跳转至

AoS — Vol 54 Issue 4 · 2026-10-10

  • 共 21 篇 · Annals of Statistics
  • 目录核对 ✅ 未见遗漏(对照 OpenAlex 20 篇,权威目录可能尚未完全收录本期)

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。

本期的核心关切集中在两条主线上:一是非参数/半参数估计的统一理论与高阶推断,二是高维统计中随机矩阵与谱方法的极限行为。此外,因果推断、假设检验(尤其e-value框架)与计算统计也有多篇推进。非参数主线以“Uniform estimation and inference for nonparametric partitioning-based M-estimators”为代表,该文为一大类划分型M-估计量(分位数回归、分布回归等)建立了统一的相合性、Bahadur表示与推断理论,并覆盖非光滑损失与泛函变换;“High-order accurate inference on manifolds”则针对流形参数空间提出高阶精确的bootstrap推断,利用retraction坐标吸收曲率效应;“Higher-order graphon theory”将网络矩的联合极限推广至退化情形,并发展乘子bootstrap与退化性检验,三者分别从估计、推断与退化结构三个角度推进了非参数理论。

高维/随机矩阵主线中,“Pseudo-maximum likelihood theory for high-dimensional rank one inference”通过变分原理刻画秩一估计的极限性能,并建立估计问题间的等价性;“A nonasymptotic distributional theory of approximate message passing”突破经典AMP的渐近框架,给出迭代次数超对数阶时的非渐近高斯近似,并改进Lasso的收敛速率;“Local geometry of high-dimensional mixture models”则利用有效谱理论刻画Hessian与信息矩阵的静态/动态相变,连接训练动力学与数据谱。三篇共享“低秩+高维”的数学结构,但分别从估计、算法与几何切入。

因果推断方面,“On the efficiency of highly stratified experiments”证明高度分层设计下朴素矩估计可达到协变量调整后的效率界,即“通过设计”实现有效估计;“Gaussian and bootstrap approximation for matching-based ATE estimators”利用稳定化理论与Malliavin–Stein方法给出匹配估计量的非渐近分布逼近;“Sample size and power calculations for causal inference”则将功效分析分解为重叠系数与混杂系数两个可解释参数。假设检验中,e-value框架有两篇互补工作:“Measuring evidence against exchangeability”刻画最优e-value与e-process的构造,“Improved thresholds for e-values”在额外分布假设下收紧拒绝阈值;此外“DiPMInd”与“Association and independence test”均针对随机对象(度量空间数据)的独立性检验,前者强调极小极大最优性,后者侧重profile association的统一框架。

与因果推断、半参数效率及高维推断最贴合的优先阅读建议:因果方向看“On the efficiency of highly stratified experiments”与“Gaussian and bootstrap approximation”;半参数/非参方向看“Uniform estimation and inference”与“High-order accurate inference on manifolds”;高维方向看“Pseudo-maximum likelihood theory”与“A nonasymptotic distributional theory of AMP”。若关注e-value理论,两篇e-value论文可连读。

因果推断 (causal_inference, 3 篇)

1. 10.1214/26-aos2647 · arXiv — Gaussian and bootstrap approximation for matching-based average treatment effect estimators

  • 作者: Zhaoyang Shi, Chinmoy Bhattacharjee, Krishnakumar Balasubramanian, Wolfgang Polonik
  • 期刊/来源: Annals of Statistics
  • 机构: Harvard University · Universität Hamburg · University of California, Davis
  • 分类: vol 54 · issue 4 · pp 2164-2190
  • 相关性 8/10 · novelty: new_theory
  • 摘要: 本文研究基于协变量匹配和秩匹配的 ATE 估计量的高斯近似与自助法近似。作者利用稳定化理论(stabilization theory)和 Malliavin–Stein 方法,建立了非渐近的高斯近似界,并显式刻画了匹配数、处理平衡度等关键参数对近似精度的影响。进一步,他们提出了乘子自助法(multiplier bootstrap)来数据驱动地估计极限分布,并基于高斯近似结果导出自助法近似界。该方法为常用 ATE 估计量提供了新的理论框架,并给出了构造非渐近有效置信区间的数据驱动方法。对您而言,该文将匹配估计量的有限样本分布逼近与您熟悉的非参数统计和因果推断估计理论联系起来,其稳定化视角可能为处理复杂依赖结构提供新工具。
  • 关键技术: Malliavin–Stein method, stabilization theory, multiplier bootstrap, Gaussian approximation bounds, matching estimators
  • 为什么对您有用: 该文直接关联您的因果推断估计理论兴趣,特别是匹配估计量的分布逼近问题。您可以用 very_familiar 的非参数统计和 minimax 界工具来检验其高斯近似界的紧性,或探索将稳定化方法推广到其他因果估计量(如 IPW 或 DR 估计)。中期可做:需在 moderately_familiar 的 semiparametric theory 上进一步熟悉 influence function 的有限样本版本。

2. 10.1214/26-aos2649 · arXiv — Sample size and power calculations for causal inference in observational studies

