JBES — Vol 40 Issue 2 · 2026-07-19¶

共 32 篇 · Journal of Business & Economic Statistics
目录核对 ✅ 32 篇全部抓到（对照 OpenAlex 38 篇）

本期导览¶

自动生成：归纳本期主要主题与脉络，不打分、不排名。

JBES Vol 40 Issue 2 的 32 篇论文可归纳为四条主线：因果识别与缺失数据处理、非参数/半参数方法、假设检验（含时间序列诊断与稳健性）、以及高维/随机矩阵与时间序列建模。因果推断方向有 6 篇，聚焦于工具变量有效性检验、非随机缺失、截断结果等经典难题；非参数/半参数方向 5 篇，涉及条件依赖度量、面板数据聚类、边界估计和 copula 检验；假设检验方向 6 篇，涵盖长记忆、协整、白噪声、稳健 Rao 检验等；其余论文分散在模型平均、极值预测、波动率估计、网络分析等主题。

因果推断主线中，Assessing Causal Effects in a Longitudinal Observational Study With “Truncated” Outcomes 用主分层处理失业导致的截断和非随机缺失，贝叶斯推断框架直接回应经济学中保留工资趋势问题；Instrument Validity Tests With Causal Forests 将因果森林用于局部 IV 有效性检验，通过 CATE 异质性定位违反子群，比全局检验更精细；Structural Equation Model Averaging 用模型平均应对弱 IV，虽方法学创新有限但计算简单；Nonignorable Missing Data, Single Index Propensity Score 用单指标倾向得分和 profile 似然处理 MNAR，半参数技巧值得关注。非参数主线中，The Locally Gaussian Partial Correlation 提出局部高斯偏相关系数，可区分正负条件依赖，用于非线性 Granger 因果检验；Network-Based Clustering for Varying Coefficient Panel Data 结合非参数平滑与社区检测识别群组结构，思路可迁移至异质性处理效应识别。假设检验主线中，Semiparametric Tests for the Order of Integration 将长记忆检验扩展到存在水平漂移的情形，证明无渐近功效损失；Adaptive Testing for Cointegration 在非平稳波动下实现适应性协整检验，通过 bootstrap 校准；A Robust Generalization of the Rao Test 基于 MDPDE 构造稳健 Rao 检验，适用于模型误设场景。

与因果推断最贴的论文是 Assessing Causal Effects（主分层+非随机缺失）、Instrument Validity Tests（局部 IV 检验）、Nonignorable Missing Data（半参数 MNAR）；与半参数/非参数效率最相关的是 The Locally Gaussian Partial Correlation（局部似然估计）和 Network-Based Clustering（非参数平滑+聚类）；高维方向可优先看 Sequential Scaled Sparse Factor Regression（低秩+稀疏恢复）和 A Factor-Based Estimation of Integrated Covariance Matrix（因子模型+高频噪声）。

因果推断 (causal_inference, 6 篇)¶

1. 10.1080/07350015.2020.1862672 — Assessing Causal Effects in a Longitudinal Observational Study With “Truncated” Outcomes Due to Unemployment and Nonignorable Missing Data¶

作者: Michela Bia, Alessandra Mattei, Andrea Mercatanti
期刊/来源: Journal of Business & Economic Statistics
机构: Luxembourg Institute of Socio-Economic Research · University of Luxembourg · University of Florence · Bank of Italy
分类: vol 40 · issue 2 · pp 718-729
相关性 8/10 · novelty: application
摘要: 本文针对纵向观察研究中因失业导致的“截断”结果（truncation by death）和非随机缺失数据（nonignorable missing data）问题，提出一个扩展的因果推断框架。目标是在有协变量、二元处理和纵向就业状态与工资信息的设定下，评估培训项目的因果效应。核心方法采用主分层（principal stratification）来正确定义因果效应，并处理非随机缺失；推断采用贝叶斯方法。该框架允许回答经济学中的开放问题：失业期间保留工资（reservation wage）的趋势评估。应用部分使用卢森堡劳动力行政数据（IGSS-ADEM）评估外语培训项目的因果效应。对您而言，本文的主分层与缺失数据处理策略可迁移至您关注的纵向因果推断和敏感性分析问题，且贝叶斯推断框架与您的非参数/半参数理论兴趣形成互补。
关键技术: principal stratification, truncation by death, nonignorable missing data, Bayesian inference, longitudinal causal inference
为什么对您有用: 本文直接关联您 primary interest 中的因果推断（纵向设定、缺失数据、主分层），且应用场景（经济学培训评估）与 secondary interest 中的经济理论/应用因果工作一致。您的 technical arsenal 中“因果推断中的估计理论”和“识别理论”可直接用于理解其主分层假设和贝叶斯推断的合理性；但本文未涉及效率理论或半参数界，因此属于中期可做——需先在 moderately_familiar 的“识别理论”上巩固，以评估其假设的可检验性或敏感性。

2. 10.1080/07350015.2020.1847122 — Instrument Validity Tests With Causal Forests¶

作者: Helmut Farbmacher, Raphael Guber, Sven Klaassen
期刊/来源: Journal of Business & Economic Statistics
机构: Max Planck Society · German Knee Society · Universität Hamburg
分类: vol 40 · issue 2 · pp 605-614
相关性 8/10 · novelty: new_method
摘要: 本文在 LATE 框架下，利用 causal forests 检验工具变量有效性假设（排除性、单调性）是否存在局部违反。传统 IV 有效性检验仅给出全局 p 值，无法定位违反发生的子群；本文提出一种数据驱动的局部检验程序，通过 causal forests 估计条件平均处理效应（CATE）的异质性，并基于分位数构造检验统计量。核心机制是：若 IV 在某个子群中无效，则 CATE 的分布应偏离零；通过置换检验或 bootstrap 校准 p 值。模拟表明该方法在局部违反设定下比全局检验有更高功效。实证部分复现了两个经典 IV 应用（子女性别组合偏好、越战征兵抽签），发现某些子群存在 IV 有效性违反的证据。对您而言，本文是 IV 敏感性分析的一个具体工具，可直接用于流行病学或经济学应用中的 IV 有效性诊断，且 causal forest 的异质性检测思路可与您熟悉的 nonparametric 和 causal inference 工具结合。
关键技术: causal forest, LATE, instrument validity test, heterogeneous treatment effects, permutation test
为什么对您有用: 直接连接 primary interest 中的 IV 和敏感性分析子方向。本文的局部检验思路可视为 IV 敏感性分析的一种变体，您可以用 very_familiar 的 nonparametric 和 causal inference 工具（如 U-statistic 或 bootstrap）来改进其检验统计量的有限样本性质或推导其 asymptotic distribution。中期可做：若想将检验推广到更复杂的识别策略（如 proximal IV），需先在 moderately_familiar 的 identification theory 上补足。

3. 10.1080/07350015.2020.1870479 — Structural Equation Model Averaging: Methodology and Application¶

作者: Loraine Seng, Jialiang Li
期刊/来源: Journal of Business & Economic Statistics
机构: National University of Singapore
分类: vol 40 · issue 2 · pp 815-828
相关性 7/10 · novelty: application
摘要: 本文在工具变量（IV）框架下处理弱工具变量问题，目标是在存在未测量混杂时估计暴露对结果的因果效应。作者提出一种模型平均方法，将多个（可能弱）IV纳入两阶段最小二乘（2SLS）估计，通过加权平均各IV的估计结果来提升稳健性。方法仅涉及最小二乘的闭式解，计算简单。理论部分建立了估计量的相合性和渐近正态性。数值实验覆盖低维和高维设定，并与多种现有方法对比。实证部分以房价数据为例展示方法应用。对您而言，本文连接了因果推断中IV方法的实际应用，但方法学创新有限（模型平均在IV中并非全新思路），且未涉及您核心关注的proximal CI、efficiency theory或higher-order U-statistics等方向。
关键技术: model averaging, two-stage least squares (2SLS), weak instruments, consistency and asymptotic normality
为什么对您有用: 本文属于因果推断中IV方法的实际应用，连接您的primary interest（causal inference）中的IV子方向。但方法学贡献较常规（模型平均在IV中已有较多工作），且未涉及您武器库中的核心工具（如semiparametric efficiency、higher-order U-statistics）。暂不可做：核心机器（如efficiency theory、DML）未在文中使用，且问题本身不直接需要这些工具。

