别是数据融合/传输学习场景——在 IV 或 Proximal CI 中常需利用外部汇总信息（如既往研究的估计值）来提升内部研究的效率，但面临人群异质性和信息不确定性。您的武器库中 very_familiar 的 M-estimation 理论和 high-dimensional asymptotics 可直接用于理解其惩罚约束框架的渐近性质，而 moderately_familiar 的 identification theory 可帮助评估其外部信息选择一致性假设在因果识别中的适用性。中期可做：需先在 moderately_familiar 的 semiparametric theory 上长肌肉，以将其惩罚框架扩展到半参数模型（如部分线性 IV）中的外部信息整合。

高维统计 / 随机矩阵 (high_dim_rmt, 5 篇)¶

1. 10.1214/24-ejs2274 · arXiv — Empirical Bayes inference in sparse high-dimensional generalized linear models¶

作者: Yiqi Tang, Ryan Martin
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 2
相关性 7/10 · novelty: new_method
摘要: 本文针对高维广义线性模型（GLM）提出一种经验贝叶斯（empirical Bayes）后验推断方法。在稀疏性假设下，作者构造了一个数据驱动的先验，使得后验分布以最优速率收缩到真实稀疏系数向量，并证明了变量选择一致性。关键理论贡献是证明了 Bernstein–von Mises 定理，从而保证了后验不确定性量化的渐近有效性——这是高维 GLM 中较难获得的结果。计算上，该方法简单高效，无需 MCMC 采样，适合大规模数据。模拟实验表明，在估计和变量选择上优于现有贝叶斯和非贝叶斯方法。对您而言，该文的高维稀疏推断框架与您在高维统计和假设检验方面的兴趣直接相关，其 Bernstein–von Mises 结果也为后续开发基于后验的检验程序提供了理论基础。
关键技术: empirical Bayes, posterior concentration, Bernstein–von Mises theorem, variable selection consistency, high-dimensional GLM, sparsity
为什么对您有用: 本文直接连接您的高维统计兴趣（高维 GLM 的推断），且其 Bernstein–von Mises 定理为后验推断提供了频率学派保证，与您熟悉的 minimax 理论可形成互补。您可以用 very_familiar 的高维渐近工具验证其收缩率的最优性，或用 moderately_familiar 的 M-estimation 理论对比其与惩罚似然方法的效率。中期可做：若想将经验贝叶斯框架推广到您的因果推断设定（如高维 IV），需先在 moderately_familiar 的识别理论上补强。

2. 10.1214/24-ejs2294 · arXiv — Efficient sparsity adaptive changepoint estimation¶

作者: Per August Jarval Moen, Ingrid Kristine Glad, Martin Tveten
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 2
相关性 7/10 · novelty: new_method
摘要: 本文针对高维高斯时间序列中未知稀疏子集发生均值变点的问题，提出了一种计算高效且自适应稀疏性的变点估计方法。核心设定是：在序列长度 T 和维度 p 均可能很大的情况下，变点仅影响一个未知的稀疏子集，且稀疏度先验未知。方法基于扫描统计量与自适应阈值，无需预先指定稀疏度参数，即可在最小条件下一致估计变点个数与位置，并达到给定的误差率。计算复杂度在 T 和 p 上均为近线性，适用于大规模数据。理论证明利用了高维极值理论与稀疏性假设下的集中不等式。数值实验表明该方法在估计精度与计算成本上均具有竞争力，并通过对水电站传感器数据的分析展示了实用性。该方法与您在高维统计与假设检验方面的兴趣直接相关，其自适应稀疏性思想可迁移至因果推断中高维协变量选择后的变点检测问题。
关键技术: sparsity adaptive thresholding, scan statistic, high-dimensional changepoint detection, concentration inequalities, near-linear time algorithm
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，特别是高维序列中稀疏变点检测这一子方向。您武器库中'高维渐近理论'和'非参数统计'中的集中不等式与极值理论工具可直接用于理解其理论证明，而'软件工程'能力可助您复现或扩展其 R 实现。中期可做：若您希望在'变点检测'这一具体问题上建立自己的方法，需先在 moderately_familiar 的'M-估计理论'上加强，以处理非高斯或相依数据下的理论推广。

3. 10.1214/24-ejs2292 · arXiv — High-dimensional latent Gaussian count time series: Concentration results for autocovariances and applications¶

作者: Marie-Christine Düker, Robert Lund, Vladas Pipiras
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 2
相关性 6/10 · novelty: new_method
摘要: 本文研究高维平稳计数时间序列，其被定义为潜在平稳向量高斯序列的确定性函数。该构造非常通用，能确保每个维度的计数具有预先指定的边际分布，该分布依赖于可边际估计的未知参数。核心方法是将计数序列与潜在高斯序列的自协方差联系起来，从而通过计数序列的观测自协方差和边际参数估计来估计潜在高斯自协方差。在高维设定下，论文建立了估计的与真实的潜在高斯自协方差之间差异的浓度界，该界以观测计数序列的相应量和边际参数估计误差表示。这些结果被应用于潜在高斯序列为向量自回归（VAR）的情形，并通过LASSO型程序稀疏估计VAR参数。本文为高维计数时间序列的推断提供了理论工具，对您在高维统计和随机矩阵理论方面的兴趣有直接参考价值。
关键技术: concentration inequalities, latent Gaussian copula, high-dimensional time series, autocovariance estimation, LASSO
为什么对您有用: 本文直接关联您的高维统计与随机矩阵理论兴趣，具体体现在：它处理高维计数时间序列的协方差结构估计，并推导了浓度界，这是高维推断的核心问题。从技术武器库看，您非常熟悉的'高维渐近理论'和'逆问题'可以直接用于理解和验证本文的浓度界是否紧，以及能否推广到更一般的相依结构。中期可做：若想将本文的LASSO估计量推广到更复杂的稀疏模式（如group LASSO），需先在 moderately_familiar 的'M-估计理论'上加强。

4. 10.1214/24-ejs2281 · arXiv — Sparse and integrative principal component analysis for multiview data¶

作者: Lin Xiao, Luo Xiao
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 2
相关性 5/10 · novelty: new_method
摘要: 针对多视图数据（multiview data）的降维问题，本文提出一种稀疏且整合的主成分分析方法。数据被建模为具有块结构的多元数据，每个块对应一个视图。目标是在估计前几个特征向量时同时施加元素级稀疏性和块级稀疏性，以识别各视图共享的低维信号。方法基于 Fantope 优化准则，加入多重惩罚项实现双稀疏约束，并引入去噪步骤处理不同视图间可能的异方差噪声。优化采用交替方向乘子法（ADMM）求解。理论上推导了估计特征向量的 l2 收敛速度，并建立了稀疏性和支撑集恢复的一致性性质。数值实验验证了方法在有限样本下的表现。该工作对您在高维统计和随机矩阵理论方面的兴趣有直接关联，特别是多视图数据中特征向量的稀疏恢复与收敛性分析，可与您熟悉的非参数统计和 minimax 界工具结合，用于评估该方法的理论最优性。
关键技术: Fantope optimization, alternating direction method of multipliers (ADMM), sparse PCA, block-wise sparsity, support recovery
为什么对您有用: 本文属于高维统计中的稀疏 PCA 扩展，直接连接到您的高维统计兴趣。技术核心是 Fantope 优化和 ADMM，您可以用 minimax 界工具检验其收敛速度是否最优。中期可做：若想深入分析其稀疏恢复的相变阈值，需先在 moderately_familiar 的高维渐近理论方面加强。

5. 10.1214/24-ejs2271 — Strong consistency guarantees for clustering high-dimensional bipartite graphs with the spectral method¶

作者: Guillaume Braun
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 2
相关性 5/10 · novelty: sharper_rate
摘要: 本文研究高维二分图社区检测的谱方法一致性。在Bipartite Stochastic Block Model (BiSBM)下，考虑类型I节点数n1远小于类型II节点数n2的高维设定。目标是精确恢复类型I节点的潜在划分。Braun和Tyagi (2022) 曾给出稀疏度p_max的充分必要条件，并提出了需要谱方法初始化的迭代算法。本文证明谱方法本身即可达到与迭代算法相同的精确恢复阈值，无需后处理。关键技术贡献是推导了相似矩阵特征向量的逐元素界，将Lei (2019) 的框架从对称矩阵扩展到非对称二分图情形，并改进了相似矩阵的浓度不等式。对您而言，本文的逐元素特征向量分析技术可迁移到您熟悉的高维统计和随机矩阵理论方向，特别是处理非对称或结构化噪声矩阵的谱方法。
关键技术: entrywise eigenvector bounds, Bipartite Stochastic Block Model, spectral clustering, concentration inequality for similarity matrices, exact recovery threshold
为什么对您有用: 本文直接连接您的高维统计与随机矩阵理论兴趣，特别是谱方法在非对称二分图上的逐元素分析。您武器库中的高维渐近理论和minimax界可用于验证本文声称的精确恢复阈值是否紧。中期可做：若想将逐元素界推广到更一般的随机矩阵模型，需先在moderately_familiar的M估计理论上加强。

非参数 / 半参数 (nonparam_semipara, 6 篇)¶

1. 10.1214/24-ejs2321 — Nonparametric regression for current status censored response¶

作者: Sam Efromovich
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 2
相关性 7/10 · novelty: new_theory
摘要: 本文研究当前状态删失（CSC）响应下非参数回归的 minimax 理论。CSC 是生存分析中常见的数据类型，观测到的不是事件时间本身，而是检查时间与事件是否已发生。论文首次给出了单变量预测变量下 MISE 收敛速度的 sharp minimax 理论，包括收敛速度（经典的非参数率）和 sharp 常数（量化 CSC 带来的信息损失）。方法上采用自适应估计（基于块阈值的小波或级数估计器），且关键假设是 nuisance 函数的平滑度与回归函数平滑度无关，这在实际中更易满足。随后将结果推广到多变量预测变量。模拟和真实数据示例验证了理论，并与直接观测数据的理论结果进行了对比。对您而言，本文是 nonparametric 理论在删失数据下的一个干净结果，其 sharp 常数推导和自适应估计技术可迁移到您熟悉的非参数 minimax 框架中，且 CSC 设定与流行病学中的 interval-censored 数据直接相关。
关键技术: sharp minimax theory, mean integrated squared error (MISE), adaptive estimation, block thresholding, current status censoring
为什么对您有用: 直接连接到 primary interest 中的非参数统计和 minimax 界理论。本文的 sharp 常数推导技术可以用您 very_familiar 的 minimax bounds 工具来验证或扩展（例如到高维预测变量或更复杂的删失机制）。中期可做：将这里的自适应估计思路与您 moderately_familiar 的 HOIF 结合，处理 CSC 下的半参数效率问题。