  • 作者: Bo Liu, Chengxin Yang, Fan Li
  • 期刊/来源: Annals of Statistics
  • 机构: Statistical and Applied Mathematical Sciences Institute · Duke University
  • 分类: vol 54 · issue 4 · pp 2191-2208
  • 相关性 8/10 · novelty: new_method
  • 摘要: 本文研究观察性研究中因果推断的样本量与功效计算的理论基础,并发展解析公式。通过分析逆概率加权(IPW)估计量估计平均处理效应(ATE)的方差,将功效计算分解为倾向得分分布、潜在结果分布及其相关性三个部分。作者证明,除随机试验功效计算的标准输入外,确定观察性研究的最小样本量只需两个参数:重叠系数(overlap coefficient)和混杂系数(confounding coefficient),分别量化混杂-处理与混杂-结果关联的强度。重叠系数采用 Bhattacharyya 系数,结合处理比例可唯一确定且易于计算的倾向得分分布;混杂系数则作为受结果对协变量回归 R 平方约束的敏感性参数。方法依赖参数倾向得分模型和半参数受限均值结果模型,但不对多元协变量做分布假设,并开发了 R 包 PSpower 和在线计算器。
  • 关键技术: inverse probability weighting, Bhattacharyya coefficient, sensitivity analysis, R-squared, semiparametric restricted mean model, power analysis
  • 为什么对您有用: 本文直接关联因果推断中的估计与敏感性分析子方向,特别是观察性研究的功效计算,为设计因果研究提供了实用工具。可用您非常熟悉的估计理论(如 IPW 方差分解)来验证其公式的推导,并考虑将重叠系数与混杂系数的分解思想推广到更复杂的估计量(如 AIPW 或 TMLE)中,属于立即可做的方向。

3. 10.1214/26-aos2636 · arXiv — On the efficiency of highly stratified experiments

  • 作者: Yuehao Bai, Jizhou Liu, Azeem M. Shaikh, Max Tabord-Meehan
  • 期刊/来源: Annals of Statistics
  • 机构: University of Southern California · Peking University · University of Chicago · University of Toronto
  • 分类: vol 54 · issue 4 · pp 1979-2004
  • 相关性 8/10 · novelty: new_theory
  • 摘要: 本文研究高度分层实验设计(highly stratified designs)下,一大类处理效应参数的有效估计问题。设定中,单位被分为固定大小的块,每块内以均匀随机方式分配二元处理,目标参数由观测数据的已知函数的矩条件解出,涵盖ATE、分位数处理效应、局部平均处理效应及其聚类版本。作者首先证明,在高度分层设计下,朴素矩估计(naïve method of moments estimator)能达到通常需要事后协变量调整才能获得的渐近方差。其次,通过推导卷积定理形式的正则估计量渐近方差下界,证明该朴素估计量是渐近有效的,即“通过设计”实现有效估计。最后,作者建立了使朴素矩估计达到效率界所需的“快速平衡”(fast-balancing)性质的充分条件,并论证其必要性。该工作将实验设计与半参数效率理论紧密结合,为因果推断中的实验设计提供了新的理论视角。
  • 关键技术: highly stratified designs, method of moments, convolution theorem, semiparametric efficiency bound, regular estimators, fast-balancing property
  • 为什么对您有用: (1) 直接连接因果推断中的实验设计与半参数效率理论,属于 primary interest 中 efficiency theory 与 causal inference 的交汇点;(2) 可用 very_familiar 的 minimax bounds 与 semiparametric theory 工具,检验其卷积定理下界是否在更一般参数类(如高阶矩条件)下仍成立,或探索 fast-balancing 性质与 U-statistic 投影之间的联系;(3) 立即可做:基于现有半参数效率框架,验证其结论在更复杂处理机制(如多值处理)下的推广。

高维统计 / 随机矩阵 (high_dim_rmt, 3 篇)

1. 10.1214/26-aos2639 · arXiv — Pseudo-maximum likelihood theory for high-dimensional rank one inference

  • 作者: Curtis Grant, Aukosh Jagannath, Justin Ko
  • 期刊/来源: Annals of Statistics
  • 机构: Northwestern University · University of Waterloo
  • 分类: vol 54 · issue 4 · pp 2031-2054
  • 相关性 8/10 · novelty: new_theory
  • 摘要: 本文在秩一矩阵估计的高维极限下发展了一套伪似然理论。作者证明了伪最大似然估计的极限变分原理,该原理同时刻画了相应估计量的性能。该变分原理具有普适性,仅依赖于由零模型决定的四个参数。通过这种普适性,作者引入了估计问题等价性的概念,并证明了一大类估计任务(包括社区检测、稀疏子矩阵检测和非线性尖峰矩阵模型)等价于尖峰矩阵模型。作为应用,他们获得了任意秩一矩阵估计问题中最小二乘(或“最佳秩一”)估计量的完整性能描述。
  • 关键技术: pseudo-likelihood, variational principle, spiked matrix models, universality, rank-one matrix estimation
  • 为什么对您有用: 该论文直接涉及高维统计与随机矩阵理论,属于主要兴趣方向。其普适性变分原理与等价性概念为理解各类秩一估计问题提供了统一框架,可借助随机矩阵理论中的经典工具(如Marchenko-Pastur律)进行验证或推广。

2. 10.1214/25-aos2612 — A nonasymptotic distributional theory of approximate message passing for sparse and robust regression