4. 10.1080/07350015.2020.1860065 — Nonignorable Missing Data, Single Index Propensity Score and Profile Synthetic Distribution Function¶

作者: Xuerong Chen, Denis Heng-Yan Leung, Jing Qin
期刊/来源: Journal of Business & Economic Statistics
机构: Southwestern University of Finance and Economics · Singapore Management University · National Institute of Allergy and Infectious Diseases
分类: vol 40 · issue 2 · pp 705-717
相关性 7/10 · novelty: weaker_assumption
摘要: 本文处理缺失数据中非随机缺失（MNAR）的识别与估计问题。在MNAR下，倾向得分与结果模型在似然中混淆，现有方法通常假设倾向得分参数形式已知。作者放松这一假设，对倾向得分采用非参数单指标模型（single index model），并通过profile似然技术构造一个合成分布函数（synthetic distribution function）来消除未知倾向得分的影响。估计量基于完全数据的伪似然（pseudo-likelihood），并证明了渐近正态性。模拟表明该方法在有限样本下优于现有参数方法。对您而言，该文展示了在非随机缺失这一因果推断核心难题中，如何用半参数技巧（单指标+profile似然）放松参数假设，与您对identification theory和semiparametric theory的兴趣直接相关。
关键技术: single index model, profile likelihood, synthetic distribution function, pseudo-likelihood, missing not at random (MNAR)
为什么对您有用: 本文直接关联您primary interest中的causal inference（identification under MNAR）和semiparametric theory（单指标模型+profile似然）。技术武器库中'nonparametric statistics'和'estimation theory in causal inference'可立即用于理解其profile似然构造和渐近性证明，而'semiparametric theory'（moderately familiar）正是攻下该文核心机制所需的关键工具——中期可做：先巩固semiparametric theory中的profile似然和部分似然理论。

5. 10.1080/07350015.2020.1865169 · arXiv — Analyzing Subjective Well-Being Data with Misclassification¶

作者: Ekaterina Oparina, Sorawoot Srisuma
期刊/来源: Journal of Business & Economic Statistics
分类: vol 40 · issue 2 · pp 730-743
相关性 6/10 · novelty: application
摘要: 本文利用英国 Understanding Society 第 3 波约 35,000 户家庭的数据，研究主观幸福感（生活满意度）报告中的非经典测量误差问题。作者首先提出一种非参数检验方法，用于检测报告的生活满意度是否存在非经典测量误差，结果发现全样本及 32 个社会经济子组中的 26 组均存在显著测量误差。随后，他们非参数地估计报告生活满意度与潜在真实生活满意度的联合分布，以刻画误报行为模式。基于该联合分布，可进一步估计潜在生活满意度的参数模型。主要发现是：测量误差偏倚不足以扭曲生活满意度的主要驱动因素，但存在一个政策相关的性别差异——女性倾向于高报其潜在生活满意度，这可能有助于解释“性别悖论”（即女性在客观指标上更差却报告更幸福）。方法上，该文结合了非参数识别、检验与估计，属于应用因果推断中测量误差问题的典型案例。对您而言，本文展示了非经典测量误差在主观数据中的实证分析流程，与您 causal inference 方向中的 measurement error / sensitivity analysis 子方向直接相关。
关键技术: nonclassical measurement error, nonparametric identification, nonparametric test, joint distribution estimation, misclassification
为什么对您有用: 本文直接关联您 primary interest 中的 causal inference 子方向——测量误差与敏感性分析。它提供了一个完整的实证流程：从非参数检验到联合分布估计再到参数模型校正，流程清晰且数据公开（UK Understanding Society）。您的武器库中 nonparametric statistics 和 estimation theory in causal inference 两项 very_familiar 工具可直接用于复现或扩展其方法（例如，用更高效的 sieve 估计替代其非参数估计，或引入 proximal causal inference 框架处理更复杂的误差结构）。中期可做：若想将本文的测量误差校正思路推广到更一般的因果效应估计（如 ATE 或 IV 中的 misclassified treatment），需先在 moderately_familiar 的 identification theory in causal inference 上进一步熟悉 negative control 等工具。

6. 10.1080/07350015.2020.1870985 · arXiv — Fixed-k Inference for Conditional Extremal Quantiles¶

作者: Yuya Sasaki, Yulong Wang
期刊/来源: Journal of Business & Economic Statistics
机构: Vanderbilt University · Syracuse University
分类: vol 40 · issue 2 · pp 829-837
相关性 5/10 · novelty: new_method
摘要: 本文针对重复截面与纵向/面板数据，提出了一种基于固定数量 k 个最近邻尾部观测的条件极值分位数推断方法。核心目标是构造条件极值分位数的置信区间，无需对尾指数等参数做参数假设，仅依赖非参数数据生成过程。方法利用极值理论中的渐近性质，在固定 k 下推导出置信区间的渐近有效性，并证明其在多种尾指数设定下具有均匀有效性。作为副产品，该方法还可用于线性随机系数模型中极值分位数的推断。模拟研究表明，与基于渐近正态性的传统非参数方法相比，本文的置信区间在小样本下具有更优的覆盖率和长度。应用部分使用 Natality Vital Statistics 数据分析了极低出生体重的影响因素，发现主要效应的符号与参数模型一致但量级不同。对您而言，该文的条件极值分位数推断框架可迁移至因果推断中的极端效应分析（如极端处理效应），且其固定 k 的稳健推断思路对您熟悉的非参数统计与 minimax 界技术具有直接参考价值。
关键技术: extreme value theory, nearest-neighbor tail observations, fixed-k inference, uniform validity, conditional extremal quantiles
为什么对您有用: 本文连接您的主要兴趣——因果推断中的极端效应分析（如极端处理效应），且其固定 k 的稳健推断方法可直接利用您熟悉的非参数统计与 minimax 界技术进行理论验证。从武器库看，您对非参数统计和 minimax 界非常熟悉，可立即评估其均匀有效性证明的紧致性；中期可做的是将这一框架拓展至因果推断中的条件极值处理效应识别，需在 moderately_familiar 的识别理论（如 IV 或 proximal CI 设定）上进一步积累。

高维统计 / 随机矩阵 (high_dim_rmt, 2 篇)¶

1. 10.1080/07350015.2020.1844212 · arXiv — Sequential Scaled Sparse Factor Regression¶

作者: Zemin Zheng, Yang Li, Jie Wu, Yuchen Wang
期刊/来源: Journal of Business & Economic Statistics
机构: University of Science and Technology of China
分类: vol 40 · issue 2 · pp 595-604
相关性 5/10 · novelty: application
摘要: 本文针对高维多响应回归中系数矩阵同时具有低秩和稀疏结构的问题，提出了一种称为 SESS 的序贯缩放稀疏因子回归方法。核心思路是将联合低秩稀疏恢复问题通过正则特征值分解分解为若干个单响应稀疏回归子问题，从而结合序贯估计与缩放稀疏回归的优势。该方法无需对稀疏参数进行调参（tuning-free），且能适应一般的噪声协方差结构，具有高度可扩展性。理论方面，论文在高维多响应回归的框架下提供了估计量的收敛速率和变量选择一致性等理论保证。模拟和股票卖空数据分析展示了方法的可扩展性和有效性。对您而言，本文涉及高维统计中的低秩+稀疏结构恢复，与您的高维统计和因果推断中可能遇到的多变量响应设定有技术关联，但方法学新颖性一般，属于将已有工具（序贯估计+缩放稀疏回归）组合应用于新场景。
关键技术: sequential estimation, scaled sparse regression, low-rank plus sparse decomposition, eigenvalue decomposition, high-dimensional multi-response regression
为什么对您有用: 本文处理高维多响应回归中的低秩+稀疏结构，与您的高维统计兴趣直接相关，但方法学组合性较强，新颖性有限。您的武器库中 minimax bounds 和 high-dimensional asymptotics 可用于评估其理论结果的紧性，但核心算法（序贯分解）与您的 tensor contraction / U-statistic 工具链关联较弱。中期可做：若想深入，需先在 moderately_familiar 的 semiparametric theory 上长肌肉以处理更一般的噪声协方差结构。