2. 10.1214/24-ejs2301 · arXiv — Nonparametric linear feature learning in regression through regularisation¶

作者: Bertille Follain, Francis Bach
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 2
相关性 7/10 · novelty: new_method
摘要: 本文研究高维回归中的表示学习问题，假设数据服从多指标模型（multi-index model），即响应变量仅依赖于输入的低维线性子空间。目标是在未知该子空间的情况下，同时学习线性特征和非参数回归函数。作者提出 RegFeaL 方法，通过经验风险最小化加上函数导数的惩罚项，并利用 Hermite 多项式的正交性和旋转不变性构造估计量。算法采用交替最小化策略，迭代旋转数据以对齐主导方向。理论方面，在极弱假设下证明了期望风险以高概率收敛到最小风险，并给出了显式收敛速率。实验验证了方法在多种设定下的有效性。该方法将非参数回归与线性特征学习结合，为高维半参数模型提供了新视角，对您在半参数理论方向的研究有直接参考价值。
关键技术: multi-index model, Hermite polynomials, empirical risk minimization with derivative penalty, alternating minimization, nonparametric convergence rates
为什么对您有用: 本文直接关联您的半参数与非参数理论兴趣，特别是多指标模型下的特征学习与函数估计。您熟悉的非参数统计和 minimax 界工具可用于分析其收敛速率的紧性，而交替最小化算法与您在高维统计中的经验可形成互补。中期可做：若进一步深入其理论证明，需在 moderately_familiar 的 M-估计理论上加强。

3. 10.1214/24-ejs2272 · arXiv — Prediction in measurement error models¶

作者: Fei Jiang, Yanyuan Ma
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 2
相关性 6/10 · novelty: new_method
摘要: 本文研究测量误差模型中的预测问题，这是一个经典难题。作者直接针对预测区间而非点预测进行构造，通过同时估计区间的中心和长度，使得区间达到预设的预测覆盖水平。构造过程需要一个关于易错变量分布的工作模型：若工作模型正确，预测区间估计在评估真实中心和长度上具有最小变异性；若工作模型错误，预测区间估计仍具有一致性。进一步研究了预测区间长度如何依赖于真实预测区间中心的选择，并给出了获得最小预测区间长度的指导。数值实验和阿尔茨海默病数据中脑脊液Abeta1-12浓度预测的应用验证了方法性能。该方法与您关注的semiparametric & nonparametric theory中的双稳健估计思想有相通之处，其一致性和效率权衡分析对您在高维或因果推断中处理测量误差问题有参考价值。
关键技术: measurement error models, prediction interval, double robustness, working model, consistent estimation
为什么对您有用: 本文属于semiparametric & nonparametric theory方向，处理测量误差这一经典非参数/半参数问题。您武器库中的nonparametric statistics和estimation theory in causal inference可直接用于理解其双稳健构造和一致性证明，属于立即可做的阅读。

4. 10.1214/24-ejs2291 — Non-parametric manifold learning¶

作者: Dena Marie Asta
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 2
相关性 6/10 · novelty: new_method
摘要: 本文研究紧致黎曼流形上流形距离的非参数估计问题。目标是用图拉普拉斯算子估计 Laplace-Beltrami 算子的谱，进而构造流形距离的估计量。核心机制是将流形距离的估计转化为图拉普拉斯谱误差的上界控制，并利用 Connes 距离公式与 Wasserstein 距离的 Kantorovich 对偶建立联系。理论贡献是给出了谱截断流形距离的误差上界，并隐含地依赖于流形的几何性质（如曲率、维数等）。作为推论，证明了未截断流形距离估计的相合性。该工作属于非参数流形学习与谱方法的交叉，对您在高维统计与半参数理论中处理流形结构数据（如低维流形假设下的非参数回归）可能有参考价值。
关键技术: graph Laplacian, Laplace-Beltrami operator, spectral convergence, Connes' distance formula, Kantorovich dual, manifold learning
为什么对您有用: 本文直接连接您的非参数统计兴趣，特别是流形假设下的估计问题。您的武器库中'非参数统计'和'高维渐近理论'可用于分析图拉普拉斯的谱收敛速度，而'逆问题'视角可帮助理解流形距离估计的误差传播。中期可做：若您先熟悉'流形学习'的几何基础（如测地距离、曲率对谱的影响），可将本文的谱误差界推广到更一般的流形设定或与半参数效率界结合。

5. 10.1214/24-ejs2306 — About the optimal estimation of a density with infinite support under Hellinger loss¶

作者: Mathieu Sart
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 2
相关性 6/10 · novelty: sharper_rate
摘要: 本文研究在 Hellinger 损失下，对具有无限支撑的密度函数进行最优估计的收敛速率。设定密度平方根属于 Besov 球 B_{p,∞}^α(R)，这是非参数密度估计的经典函数类假设。作者给出了当 p<2 时最优速率的完整显式刻画，无需额外条件；当 p≥2 时，在尾部控制条件下也给出了显式速率。进一步，当密度被假设为单峰时，这些速率可以得到改进。技术工具涉及 Besov 空间的嵌入性质、极小极大下界构造（通过假设检验的 Le Cam 方法）以及上界估计（通过小波阈值估计器或核估计器）。主要理论贡献在于填补了无限支撑情形下 Hellinger 损失最优速率的空白，特别是对 p≥2 时尾部行为的精细处理。该结果对您在高维非参数统计中的 minimax 界研究有直接参考价值，尤其是处理无限支撑时的边界效应与尾部假设的权衡。
关键技术: Besov balls, minimax lower bound via Le Cam's method, wavelet thresholding estimator, Hellinger loss, tail dominance condition, unimodal density
为什么对您有用: 本文直接对应您 primary interest 中的非参数统计与 minimax 界。您非常熟悉的 minimax 下界构造技术（Le Cam 方法）可直接用于验证本文的速率是否紧；同时，本文对尾部条件的处理方式可迁移至您在高维逆问题中的边界效应分析。中期可做：将本文的尾部控制思路与您 moderately_familiar 的 HOIF 理论结合，研究带截断的密度估计问题。

6. 10.1214/24-ejs2275 — Direct Bayesian linear regression for distribution-valued covariates¶

作者: Bohao Tang, Sandipan Pramanik, Yi Zhao, Brian Caffo, Abhirup Datta
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 2
相关性 5/10 · novelty: new_method
摘要: 本文研究标量对分布回归（scalar-on-distribution regression），即协变量是每个个体的分布或密度，响应变量是标量。传统方法先估计个体密度再作函数回归，本文提出直接使用观测到的重复测量值作为协变量，并赋予高斯过程先验，实现闭式或共轭贝叶斯推断。该方法将标准贝叶斯非参数回归（协变量为Dirac分布）作为特例，且对重复测量的变换或排序具有不变性。理论上，作者证明了即使仅使用观测到的重复测量而非真实密度，回归函数仍能达到最优估计误差界，且理论结果可扩展到个体内重复测量存在依赖的情形。这是首个关于分布值协变量贝叶斯回归的理论研究。方法扩展包括低秩高斯过程的可扩展实现和非线性标量对分布回归。模拟显示，在个体内重复测量数较少时，该方法显著优于需要中间密度估计步骤的方法。应用部分研究了年龄与活动计数的关联。
关键技术: Gaussian process prior, scalar-on-distribution regression, Bayesian nonparametric regression, optimal estimation error bound, low-rank Gaussian process
为什么对您有用: 本文属于非参数/半参数理论方向，直接连接您对非参数统计和贝叶斯方法的兴趣。您武器库中'非参数统计'和'minimax bounds for estimation problems'可直接用于验证其声称的最优估计误差界是否紧，或探索更一般的收敛速率。中期可做：若想将类似思路扩展到因果推断中的分布协变量（如个体暴露轨迹分布），需先在'semiparametric theory'上长肌肉。

效率理论 / Debiased ML (efficiency_dml, 1 篇)¶

1. 10.1214/24-ejs2311 — Robust improvement of efficiency using information on covariate distribution¶

作者: Lu Mao
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 2
相关性 7/10 · novelty: new_method
摘要: 本文研究如何利用协变量分布的结构信息来提升边际推断的效率，与随机试验中标准协变量调整不同——后者依赖协变量与处理的独立性，而非对协变量分布的先验知识。作者从仅涉及结果的标准估计函数出发，先用一个工作回归模型计算其在给定协变量下的条件期望，然后在协变量分布模型下减去无信息部分。这一操作本质上是将初始估计函数投影到完整数据的联合切空间上，从而在工作回归模型正确时达到局部效率。即使工作模型设定错误，估计量仍保持无偏，因为减去的项始终渐近中心化。若结果分布本身也有结构，效率可进一步提升。论文通过三个例子展示该过程：完全参数化协变量、部分参数化协变量、以及相互独立协变量。对您而言，该文提出的投影到切空间并利用协变量分布信息的思路，与您熟悉的半参效率理论和debiased ML中的正交得分思想高度相关，可作为理解“利用先验分布提升效率”这一方向的入门读物。
关键技术: semiparametric efficiency bound, tangent space projection, working regression model, local efficiency, robust estimation
为什么对您有用: 本文直接关联您的primary interest中的效率理论（semiparametric efficiency bounds）和debiased ML中的正交化思想。您武器库中very_familiar的nonparametric statistics和minimax bounds可用于分析该投影估计量的最优性，而moderately_familiar的semiparametric theory则能帮助您深入理解其切空间投影机制。中期可做：需先在semiparametric theory上进一步熟悉（如切空间与影响函数的对应关系），才能将该方法推广到更复杂的因果推断设定（如IV或proximal CI）。