  • 作者: Gen Li, Yuting Wei
  • 期刊/来源: Annals of Statistics
  • 机构: Chinese University of Hong Kong · University of Pennsylvania
  • 分类: vol 54 · issue 4 · pp 1655-1681
  • 相关性 7/10 · novelty: new_theory
  • 摘要: 本文研究高维稀疏回归与稳健回归中近似消息传递(AMP)算法的非渐近分布理论。经典渐近理论在高维下失效,而现有AMP理论主要关注高维渐近,无法刻画迭代次数超过 o(log n / log log n) 时的行为。作者建立了AMP迭代的非渐近高斯近似,并利用AMP到Lasso的非渐近收敛,推导出Lasso估计量的更精细收敛速率,突破了广泛使用的Gaussian min-max定理带来的速率障碍。该结果同时改进了最优调参Lasso与稳健M估计量的分布刻画。这是首个此类非渐近分布结果,为高维估计量的不确定性量化提供了新工具。
  • 关键技术: approximate message passing (AMP), non-asymptotic Gaussian approximation, Lasso rate refinement, Gaussian min-max theorem, robust M-estimation
  • 为什么对您有用: 直接关联高维统计与随机矩阵理论兴趣:AMP迭代的非渐近分布刻画是理解高维估计量不确定性的核心工具,且其证明涉及随机矩阵与浓度不等式。武器库中'high-dimensional asymptotics'与'minimax bounds'可用来验证其速率是否最优,'inverse problems with random noise'视角可审视其高斯近似的适用边界。中期可做:需先在'moderately_familiar'的HOIF或semiparametric理论上补强,才能将AMP分布结果推广到更一般的估计问题。

3. 10.1214/26-aos2621 · arXiv — Local geometry of high-dimensional mixture models: Effective spectral theory and dynamical transitions

  • 作者: Gérard Ben Arous, Reza Gheissari, Jiaoyang Huang, Aukosh Jagannath
  • 期刊/来源: Annals of Statistics
  • 机构: Courant Institute of Mathematical Sciences · New York University · Northwestern University · University of Pennsylvania · University of Waterloo
  • 分类: vol 54 · issue 4 · pp 1682-1711
  • 相关性 6/10 · novelty: new_theory
  • 摘要: 本文在高维比例极限(n,d→∞, n/d=φ)下,研究 k-高斯混合模型数据的经验风险 Hessian 与信息矩阵的局部几何,目标是通过谱理论刻画训练动态中的相变。损失函数仅依赖数据在 C 个方向上的投影 x⊤Y,涵盖单/双层网络分类与多指标回归。作者给出经验谱分布极限以及离群特征值/特征向量的精确公式,且极限仅通过参数与类均值的 (C+k)×(C+k) Gram 矩阵 G 的摘要统计量决定。结合在线 SGD 训练下这些摘要统计量满足的有效动力学 ODE,将训练轨迹与测试数据生成矩阵的谱理论联系起来。以多类逻辑回归为例,展示 Hessian 与信息矩阵谱显著不同,各自具有静态与动态谱跃迁。对您而言,该文是随机矩阵理论在高维非凸优化与训练动态交叉处的典型应用,其精确谱公式与相变分析可直接借鉴到您熟悉的高维统计推断问题中。
  • 关键技术: empirical spectral distribution, outlier eigenvalues/eigenvectors, proportional asymptotics, effective dynamics ODE, Gaussian mixture model, multi-class logistic regression
  • 为什么对您有用: 直接对应您 primary interest 中的 high-dimensional statistics & random matrix theory 子方向,尤其是经验谱分布与离群特征值的精确极限。您 very_familiar 的高维渐近工具(如 Marchenko-Pastur 类分析)足以理解并可能复现其谱公式;中期可考虑将有效动力学与您的 higher-order U-statistics 计算框架结合,分析训练动态中更高阶统计量的谱行为。

非参数 / 半参数 (nonparam_semipara, 4 篇)

1. 10.1214/26-aos2623 · arXiv — Uniform estimation and inference for nonparametric partitioning-based M-estimators

  • 作者: Matias D. Cattaneo, Yingjie Feng, Boris Shigida
  • 期刊/来源: Annals of Statistics
  • 机构: Princeton University · Tsinghua University
  • 分类: vol 54 · issue 4 · pp 1740-1767
  • 相关性 8/10 · novelty: new_theory
  • 摘要: 本文针对一大类非参数划分型 M-估计量(如分位数回归、分布回归、Lp 回归、逻辑回归等)建立了统一的估计与推断理论。主要结果包括:凸与非凸目标函数下的一致相合性、率最优的一致 Bahadur 表示、率最优的一致与均方收敛速度、有效的强逼近以及可行的统一推断方法,并扩展到估计量的泛函变换。一致性同时覆盖非参数泛函的评估点和索引损失函数类的欧氏参数,且明确考虑了损失函数的平滑度(若有)以及可能的非恒等(逆)链接函数。与现有文献相比,本文在更弱的正则条件和更少的侧率限制下取得了最好(某些情形下最优)的结果。补充材料还包含独立感兴趣的 Yurinskii 耦合下的新的一致强逼近结果。对您而言,该文为半参数与非参数推断理论提供了统一框架,其一致 Bahadur 表示和强逼近技术可直接用于您在高阶 U-统计量或因果推断中处理非光滑估计量的推断问题。
  • 关键技术: partitioning-based M-estimators, uniform Bahadur representation, strong approximation, Yurinskii's coupling, empirical process theory
  • 为什么对您有用: 该文属于非参数与半参数理论方向,直接对应您的 primary interest 中的 semiparametric and nonparametric theory。其统一处理非光滑损失函数的一致推断方法,可借助您 very_familiar 的非参数统计与 minimax 界工具来评估其最优性;同时,一致 Bahadur 表示与强逼近技术可迁移到您 moderately_familiar 的 HOIF 或高阶 U-统计量推断中,用于处理非光滑泛函。中期可做:需在 empirical process 或强逼近技术上进一步巩固,以深入推导类似结果。

