跳转至

Bernoulli — Vol 32 Issue 3 · 2026-10-10

  • 共 2 篇 · Bernoulli
  • 目录核对 ⚠️ 疑似漏 33 篇(对照 OpenAlex 35 篇):10.3150/25-bej1954、10.3150/25-bej1947、10.3150/25-bej1936、10.3150/25-bej1956、10.3150/25-bej1962 等

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 Bernoulli 第 32 卷第 3 期共两篇论文,均聚焦于非参数与半参数回归的估计理论,但切入角度截然不同:一篇关注单调函数在数据错配(shuffled/unlinked)下的 minimax 最优率,另一篇则处理响应与预测变量均含估计误差的 Hilbert 空间加性模型。整体上,本期主线可概括为「非标准数据生成机制下的非参数估计效率」,其中消失噪声与变量估计误差的传播是两条核心线索。

第一篇在单调 shuffled 与 unlinked 回归中,系统刻画了噪声方差趋于零时的 minimax 率,并揭示了一个关键阈值:当噪声低于某水平时,shuffled 回归的风险严格小于 unlinked 回归,而噪声较大时两者同阶。该文通过反卷积问题的等价性建立下界,并利用核方法构造上界,技术工具包括单调函数的非参数估计与 minimax 下界构造。这一结果填补了消失噪声设定下的空白,对理解数据错配如何影响估计效率具有直接意义。第二篇则转向多元 Hilbertian 加性回归,允许响应与预测变量均不可直接观测但可估计(如主成分得分或密度型响应),在估计误差存在时给出了回归估计量的非渐近与渐近性质。其方法核心是加性结构分解与误差传播分析,为复杂数据类型(如函数型响应)提供了统一理论框架。

两篇论文虽主题不同,但共享对「估计误差来源」的敏感关注:前者源于数据错配,后者源于变量估计。若您关注因果推断中的非参数效率,第一篇的 minimax 率结果与反卷积联系可能更贴近;若您处理高维或函数型数据中的半参数回归,第二篇的 Hilbert 空间框架与误差传播界则更具参考价值。两篇均适合优先阅读,具体取决于您当前问题的数据生成机制与误差结构。

非参数 / 半参数 (nonparam_semipara, 2 篇)

1. 10.3150/25-bej1952 — Minimax optimal rates of convergence in monotone shuffled and unlinked regression models under vanishing noise

  • 作者: Cecile Durot, Debarghya Mukherjee
  • 期刊/来源: Bernoulli
  • 机构: Centre National de la Recherche Scientifique · Université Paris Nanterre · Modélisation aléatoire de Paris Nanterre · Boston University
  • 分类: vol 32 · issue 3 · pp 2244-2270
  • 相关性 8/10 · novelty: new_theory
  • 摘要: 本文研究单调函数在 shuffled 回归和 unlinked 回归中的 minimax 估计率,特别关注误差方差趋于零的消失噪声设定。目标函数 m0 仅假设左连续,允许跳跃间断,不施加光滑性假设。作者发现,当噪声方差低于某个阈值时,shuffled 回归的 minimax 风险小于 unlinked 回归;当噪声较大时,两者风险同阶。分析利用了与反卷积问题的联系,并给出了类似设定下反卷积的界。主要技术工具包括单调函数的非参数估计、minimax 下界构造以及反卷积的核方法。该结果填补了消失噪声下这些模型估计率研究的空白,对您在高维非参数估计和 minimax 理论方面的兴趣有直接关联。
  • 关键技术: monotone function estimation, minimax lower bounds, deconvolution, vanishing noise asymptotics, isotonic regression
  • 为什么对您有用: 本文属于非参数估计的 minimax 理论,直接对应您 primary interest 中的非参数与半参数理论。您可以用 very_familiar 的 minimax 下界技术(如 Le Cam 方法、Fano 不等式)验证其阈值现象是否在更一般设定下成立,或探索与您 higher-order U-statistics 工作的联系,因为 shuffled 回归涉及排列组合结构。中期可做:若想推广到非单调函数,需在 moderately_familiar 的 M-估计理论上加强。

2. 10.3150/25-bej1945 — Multivariate Hilbertian additive regression with general estimated variables

  • 作者: Jeong Min Jeon, Germain Van Bever
  • 期刊/来源: Bernoulli
  • 机构: Seoul National University · Université Libre de Bruxelles · University of Namur
  • 分类: vol 32 · issue 3 · pp 2071-2097
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文研究多元 Hilbertian 加性回归模型,其中响应变量取值于 Hilbert 空间,预测变量为多维欧氏空间,且允许响应和预测变量均不可直接观测但可估计(如主成分得分、密度型响应、半参数回归)。作者在估计误差存在的情况下,给出了变量估计误差的界,并推导了回归估计量的完整非渐近与渐近性质。方法上采用加性模型结构,结合 Hilbert 空间中的非参数估计技术,并利用估计误差的传播分析。模拟和真实数据应用展示了所提估计量的良好表现。该工作为处理复杂数据类型的回归问题提供了统一的理论框架,对您在半参数与非参数理论方向的研究具有参考价值。
  • 关键技术: Hilbertian additive model, nonparametric regression, estimation error propagation, non-asymptotic bounds, asymptotic normality
  • 为什么对您有用: 本文属于半参数与非参数理论方向,直接涉及 Hilbert 空间中的非参数估计和估计误差分析,与您的 primary interest 中的 nonparametric and semiparametric theory 高度相关。您可以用 very_familiar 的 minimax bounds 和 nonparametric statistics 工具来审视其非渐近界的紧性,或进一步探索估计误差对推断的影响。中期可做:若想深入其渐近性质,需在 semiparametric theory 上加强。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论