数理统计 / 假设检验 (hypothesis_testing, 12 篇)¶

1. 10.1214/24-ejs2315 · arXiv — Conditional independence testing for discrete distributions: Beyond χ2- and G-tests¶

作者: Ilmun Kim, Matey Neykov, Sivaraman Balakrishnan, Larry Wasserman
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 2
相关性 8/10 · novelty: new_method
摘要: 本文研究离散数据下的条件独立性检验问题。在非渐近最优性框架下，现有检验依赖Poissonization技巧和未指定的临界值常数，实用性不足。作者通过去除Poissonization假设并使用Monte Carlo置换校准临界值，弥合了理论与实践的差距。同时证明经典χ²检验和G检验在高维情形下显著次优，为新方法提供了必要性。理论结果辅以模拟和真实数据实验，并提供了R包UCI。对您而言，该工作直接关联假设检验与高维统计兴趣，且其置换校准思路可迁移至您熟悉的U统计量检验问题。
关键技术: Monte Carlo permutation test, non-asymptotic optimality, Poissonization trick removal, conditional independence testing, high-dimensional regime
为什么对您有用: 直接命中您的主要兴趣：假设检验（条件独立性检验）和高维统计（高维情形下经典检验次优）。您的武器库中'非参数统计'和'高维渐近理论'可直接用于理解其非渐近最优性证明，而'高阶U统计量'的置换检验思路可与之交叉——例如将置换校准用于U统计量基的检验。中期可做：需先熟悉Monte Carlo置换检验的校准理论（moderately_familiar中的M估计理论可辅助理解其置换分布的渐近性质）。

2. 10.1214/24-ejs2287 · arXiv — Many-sample tests for the equality and the proportionality hypotheses between large covariance matrices¶

作者: Tianxing Mei, Chen Wang, Jianfeng Yao
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 2
相关性 7/10 · novelty: new_method
摘要: 本文针对大规模协方差矩阵的相等性检验和比例性检验问题，提出了适用于多个（q个）高维协方差矩阵的检验方法。在p、q及各组样本量均趋于无穷的渐近框架下，构造了基于特征值或迹的检验统计量，并证明了其渐近正态性。方法的核心技术工具是随机矩阵理论（RMT），利用Marchenko-Pastur律及其推广来刻画统计量的极限分布。模拟实验表明，在零假设和备择假设下，有限样本性质均令人满意。作为应用，推导了可转置数据（transposable data）的Kronecker积协方差结构检验。实证分析使用了Mouse Aging Project和1000 Genomes Project（phase 3）的数据。对您而言，本文是RMT在高维假设检验中的直接应用，其多组协方差矩阵的渐近正态性结果与您在高维统计和假设检验方面的兴趣高度契合。
关键技术: Random matrix theory, Marchenko-Pastur law, High-dimensional covariance testing, Equality of covariance matrices, Proportionality of covariance matrices, Kronecker product covariance
为什么对您有用: 本文直接连接您的高维统计与假设检验兴趣，具体为RMT在多组协方差矩阵检验中的应用。您武器库中'高维渐近理论'和'非参数统计'可直接用于理解其渐近正态性证明框架，而'minimax bounds for estimation problems'可用于评估其检验功效是否最优。中期可做：若想将方法推广到更一般的协方差结构（如稀疏或因子模型），需先在'moderately_familiar'的M估计理论或HOIF上长肌肉。

3. 10.1214/24-ejs2304 · arXiv — Score function-based tests for ultrahigh-dimensional linear models¶

作者: Weichao Yang, Xu Guo, Lixing Zhu
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 2
相关性 6/10 · novelty: new_method
摘要: 本文研究超高维线性模型中子向量显著性检验问题，其中待检验的系数子向量和干扰参数向量均为超高维。首先重新分析并推广了近期提出的基于得分函数的检验，在更弱的条件下推导了其在原假设和局部备择假设下的极限分布。针对该检验在测试协变量与干扰协变量高度相关时失效的问题，提出正交化得分函数检验，具有两个优点：通过去偏使非退化误差项退化，以及减小渐近方差以增强检验功效。模拟实验评估了有限样本表现，并进行了实际数据分析。该工作对您在高维假设检验方向的研究有直接参考价值，特别是处理高维干扰参数时的正交化去偏策略。
关键技术: score function-based test, orthogonalization, ultrahigh-dimensional inference, debiasing, local alternative hypothesis
为什么对您有用: 直接连接您的高维统计与假设检验兴趣。该文处理超高维干扰参数的正交化去偏策略，可用您熟悉的非参统计与高维渐近工具进行理论分析。中期可做：将正交化得分检验思想推广到您 moderately_familiar 的 HOIF 框架中，处理更一般的半参数模型。

4. 10.1214/24-ejs2266 · arXiv — A new set of tools for goodness-of-fit validation¶

作者: Gilles R. Ducharme, Teresa Ledwina
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 2
相关性 5/10 · novelty: new_method
摘要: 本文针对完全指定或部分参数未知的分布模型，提出了一套基于“比较曲线”（comparison curve）的拟合优度验证工具。核心创新在于从比较曲线中提取一组正交分量，并据此构建两种互补工具：一是条形图（B plot），可直观展示模型在各分量上的偏离程度，并辅以基于模型的接受域；二是自适应χ²型拟合优度检验，通过一种新的数据驱动选择规则（selection rule）自动决定纳入多少个分量，以平衡检验功效与自由度。模拟实验表明，在完全指定模型和参数需估计的情形下，该检验的功效与当前最优方法（如基于经验过程的检验）相当。实际数据示例展示了如何利用B plot定位模型失配的具体方向（如偏度、峰度或尾部行为）。对您而言，本文属于假设检验方向的新工具，其分量分解思路与您熟悉的U-统计量投影分解有潜在联系，但核心机制（比较曲线与正交分量）并非您武器库中的现有工具，属于暂不可做的方向。
关键技术: comparison curve, orthogonal components, bar plot (B plot), adaptive χ² test, data-driven selection rule, goodness-of-fit
为什么对您有用: 本文属于假设检验（goodness-of-fit）方向的新方法，直接对应您的primary interest中的hypothesis testing。其分量分解与选择规则的思路，与您非常熟悉的higher-order U-statistics的投影分解有概念上的可类比性，但具体技术（比较曲线、正交分量构造、选择规则）不在您的武器库中，属于暂不可做——核心机器（比较曲线的理论性质与分量正交化机制）需要从头学习。不过，若您未来想拓展假设检验的工具箱，本文的B plot可视化思路可作为中期可做的切入点（需先熟悉比较曲线理论）。

5. 10.1214/24-ejs2250 · arXiv — Symmetrisation of a class of two-sample tests by mutually considering depth ranks including functional spaces¶

作者: Felix Gnettner, Claudia Kirch, Alicia Nieto-Reyes
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 2
相关性 5/10 · novelty: new_method
摘要: 本文针对基于深度秩（depth-ranks）的两样本检验问题，提出了一种对称化的检验统计量，以克服 Liu & Singh (1993) 经典方法中非对称性导致的功效损失。该方法适用于任意维空间（包括函数型数据），核心机制是将两个样本的深度秩进行对称化处理，从而得到更自然的检验统计量。作者推导了该统计量在原假设下的渐近分布，并严格证明了其对函数型数据的有效性。通过模拟研究和真实数据（海洋漂流浮标的年温度曲线）分析，展示了有限样本下的良好表现。该工作属于非参数假设检验领域，与您对数学统计和假设检验的兴趣直接相关。
关键技术: depth-ranks, two-sample test, functional data, asymptotic null distribution, nonparametric test
为什么对您有用: 本文直接关联您对 hypothesis testing 和 nonparametric statistics 的兴趣，特别是深度秩方法在函数型数据上的推广。您非常熟悉的 minimax bounds 和 nonparametric statistics 工具可用于分析该检验统计量的最优性（如检验功效的 minimax 下界），而 moderately_familiar 的 M-estimation 理论可用于处理深度函数估计带来的额外变异性。中期可做：若想将对称化思想推广到更高阶的 U-statistic 型检验，需先在 higher-order U-statistics 理论上进一步熟悉。

6. 10.1214/24-ejs2277 · arXiv — Predictive densities for multivariate normal models based on extended models and shrinkage Bayes methods¶

作者: Michiko Okudo, Fumiyasu Komaki
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 2
相关性 5/10 · novelty: new_method
摘要: 本文研究多元正态模型（已知协方差矩阵、未知均值向量）下的预测密度问题。目标是在Kullback-Leibler散度损失下，构造优于均匀先验贝叶斯预测密度的可处理预测密度。作者提出基于扩展模型（将均值向量和协方差矩阵均作为参数）的框架，在该扩展模型中选取后验贝叶斯风险最优的预测密度。核心方法是将超调和收缩先验（superharmonic shrinkage prior）嵌入扩展模型，得到的预测密度具有显式形式且计算简便，避免了传统收缩先验贝叶斯预测密度的复杂表示。理论证明该预测密度在KL损失下一致优于均匀先验贝叶斯预测密度。该方法为经验贝叶斯方法提供了一种替代方案，特别适用于需要可处理预测密度的场景。对您而言，本文的收缩先验与预测密度最优性分析可连接到您在高维统计和假设检验中的兴趣，尤其是当您关注贝叶斯与非参数方法的交叉时。
关键技术: shrinkage prior, superharmonic prior, extended model, Kullback-Leibler divergence, Bayesian predictive density, empirical Bayes alternative
为什么对您有用: 本文连接您在高维统计和假设检验中的兴趣，特别是收缩先验在预测问题中的最优性分析。您的技术武器库中'非参数统计'和'高维渐近理论'可用于评估其扩展模型假设的合理性，而'极小极大界'可用于验证其预测密度是否达到最优收敛速率。中期可做：需先在'半参数理论'上提升以处理更一般的协方差结构。

7. 10.1214/24-ejs2276 · arXiv — Finite sample smeariness of Fréchet means with application to climate¶