2. 10.1214/26-aos2634 — Linear methods for nonlinear inverse problems

  • 作者: Geerten Koers, Botond Szabó, Aad van der Vaart
  • 期刊/来源: Annals of Statistics
  • 机构: Delft University of Technology · Bocconi University
  • 分类: vol 54 · issue 4 · pp 1950-1978
  • 相关性 8/10 · novelty: new_theory
  • 摘要: 本文研究一类非线性逆问题:从带噪声的 PDE 解 u_f 的观测中恢复未知函数 f,其中 PDE 可写为 L u_f = c(f, u_f) 的形式,且算子 L 足够丰富使得 f 可由 L u_f 恢复。典型例子包括稳态 Schrödinger 方程、带吸收项的热方程和 Darcy 流问题。作者将原问题转化为恢复 L u_f 的线性逆问题(在 Dirichlet 边界条件下),并证明对 u_f 或 L u_f 放置先验的贝叶斯方法不仅能以最优速率恢复 u_f,也能以最优速率恢复 f。文章还给出了相应贝叶斯可信集的频率覆盖保证,并构造自适应先验,使得 f 的收缩速率自适应于其未知光滑性,无需先验知识。数值实验在合成数据上验证了理论结果。对您而言,该文将贝叶斯非参数方法与 PDE 逆问题结合,其自适应收缩和覆盖性质的分析思路可迁移到您熟悉的非参数估计与 minimax 理论中。
  • 关键技术: Bayesian nonparametrics, linear inverse problems, adaptive priors, contraction rates, credible sets coverage
  • 为什么对您有用: 该文属于非参数与半参数理论方向,直接关联您的主要兴趣。其核心是贝叶斯方法在非线性逆问题中的最优速率与自适应收缩,您可用熟悉的 minimax 界和 empirical process 工具来验证其速率的最优性,或探讨其与更高阶 U-统计量的联系。中期可做:需先熟悉贝叶斯非参数收缩理论(moderately_familiar 中的 semiparametric theory 可支撑)。

3. 10.1214/26-aos2644 · arXiv — Higher-order graphon theory: Fluctuations, degeneracies and inference

  • 作者: Anirban Chatterjee, Soham Dan, Bhaswar B. Bhattacharya
  • 期刊/来源: Annals of Statistics
  • 机构: University of Chicago · University of Pennsylvania
  • 分类: vol 54 · issue 4 · pp 2136-2163
  • 相关性 8/10 · novelty: new_theory
  • 摘要: 本文研究图on模型(可交换随机图)中网络矩(子图计数)的联合渐近分布,目标是建立高阶波动理论并用于非参数网络推断。作者推导了任意有限个网络矩的联合极限分布,涵盖非退化情形(高斯)和退化情形(含高斯与非高斯分量),并刻画了退化条件。方法上,他们发展了针对图on的乘子bootstrap,可一致逼近网络矩的极限分布(包括非高斯情形),并构造了退化性检验。基于此,他们构建了任意有限个motif密度的联合置信集,为网络矩推断提供了通用框架。此外,他们利用拟随机图的结果,提出了检验图on是否为常数函数(全局结构检测)的一致检验,并推导了原假设和备择假设下的极限分布。模拟验证了理论。对您而言,该文的退化现象与高阶U-统计量的投影理论紧密相关,且其bootstrap方法可迁移至您熟悉的高阶U-统计量推断问题。
  • 关键技术: graphon model, subgraph counts, joint asymptotic distribution, degeneracy, multiplier bootstrap, quasirandom graphs
  • 为什么对您有用: 该文属于非参数与半参数理论,直接关联您的高阶U-统计量兴趣——子图计数本质上是高阶U-统计量,其退化性分析可借助您熟悉的U-统计量投影理论(very_familiar)来验证或深化;同时,bootstrap方法可迁移至您的高阶U-统计量推断。中期可做:需先熟悉图on模型的具体设定(moderately_familiar中的semiparametric theory),但核心武器(U-统计量、bootstrap)已具备,故立即可做初步探索。