2. 10.1080/07350015.2020.1868301 — A Factor-Based Estimation of Integrated Covariance Matrix With Noisy High-Frequency Data¶

作者: Yucheng Sun, Wen Xu
期刊/来源: Journal of Business & Economic Statistics
机构: Capital University of Economics and Business
分类: vol 40 · issue 2 · pp 770-784
相关性 4/10 · novelty: new_method
摘要: 本文研究连续时间下的高维因子模型，其中特质协方差矩阵为稀疏结构，高频金融数据受微观结构噪声污染且观测异步。目标是对共同因子个数、积分协方差矩阵及其逆矩阵进行一致估计。方法基于Varneskov提出的平顶实现核（flat-top realized kernels）构造估计量，并利用因子结构的低秩性处理高维问题。理论部分建立了估计量的一致收敛速率，并给出了因子个数的一致估计。模拟实验表明有限样本下估计性能良好。实证部分使用沪深两市大量股票的高频价格数据，展示了该方法在捕捉时变协方差和投资组合配置中的价值。对您而言，本文涉及高维协方差矩阵估计和随机矩阵理论在高频金融数据中的应用，与您的高维统计和随机矩阵理论兴趣直接相关。
关键技术: flat-top realized kernel, high-dimensional factor model, sparse idiosyncratic covariance, integrated covariance matrix estimation, asynchronous high-frequency data
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，特别是高维协方差矩阵估计问题。您武器库中的高维渐近理论可用于分析其估计量的收敛性质，而您熟悉的非参数统计方法可帮助理解平顶核的平滑机制。中期可做：若您想深入该方向，需先在随机矩阵理论的Marchenko-Pastur律等工具上加强（moderately_familiar），以处理因子个数估计的谱方法。

非参数 / 半参数 (nonparam_semipara, 5 篇)¶

1. 10.1080/07350015.2021.1886107 · arXiv — The Locally Gaussian Partial Correlation¶

作者: Håkon Otneim, Dag Tjøstheim
期刊/来源: Journal of Business & Economic Statistics
分类: vol 40 · issue 2 · pp 924-936
相关性 6/10 · novelty: new_method
摘要: 本文提出局部高斯偏相关系数（LGPC），一种新的条件依赖度量，适用于非高斯分布。LGPC 是传统偏相关系数的局部版本，在联合正态分布下退化为普通偏相关系数，并能区分正负条件依赖。估计基于局部似然框架，通过核权重对每个点拟合局部高斯分布，从而得到局部相关系数并构造偏相关。理论部分给出了估计量的渐近正态性和收敛速度。模拟和实证表明，LGPC 可用于检测特定分布区域的偏离条件独立性，并构建条件独立性检验，例如用于非线性 Granger 因果检验。该方法对您可能有用：它提供了一种非参数条件依赖度量，与您的非参数统计和假设检验兴趣直接相关，且局部似然估计框架可与您的 M 估计理论结合。
关键技术: local likelihood estimation, Gaussian copula, partial correlation, kernel smoothing, conditional independence test
为什么对您有用: 本文直接连接您的非参数统计和假设检验兴趣，提出一种新的条件依赖度量，其局部似然估计框架与您的 M 估计理论（moderately_familiar）高度吻合，可立即用于扩展您在高维或因果推断中的条件独立性检验工具。中期可做：若将 LGPC 与您的 higher-order U-statistics 结合，可开发更高效的检验统计量，但需先熟悉局部似然的理论细节（moderately_familiar 中的 M-estimation theory）。

2. 10.1080/07350015.2020.1841648 — Network-Based Clustering for Varying Coefficient Panel Data Models¶

作者: Youquan Pei, Tao Huang, Heng Peng, Jinhong You
期刊/来源: Journal of Business & Economic Statistics
机构: Shandong University · Shanghai University of Finance and Economics · Hong Kong Baptist University
分类: vol 40 · issue 2 · pp 578-594
相关性 6/10 · novelty: new_method
摘要: 本文针对面板数据提出变系数模型，允许回归系数随时间和个体变化，且个体间存在未知的群组结构（群组数和成员关系均未知）。核心方法分两步：首先用“三局部化”方法（时间局部化、个体局部化、协变量局部化）估计个体特定的系数函数；然后基于估计的系数函数，利用社区检测（如谱聚类）识别潜在群组结构。为提高第一阶段估计效率，进一步提出两阶段估计方法，使最终估计量达到最优收敛速率。理论部分推导了估计量的渐近性质（包括一致性和收敛速率）。模拟和实际数据分析验证了有限样本表现。对您而言，该方法结合了非参数平滑、面板数据聚类和社区检测，其“先估计再聚类”的思路可能与您熟悉的因果推断中基于结构学习的异质性处理效应识别有技术交叉。
关键技术: varying-coefficient model, local linear smoothing, community detection, panel data clustering, two-stage estimation
为什么对您有用: 本文属于非参数/半参数理论（primary interest），其“三局部化”估计和两阶段效率提升方法，与您熟悉的非参数统计和M估计理论有直接技术关联。您可以用very_familiar的非参数统计工具（如局部线性平滑的偏差-方差权衡）来评估其估计量的最优性，或用moderately_familiar的M估计理论分析其两步估计的渐近效率。中期可做：若想将此类群组结构识别方法迁移到因果推断中的异质性处理效应估计，需先在moderately_familiar的identification theory上加强（如处理效应群组识别的可识别性条件）。

3. 10.1080/07350015.2020.1847123 — Robust Estimation of Additive Boundaries With Quantile Regression and Shape Constraints¶

作者: Yan Fang, Lan Xue, Carlos Martins-Filho, Lijian Yang
期刊/来源: Journal of Business & Economic Statistics
机构: Shanghai University of International Business and Economics · Oregon State University · University of Colorado Boulder · Tsinghua University
分类: vol 40 · issue 2 · pp 615-628
相关性 5/10 · novelty: application
摘要: 本文研究在边界函数满足光滑性、形状约束（如单调性、凹性）及可加结构时的稳健估计问题。目标是在条件分位数回归框架下，利用B样条估计集合边界，并抵抗异常值和极端值的干扰。方法将现有边界估计文献扩展到可加结构，并作为传统非参数边界估计（如DEA、FDH）的替代方案。理论部分证明了估计量在标准假设下的一致收敛性，但未给出收敛速率或半参效率界。蒙特卡洛模拟显示，在存在异常值或异质性时，新方法优于现有方法。实证部分用两个真实数据集（生产函数）展示了应用。对您而言，本文属于非参数形状约束估计的经典问题，但方法学新颖性有限（主要是分位数回归+样条+可加结构的组合），且未涉及您核心关注的高阶U统计量或因果推断。
关键技术: B-spline estimation, conditional quantile regression, shape constraints (monotonicity, concavity), additive boundary model, uniform consistency
为什么对您有用: 本文属于非参数形状约束估计，与您的primary interest 'nonparametric statistics' 和 'semiparametric and nonparametric theory' 有弱连接。但方法学上主要是现有技术的组合（分位数回归+样条+可加性），未涉及您武器库中的高阶U统计量或树宽/张量收缩复杂度分析。中期可做：若您想将形状约束估计与您的higher-order U-statistics工作结合（例如用U统计量估计边界函数的泛函），需先在moderately_familiar的semiparametric theory上提升。暂不可做：核心机器（分位数回归的渐近理论、形状约束的样条逼近）不在您的武器库中。