作者: Shayan Hundrieser, Benjamin Eltzner, Stephan Huckemann
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 2
相关性 5/10 · novelty: new_method
摘要: 该文研究非欧空间上Fréchet均值的有限样本拖尾性（FSS）现象，即样本均值收敛速率可能偏离经典n^{-1/2}，导致基于分位数的渐近推断失效。作者在圆上完整刻画了FSS的发生条件：所有支撑不在闭半圆内的圆分布均受影响。引入FSS概念后，提出检验FSS是否存在的方法，并证明基于分位数的均值相等检验在FSS存在时系统性地高估实际水平，而适当的bootstrap检验能校正该偏差并渐近达到名义水平。方法应用于两个欧洲城市的风向数据，发现未校正FSS的分位数检验检测出大量显著风向变化，而bootstrap校正后仅剩少数年份。该文对您可能有用：其FSS检验与bootstrap校正策略可直接迁移至您在高维统计或因果推断中遇到的非标准收敛速率问题（如弱工具变量或proximal CI中的非参数估计），且bootstrap校正思路与您熟悉的非参数统计工具高度兼容。
关键技术: Fréchet mean, finite sample smeariness, bootstrap inference, directional statistics, quantile-based test
为什么对您有用: 该文直接关联您的主要兴趣——假设检验（非标准收敛速率下的推断问题），且FSS现象在您熟悉的非参数统计和高维渐近框架下可被理解。技术武器库中'非参数统计'和'高维渐近'两项very_familiar工具可直接用于分析FSS的检验势和bootstrap校正的有限样本性质，属于立即可做的follow-up：例如，将FSS检验推广至其他非欧空间（如球面或流形）或评估其在因果推断中弱识别设定下的表现。

8. 10.1214/24-ejs2267 · arXiv — Off-the-grid prediction and testing for linear combination of translated features¶

作者: Cristina Butucea, Jean-François Delmas, Anne Dutfoy, Clément Hardy
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 2
相关性 4/10 · novelty: sharper_rate
摘要: 本文研究在加性高斯噪声下，信号由有限个但数量递增的平移特征线性组合而成的模型，特征位置连续参数化且尺度参数可变。首先，针对离网估计器（off-the-grid estimators）扩展了预测结果，在允许尺度参数变化的情况下，改进了实现预测界所需的最小特征间距。其次，提出了模型的拟合优度检验，给出了检验风险的非渐近上界以及两个可区分信号之间的极小化分离速率上界。该检验涵盖了信号检测框架，并推导了成功检测信号所需的最小能量（线性系数的ℓ2范数）的上界。在一般非线性模型中，所得极小化分离速率上界与高维线性模型中信号检测的极小化分离速率下界（至多相差对数因子）相匹配。此外，还提出了在零假设下线性系数符号已知时，检验观测信号特征是否属于给定有限集合的程序，并给出了检验风险的非渐近上界。结果在尖峰反卷积模型（高斯特征）和压缩感知中常用的Dirichlet核（环面上）上得到了验证。对您而言，本文的非渐近检验框架和极小化分离速率分析可直接应用于您在高维统计和假设检验中的研究，尤其是信号检测与特征选择问题。
关键技术: off-the-grid estimation, minimax separation rate, goodness-of-fit test, non-asymptotic bounds, spikes deconvolution model
为什么对您有用: 本文直接关联您在高维统计和假设检验中的主要兴趣，特别是信号检测的极小化分离速率分析。您武器库中'高维渐近理论'和'极小化极大界'可直接用于验证本文结果的紧性，或扩展至更一般的特征结构。中期可做：需先在'半参数理论'上加强，以处理更复杂的特征参数化情形。

9. 10.1214/24-ejs2282 · arXiv — Model averaging: A shrinkage perspective¶

作者: Jingfu Peng
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 2
相关性 4/10 · novelty: new_theory
摘要: 本文从收缩估计的视角重新审视模型平均（MA）方法。在嵌套线性模型设定下，作者首先证明最优MA估计量等价于高斯序列模型中权重单调非增的最佳线性估计量。进一步，Mallows MA（MMA）被解释为一组正部分Stein估计量之和的变体，其区别仅在于权重集的松弛程度。受此启发，作者提出基于分块Stein估计的新型MA过程，在方差已知时该估计量在广阔参数空间上具有渐近最优性。数值实验支持理论结果。本文建立的连接为从不同角度研究MA开辟了新途径。对您而言，该工作将模型平均与经典收缩估计（如Stein估计）统一，为高维统计中的模型组合提供了新理论视角，尤其与您的高维统计和假设检验兴趣相关。
关键技术: Stein estimation, Mallows' Cp, Gaussian sequence model, positive-part Stein estimator, blockwise Stein estimation
为什么对您有用: 本文直接连接模型平均与收缩估计，属于高维统计和假设检验的交叉。您武器库中的'minimax bounds for estimation problems'和'high-dimensional asymptotics'可直接用于分析该Stein型MA估计量的风险界与最优性条件。中期可做：若需推广至非嵌套模型或异方差情形，需先在'moderately_familiar'的'M-estimation theory'上提升。

10. 10.1214/24-ejs2249 — A two-sample comparison of mean survival times of uncured subpopulations¶

作者: Dennis Dobler, Eni Musta
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 2
相关性 4/10 · novelty: new_method
摘要: 本文针对存在治愈者（cured subjects）的生存数据，提出两样本比较未治愈亚群平均生存时间的检验方法。在标准生存分析中，直接比较整体生存函数会因治愈比例不同而产生误导；本文聚焦于治愈比例相似时，如何进一步比较两组未治愈亚群的生存优劣。首先提出非参数方法，基于 Kaplan-Meier 估计构造平均生存时间的估计量，并开发置换检验和渐近检验。随后将方法推广至半参数 logistic-Cox 混合治愈模型以纳入协变量调整。理论部分建立了检验统计量的渐近正态性，并通过乳腺癌和白血病数据展示了实际应用。该方法为治愈率相近时的治疗比较提供了直观且可解释的推断工具。
关键技术: permutation test, asymptotic test, logistic-Cox mixture cure model, Kaplan-Meier estimator, mean survival time
为什么对您有用: 本文属于假设检验方向，直接对应您 primary interest 中的 hypothesis testing。其非参数检验和半参数扩展方法可与您熟悉的 nonparametric statistics 和 M-estimation 理论对接；若您关注因果推断中的治愈率比较，该框架可视为一种特殊的 mediation 或 subgroup analysis。武器库中 very_familiar 的 nonparametric statistics 和 estimation theory 足以理解其核心渐近论证，属于立即可做的阅读。

11. 10.1214/24-ejs2289 · arXiv — A functional central limit theorem for the K-function with an estimated intensity function¶

作者: A. M. Svane, C. A. N. Biscio, R. Waagepetersen
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 2
相关性 3/10 · novelty: new_theory
摘要: 本文研究空间点过程K函数估计量的泛函中心极限定理。K函数是最重要的空间点过程汇总统计量，广泛用于拟合优度检验和最小对比估计。现有文献通常假设强度函数已知或为齐次过程，本文首次在非齐次强度函数且需估计的情况下建立K函数估计量的泛函渐近正态性。方法上，作者利用经验过程理论和空间点过程的混合条件，推导出带估计强度函数的K函数估计量的弱收敛结果。理论贡献在于去除了强度函数已知这一不现实假设，使推断方法更适用于实际数据分析。对您而言，该工作涉及非参数估计与假设检验的渐近理论，与您对数学统计和假设检验的兴趣直接相关，尤其空间统计中的泛函极限定理可迁移至您熟悉的U-统计量框架。
关键技术: functional central limit theorem, K-function, inhomogeneous spatial point process, estimated intensity function, empirical process theory, mixing conditions
为什么对您有用: 本文直接关联您对假设检验和数学统计的兴趣，特别是泛函极限理论在空间统计中的应用。您武器库中的非参数统计和minimax界技术可用于评估该估计量的最优性，而高阶U-统计量的树宽/张量收缩视角可能为K函数的计算提供新思路。中期可做：需先在moderately_familiar的空间点过程理论（如混合条件）上加强，但核心渐近工具已具备。

12. 10.1214/24-ejs2318 · arXiv — Regenerative bootstrap for β-null recurrent Markov chains¶

作者: Carlos A. Fernández
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 2
相关性 3/10 · novelty: new_method
摘要: 本文针对 β-null recurrent Markov chain（一种非平稳、非遍历的马尔可夫链）中关于不变测度积分估计的推断问题，提出了两种基于再生结构的 bootstrap 方法：再生 bootstrap（Regeneration-based bootstrap）和再生块状 bootstrap（Regenerative Block bootstrap）。核心设定是链具有可访问原子（accessible atom），且回归指数 β 控制链的复发程度。方法的核心机制是利用链的再生时间（regeneration times）将样本路径分割成独立同分布的块，从而在非标准渐近框架下构造 bootstrap 重抽样方案。理论贡献包括：证明了两种 bootstrap 方法在估计积分泛函时的一致性，并给出了一个随机指标序列的中心极限定理的推广，为 bootstrap 有效性提供了理论基础。模拟或实证部分验证了有限样本下的覆盖率和区间长度表现。对您而言，该工作涉及非标准渐近（non-standard asymptotics）下的重抽样方法，与您在高维统计和假设检验中的 bootstrap 理论兴趣有潜在连接，尤其当链结构出现在纵向因果推断或时间序列敏感性分析中时，该工具可能有用。
关键技术: Regeneration-based bootstrap, Regenerative Block bootstrap, β-null recurrent Markov chain, accessible atom, randomly indexed CLT, invariant measure estimation
为什么对您有用: 连接您的 hypothesis testing 和 longitudinal causal inference 兴趣：当处理非平稳时间序列（如长期随访数据）时，标准 bootstrap 失效，而本文的再生 bootstrap 提供了一种替代推断工具。从武器库看，您对 nonparametric statistics 和 high-dimensional asymptotics 的熟悉度可直接用于理解其渐近论证，但核心的 Markov chain 再生理论（split chain、regeneration times）属于 moderately_familiar 的 M-estimation 理论之外，需先补链理论才能动手。中期可做：若您想将这类 bootstrap 推广到高维或因果推断设定，需先熟悉再生时间构造和随机指标 CLT 的证明技巧。

统计计算 / 算法 (stat_computing, 5 篇)¶

1. 10.1214/24-ejs2330 · arXiv — Multiple regression for matrix and vector predictors: Models, theory, algorithms, and beyond¶