4. 10.1214/26-aos2622 · arXiv — High-order accurate inference on manifolds

  • 作者: Chengzhu Huang, Anru R. Zhang
  • 期刊/来源: Annals of Statistics
  • 机构: Columbia University · Duke University
  • 分类: vol 54 · issue 4 · pp 1712-1739
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文提出一个在黎曼流形上进行统计推断的新框架,目标是实现高阶渐近精度,以应对现代数据科学中常见的非欧几里得参数空间。方法上,作者开发了一种计算高效的 bootstrap 算法,用于假设检验和置信区域构造,并达到高阶精度。对于位置假设检验,问题可转化为标准欧几里得问题,但构造高阶精确置信区域需要仔细处理流形几何。为此,他们利用二阶 retraction 诱导的坐标表示建立高阶渐近展开,从而纳入曲率效应。框架适用于球面、Stiefel 流形、固定秩矩阵流形和秩一张量流形;对于欧几里得子流形,还引入了一类投影型坐标图,具有强相合性。数值实验验证了方法的实用性。对您而言,该文与您对非参数/半参数理论及统计计算(bootstrap、坐标变换)的兴趣直接相关,其高阶展开技术可能对您在高维或流形约束下的推断问题有启发。
  • 关键技术: bootstrap on manifolds, second-order retraction, higher-order asymptotic expansion, coordinate charts, confidence regions
  • 为什么对您有用: 该文属于非参数/半参数理论方向,涉及流形上的高阶推断,与您的非参数/半参数理论兴趣直接相关。您可以用 very_familiar 的非参数统计和 minimax 工具来评估其高阶展开的紧性,或将其 bootstrap 思想迁移到您熟悉的因果推断中的流形约束参数(如低秩矩阵)问题。中期可做:需在 moderately_familiar 的 M-估计理论上加强,以处理流形上的估计方程。

数理统计 / 假设检验 (hypothesis_testing, 7 篇)

1. 10.1214/26-aos2624 · arXiv — DiPMInd: Distance profile based mutual independence testing for random objects

  • 作者: Yaqing Chen, Paromita Dubey
  • 期刊/来源: Annals of Statistics
  • 机构: Rutgers, The State University of New Jersey · University of Southern California
  • 分类: vol 54 · issue 4 · pp 1768-1792
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文提出一个统一的框架,用于检验可能位于不同度量空间中的随机对象之间的相互独立性。该框架推广了现有方法,并引入了新的相互独立性度量,所提出的检验达到极小极大最优速率并展现出较强的实证功效。检验的基础是新的联合距离剖面概念,在关于联合分布或度量空间的温和条件下,它能唯一刻画随机对象的联合分布。检验统计量量化每个数据点在联合分布与边际分布乘积下的联合距离剖面差异。为增强功效,作者考虑关于不同测度积分该差异,并在检验统计量中引入灵活的数据自适应权重剖面。作者推导了原假设下检验统计量的极限分布,并证明在某些权重剖面下,若边际距离剖面连续,检验渐近分布自由。此外,作者建立了在趋于原假设的备择序列下检验的一致性。实际实现中采用置换方案近似 p 值,并提供理论保证:置换检验在原假设下控制第一类错误,在备择下达到一致。模拟和真实数据应用表明,新检验在多种数据对象上优于现有流行方法。
  • 关键技术: distance profiles, mutual independence testing, minimax optimality, permutation test, asymptotic distribution-free
  • 为什么对您有用: 该论文直接关联您的主要兴趣之一——假设检验,特别是非参数独立性检验。它提出了基于距离剖面的新框架,并建立了极小极大最优性,这与您熟悉的非参数和极小极大理论紧密相连。您可以用您非常熟悉的非参数统计和极小极大界工具来评估其理论贡献,并可能探索将距离剖面思想与您的高阶 U 统计量工作结合,例如分析检验统计量的高阶性质。这是一个中期可做的方向,需要先熟悉距离相关方法。

2. 10.1214/26-aos2632 · arXiv — Association and independence test for random objects

  • 作者: Hang Zhou, Hans-Georg Müller
  • 期刊/来源: Annals of Statistics
  • 机构: University of North Carolina at Chapel Hill · University of California, Davis
  • 分类: vol 54 · issue 4 · pp 1923-1949
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文提出一个统一框架,用于检验一般度量空间中随机对象之间的独立性和关联性,涵盖函数型数据、高维数据、网络、协方差矩阵及黎曼流形数据等。核心概念是 profile association,一种基于距离分布的内在刻画随机对象分布关联的度量。作者建立了 Hoeffding 的 D 统计量与 profile association 之间的联系,并推导出置换检验,在备择假设下具有一致性和功效保证。该框架还扩展到条件独立检验,即在给定欧几里得预测变量时检验随机对象间的独立性。模拟实验表明,在多种度量空间中,所提出的 profile independence test 优于现有方法。实际应用包括基于 MRI 的脑连接网络和人类死亡率数据中男女死亡年龄分布的关联分析。
  • 关键技术: distance profiles, Hoeffding's D statistic, permutation test, metric space-valued data, conditional independence testing
  • 为什么对您有用: 该论文直接关联您对假设检验和非参数理论的兴趣,特别是针对复杂数据结构的独立性检验。您熟悉的非参数统计和 U-统计量工具可用于分析其 profile association 估计量的性质,例如其 Hoeffding 分解和渐近分布。中期可做:可尝试用您 moderately_familiar 的 HOIF 理论推导该检验统计量的高阶影响函数,以改进其功效或构造置信区间。

3. 10.1214/26-aos2625 · arXiv — Estimating the false discovery rate of variable selection