4. 10.1080/07350015.2021.1883439 — The Effect of Dependence on European Market Risk. A Nonparametric Time Varying Approach¶

作者: Jone Ascorbebeitia, Eva Ferreira, Susan Orbe
期刊/来源: Journal of Business & Economic Statistics
机构: University of the Basque Country
分类: vol 40 · issue 2 · pp 913-923
相关性 4/10 · novelty: new_method
摘要: 本文在非参数局部平稳假设下，提出了一种时变多元Kendall's tau估计量，用于刻画欧洲金融市场指数间的动态相依性。该估计量不依赖边际分布，仅由多元copula决定，因此能分离边际效应。作者证明了估计量的相合性和渐近正态性，并通过模拟研究展示了其在复杂场景下优于其他相关方法。实证部分利用该估计量每日估计欧洲主要股指间的相依性，并进一步估计非参数条件分位数，以检验相依程度对市场收益的影响。结果表明，相依性是Euro Stoxx收益率分布的重要因子，尤其在左尾（即市场下行时）存在显著的局部Granger因果关系。COVID-19爆发后，相依性显著上升。本文的方法论贡献在于将非参数时变Kendall's tau与局部平稳性结合，为金融风险管理提供了稳健的相依性度量工具。对您而言，该文在非参数估计和假设检验方面的技术细节（如局部平稳性、渐近正态性证明）与您对非参数统计和假设检验的兴趣直接相关。
关键技术: time-varying Kendall's tau, local stationarity, nonparametric conditional quantile, local Granger causality, copula-based dependence
为什么对您有用: 本文直接关联您的非参数统计和假设检验兴趣，具体体现在：(1) 提出了非参数时变Kendall's tau估计量，其渐近理论（相合性、正态性）是您熟悉的非参数统计工具可攻的；(2) 局部Granger因果检验是假设检验的一个具体应用，您可以用minimax bound或U-statistic投影技术分析其检验功效；(3) 从武器库看，立即可做：您对非参数统计和minimax界非常熟悉，可以立即分析该估计量的最优收敛速率是否达到，或设计自适应带宽选择方法。

5. 10.1080/07350015.2020.1855186 — Nonparametric Estimation and Testing for Positive Quadrant Dependent Bivariate Copula¶

作者: Lu Lu, Sujit K. Ghosh
期刊/来源: Journal of Business & Economic Statistics
机构: North Carolina State University
分类: vol 40 · issue 2 · pp 664-677
相关性 4/10 · novelty: new_method
摘要: 本文研究正象限相依（PQD）二元copula的非参数估计与检验问题。在金融、系统可靠性等应用中，常需估计二元分布并检验其是否具有PQD或负象限相依（NQD）性质。现有方法多依赖参数copula族，通过有限维参数控制PQD/NQD性质，问题简化为标准参数估计与检验。本文放弃参数假设，提出完全数据驱动的自动化方法，用于估计copula并检验PQD性质。估计量在温和正则条件下具有大样本一致性。模拟研究比较了所提检验方法与现有方法的性能，并提供了实际案例分析。该工作将copula的PQD检验从参数框架推广到非参数框架，具有更广泛的适用性。
关键技术: nonparametric copula estimation, positive quadrant dependence, hypothesis testing, large-sample consistency
为什么对您有用: 本文直接关联您的非参数统计与假设检验兴趣，特别是copula的相依性检验。您熟悉的非参数统计工具（如经验过程、核方法）可直接用于分析该估计量的收敛性质。中期可做：可将该非参数检验框架推广到高维或条件相依设定，需先在M估计理论（moderately_familiar）上加强。

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

1. 10.1080/07350015.2021.1876712 — Semiparametric Tests for the Order of Integration in the Possible Presence of Level Breaks¶

作者: Fabrizio Iacone, Morten Ørregaard Nielsen, A. M. Robert Taylor
期刊/来源: Journal of Business & Economic Statistics
机构: University of Milan · University of York · Aarhus University · Queen's University · University of Essex
分类: vol 40 · issue 2 · pp 880-896
相关性 5/10 · novelty: new_method
摘要: 本文在 Lobato & Robinson (1998) 的 semiparametric 检验框架下，将原假设从 I(0) 推广到任意平稳可逆的 I(δ) 过程，并进一步允许序列中存在未知时点的水平漂移（level breaks）。核心问题是：长记忆与水平漂移在实证中极易混淆，传统分数积分检验在未建模的漂移下严重失真。作者通过构造基于离散傅里叶变换的检验统计量，并引入对水平漂移的稳健化处理（如局部差分或去趋势），证明了检验统计量在零假设下收敛到标准极限分布（如正态或 χ²），且其渐近局部功效与基于不可观测误差的不可行检验相同——即允许水平漂移不带来渐近功效损失。Monte Carlo 模拟验证了有限样本下的尺寸控制与功效表现，并提供了若干实证示例（如通胀率、汇率等）。对您而言，本文展示了在非参数/半参数框架下处理结构突变与长记忆混淆这一经典推断问题的技术路线，其核心工具（离散傅里叶变换、局部差分、渐近等价性论证）与您在高维假设检验和半参数理论方面的兴趣直接相关。
关键技术: semiparametric frequency-domain test, fractional integration, level break robustness, discrete Fourier transform, local Whittle likelihood, asymptotic local power equivalence
为什么对您有用: 本文直接连接您的 primary interest 中的 hypothesis testing 和 semiparametric theory：它处理的是时间序列中长记忆与结构突变混淆这一经典推断难题，方法上属于 semiparametric frequency-domain 检验，与您熟悉的 nonparametric statistics 和 minimax bounds 工具集有交集。从技术武器库看，本文的渐近等价性论证（infeasible vs. feasible test 的局部功效比较）可以用您 very_familiar 的 minimax 框架来检验其最优性是否紧；同时，其允许水平漂移的稳健化处理（局部差分）与您 moderately_familiar 的 M-estimation 理论中的稳健推断有潜在联系。中期可做：若想将类似思路推广到高维或面板数据场景，需先在 moderately_familiar 的 semiparametric theory 上深入（特别是 influence function 在时间序列依赖数据下的推广）。

2. 10.1080/07350015.2021.1876711 · arXiv — A Robust Generalization of the Rao Test¶

作者: Ayanendranath Basu, Abhik Ghosh, Nirian Martin, Leandro Pardo
期刊/来源: Journal of Business & Economic Statistics
分类: vol 40 · issue 2 · pp 868-879
相关性 5/10 · novelty: new_method
摘要: 本文在最小密度幂散度估计（MDPDE）框架下，提出了 Rao 检验的稳健推广族，用于简单和复合原假设的检验。新检验统计量基于 MDPDE 构造，其渐近零分布为卡方分布，且通过影响函数和渐近偏差研究了稳健性。数值模拟和真实数据分析表明，在数据污染或模型误设下，新检验比经典 Rao 检验和似然比检验具有更稳定的水平和功效。理论部分给出了检验统计量的渐近分布和影响函数，并讨论了调谐参数的选择。对您而言，该工作直接关联假设检验的稳健性理论，且其基于 MDPDE 的构造思路可迁移到您熟悉的因果推断中的敏感性分析或高维假设检验场景。
关键技术: Minimum Density Power Divergence Estimator (MDPDE), Rao test, influence function, asymptotic null distribution, robust hypothesis testing
为什么对您有用: 本文直接对应您 primary interest 中的 'mathematical statistics (hypothesis testing)'，且其稳健化方法（MDPDE）可视为对经典似然比检验的推广。您武器库中 'nonparametric statistics' 和 'minimax bounds' 的功底可用于分析该检验在非参数或高维设定下的最优性；而 'estimation theory in causal inference' 中的稳健估计思想（如 TMLE）与本文的 MDPDE 有深层联系。中期可做：将本文的稳健 Rao 检验推广到高维或半参数模型，需先在 'semiparametric theory' 上加强。