作者: Meixia Lin, Ziyang Zeng, Yangjing Zhang
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 2
相关性 5/10 · novelty: new_method
摘要: 本文提出一类正则化回归模型，可同时处理矩阵和向量预测变量，适用于现代数据分析中复杂数据结构。模型通过核范数惩罚矩阵变量、ℓ1 范数惩罚向量变量，并建立了估计量的相合性理论。算法方面，提出基于预条件近端点算法的统一求解框架，能高效处理多种正则化形式。数值实验表明，所提方法在估计和预测精度上优于现有求解器，且算法效率更高。该工作将矩阵回归与稀疏向量回归统一在正则化框架下，理论分析和算法设计均具实用性。对您而言，本文的算法设计思路（预条件近端点法）可迁移至您在高维统计或因果推断中涉及矩阵/张量数据的优化问题。
关键技术: nuclear norm regularization, ℓ1 regularization, preconditioned proximal point algorithm, matrix regression, consistency theory
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。您的武器库中“软件开发和逆问题”可用来复现或扩展其算法框架；中期可做的是将预条件近端点法应用于您熟悉的因果推断中的高维协变量矩阵（如 IV 中的 instrument 矩阵），这需要先在 moderately_familiar 的 M-estimation 理论上巩固。

2. 10.1214/24-ejs2251 — A distance metric-based space-filling subsampling method for nonparametric models¶

作者: Huaimin Diao, Dianpeng Wang, Xu He
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 2
相关性 4/10 · novelty: new_method
摘要: 本文针对海量数据建模中的子采样问题，提出了一种基于距离度量的空间填充子采样方法。该方法利用最薄覆盖格点的Voronoi胞元对输入空间进行划分，以最小化同一胞元内样本对的最大距离，从而在输入空间实现空间填充。在此基础上，从每个胞元中按响应变量进行空间填充子采样，兼顾了输入和输出空间的信息覆盖。通过快速胞元定位算法，计算复杂度与观测数成线性关系，与胞元数无关，适用于超大规模数据集。模拟和真实数据分析表明，结合高斯过程模型时，新方法显著优于现有子采样方法。对您而言，本文的快速胞元定位算法和空间填充策略可迁移至您在高维统计计算中的子采样或实验设计问题，属于统计计算方向的方法贡献。
关键技术: space-filling subsampling, Voronoi tessellation, thinnest covering lattices, Gaussian process models, computational complexity O(n)
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'very_familiar'的'nonparametric statistics'和'high-dimensional asymptotics'可用于分析该子采样方法的理论性质（如覆盖误差的minimax界），而'very_familiar'的'software development'技能可直接用于实现该算法。中期可做：若想将该方法扩展到高维因果推断中的子采样问题，需先在'moderately_familiar'的'identification theory in causal inference'上提升。

3. 10.1214/24-ejs2324 — Approximate Bayesian computation using the Fourier integral theorem¶

作者: Frank Rotiroti, Stephen G. Walker
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 2
相关性 4/10 · novelty: new_method
摘要: 本文提出一种基于傅里叶积分定理的近似贝叶斯计算方法，用于似然函数不可计算但可模拟的模型。核心思想是利用傅里叶变换将似然函数表示为模拟样本的特征函数积分，从而获得似然的精确模拟估计。该方法仅需两个调参参数，且傅里叶积分定理提供了明确的参数设置指导。与合成似然法和传统ABC（包括降维和全数据版本）在多个例子（包括Ricker映射非线性状态空间模型）上比较，傅里叶方法能提供统计上合理的全数据似然估计。该方法本质上是一种计算技巧，将不可处理的似然转化为可模拟的积分形式，属于统计计算中模拟推断的范畴。对您而言，本文展示了如何用傅里叶工具绕过似然计算瓶颈，与您统计计算（数值方法）的兴趣直接相关，且其参数设置思路可迁移到您熟悉的逆问题或高维计算场景。
关键技术: Fourier integral theorem, approximate Bayesian computation, simulation-based inference, characteristic function, synthetic likelihood
为什么对您有用: 本文属于统计计算（数值方法）方向，直接对应您的primary interest中的'statistical computing (numerical methods, algorithm)'。您武器库中'非参数统计'和'逆问题'的功底可用于分析该方法的收敛性（如特征函数估计的误差传播），而'软件开发'经验可帮助您评估其实现成本。中期可做：若想将傅里叶方法推广到高维或因果推断中的似然估计，需先在'moderately_familiar'的M估计理论上长肌肉（具体为：理解傅里叶积分估计的渐近方差与M估计的efficiency关系）。

4. 10.1214/24-ejs2303 · arXiv — Fitted value shrinkage¶

作者: Daeyoung Ham, Adam J. Rothman
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 2
相关性 4/10 · novelty: new_method
摘要: 本文提出一种惩罚最小二乘方法，用于线性回归模型的拟合值收缩，其关键特性是拟合值对设计矩阵的可逆线性变换保持不变。这一不变性在包含分类预测变量及其交互项的实际应用中尤为重要，因为此时设计矩阵的编码方式（如对比编码、虚拟变量编码）会影响传统岭回归的结果。该方法在计算成本上与岭回归相同（均为 O(np^2) 量级），但通过引入一种特殊的二次惩罚项实现了变换不变性。作者推导了总体拟合值向量与其收缩估计量之间的期望平方距离的解析表达式，并给出了最小化该期望的最优调优参数值。除了交叉验证，还构造了两个该最优调优参数的估计量，并研究了它们的渐近性质（相合性与渐近正态性）。数值实验和实际数据示例表明，该方法的预测性能与岭回归相当，但提供了岭回归所不具备的变换不变性。对于您而言，这是一篇统计计算方向的论文，其核心贡献在于提出了一种计算高效且具有理论保证的替代性正则化方法，与您对统计计算（数值方法与算法）的兴趣直接相关。
关键技术: penalized least squares, ridge regression, invariance under linear transformations, shrinkage estimation, tuning parameter selection
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)'。其核心贡献——在保持与岭回归相同计算复杂度的前提下实现变换不变性——是一个具体的算法创新，您可以用 very_familiar 的 'software development' 技能快速实现该方法并验证其数值性质。中期可做：若想进一步分析该方法的 minimax 风险或与贝叶斯收缩的联系，需要 moderately_familiar 的 'M-estimation theory' 来推导其 oracle 性质。

5. 10.1214/24-ejs2262 — Disintegration of Gaussian measures for sequential assimilation of linear operator data¶

作者: Cédric Travelletti, David Ginsbourger
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 2
相关性 4/10 · novelty: new_theory
摘要: 本文在无限维高斯测度框架下处理线性算子数据的序贯同化问题。核心设定是：目标函数是高斯过程（GP）的样本路径，观测不是点值，而是该函数在已知线性算子下的像（如积分、微分、傅里叶系数等）。作者利用高斯测度在可分Banach空间上的分解理论（disintegration），将GP与高斯测度的对应关系从连续函数空间推广到更一般的函数空间，并严格给出了给定算子数据后验均值与协方差算子的更新公式。关键理论工具包括RKHS与样本路径性质的联系、条件测度的disintegration定理。在序贯设定下，证明了最终后验与逐次更新后验的等价性——这是无限维、离散化无关的高斯向量更新公式的类比。对您而言，本文虽不直接涉及因果推断或高维统计，但其在无限维统计计算与高斯过程序贯更新的理论严谨性上提供了可借鉴的框架，尤其适合作为统计计算方向（statistical computing）的入门级理论读物。
关键技术: Gaussian measure disintegration, Gaussian process - Gaussian measure correspondence, linear operator data assimilation, RKHS path properties, sequential Bayesian updating
为什么对您有用: 本文属于统计计算方向，但更偏向理论统计而非算法实现。作为gateway reading，它清晰阐述了无限维高斯测度与GP的对应关系，以及线性算子观测下的条件分布更新，适合对GP理论感兴趣的统计学家。武器库中'nonparametric statistics'和'inverse problems with random noise'可直接用于理解其核心论证，但本文不涉及计算复杂度或算法效率，因此暂不可做后续拓展——核心缺失是算法实现与计算成本分析。

其他 (other, 21 篇)¶

1. 10.1214/24-ejs2269 · arXiv — Limit theorems for non-degenerate U-statistics of block maxima for time series¶

作者: Axel Bücher, Torben Staud
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 2
相关性 8/10 · novelty: new_method
摘要: 本文研究时间序列极值中块极大值（block maxima）的非退化U-统计量的极限理论。在多元时间序列设定下，考虑任意阶的U-统计量，并比较滑动块（sliding blocks）与不相交块（disjoint blocks）两种构造方式对渐近方差的影响。核心结果表明，滑动块方法能降低渐近方差，这一结论推广了已有关于经验均值的结果。具体例子包括经验方差、概率加权矩估计量和Kendall's tau统计量。结果还扩展到分段平稳时间序列情形。蒙特卡洛模拟验证了有限样本性质。对您而言，本文直接关联高阶U-统计量的渐近理论，且滑动块方法可能为您的U-统计量计算（treewidth/einsum）提供新的方差缩减视角。
关键技术: U-statistics, block maxima, sliding blocks, time series extremes, Kendall's tau, piecewise stationary
为什么对您有用: 本文直接关联您的高阶U-统计量兴趣，特别是非退化U-统计量的渐近分布理论。您可以用very_familiar的U-统计量计算（treewidth/einsum）来分析滑动块方法的计算成本，或用moderately_familiar的HOIF理论探讨其效率改进。中期可做：将滑动块思想与您的U-统计量计算框架结合，研究计算-统计权衡。

作者: Emily C. Hector, Ryan Martin
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 2
相关性 6/10 · novelty: new_method
摘要: 本文提出一个连续型“拨盘参数”来调控两个数据源的信息共享程度，而非传统的“整合或不整合”二元选择。在广义线性模型框架下，该参数通过Fisher信息量衡量各数据源的信息含量，从而决定最优整合程度。估计方法简单，且能构造有效的检验和置信区间。理论上和实证上均表明，按推荐设置拨盘参数可获得比二元整合方案更高的估计效率。该工作为数据融合提供了更精细的调控工具，对因果推断中多源数据整合（如不同队列或实验与观察数据）有潜在启发。
关键技术: information-sharing dial, Fisher information, generalized linear models, shrinkage estimation
为什么对您有用: 本文连接因果推断中多源数据整合的子方向（如实验与观察数据、不同队列的融合），其拨盘参数思想可借鉴到proximal CI或IV中处理heterogeneous data sources。技术武器库中'nonparametric statistics'和'estimation theory in causal inference'可直接用于扩展该框架至非参数设定。中期可做：需先熟悉'semiparametric theory'以处理更复杂的识别条件。