  • 作者: Yixiang Luo, William Fithian, Lihua Lei
  • 期刊/来源: Annals of Statistics
  • 机构: University of California, Berkeley · Stanford University
  • 分类: vol 54 · issue 4 · pp 1793-1818
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文提出一种通用的变量选择FDR估计器,适用于高斯线性模型、高斯图模型和model-X设定等常见统计建模场景。在标准统计假设下,证明了该估计器在有限样本中具有保守(非负)偏差,并提供了基于bootstrap的标准误估计方法。对于Lasso、前向逐步回归和图Lasso等方法,该估计器可作为交叉验证的补充工具,揭示预测误差与变量选择准确性随模型复杂度参数变化的权衡。该方法的核心机制是构造一个对选择过程具有一致性的代理统计量,并利用模型-X框架下的条件分布性质实现有限样本保守性。对您而言,该工作与您的高维统计和假设检验兴趣直接相关,其保守性证明和bootstrap推断技术可迁移到您熟悉的U统计量或经验过程工具中。
  • 关键技术: false discovery rate estimation, model-X framework, bootstrap standard error, conservative bias finite-sample guarantee, Gaussian graphical model
  • 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,特别是变量选择中的多重检验问题。您可以用非常熟悉的经验过程或U统计量工具来验证其保守性证明的紧性,或探索将其推广到非高斯或相依数据设定。中期可做:需在model-X框架的识别条件上稍作熟悉,但核心机器已在武器库中。

4. 10.1214/26-aos2640 · arXiv — Estimation beyond missing (completely) at random

  • 作者: Tianyi Ma, Kabir A. Verchand, Thomas B. Berrett, Tengyao Wang, Richard J. Samworth
  • 期刊/来源: Annals of Statistics
  • 机构: University of Cambridge · University of Southern California · University of Warwick · London School of Economics and Political Science
  • 分类: vol 54 · issue 4 · pp 2055-2082
  • 相关性 7/10 · novelty: new_theory
  • 摘要: 本文研究缺失数据下总体参数估计的 minimax 理论,将 Huber 的任意 ε-污染模型推广到缺失数据设定,提出缺失数据版本的 ε-污染模型。对于均值估计(平方欧氏损失),作者证明 minimax 风险(quantiles)可分解为异质 MCAR 下的 minimax 风险与一个依赖于 ε 的稳健误差项之和,该分解刻画了偏离 MCAR 带来的额外代价。进一步,作者引入“可实现” ε-污染模型类,其中基分布 P 的 MCAR 版本被 P 的任意 MNAR 版本污染,该类能涵盖多种有偏抽样和敏感性条件,同时具有更优的 minimax 性能。例如,对一元高斯基分布,即使 ε 和缺失比例缓慢收敛到 1,仍可一致估计均值。结果还扩展到正态线性回归中响应 MNAR 的情形,并证明方法可自适应未知 ε。该工作为缺失数据下的稳健推断提供了新的理论框架,与您在高维统计和假设检验方面的兴趣高度相关。
  • 关键技术: minimax quantiles, epsilon-contamination model, missing not at random (MNAR), missing completely at random (MCAR), adaptive estimation
  • 为什么对您有用: 本文直接关联您对缺失数据因果推断和稳健统计的兴趣,特别是 MNAR 下的识别与估计问题。您可以用 very_familiar 的 minimax 下界技术(如 Le Cam 方法)检验其分解结果在更一般参数类下的紧性,或探索将可实现污染模型用于敏感性分析。属于立即可做的方向。

5. 10.1214/26-aos2627 · arXiv — Measuring evidence against exchangeability and group invariance with E-values

  • 作者: Nick W. Koning
  • 期刊/来源: Annals of Statistics
  • 机构: Erasmus University Rotterdam
  • 分类: vol 54 · issue 4 · pp 1843-1869
  • 相关性 6/10 · novelty: new_theory
  • 摘要: 本文在 e-value 框架下研究对可交换性及紧群不变性的检验问题,目标是构造可随时更新、支持连续监测的假设检验证据度量。作者首先刻画了此类 e-value 的完整特征,并说明其如何将传统群不变性检验作为特例包含在内;随后证明了对满足轨道分解性质的最优性目标,最优 e-value 的存在性刻画,并据此构造了期望效用最优的 e-value,涵盖 Neyman-Pearson 最优检验与 log-最优 e-value。文中还通过代表性逆核将秩检验和符号检验推广到紧群情形,并给出了任意滤流下 e-process 的刻画与构造工具,以及自然滤流下更易构造的检验鞅。对于非紧群,作者利用遍历定理构造了 e-value 和 e-process,其中包含基于 de Finetti 定理检验可交换性的特例。该文为假设检验提供了新的证据度量视角,与您对 hypothesis testing 的兴趣直接相关,其 e-process 的构造思路可能对您在高维或因果推断中的序贯检验问题有启发。
  • 关键技术: e-values, e-processes, test martingales, group invariance, exchangeability, Neyman-Pearson optimality, log-optimal e-values, representative inversion kernel, ergodic theorems
  • 为什么对您有用: 本文属于 hypothesis testing 子方向,且 e-value 框架是近年检验理论的热点,与您对 mathematical statistics 的兴趣直接相关。您可以用 very_familiar 的 minimax 理论来审视其最优性刻画是否在有限样本下达到某种最优,或用 moderately_familiar 的 M-estimation 思想来比较 e-value 与传统检验的功效。中期可做:将 e-process 构造与您熟悉的 high-dimensional 设定结合,探索高维下的序贯检验,这需要先在 moderately_familiar 的 semiparametric 理论上稍作延伸。