3. 10.1080/07350015.2020.1870478 — Multifrequency-Band Tests for White Noise Under Heteroscedasticity¶

作者: Mengya Liu, Fukang Zhu, Ke Zhu
期刊/来源: Journal of Business & Economic Statistics
机构: Jilin University · University of Hong Kong
分类: vol 40 · issue 2 · pp 799-814
相关性 5/10 · novelty: new_method
摘要: 本文针对异方差数据下的白噪声检验问题，提出了一类新的多频带检验方法。该方法基于最大重叠离散小波包变换（MODWPT），将时间序列分解到不同频率尺度，在每个尺度上构造检验统计量。在允许数据存在异方差的温和条件下，所提多频带检验统计量渐近服从卡方分布。进一步，作者通过数据驱动的方式自动选择最优尺度，提出了自动多频带检验，其渐近零分布为自由度为1的卡方分布。模拟研究表明，两类检验在水平和功效方面均表现良好，并通过两个实际数据应用展示了其实用性。作为扩展，该方法也被推广到线性时间序列回归模型残差的模型充分性检验。该工作为时间序列诊断检验提供了新的非参数工具，与您对假设检验的兴趣直接相关，且其基于小波的频域分解思路可能对您在高维或非平稳序列中的检验问题有启发。
关键技术: maximum overlap discrete wavelet packet transform (MODWPT), multifrequency-band test, chi-square asymptotic null distribution, data-driven scale selection, white noise test under heteroscedasticity
为什么对您有用: 该论文直接对应您 primary interest 中的 'hypothesis testing' 方向，特别是时间序列的白噪声检验这一经典问题。您武器库中 'nonparametric statistics' 和 'high-dimensional asymptotics' 的功底可以用于分析其小波基选择对检验功效的影响，或将其推广到高维时间序列设定。中期可做：若想将方法推广至更复杂的依赖结构（如长记忆过程），需先在 'semiparametric theory' 上加强，以处理检验统计量的渐近分布。

4. 10.1080/07350015.2020.1867558 — Adaptive Testing for Cointegration With Nonstationary Volatility¶

作者: H. Peter Boswijk, Yang Zu
期刊/来源: Journal of Business & Economic Statistics
机构: Tinbergen Institute · University of Amsterdam · University of Nottingham
分类: vol 40 · issue 2 · pp 744-755
相关性 4/10 · novelty: new_method
摘要: 本文针对多元时间序列中协整检验在非平稳波动（即创新方差矩阵存在持久性变化）下的适应性检验问题。传统协整检验在此类波动下存在严重的尺寸扭曲，现有方法（如Cavaliere等人的wild bootstrap）虽能校正尺寸，但未利用波动信息提升功效。作者提出一类适应性协整检验，通过在似然函数中显式建模时变波动与相关性，构造似然比检验统计量。核心理论贡献是证明了在适当条件下，对波动过程的非参数估计（如核平滑估计）不会导致渐近局部功效损失，即实现了与波动已知情形相同的功效——这一性质称为“适应性”。检验的渐近零分布依赖于未知波动过程，因此作者发展了多种bootstrap实现（包括wild bootstrap和基于残差的bootstrap）以保证有效推断。蒙特卡洛模拟表明，新检验在保持良好尺寸性质的同时，功效显著优于现有方法。实证部分以美国利率期限结构和购买力平价为案例，展示了检验的实用性。对您而言，本文在假设检验框架下处理非平稳波动这一高维时间序列问题，其“适应性”思想（非参数估计不损失功效）与您在高维统计和假设检验方面的兴趣直接相关。
关键技术: adaptive testing, cointegration, nonstationary volatility, wild bootstrap, likelihood ratio test, nonparametric volatility estimation
为什么对您有用: 本文直接关联您对假设检验和高维时间序列的兴趣，特别是非平稳波动下检验的尺寸与功效权衡问题。您武器库中的非参数统计与高维渐近工具可直接用于分析其波动估计的收敛速率对检验功效的影响——例如，能否用minimax界刻画非参数波动估计的最优带宽选择？中期可做：若您先熟悉wild bootstrap在时间序列中的理论性质（属于moderately_familiar的M-estimation理论范畴），可进一步探索将适应性思想推广至更一般的结构变化检验。

5. 10.1080/07350015.2020.1832505 — A Simple Asymptotically F-Distributed Portmanteau Test for Diagnostic Checking of Time Series Models With Uncorrelated Innovations¶

作者: Xuexin Wang, Yixiao Sun
期刊/来源: Journal of Business & Economic Statistics
机构: Xiamen University · University of California, San Diego
分类: vol 40 · issue 2 · pp 505-521
相关性 4/10 · novelty: new_method
摘要: 本文针对参数时间序列模型残差的自相关诊断检验问题，提出一个渐近 F 分布的 portmanteau 检验。传统检验（如 Ljung-Box）要求残差为鞅差序列，而本文允许残差存在未知形式的高阶相依性。核心机制是：先对样本残差自协方差做变换以消除参数估计不确定性的影响，再采用正交序列方差估计量（orthonormal series variance estimator）构造检验统计量。在固定平滑渐近（fixed-smoothing asymptotics）下，该统计量渐近服从 F 分布，这一理论同时考虑了方差估计误差（而渐近卡方理论忽略此项）。蒙特卡洛模拟表明，F 检验在有限样本下比现有检验有更精确的 size，且几乎无 power 损失。对您而言，该文将时间序列诊断检验与固定平滑渐近结合，是假设检验方向的一个具体应用，且其“消除参数估计影响”的思路可迁移至因果推断中的敏感性分析。
关键技术: portmanteau test, fixed-smoothing asymptotics, orthonormal series variance estimator, residual autocovariance transformation, F-distribution approximation
为什么对您有用: 该文直接连接您的 primary interest 中的 hypothesis testing 子方向，具体是时间序列模型诊断检验。您的技术武器库中 very_familiar 的 minimax bounds 和 high-dimensional asymptotics 可用于分析该检验在更一般相依结构下的最优性，而 moderately_familiar 的 M-estimation theory 可用于理解参数估计不确定性对检验统计量的影响。中期可做：若您想将固定平滑渐近推广到高维或非参数设定，需先在 moderately_familiar 的 semiparametric theory 上加强。

6. 10.1080/07350015.2020.1833890 — Prediction of Extremal Expectile Based on Regression Models With Heteroscedastic Extremes¶

作者: Wen Xu, Yanxi Hou, Deyuan Li
期刊/来源: Journal of Business & Economic Statistics
机构: Fudan University
分类: vol 40 · issue 2 · pp 522-536
相关性 4/10 · novelty: new_method
摘要: 本文研究异方差极端值回归模型下的极端期望分位数预测问题。在条件异方差但无条件同方差的极端值框架下，作者利用分位数回归和期望分位数回归模型，基于二阶条件提出三种外推方法以克服尾部数据稀疏导致的估计变异性。建立了所提方法的渐近性质，并通过模拟和实际数据分析验证其表现。该工作将极端值理论与回归分析结合，为金融风险管理中的尾部风险度量提供了新工具。对您而言，其方法学涉及高维统计中的极值理论，与您在高维统计和假设检验方面的兴趣有交集。
关键技术: extremal expectile, quantile regression, second-order condition, heteroscedastic extremes, extrapolation method
为什么对您有用: 本文属于假设检验与高维统计的交叉领域，直接关联您在高维统计和极值理论方面的兴趣。其提出的外推方法基于二阶条件，您可以用非常熟悉的高维渐近理论来评估其估计量的收敛速率和有效性。中期可做：若您想深入该方向，需先在 moderately_familiar 的 M-estimation 理论上加强，以处理更一般的异方差结构。