3. 10.1214/24-ejs2319 — On a semiparametric estimation method for AFT mixture cure models¶

作者: Ingrid Van Keilegom, Motahareh Parsa
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 2
相关性 6/10 · novelty: new_method
摘要: 本文针对右删失生存数据中的混合治愈模型（mixture cure model），提出了一种半参数估计方法。模型设定为：发病率（incidence）部分采用Logistic回归，潜伏期（latency）部分采用半参数加速失效时间（AFT）模型。估计方法通过最大化半参数似然函数实现，其中未知的误差密度用基于Kaplan-Meier估计的核密度估计替代。作者给出了参数估计的相合性和渐近正态性理论证明。模拟研究将所提方法与多种竞争方法进行了比较。最后，方法应用于癌症临床试验数据，并开发了R包kmcure。
关键技术: semiparametric likelihood, kernel density estimation, Kaplan-Meier estimator, accelerated failure time model, mixture cure model
为什么对您有用: 本文属于生存分析中的半参数方法，与您的主要兴趣（半参数理论、M估计理论）有方法学重叠，但核心问题（治愈模型、删失数据）不在您列出的主要或次要兴趣方向内。武器库中的非参数统计和M估计理论可用于理解其渐近理论，但该问题本身与您的因果推断、高维统计等核心方向距离较远。暂不可做：核心机器（治愈模型、删失数据下的半参数似然推断）不在武器库中。

4. 10.1214/24-ejs2307 · arXiv — Likelihood-free frequentist inference: bridging classical statistics and machine learning for reliable simulator-based inference¶

作者: Niccolò Dalmasso, Luca Masserano, David Zhao, Rafael Izbicki, Ann B. Lee
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 2
相关性 5/10 · novelty: new_method
摘要: 本文针对似然函数不可处理（likelihood-free）的模拟推断问题，提出一个名为 LF2I 的模块化频率推断框架。该框架将经典统计与机器学习结合，核心目标是构造在有限样本下具有近似名义覆盖率的置信集，并提供可解释的诊断工具来评估整个参数空间上的经验覆盖率。方法不依赖渐近理论或低维假设，适用于高维复杂数据。具体地，LF2I 利用任何可定义检验统计量的方法（如文中研究的 ACORE 和 BFF 两种基于似然的统计量）来生成有效置信集，避免了在固定参数设置下进行昂贵的 Monte Carlo 或 bootstrap 采样。理论贡献在于给出了有限样本覆盖率的保证，并通过模拟和实际数据展示了方法的有效性。对您而言，本文属于统计计算与推断的交叉领域，虽然不直接对应您的主要兴趣方向，但其“用机器学习工具解决经典频率推断难题”的思路，以及在高维复杂数据上的应用，对您了解统计计算前沿有参考价值。
关键技术: likelihood-free inference, simulation-based inference, confidence set construction, ACORE, BFF, diagnostic tools for coverage
为什么对您有用: 本文属于统计计算与推断的交叉领域，与您的 secondary interest 中的 astrostatistics 有潜在关联（天文模拟常涉及似然不可处理问题）。作为 gateway reading，本文清晰阐述了模拟推断的统计挑战和解决方案，适合作为入门读物。您的武器库中 nonparametric statistics 和 high-dimensional asymptotics 可以支撑理解其理论框架，但核心的模拟推断技术（如 ACORE/BFF）不在您的 arsenal 中，属于暂不可做的方向。

5. 10.1214/24-ejs2279 · arXiv — Monge-Kantorovich superquantiles and expected shortfalls with applications to multivariate risk measurements¶

作者: Bernard Bercu, Jérémie Bigot, Gauthier Thurin
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 2
相关性 5/10 · novelty: new_method
摘要: 本文提出基于最优传输理论中 Monge-Kantorovich 分位数的多元超分位数与期望损失函数，将经典单变量风险度量（VaR 与 CVaR）推广至 R^d 空间。新定义通过中心向外排序刻画多元尾部概率与点云中心区域，保留了单变量中“典型观测位于分位数之前或之后”的直观解释。作者证明了这些新度量能刻画随机向量及其依分布收敛性，强调了其理论重要性。方法在模拟与真实数据集上进行了展示。该工作属于多元风险度量与最优传输的交叉，与您的主要兴趣（因果推断、高维统计等）无直接方法学关联。
关键技术: optimal transport, Monge-Kantorovich quantiles, center-outward ordering, multivariate risk measures, expected shortfall
为什么对您有用: 本文属于多元统计与金融风险度量领域，与您的主要兴趣（因果推断、高维统计、半参理论）无直接方法学连接。作为 gateway reading 价值有限，因为未涉及您武器库中的具体工具（如 U-统计量、极小极大界、因果识别）。建议仅作为泛读了解最优传输在风险度量中的应用，不值得投入全文时间。

6. 10.1214/24-ejs2295 · arXiv — Probability-weighted clustered coefficient regression models in complex survey sampling¶

作者: Mingjun Gang, Xin Wang, Zhonglei Wang, Wei Zhong
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 2
相关性 5/10 · novelty: application
摘要: 本文针对复杂调查抽样中回归系数在不同区域或领域间存在异质性的问题，提出了概率加权聚类系数回归模型。该方法利用成对惩罚（pairwise penalties）来识别具有相同回归系数的组，并通过交替方向乘子法（ADMM）求解目标函数。在一般性条件下，推导了所提方法的理论性质，包括分组一致性和估计效率。数值实验在线性回归和逻辑回归模型中均验证了该方法在分组识别和估计精度上的优越性。该工作主要聚焦于调查抽样中的统计建模，与您的主要研究兴趣（因果推断、高维统计、半参数理论等）关联较弱。
关键技术: pairwise penalties, alternating direction method of multipliers (ADMM), clustered coefficient regression, complex survey sampling
为什么对您有用: 本文属于调查抽样领域的应用统计方法，与您的主要兴趣方向（因果推断、高维统计、半参数理论等）无直接交集。虽然涉及分组回归和惩罚估计，但方法学新颖性有限，且未与您的技术武器库（如U-统计量、半参数效率理论）产生具体连接。暂不可做，核心机器不在武器库里。

7. 10.1214/24-ejs2305 — On the statistical properties of the isolation forest anomaly detection method¶

作者: Bruno Pelletier
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 2
相关性 5/10 · novelty: new_theory
摘要: 本文研究了孤立森林异常检测方法的统计性质。首先，在树数量趋于无穷的极限下，推导了基于有限样本的评分函数的解析表达式，证明孤立森林能有效检测有限样本中的几何孤立点。然后，在随机设计和正则设计序列下研究评分函数的大样本极限，发现该方法实际上检测的是数据分布的支撑集。理论表明，密集的聚类异常在渐近意义下无法被检测到（即掩蔽效应），但孤立森林对训练数据中稀疏污染的异常具有鲁棒性。数值实验验证了理论结果。本文为孤立森林提供了首个严格的统计理论分析，填补了该流行方法在统计性质上的空白。对您而言，本文属于非参数统计中基于树的异常检测方法，与您的主要兴趣（非参数统计、高维渐近）有间接关联，但方法学核心（随机树集成、支撑集检测）与您的技术武器库（非参数统计、高维渐近）有部分重叠，可作为了解异常检测统计基础的入门阅读。
关键技术: Isolation Forest, random tree ensemble, scoring function, support detection, masking effect
为什么对您有用: 本文属于非参数统计中基于树的异常检测方法，与您的主要兴趣（非参数统计、高维渐近）有间接关联。方法学核心（随机树集成、支撑集检测）与您的技术武器库中'非参数统计'和'高维渐近'两项有部分重叠，可作为了解异常检测统计基础的入门阅读。暂不可做：核心机器（随机树集成的极限理论）不在武器库中，且与您的主要研究方向（因果推断、U统计量、计算-统计权衡）无直接交叉。

8. 10.1214/24-ejs2286 · arXiv — Mixture of segmentation for heterogeneous functional data¶

作者: Vincent Brault, Émilie Devijver, Charlotte Laclau
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 2
相关性 4/10 · novelty: new_method
摘要: 本文针对函数型数据中同时存在时间异质性和总体异质性的问题，提出了一种混合分割模型。模型假设每个子总体对应一个分段函数，各段内函数形式相同但参数不同，从而在保持函数结构的同时刻画两种异质性。采用极大似然估计，证明了模型的可识别性和估计量的一致性。实际计算中，使用EM算法结合动态规划进行M步，以近似极大似然估计。在模拟数据集和真实电力消费数据集上展示了方法的有效性。该工作属于函数型数据分析的聚类与分割领域，与您的主要兴趣方向（因果推断、高维统计、半参数理论等）无直接交集。
关键技术: mixture model, functional data segmentation, EM algorithm, dynamic programming, maximum likelihood estimation
为什么对您有用: 本文属于函数型数据分析的应用方法，与您的主要兴趣方向（因果推断、高维统计、半参数理论等）无直接关联。武器库中的非参数统计和M估计理论虽可泛泛连接，但无具体可攻口子。暂不可做——核心问题（函数型数据聚类与分割）不在您的武器库覆盖范围内。