6. 10.1214/26-aos2626 · arXiv — Improved thresholds for e-values

  • 作者: Christopher Blier-Wong, Ruodu Wang
  • 期刊/来源: Annals of Statistics
  • 机构: University of Toronto · University of Waterloo
  • 分类: vol 54 · issue 4 · pp 1819-1842
  • 相关性 5/10 · novelty: new_theory
  • 摘要: 本文研究 e 值(e-values)和 e 过程(e-processes)在假设检验中的拒绝阈值改进问题。默认阈值 1/α 基于 Markov 和 Ville 不等式,但往往保守且浪费功效。作者在 e 值满足额外分布假设(如递减密度、单峰密度、对数变换后的递减或单峰对称密度)下,推导出更紧的阈值,对于小 α 可将阈值近似除以 2 或 e。文中还提出使用 comonotonic e 值的上确界,证明其能保持 I 类错误控制,并给出在 e-BH 过程中提升功效的初步方法。模拟研究展示了所提方法在多种检验场景下的有效性。
  • 关键技术: e-values, e-processes, Markov inequality, Ville's inequality, comonotonicity, e-BH procedure, false discovery rate
  • 为什么对您有用: 直接关联您的主要兴趣之一——假设检验(hypothesis testing),特别是 e 值这一新兴检验框架的阈值理论;您熟悉的非参数统计和极小极大界工具可用于验证其改进阈值的紧性,且该工作为后续在更复杂设定下(如高维或因果推断中的多重检验)应用 e 值提供了理论基础。

7. 10.1214/26-aos2638 — Generalized multivariate threshold autoregressive models with linearly partitioned threshold space

  • 作者: Gan Yuan, Chun Yip Yau
  • 期刊/来源: Annals of Statistics
  • 机构: City University of Hong Kong · Chinese University of Hong Kong
  • 分类: vol 54 · issue 4 · pp 2005-2030
  • 相关性 4/10 · novelty: new_method
  • 摘要: 本文研究 k 维多机制向量阈值自回归模型,其中机制切换由二元阈值变量驱动,阈值空间被未知数量的阈值线划分。作者基于最小描述长度(MDL)原则,将模型选择与参数估计统一为最小化问题,同时估计阈值线数量、阈值线参数形式及各机制内的 VAR 参数。理论上证明了阈值线的 MDL 估计量具有 n 相合性,并刻画了其极限分布;为此引入了新的函数空间 G 用于局部 MDL 差分函数,并建立了其中的弱收敛结果。模拟实验和基于美国利率与 GNP 数据的实证分析验证了方法的有效性。对您而言,该文在非线性时间序列模型选择与阈值估计的极限理论方面提供了新工具,尤其其函数空间弱收敛技巧可能对您在高维或半参数框架下的推断问题有借鉴意义。
  • 关键技术: Minimum Description Length (MDL), vector threshold autoregressive model, n-consistent estimation, weak convergence in functional space, model selection
  • 为什么对您有用: 该文属于假设检验与模型选择方向,与您的数学统计(假设检验)兴趣相关;其 MDL 模型选择与阈值估计的极限理论可视为一种模型选择一致性分析,您可用熟悉的非参数统计与 M-估计理论来审视其证明技巧;中期可做:需先熟悉非线性时间序列的渐近理论(属于 moderately_familiar 的 M-估计理论延伸),暂不可做:核心机器(函数空间弱收敛)不在武器库中,需补充相关概率工具。

统计计算 / 算法 (stat_computing, 2 篇)

1. 10.1214/26-aos2630 · arXiv — Unbiased kinetic Langevin Monte Carlo with inexact gradients

  • 作者: Neil K. Chada, Benedict Leimkuhler, Daniel Paulin, Peter A. Whalley
  • 期刊/来源: Annals of Statistics
  • 机构: City University of Hong Kong · University of Edinburgh · Nanyang Technological University · ETH Zurich · Seminar for Statistics
  • 分类: vol 54 · issue 4 · pp 1895-1922
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文提出一种基于 kinetic Langevin 动力学的无偏贝叶斯后验均值估计方法,目标是在无需 Metropolis 校正的前提下,通过多级 Monte Carlo 耦合不同离散化水平的马尔可夫链,实现无偏且有限方差的估计,并满足中心极限定理。方法结合高级 splitting 方法与增强的梯度近似,在 Lipschitz 函数期望估计中达到 O(d^{1/4} ε^{-2}) 的期望梯度评估次数,且不依赖 warm start。对于近似梯度和随机梯度,作者也给出了类似界,并证明计算成本与数据集规模无关。实验在 MNIST 多分类回归和足球比分 Poisson 回归上验证,显示每有效样本的梯度评估数不随维度增长,且对乘积分布给出维度无关的方差界。与随机化 HMC 相比,该方法在大规模应用中可快 2–3 个数量级。
  • 关键技术: kinetic Langevin Monte Carlo, multilevel Monte Carlo, splitting methods, unbiased estimation, stochastic gradients
  • 为什么对您有用: 本文属于统计计算方向,与您 primary interest 中的 statistical computing 直接相关;其无偏估计与方差控制技术可迁移至您熟悉的 M-estimation 和 semiparametric 框架中的蒙特卡洛步骤。您可用 very_familiar 的软件开发和 U-statistics 计算经验来复现或扩展其算法,属于立即可做的范畴。

2. 10.1214/26-aos2641 · arXiv — Fast mixing of data augmentation algorithms: Bayesian probit, logit and lasso regression