7. 10.1080/07350015.2021.1874390 — Risk Analysis via Generalized Pareto Distributions¶

作者: Yi He, Liang Peng, Dabao Zhang, Zifeng Zhao
期刊/来源: Journal of Business & Economic Statistics
机构: University of Amsterdam · Georgia State University · Purdue University West Lafayette · University of Notre Dame
分类: vol 40 · issue 2 · pp 852-867
相关性 3/10 · novelty: application
摘要: 本文研究金融损失风险价值（VaR）的推断问题，采用广义帕累托分布（GPD）对超过高阈值的极值进行建模。与现有文献使用发散阈值不同，作者证明当阈值设为高样本分位数（非发散）时，极大似然估计的渐近方差依赖于阈值选择，且该结果对独立观测和时间序列数据均成立。方法上，提出一种随机加权自助法（random weighted bootstrap）用于VaR的区间估计，其临界值通过自助估计量与极大似然估计量绝对差值的经验分布计算。理论贡献在于统一了非发散与发散阈值下的推断框架，并给出了渐近正态性证明。模拟和实证研究表明，所提置信区间在保险和金融数据中能良好覆盖真实VaR。对您而言，该文涉及极值统计与假设检验，其阈值选择对推断的影响分析可联系您在高维统计和假设检验中的兴趣，但方法学创新有限，属于应用导向的增量工作。
关键技术: generalized Pareto distribution, maximum likelihood estimation, random weighted bootstrap, value-at-risk, threshold selection, time-series dependence
为什么对您有用: 本文属于假设检验与极值统计的应用方向，与您primary interest中的hypothesis testing有弱关联，但方法学深度一般（主要是阈值选择的渐近分析）。从武器库看，您可用very_familiar的非参数统计和极值理论理解其渐近论证，但核心贡献在于应用而非理论创新，因此暂不可做后续拓展——除非您想将极值方法与高维U-statistics结合（如极值阈值的U-statistic检验），但这需要先熟悉极值渐近理论（moderately_familiar之外）。作为JBES应用论文，可快速浏览以了解金融VaR推断的实践，但不值得深入。

8. 10.1080/07350015.2020.1855184 — LM Tests for Joint Breaks in the Dynamics and Level of a Long-Memory Time Series¶

作者: Juan J. Dolado, Heiko Rachinger, Carlos Velasco
期刊/来源: Journal of Business & Economic Statistics
机构: Universidad Carlos III de Madrid · Universitat de les Illes Balears
分类: vol 40 · issue 2 · pp 629-650
相关性 3/10 · novelty: new_method
摘要: 本文在长记忆时间序列（分数阶积分过程）框架下，提出一种联合检验（joint test），同时检验长记忆参数、短期动态和水平项是否存在结构性断点（break）。检验基于 Lagrange Multiplier (LM) 原理，可处理已知或未知断点时间，且回归版本易于实施，能在拒绝稳定性原假设后识别具体断点来源。针对 LM 检验在原假设下短期动态设定错误时尺寸和功效不稳健的问题，作者提出一种修正的 LMW 型检验，该检验在构造上借鉴 Wald 检验思路，利用了备择假设下的信息。LMW 检验在原假设和局部备择假设下与 LM 检验有相同极限分布，但在固定备择假设下因短期动态设定更准确而获得更高功效。蒙特卡洛模拟验证了理论结果，对五个 G7 国家远期贴水率长记忆属性漂移的实证分析展示了方法的实用性。该工作对您可能有用：它涉及假设检验中结构断点的联合推断，与您对 hypothesis testing 的兴趣直接相关，且其处理长记忆时间序列的检验策略可迁移至因果推断中的断点检验或敏感性分析设定。
关键技术: Lagrange Multiplier test, Wald-type test, long-memory time series, fractional integration, structural break, Monte Carlo simulation
为什么对您有用: 本文直接连接您对 hypothesis testing 的兴趣，特别是时间序列中结构断点的联合检验问题。您武器库中 'nonparametric statistics' 和 'high-dimensional asymptotics' 可用于分析其检验统计量在更一般设定下的渐近性质，例如放宽短期动态参数化假设或处理高维断点。中期可做：若想将此类检验推广至因果推断中的断点设计（如 RDD），需先在 'identification theory in causal inference' 上建立时间序列因果识别的框架，目前该方向在您的 moderately_familiar 列表中。

经济理论 / 应用 (econ_theory, 2 篇)¶

1. 10.1080/07350015.2021.1874389 — Locally Stationary Quantile Regression for Inflation and Interest Rates¶

作者: Zhuying Xu, Seonjin Kim, Zhibiao Zhao
期刊/来源: Journal of Business & Economic Statistics
机构: Pennsylvania State University · Miami University
分类: vol 40 · issue 2 · pp 838-851
相关性 4/10 · novelty: application
摘要: 本文针对通胀与利率之间可能存在的时变和分位数特定关系，提出了局部平稳分位数回归方法。该方法允许回归系数同时随时间和分位数变化，并建立了估计和推断的大样本理论。在实证分析中，发现估计的函数系数随时间以复杂方式变化，且关系具有分位数特异性：不同分位数下选择的滞后阶数不同，系数模式也截然不同。该工作为宏观时间序列数据提供了非参数建模工具，尤其适用于金融和宏观经济变量的动态关系分析。对您而言，本文属于经济理论应用方向，展示了分位数回归在宏观数据中的实际应用，可作为入门读物了解经济时间序列分析中的统计挑战。
关键技术: locally stationary quantile regression, time-varying coefficients, quantile-specific inference, large sample theory
为什么对您有用: 本文属于经济理论应用方向，是宏观时间序列分析中分位数回归的实证案例。作为gateway reading，它清晰展示了经济数据中时变和分位数效应的建模需求，但方法学深度有限（未涉及因果推断或高维统计）。武器库中的非参数统计和估计理论足以理解其技术细节，但核心方法并非您的主攻方向，因此暂不可做——缺乏与您primary interests的直接连接点。

2. 10.1080/07350015.2020.1840993 — Bayesian Model Averaging for Spatial Autoregressive Models Based on Convex Combinations of Different Types of Connectivity Matrices¶

作者: Nicolas Debarsy, James P. LeSage
期刊/来源: Journal of Business & Economic Statistics
机构: Université de Lille · Texas State University
分类: vol 40 · issue 2 · pp 547-558
相关性 2/10 · novelty: application
摘要: 本文聚焦空间自回归模型中连接矩阵（connectivity matrix）的凸组合选择问题。传统方法依赖单一地理或非地理连接结构，而作者提出通过凸组合将多种连接类型融合为单一权重矩阵，凸组合系数可推断各连接类型对全局截面依赖的相对重要性。针对最佳凸组合的模型不确定性，采用贝叶斯模型平均（BMA）方法，利用Metropolis-Hastings引导的蒙特卡洛积分在MCMC估计中计算对数边际似然和后验模型概率。核心贡献在于提供模型平均后的参数估计、非线性偏导数影响的标量汇总度量及其经验离散度度量。该方法在空间计量经济学中具有应用价值，尤其适用于经济理论中空间溢出效应的实证研究。对您而言，本文展示了贝叶斯方法处理模型不确定性的具体技术路径，与您经济理论（应用因果推断）的次级兴趣直接相关，可作为入门读物了解空间计量中的模型平均实践。
关键技术: Bayesian model averaging, Metropolis-Hastings Monte Carlo integration, convex combination of weight matrices, spatial autoregressive model, log-marginal likelihood, MCMC estimation
为什么对您有用: 本文属于经济理论（空间计量经济学）的应用工作，与您的次级兴趣“经济理论（应用、数据集、模型、因果推断）”直接匹配。作为入门读物，它清晰展示了贝叶斯模型平均在空间模型不确定性中的具体应用流程，包括MCMC估计和模型概率计算，武器库中的“软件发展”技能可帮助您复现其计算框架。值得花时间读全文以理解空间计量中连接矩阵选择的实际考量，但核心方法（BMA）与您的主要兴趣（因果推断、高维统计）距离较远，属于中期可做——需先在“M估计理论”上熟悉空间自回归模型的似然设定。