9. 10.1214/24-ejs2283 · arXiv — Generalized Bayesian likelihood-free inference¶

作者: Lorenzo Pacchiardi, Sherman Khoo, Ritabrata Dutta
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 2
相关性 4/10 · novelty: new_method
摘要: 本文提出了一种基于广义贝叶斯推断的无似然推断（LFI）后验方法。核心思想是使用评分规则（Scoring Rules, SRs）来替代不可计算的似然函数，通过能量评分规则和核评分规则构建后验，这些规则在模型设定正确时具有一致性，并对异常值具有鲁棒性。推断采用伪边际马尔可夫链蒙特卡洛（PM-MCMC）或随机梯度马尔可夫链蒙特卡洛（SG-MCMC）实现，其中SG-MCMC需要对模拟器模型进行自动微分，但在高维设置下表现更优。两种方法均近似地逼近SR后验，且误差随每次MCMC步的模拟次数增加而减小。在标准基准和一个混沌动力学系统（气象学）上的实验表明，SG-MCMC能够推断用于参数化动力学系统更新方程部分的神经网络参数。本文的方法学贡献在于将广义贝叶斯框架与无似然推断结合，但核心工具（评分规则、MCMC）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: Scoring Rules, Energy Score, Kernel Score, Pseudo-Marginal MCMC, Stochastic-Gradient MCMC, Automatic Differentiation
为什么对您有用: 本文属于无似然推断（LFI）领域，与您的主要兴趣方向（因果推断、高维统计、U-统计量）无直接交集。虽然评分规则和MCMC是统计计算中的通用工具，但本文并未涉及您武器库中的核心方法（如高阶U-统计量、半参数效率理论、随机矩阵理论）。作为gateway-reading，本文对LFI方法有清晰介绍，但作为统计计算方向的入门读物，其方法学深度有限，且未涉及您特别关注的统计-计算权衡问题。暂不可做：核心机器（LFI的模拟器模型、评分规则后验）不在您的武器库中，且与您当前的研究问题（因果推断、高维推断）距离较远。

10. 10.1214/24-ejs2268 · arXiv — Quantile-constrained Wasserstein projections for robust interpretability of numerical and machine learning models¶

作者: Marouane Il Idrissi, Nicolas Bousquet, Fabrice Gamboa, Bertrand Iooss, Jean-Michel Loubes
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 2
相关性 4/10 · novelty: application
摘要: 本文研究黑箱模型（数值模拟或机器学习）对输入分布扰动的鲁棒性评估问题。目标是在保持输入变量依赖结构的前提下，通过分位数约束和Wasserstein距离投影来定义有意义的输入扰动。作者证明该扰动问题存在解析解，并利用等渗多项式逼近施加正则化约束以获得更平滑的扰动。数值实验展示了该方法在不确定性量化（UQ）和机器学习可解释性两个领域的计算可行性，能提供局部和全局的鲁棒性洞察。该方法为模型诊断提供了一种统一框架，但核心贡献在于计算工具而非统计推断理论。
关键技术: Wasserstein distance, quantile constraints, isotonic polynomial approximation, covariate shift, sensitivity analysis
为什么对您有用: 本文属于统计计算与模型诊断的交叉方向，与您primary interest中的'statistical computing'有弱关联。但核心方法（Wasserstein投影+分位数约束）不在您的技术武器库中，且未涉及因果推断、高维统计或U统计量等您深耕的方向。作为gateway reading价值有限——它更偏向工程应用而非理论统计。暂不可做：缺少与您武器库的直接接口。

11. 10.1214/24-ejs2299 — Path-dependent parametric decompositions in Ising models¶

作者: Monia Lupparelli, Giovanni M. Marchetti
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 2
相关性 4/10 · novelty: new_method
摘要: 本文研究 Ising 模型（二元数据无向图模型）中顶点对之间多条路径的关联强度分解问题。在多元高斯设定下，协方差可分解为路径贡献之和；本文将此思想推广至二元数据，提出一种基于 logistic 回归的基线事件方法。核心贡献是两种参数化分解：一种量化每条路径内部的多变量依赖（基于优势比乘积），另一种刻画路径依赖与图其余部分之间的交互。方法通过工业网络安全风险评估的真实数据示例说明。对您而言，本文属于图模型与分解技术的交叉，与您的主要兴趣（因果推断、高维统计）无直接方法学重叠，但分解思路可能对 mediation 分析中的路径效应分解有间接启发。
关键技术: Ising model, odds ratio decomposition, logistic regression for baseline events, path analysis in undirected graphs
为什么对您有用: 本文属于图模型中的路径分解方法，与您的主要兴趣（因果推断、高维统计）无直接方法学重叠。武器库中的非参数统计和因果推断估计理论可用来审视其分解的识别性，但核心机器（图模型路径分解）不在您的技术武器库中，属于暂不可做方向。若您对 mediation 分析中的路径效应分解感兴趣，可作为背景阅读。

12. 10.1214/24-ejs2325 · arXiv — Spatio-temporal point process intensity estimation using zero-deflated subsampling applied to a lightning strikes dataset in France¶

作者: Jean-François Coeurjolly, Thibault Espinasse, Anne-Laure Fougères, Mathieu Ribatet
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 2
相关性 4/10 · novelty: application
摘要: 本文针对法国雷击事件的空间-时间点过程数据，研究强度函数的参数估计问题。数据以0.1°×0.1°网格和六小时时段记录，导致大量时空单元无事件（零膨胀），且数据集规模巨大。作者重新审视了空间点过程中常用的复合似然方法，并针对协变量分段常数的情况进行了调整。核心贡献是提出了一种零膨胀子采样策略，即通过依赖性子采样有偏地选取更多有事件发生的单元，以缓解零膨胀带来的计算和效率问题。模拟实验验证了方法的有效性，并应用于法国雷击数据集。该方法本质上是计算导向的近似推断策略，而非新的统计推断理论。对您而言，本文属于应用统计计算范畴，与您的统计计算（数值方法）兴趣有弱关联，但方法学新颖性有限，且未涉及您核心关注的因果推断、高维或半参理论。
关键技术: composite likelihood, zero-deflated subsampling, spatio-temporal point process, dependent subsampling, piecewise constant covariates
为什么对您有用: 本文属于应用统计计算，与您的secondary interest 'statistical computing'有弱关联，但方法学贡献主要是计算策略而非理论创新。武器库中'nonparametric statistics'和'high-dimensional asymptotics'可用来分析其子采样估计量的渐近性质，但核心问题（零膨胀子采样）与您的primary interests距离较远。暂不可做：缺乏直接可迁移的问题口子，且方法学深度不足以支撑后续研究。

13. 10.1214/24-ejs2288 — Bayesian regression analysis of panel count data under frailty nonhomogeneous Poisson process model with an unknown frailty distribution¶

作者: Lu Wang, Chunling Wang, Xiaoyan Lin, Lianming Wang
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 2
相关性 3/10 · novelty: application
摘要: 本文针对面板计数数据（panel count data）中的复发事件建模问题，在非齐次泊松过程框架下引入脆弱项（frailty）以刻画个体内相关性和过离散。传统方法通常假设脆弱项服从Gamma分布，但该假设在误设时可能导致回归参数和基线均值函数的估计偏倚。作者将脆弱项分布建模为未知的非参数形式，采用Dirichlet过程Gamma混合先验（DP-Gamma mixture prior）进行贝叶斯推断，并开发了高效的Gibbs采样器。模拟研究表明，当Gamma脆弱假设被违反时，所提方法在回归参数和基线均值函数的估计上优于基于Gamma脆弱模型的贝叶斯方法。该方法应用于皮肤癌数据集。本文属于应用统计方法论文，方法学创新在于非参数脆弱分布建模，但核心工具（DP先验、Gibbs采样）在统计文献中已较成熟。
关键技术: Dirichlet Process Gamma Mixture prior, Gibbs sampler, nonhomogeneous Poisson process, frailty model, panel count data
为什么对您有用: 本文属于纵向数据/复发事件建模的应用统计方向，与您的主要兴趣（因果推断中的纵向设定、非参数/半参数理论）有间接关联，但方法学核心（DP先验、Gibbs采样）不在您的技术武器库核心范围内。作为流行病学应用（皮肤癌数据），可作为入门级阅读了解面板计数数据的建模框架，但方法学新颖性有限，不值得深入跟进。

14. 10.1214/24-ejs2309 · arXiv — Subsampling-based modified Bayesian information criterion for large-scale stochastic block models¶

作者: Jiayi Deng, Danyang Huang, Xiangyu Chang, Bo Zhang
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 2
相关性 3/10 · novelty: new_method
摘要: 本文针对大规模随机块模型（SBM）和度修正SBM，提出了一种基于子采样的修正贝叶斯信息准则（SM-BIC）来识别社区数量。核心挑战在于现有方法在大规模网络上计算不可行。作者首先设计了一种节点对子采样方法，从全网络中提取信息丰富的子网络；然后基于该子网络推导出纯数据驱动的准则来估计社区数。理论上证明了SM-BIC的计算复杂度和识别一致性（即社区数估计的相合性）。数值实验展示了其在大规模网络上的计算优势。该方法本质上是模型选择问题，但社区检测与您的主要兴趣方向（因果推断、高维统计）关联较弱。
关键技术: subsampling, modified Bayesian information criterion, stochastic block model, degree-corrected stochastic block model, community detection
为什么对您有用: 本文属于网络数据分析，与您的主要兴趣（因果推断、高维统计、U-统计量）无直接交集。虽然子采样策略在计算上可借鉴，但核心问题（社区数选择）不在您的武器库覆盖范围内。暂不可做——缺乏网络模型和社区检测的理论工具。

15. 10.1214/24-ejs2300 · arXiv — Estimating the limiting shape of bivariate scaled sample clouds: With additional benefits of self-consistent inference for existing extremal dependence properties¶