  • 作者: Holden Lee, Kexin Zhang
  • 期刊/来源: Annals of Statistics
  • 机构: Johns Hopkins University
  • 分类: vol 54 · issue 4 · pp 2083-2109
  • 相关性 5/10 · novelty: new_theory
  • 摘要: 本文研究数据增强(DA)算法这一重要两模块吉布斯采样的混合时间,提出一种改进的基于电导(conductance)的方法。作者首次为贝叶斯Probit回归(ProbitDA)、贝叶斯Logit回归(LogitDA)和贝叶斯Lasso回归(LassoDA)的DA算法证明了非渐近多项式混合时间上界。对于ProbitDA和LogitDA,界显式依赖于设计矩阵和先验协方差矩阵;在数据独立生成且服从次高斯或对数凹分布并适当缩放时,以η-热启动,高概率下算法需要O(n log(log(η/ε)))步达到TV、KL或χ²距离ε精度。对于LassoDA,在最小数据假设下,需要O(d²(d log d + n log n)² log(η/ε))步达到TV距离ε精度。结果适用于大n大d场景,包括响应高度不平衡的情况,并与Langevin Monte Carlo和MALA的最佳已知保证进行了比较。数值实验验证了理论结果,并讨论了可行初始化下的混合时间。
  • 关键技术: data augmentation Gibbs sampler, conductance-based mixing time analysis, two-block Gibbs sampler, non-asymptotic bounds, Bayesian probit/logit/lasso regression
  • 为什么对您有用: 本文属于统计计算方向,与您的primary interest中的统计计算(numerical methods, algorithm)直接相关。您可以用very_familiar的软件开发和数值方法背景来复现其数值实验,并进一步探索DA算法在高维或因果推断后验采样中的实际表现。中期可做:若想深入理解电导方法,需在moderately_familiar的M估计理论上加强。

其他 (other, 2 篇)

1. 10.1214/26-aos2643 · arXiv — Statistical impossibility and possibility of aligning LLMs with human preferences: From Condorcet paradox to Nash equilibrium

  • 作者: Kaizhao Liu, Qi Long, Zhekun Shi, Weijie J. Su, Jiancong Xiao
  • 期刊/来源: Annals of Statistics
  • 机构: Massachusetts Institute of Technology · University of Pennsylvania · Princeton University
  • 分类: vol 54 · issue 4 · pp 2110-2135
  • 相关性 6/10 · novelty: new_theory
  • 摘要: 本文研究大语言模型(LLM)与人类偏好对齐的统计极限,聚焦偏好的概率表示与对齐后多样性的保持。首先证明人类偏好可用奖励模型表示当且仅当偏好关系无 Condorcet 环;在 Luce 模型下,环存在的概率以指数速度趋于 1,从而说明基于奖励的方法(如 RLHF)无法完全对齐多样偏好。其次,对非奖励方法(如 Nash learning from human feedback),给出对齐极限下采用混合策略(不坍缩为单一回复)的充要条件:不存在被多数人偏好的单一回复;在 Luce 模型下该条件以高概率成立,表明无需显式正则化即可保留少数偏好。方法上结合了社会选择理论、概率偏好模型与渐近概率分析。对您而言,本文属于统计与机器学习交叉的 gateway reading,虽不直接对应您的主要兴趣,但其对偏好聚合的统计不可能性/可能性刻画,可作为理解信息-计算权衡之外另一类统计极限的入门材料。
  • 关键技术: Condorcet cycle, Luce model, reward model, Nash learning from human feedback, asymptotic probability analysis
  • 为什么对您有用: 本文属于 gateway reading 范畴(LLM 对齐的统计基础),与您的主要兴趣(因果推断、高维统计等)无直接方法学重叠,但可作为跨领域入门读物。作为统计学家,您熟悉的渐近概率与概率模型工具足以理解其核心论证;武器库足以支撑您进入该方向。文章清晰阐述了统计不可能性与可能性,值得花时间读全文以拓宽视野。

2. 10.1214/26-aos2628 · arXiv — Privacy guarantees in posterior sampling under contamination

  • 作者: Shenggang Hu, Louis Aslett, Hongsheng Dai, Murray Pollock, Gareth O. Roberts
  • 期刊/来源: Annals of Statistics
  • 机构: University of Warwick · Durham University · Newcastle University
  • 分类: vol 54 · issue 4 · pp 1870-1894
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文研究贝叶斯后验采样中的差分隐私保证,目标是在不要求观测空间和参数空间有界的常见限制下,为后验采样算法提供 (ε,δ)-差分隐私界。作者提出采用 Huber 污染模型替代向输出注入 Laplace 或 Gaussian 噪声的常见做法,即随机将数据点替换为重尾分布的样本。他们推导了该方法的隐私水平 (ε,δ) 的界,并分析了样本量对隐私水平的影响以及 (ε,δ) 收敛到零的速率。渐近地,该污染方法完全隐私且无信息损失。文章还提供了适用该方法的推断模型示例,包括理论收敛速率分析和模拟研究。
  • 关键技术: differential privacy, Huber contamination model, posterior sampling, heavy-tailed distribution, privacy-utility tradeoff
  • 为什么对您有用: 本文属于统计计算与隐私保护的交叉领域,与您的主要兴趣(统计计算)有间接关联,但并非您核心的因果推断、高维或半参数理论方向。作为入门读物,它清晰阐述了隐私模型和污染机制,但方法学上对您的武器库(如 U-统计量、极小极大界)的直接迁移性有限。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论