其他 (other, 9 篇)¶

1. 10.1080/07350015.2020.1867559 — Long Memory Factor Model: On Estimation of Factor Memories¶

作者: Ying Lun Cheung
期刊/来源: Journal of Business & Economic Statistics
机构: Capital University of Economics and Business
分类: vol 40 · issue 2 · pp 756-769
相关性 5/10 · novelty: new_method
摘要: 本文研究近似因子模型中潜在因子整合阶数的估计问题，其中共同因子和异质误差项均可为非平稳分数阶积分过程。提出两阶段估计方法：第一阶段通过主成分分析提取因子，第二阶段利用局部Whittle似然估计因子的记忆参数（整合阶数）。证明了估计量的相合性和渐近正态性，并给出了极限分布。将该方法应用于美国金融机构的对数平方收益率数据，发现估计因子存在长记忆性，且2007年后因子持续性增强。对您而言，该文涉及高维时间序列的因子模型与长记忆参数估计，但核心方法（局部Whittle估计）与您的主要研究方向（因果推断、高维统计、U统计量）关联较弱，且未涉及您熟悉的非参数或半参数效率理论。
关键技术: approximate factor model, fractional integration, local Whittle estimation, principal components, long memory
为什么对您有用: 本文属于时间序列计量经济学领域，与您的主要兴趣（因果推断、高维随机矩阵、U统计量）无直接交集。虽然因子模型与高维统计有概念重叠，但本文聚焦于长记忆参数估计，而非您熟悉的非参数/半参数方法或效率理论。作为gateway reading价值有限，因为需要时间序列背景知识，且未提供对统计学家友好的数据/模型阐述。暂不可做——核心工具（局部Whittle估计、分数阶积分）不在您的武器库中。

2. 10.1080/07350015.2020.1870477 — Model Averaging for Nonlinear Regression Models¶

作者: Yang Feng, Qingfeng Liu, Qingsong Yao, Guoqing Zhao
期刊/来源: Journal of Business & Economic Statistics
机构: New York University · Otaru University of Commerce · Renmin University of China
分类: vol 40 · issue 2 · pp 785-798
相关性 4/10 · novelty: new_method
摘要: 本文研究非线性回归模型（参数和变量均可非线性）的模型平均问题。提出非线性模型平均（NMA）框架，并设计权重选择准则——非线性信息准则（NIC）。在温和假设下证明NIC是风险函数的渐近无偏估计（至多差一个常数），并证明NIC的最优性及模型平均权重的收敛性。蒙特卡洛实验表明，在多数情形下NMA的风险低于传统模型选择与模型平均方法。实证部分应用于个体工资预测，NMA在多数情况下取得最低预测误差。该文属于经典模型平均方法在非线性设定下的推广，方法学贡献在于权重准则的渐近理论，但未涉及因果推断或高维统计的核心工具。
关键技术: model averaging, nonlinear information criterion, asymptotic unbiasedness, weight convergence
为什么对您有用: 本文属于模型平均的经典方法扩展，与您的主要兴趣（因果推断、高维统计、半参理论）无直接交集。方法学上未使用您武器库中的核心工具（如U统计量、影响函数、随机矩阵理论），且非线性设定下的渐近理论对您当前研究方向帮助有限。暂不可做——核心机器（模型平均的渐近理论）不在您的武器库中，且该方向与您的primary interests距离较远。

3. 10.1080/07350015.2020.1859381 · arXiv — Modeling Multivariate Time Series With Copula-Linked Univariate D-Vines¶

作者: Zifeng Zhao, Peng Shi, Zhengjun Zhang
期刊/来源: Journal of Business & Economic Statistics
机构: University of Notre Dame · University of Wisconsin–Madison
分类: vol 40 · issue 2 · pp 690-704
相关性 4/10 · novelty: new_method
摘要: 本文提出一种名为 CuDvine 的新型多元时间序列模型，它通过 copula 将多个单变量 D-vine 时间序列模型（uDvine）连接起来，从而同时捕捉时间序列中的时间依赖性和截面依赖性。uDvine 模型基于 D-vine 结构，将现有的一阶 copula 马尔可夫链推广到任意阶马尔可夫链，为单变量序列的边际分布和时序依赖提供了灵活的半参数建模框架。CuDvine 则通过参数 copula 将这些 uDvine 链接，能够处理时变和时空依赖等复杂的截面相关结构，适用于高维应用。文章提出了稳健且计算高效的估计与推断方法，包括序贯模型选择方法和两阶段极大似然估计，并研究了其统计性质。数值实验和澳大利亚电价数据的实证分析表明，CuDvine 在预测性能上优于传统的多元时间序列模型。该工作对您的主要兴趣（如因果推断中的纵向数据建模）有一定参考价值，但其核心贡献在于时间序列的 copula 建模，而非您重点关注的因果识别或高维统计理论。
关键技术: D-vine copula, Markov chain of arbitrary order, semiparametric time series model, two-stage MLE, sequential model selection
为什么对您有用: 本文属于时间序列建模方法，与您的主要兴趣（因果推断、高维统计）关联较弱。它可能对您次要兴趣中的流行病学或经济学纵向数据分析有参考价值，但方法本身不涉及因果识别或效率理论。武器库中的非参数统计和 M-估计理论可用于理解其两阶段 MLE 的渐近性质，但核心的 vine copula 工具不在您的技术库中，因此暂不可做。

4. 10.1080/07350015.2021.1978469 · arXiv — Co-citation and Co-authorship Networks of Statisticians¶

作者: Pengsheng Ji, Jiashun Jin, Zheng Tracy Ke, Wanshan Li
期刊/来源: Journal of Business & Economic Statistics
分类: vol 40 · issue 2 · pp 469-485
相关性 3/10 · novelty: application
摘要: 本文构建并清洗了一个涵盖 36 种统计、概率和机器学习期刊、41 年、83,331 篇文章的元数据集，包含合著关系和引用关系。利用共引网络，作者提出了一种估计统计学者研究兴趣的方法，并发现了类似 Efron (1998) 统计哲学三角的“统计三角”。利用合著网络，作者发现了多层社区树，并用桑基图可视化作者在不同子领域间的迁移。文章还提出了若干衡量研究者多样性的新指标，并发现“Bayes”、“Biostatistics”和“Nonparametric”是统计学的三大主要领域。研究还表明，统计学者研究兴趣随时间显著演变，但整体研究多样性可能低于预期。本文本质上是一篇数据驱动的科学计量学与网络分析论文，方法学贡献在于网络构建与可视化，而非新的统计推断理论。
关键技术: co-citation network, co-authorship network, community detection, Sankey diagram, research diversity metrics
为什么对您有用: 本文属于科学计量学与网络分析，与您的主要兴趣（因果推断、高维统计等）无直接方法学关联。但作为 gateway reading，它清晰地展示了如何从大规模元数据中构建网络并提取科学社区结构，对您理解统计学科生态有参考价值。武器库中的非参数统计和软件工具可用于复现或扩展其网络分析，但核心问题（社区发现、兴趣演化）不在您当前技术栈的射程内，属于暂不可做。

5. 10.1080/07350015.2020.1855185 — Laplace Estimator of Integrated Volatility When Sampling Times Are Endogenous¶