作者: Emma S. Simpson, Jonathan A. Tawn
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 2
相关性 3/10 · novelty: new_method
摘要: 本文针对双变量极值数据的尾部依赖建模，首次提出对Balkema和Nolde (2010)定义的极限集（limiting shape of scaled sample cloud）进行统计推断。该极限集统一刻画了联合尾部的完整特征，而现有方法仅能分别建模尾部依赖的不同方面（如尾部相关系数、极值指数等）。作者基于极值理论中的正则变差假设，构造了极限集的估计量，并证明其相合性。核心技术工具包括：对样本云进行适当缩放后，利用极值区域的点过程收敛性质，通过经验估计逼近极限集的边界。作为副产品，该方法可自洽地导出多种现有极值依赖度量（如χ、χ̄等）的估计量，避免了传统方法因分别建模而可能产生的矛盾结论。模拟实验表明，极限集估计在多种分布下表现良好，且导出的依赖度量估计在联合改进上显著优于现有方法。应用部分分析了海浪高度数据，成功捕捉到随距离增加尾部依赖减弱的预期模式。对您而言，本文属于极值统计的专门领域，与您的主要兴趣方向（因果推断、高维统计、U统计量等）无直接技术交集，但如果您未来涉足环境或气候数据中的极值事件分析，本文的极限集框架可作为统一建模的参考工具。
关键技术: regular variation, point process convergence, limit set estimation, self-consistent extremal dependence measures, bivariate extreme value theory
为什么对您有用: 本文属于极值统计的专门方法学论文，与您的主要兴趣方向（因果推断、高维随机矩阵、U统计量、半参效率理论等）无直接技术连接。您的武器库中非参数统计和极值理论有一定重叠，但核心工具（正则变差、点过程收敛）不在您的very_familiar或moderately_familiar列表中。暂不可做：缺乏极值理论中正则变差和点过程收敛的专业知识。不过，如果您未来关注环境/气候数据中的极端事件分析（属于secondary interest的流行病学或应用方向），本文的极限集统一建模思路可作为入门参考。

16. 10.1214/24-ejs2302 — Harmonizable fractional stable motion: Asymptotically normal estimators for both parameters¶

作者: Antoine Ayache
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 2
相关性 3/10 · novelty: new_method
摘要: 该文针对非高斯重尾稳定分布下的调和分数稳定运动（HFSM）提出参数估计方法。HFSM 是分数布朗运动的两种非高斯推广之一，但与线性分数稳定运动（LFSM）不同，HFSM 不具有遍历性，因此参数估计困难。作者的核心策略是构造 HFSM 的新变换，使得在任意二进层及相邻二进层上获得独立稳定随机变量序列。基于这些独立序列，构建了两个参数的强相合且渐近正态的估计量。该策略可能推广至更一般的非遍历调和稳定过程与场。对您而言，本文属于时间序列与重尾过程统计推断方向，与您的主要兴趣（高维统计、假设检验）无直接交集，但其中的非遍历性处理技巧对您可能有一定参考价值。
关键技术: Harmonizable fractional stable motion, non-ergodic process, dyadic decomposition, asymptotic normality, stable random variables
为什么对您有用: 本文属于时间序列与重尾过程统计推断，与您的主要兴趣（因果推断、高维统计、半参理论）无直接交集。作为 gateway reading 价值有限，因为 HFSM 模型和稳定分布假设在您的武器库中缺乏对应工具。暂不可做。

17. 10.1214/24-ejs2320 · arXiv — Consistency of some sequential experimental design strategies for excursion set estimation based on vector-valued Gaussian processes¶

作者: Philip Stange, David Ginsbourger
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 2
相关性 2/10 · novelty: new_theory
摘要: 本文研究向量值高斯过程序贯实验设计策略的相合性，目标是在紧致指标集上估计向量值函数的超水平集（excursion set）。核心设定是：将标量值高斯过程的Stepwise Uncertainty Reduction（SUR）策略扩展到向量值情形，并证明其相合性。方法上，作者首先澄清了向量值连续高斯过程与Banach空间上高斯测度的联系，为后续理论奠定基础。主要技术挑战在于：向量值情形下，基于有限观测的条件均值和协方差函数涉及伪逆映射，而伪逆映射缺乏连续性，导致标量情形下的证明技术无法直接推广。作者通过引入新的正则性条件克服了这一困难，并证明了基于Integrated Bernoulli Variance和Expected Measure Variance两种不确定性泛函的SUR策略的相合性。最后，将结果应用于海洋自主采样中的超水平集估计问题。对您而言，本文属于统计计算与序贯设计方向，与您的主要兴趣（统计计算）有间接关联，但方法学核心（高斯过程序贯设计）不在您的技术武器库核心范围内，可作为了解序贯实验设计理论的入门阅读。
关键技术: Stepwise Uncertainty Reduction, Gaussian process regression, vector-valued Gaussian random fields, excursion set estimation, pseudo-inverse mapping, supermartingale approach
为什么对您有用: 本文属于统计计算与序贯实验设计方向，与您的primary interest中的'statistical computing (numerical methods, algorithm)'有间接关联。但核心方法（高斯过程SUR策略）不在您的技术武器库中（very_familiar和moderately_familiar均未涉及高斯过程序贯设计），因此属于'暂不可做'——需要先补充高斯过程回归和序贯设计的基础知识。不过，本文对向量值情形的处理（伪逆映射的连续性挑战）可能对您在高维统计中处理矩阵伪逆问题有启发，可作为gateway reading了解序贯设计领域。

18. 10.1214/24-ejs2290 · arXiv — Fractionally integrated curve time series with cointegration¶

作者: Won-Ki Seo, Han Lin Shang
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 2
相关性 2/10 · novelty: application
摘要: 本文研究分数协整曲线时间序列的推断问题。目标是在函数型数据框架下，识别非平稳与平稳子空间的维度，并估计各子空间的长记忆参数。方法上，首先提出方差比检验以确定子空间维度；随后对每个子空间应用局部 Whittle 估计量估计长记忆参数，并证明其相合性。蒙特卡洛模拟和两个实证应用展示了有限样本表现。该工作将经典分数协整理论拓展至曲线时间序列，但方法学贡献集中于时间序列而非因果推断或高维统计。对您而言，该文与您的主要兴趣（因果推断、高维统计、U-统计量）无直接交集，但若您未来涉足函数型数据或时间序列因果推断，可作为背景阅读。
关键技术: fractional cointegration, curve time series, variance-ratio test, local Whittle estimator, functional data analysis
为什么对您有用: 本文属于时间序列计量经济学，与您的主要兴趣（因果推断、高维统计、U-统计量）无直接连接。武器库中无对应工具（如函数型数据、分数积分过程），暂不可做。不推荐深入阅读。

19. 10.1214/24-ejs2293 — Asymptotic theory for explosive fractional Ornstein-Uhlenbeck processes¶

作者: Hui Jiang, Yajuan Pan, Weilin Xiao, Qingshan Yang, Jun Yu
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 2
相关性 2/10 · novelty: new_method
摘要: 本文研究爆炸性分数阶 Ornstein-Uhlenbeck (fOU) 过程的参数估计问题。在填充渐近方案下建立了扩散参数估计量的渐近性质，在双渐近方案下建立了漂移参数估计量对全范围 Hurst 参数的渐近性质。持久性参数估计量的双渐近分布显式依赖于初始条件。模拟验证了估计量的有效性，渐近分布在有限样本中提供了良好近似。实证应用展示了模型和渐近理论的实用价值。该工作属于时间序列与随机过程领域，与您的主要研究方向（因果推断、高维统计、半参理论等）无直接交集。
关键技术: fractional Ornstein-Uhlenbeck process, in-fill asymptotics, double asymptotic scheme, Hurst parameter estimation, explosive process
为什么对您有用: 本文与您的主要兴趣方向（因果推断、高维统计、半参理论等）无直接关联，属于时间序列与随机过程的专门领域。您的技术武器库（非参统计、U-统计量、因果推断等）难以直接应用于本文的分数阶扩散过程渐近理论。暂不可做，核心机器不在武器库中（缺分数阶随机过程与填充渐近的专业工具）。

20. 10.1214/24-ejs2284 — Selecting strong orthogonal arrays by linear allowable level permutations¶

作者: Guanzhou Chen, Boxin Tang
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 2
相关性 2/10 · novelty: new_method
摘要: 本文研究强正交阵列（SOA）在空间填充设计中的选择问题。SOA 是一类广泛用于物理和计算机实验的设计，其空间填充性质在模型不确定时尤为重要。作者聚焦于线性允许水平置换（linear allowable level permutations），这是一种特殊的置换子集，能对几何上非同构的 SOA 进行分类。通过理论分析，他们提出了构造方法，可得到比现有文献更优空间填充性质的 SOA。核心贡献在于为实际应用中如何从一类 SOA 中选出最优设计提供了理论指导。该工作属于实验设计领域，与您的因果推断、高维统计等主要兴趣无直接关联，但若您涉及计算机实验或空间填充设计，可作为背景参考。
关键技术: strong orthogonal arrays, space-filling designs, linear allowable level permutations, geometric isomorphism
为什么对您有用: 本文属于实验设计领域，与您的 primary interests（因果推断、高维统计、U-统计量等）无直接交集。作为 gateway reading 价值有限，因为其核心问题（SOA 选择）不涉及您熟悉的统计推断或计算复杂度框架。暂不可做：缺乏与您武器库中具体工具（如 minimax bound、U-统计量树宽）的连接点。

21. 10.1214/24-ejs2270 — Extending the generalized Wendland covariance model¶

作者: Moreno Bevilacqua, Xavier Emery, Tarik Faouzi
期刊/来源: Electronic Journal of Statistics
分类: vol 18 · issue 2
相关性 1/10 · novelty: new_theory
摘要: 本文研究广义Wendland协方差模型，该模型是一种紧支撑的协方差函数，能通过平滑参数连续刻画高斯随机场的正则性，且以Matérn模型为极限特例。然而，原广义Wendland模型的有效平滑参数范围未能覆盖Matérn模型的全部有效区间。作者推导了新的充要条件，将广义Wendland模型的有效参数范围扩展至与Matérn模型一致，从而填补了这一理论空白。方法上主要基于协方差函数的正定性分析和谱密度条件，未涉及因果推断、高维统计或U统计量等工具。模拟研究和年降水异常数据集的应用展示了扩展模型的实际拟合效果。本文属于空间统计中协方差建模的理论扩展，与您的主要研究方向（因果推断、高维统计、U统计量等）无直接技术关联，但若您涉足空间统计或高斯过程建模，可作背景参考。
关键技术: generalized Wendland covariance, compactly supported covariance, Matérn covariance, positive definiteness conditions, spectral density
为什么对您有用: 本文属于空间统计中的协方差模型理论，与您的主要兴趣（因果推断、高维随机矩阵、U统计量等）无直接技术重叠。武器库中的非参数统计和极小极大界可间接用于评估其模型拟合的理论性质，但核心问题（协方差函数的正定性条件）并非您当前工具集的重点。暂不可做——缺乏空间统计协方差建模的专门知识。

Maintained by 陈星宇 · Homepage · Source on GitHub