作者: Wenhao Cui
期刊/来源: Journal of Business & Economic Statistics
机构: Beihang University
分类: vol 40 · issue 2 · pp 651-663
相关性 3/10 · novelty: new_method
摘要: 本文研究在观测时间存在内生性（即采样时间与价格过程相关）时，基于Laplace变换的非参数波动率估计量。目标是在高频金融数据中估计积分波动率（Integrated Volatility），并允许采样时间与价格过程之间存在相关性。核心方法是构造一个偏差校正的Laplace估计量，利用时间内生性中的信息来缩小置信区间，而非将其视为噪声。渐近性质（一致性和混合正态分布）通过鞅极限理论建立，并给出了可行的中心极限定理。蒙特卡洛模拟表明，该估计量在存在微观结构噪声时仍可适用（得益于核函数的使用），且偏差校正版本在预测股票收益波动率方面优于多数常用估计量（如已实现波动率、两尺度估计量等）。对您而言，本文属于金融计量经济学中的非参数估计问题，与您的主要兴趣（非参数理论、高维渐近）关联较弱，但其中利用内生性信息提高效率的思路在因果推断的敏感性分析中可能有启发。
关键技术: Laplace transform estimator, endogenous sampling times, integrated volatility, feasible central limit theorem, bias correction, microstructure noise
为什么对您有用: 本文属于金融计量经济学，与您的主要兴趣（因果推断、高维统计、U-统计量）无直接交集。其核心方法（Laplace变换估计量）和问题设定（内生采样时间）不在您的技术武器库中，且未涉及您熟悉的非参数极小极大界或U-统计量工具。因此，本文暂不可做，不建议深入阅读。

6. 10.1080/07350015.2020.1855187 — A Stochastic Volatility Model With a General Leverage Specification¶

作者: Leopoldo Catania
期刊/来源: Journal of Business & Economic Statistics
机构: Aarhus University
分类: vol 40 · issue 2 · pp 678-689
相关性 3/10 · novelty: new_method
摘要: 本文提出一种新的随机波动率模型，允许测量方程和对数波动率方程的冲击在不同时间滞后上具有一般化的相关结构。该模型能够更灵活地刻画金融时间序列中的杠杆效应及其传播机制，并嵌套了多种非对称波动率模型，可用于假设检验和诊断。作者推导了模拟极大似然估计和拟极大似然估计，并通过模拟研究考察了有限样本表现。实证结果表明，所提出的相关结构改善了杠杆传播的拟合效果，并提高了波动率预测的精度。该模型属于时间序列计量经济学范畴，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: Simulated Maximum Likelihood, Quasi Maximum Likelihood, Stochastic Volatility, Leverage Effect
为什么对您有用: 该论文属于金融时间序列计量经济学，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。虽然模型涉及似然估计和诊断检验，但方法学上未提供可迁移至您当前研究问题的新工具。作为经济理论方向的次要兴趣，本文的实证应用（波动率预测）可能提供数据集或分析思路，但整体相关性较低。

7. 10.1080/07350015.2020.1840994 — Dynamic Discrete Mixtures for High-Frequency Prices¶

作者: Leopoldo Catania, Roberto Di Mari, Paolo Santucci de Magistris
期刊/来源: Journal of Business & Economic Statistics
机构: Aarhus University · University of Catania · Libera Università Internazionale degli Studi Sociali Guido Carli
分类: vol 40 · issue 2 · pp 559-577
相关性 3/10 · novelty: application
摘要: 本文针对高频金融数据中价格变动的离散性（tick 结构）和大量零回报现象，提出一个多元离散价格变动模型。模型假设观测到的价格变动在给定两个隐马尔可夫链的条件下独立，这两个链分别控制多元时间序列的动态和分布。模型本质上是零膨胀 Skellam 分布的动态混合。作者推导了模型性质，并开发了具有闭式 M 步的 EM 算法用于极大似然估计。实证部分使用纽交所多只股票的高频数据，评估了单变量和多变量密度预测的质量，以及波动率和相关性等矩预测的精度。文章还分析了价格停滞（price staleness）的可预测性及其与市场交易活动的关系。
关键技术: Hidden Markov model, Zero-inflated Skellam distribution, Expectation-maximization algorithm, Multivariate time series, Density forecasting
为什么对您有用: 本文属于金融计量经济学应用，与您的主要兴趣（因果推断、高维统计等）无直接交集。虽然 EM 算法和隐马尔可夫模型是统计计算中的常见工具，但本文的方法论贡献（零膨胀 Skellam 动态混合）与您的技术武器库（非参数统计、U-统计量等）缺乏直接连接。作为应用论文，其数据结构和分析模式对您的研究方向参考价值有限。暂不可做——核心问题（高频金融离散价格建模）不在您的武器库覆盖范围内。

8. 10.1080/07350015.2020.1835668 — Nonparametric Copula Estimation for Mixed Insurance Claim Data¶

作者: Lu Yang
期刊/来源: Journal of Business & Economic Statistics
机构: University of Minnesota · University of Amsterdam
分类: vol 40 · issue 2 · pp 537-546
相关性 3/10 · novelty: application
摘要: 本文针对保险理赔数据中常见的混合型边际分布（零膨胀+右偏长尾）提出了一种非参数Copula估计方法。现有非参数Copula估计量在混合数据下不一致，导致模型设定与诊断困难。作者通过将连续秩变换与核平滑结合，构造了一致估计量，并证明了其一致收敛性。模拟表明零膨胀比例对有限样本表现有显著影响。实证使用威斯康星州地方政府财产保险基金数据，展示了该方法如何揭示不同险种理赔间的依赖结构。对您而言，本文属于应用统计方法论文，与您的主要兴趣（非参数/半参数理论）有弱连接，但方法学新颖性有限。
关键技术: nonparametric copula estimation, mixed discrete-continuous data, kernel smoothing, uniform convergence
为什么对您有用: 本文属于保险精算领域的应用统计方法论文，与您的主要兴趣（非参数/半参数理论）有弱连接，但方法学新颖性有限。您的武器库中非参数统计工具可直接理解其估计量构造，但该问题不涉及您核心关注的因果推断或高维统计。暂不可做：该方向与您当前研究路线无直接交叉。

9. 10.1080/07350015.2021.1883438 · arXiv — Bayesian Approach to Lorenz Curve Using Time Series Grouped Data¶

作者: Genya Kobayashi, Yuta Yamauchi, Kazuhiko Kakamu, Yuki Kawakubo, Shonosuke Sugasawa
期刊/来源: Journal of Business & Economic Statistics
机构: Chiba University · The University of Tokyo · Kobe University
分类: vol 40 · issue 2 · pp 897-912
相关性 2/10 · novelty: application
摘要: 本文针对时间序列分组数据（收入比例分组数据），研究如何估计隐含收入分布的洛伦兹曲线及相关不平等度量。作者采用 Dirichlet 似然方法，将 Dirichlet 似然的参数设定为连续收入类别间洛伦兹曲线的差值，并提出一个状态空间模型，通过时间序列结构连接洛伦兹曲线的变换参数。文章还探讨了通过考虑广义 Dirichlet 分布来扩展似然模型的可能性，其中均值基于洛伦兹曲线建模，并附加层次结构。模拟数据和日本月度收入调查的真实数据表明，与独立估计模型（不考虑时间序列结构）的现有方法相比，所提方法能更有效地估计不平等度量。本文主要贡献在于贝叶斯建模与时间序列分组数据的结合，但方法论新颖性有限，属于应用性工作。
关键技术: Dirichlet likelihood, state-space model, Lorenz curve, time series grouped data, Bayesian estimation
为什么对您有用: 本文属于经济理论（收入不平等度量）的应用性工作，与您的次要兴趣（经济理论）相关。但方法学上主要依赖贝叶斯状态空间模型，与您武器库中的核心工具（非参数统计、高维渐近、因果推断）直接关联较弱。作为经济应用领域的入门读物，可了解收入不平等数据的分组结构及贝叶斯建模思路，但暂不可做——核心机器（贝叶斯状态空间建模）不在您的武器库中。

Maintained by 陈星宇 · Homepage · Source on GitHub