跳转至

Biometrika — Vol 113 Issue 3 · 2026-10-10

  • 共 20 篇 · Biometrika
  • 目录核对 ✅ 20 篇全部抓到(对照 OpenAlex 20 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。

这一期 Biometrika 的 20 篇论文大致可归为四条主线:因果推断与去偏机器学习(4 篇)、高维随机矩阵与潜变量结构(2 篇)、非参数/半参数方法与图结构数据(4 篇)、假设检验与重抽样/置换方法(5 篇),其余为计算与图模型性质研究。因果主线中,协变量偏移下的自动去偏机器学习、自适应实验中的设计稳定性、以及双变量因果发现中的双重稳健识别,共同指向“在非标准抽样或分配机制下保持因果参数估计的稳健性与效率”;高维主线则聚焦于潜变量尖峰来源判别与多视图协方差结构的谱方法。非参数主线在度量图上的惩罚似然、函数型条件自回归、带符号网络的非参数推断,以及假设检验主线中的条件独立性检验、变点检测、局部差分隐私两样本检验,均体现了对复杂数据结构(图、函数型、网络、隐私约束)下推断理论的推进。

最值得展开的是因果推断与去偏机器学习这一主线。Automatic debiased machine learning for covariate shifts 提出仅依赖参数定义公式的自动去偏机制,允许训练与目标样本量异速增长,直接回应分布偏移下高维估计的正则化偏差问题,其框架与半参数效率理论衔接紧密。Design stability in adaptive experiments 则在 Neyman 框架下刻画自适应分配机制下 IPW/AIPW 估计量的渐近性质,核心是“设计稳定性”条件——这为序贯实验中的因果推断提供了比传统固定设计更宽泛的理论基础。Doubly robust identification for bivariate causal discovery 在存在未测量混杂与潜在反馈环时,仅需两个互补假设之一成立即可识别因果方向,其双重稳健思想与 proximal causal inference 有直接对话空间。Robustness and efficiency of Rosenbaum’s rank-based estimator 则从设计视角重新审视秩估计量,证明其崩溃点优于加权分位数估计量,并给出回归调整版本的效率损失上界——这为随机化试验中的稳健推断提供了新基准。

另一条值得注意的主线是高维潜变量结构与随机矩阵。Identifying the source of spikes: factor or mixture? 通过奇异向量经验测度的分位数结构区分连续与分类潜变量,将随机矩阵理论与假设检验结合,为高维因子模型的模型选择提供了新工具。Inference on covariance structure in high-dimensional multi-view data 则利用谱分解对齐共享因子,结合共轭先验得到闭式后验,避免了 MCMC 的负担,并在递增维度下给出后验收缩与 CLT——这两篇共同推进了高维潜变量模型中“结构识别”与“不确定性量化”的交叉。假设检验主线中,A ball divergence-based measure for conditional independence testing 的局部 wild bootstrap 双带宽机制和条件两样本 V-统计量的一般框架,以及 Locally differentially private two-sample testing 对置换检验的精细刻画(放宽平衡样本量假设),都值得关注。

若按主题优先阅读:因果推断方向建议先看 Automatic debiased machine learning for covariate shifts 与 Design stability in adaptive experiments(分别处理分布偏移与自适应分配下的估计);半参数效率方向可关注 Doubly robust identification for bivariate causal discovery 与 Robustness and efficiency of Rosenbaum’s rank-based estimator(前者涉及未测量混杂下的识别,后者涉及设计下的效率损失);高维方向则优先看 Identifying the source of spikes 与 Inference on covariance structure in high-dimensional multi-view data。此外,Nonparametric inference for balance in signed networks 中的 Edgeworth 展开高阶逼近,以及 Quasi-Bayes empirical Bayes 的序贯 regret 分析,分别对非参数置信区间构造和在线决策问题有独立参考价值。

因果推断 (causal_inference, 5 篇)

1. 10.1093/biomet/asag033 · arXiv — Automatic debiased machine learning for covariate shifts

  • 作者: V Chernozhukov, M Newey, W K Newey, R Singh, V Syrgkanis
  • 期刊/来源: Biometrika
  • 机构: Massachusetts Institute of Technology · MIT Lincoln Laboratory · Harvard University · Stanford University
  • 分类: vol 113 · issue 3
  • 相关性 9/10 · novelty: new_method
  • 摘要: 本文研究协变量偏移下的因果与预测参数估计,目标是在训练分布与目标分布不同的情况下,估计如策略改变协变量分布的平均效应或目标人群的平均处理效应。作者提出一种自动去偏机器学习方法,仅依赖参数的定义公式,通过融合目标样本与训练样本消除高维机器学习估计带来的正则化偏差。理论上允许训练与目标样本量以不同速率增长,并给出渐近性质。数值实验与最低工资对青少年就业影响的实证研究(基于无混杂的差分中差分框架)验证了方法的有效性。该方法与您的因果推断和去偏机器学习兴趣直接相关,特别是其自动去偏机制可能对您处理分布偏移下的因果参数估计有启发。
  • 关键技术: debiased machine learning, covariate shift, data fusion, regularization bias correction, asymptotic theory with different sample sizes
  • 为什么对您有用: 本文属于因果推断中分布偏移下的参数估计,直接连接您的causal inference和efficiency theory兴趣。您可以用very_familiar的估计理论(如influence function)来审视其自动去偏的构造,或用moderately_familiar的HOIF思想推广到高阶情形。中期可做:需在semiparametric theory上进一步巩固以深入理解其渐近效率。

2. 10.1093/biomet/asag028 · arXiv — Robustness and efficiency of Rosenbaum’s rank-based estimator in randomized trials: a design-based perspective

  • 作者: Aditya Ghosh, Nabarun Deb, Bikram Karmakar, Bodhisattva Sen
  • 期刊/来源: Biometrika
  • 机构: Stanford University · University of Wisconsin–Madison · Columbia University
  • 分类: vol 113 · issue 3
  • 相关性 8/10 · novelty: new_theory
  • 摘要: 本文在随机化试验的设计视角(design-based)下,研究 Rosenbaum (1993) 提出的基于秩的估计量,用于估计常数加性处理效应。该估计量通过反转基于秩的随机化检验得到,对重尾或离群潜在结果具有稳健性。作者建立了该估计量的设计渐近理论,证明其崩溃点(breakdown point)一致优于任何加权分位数估计量。在有协变量时,回归调整版本使用agnostic线性回归并对残差秩进行推断,其最坏情况下效率损失不超过 Lin (2013) 均值回归调整方法的 13.6%,且在残差重尾时常更优。作者还发展了设计框架下秩统计量的局部渐近理论,并初步探讨了常数效应假设违反时的行为。
  • 关键技术: rank-based estimator, randomization test inversion, design-based inference, breakdown point, local asymptotics of rank statistics, regression adjustment
  • 为什么对您有用: 直接关联因果推断中的稳健估计与效率理论:本文在随机化试验中提出秩估计量的设计渐近理论,并给出与均值回归调整的效率比较,属于您 primary interest 中 causal inference 与 efficiency theory 的交汇点。您可用 very_familiar 的 minimax bounds 与 nonparametric statistics 工具,检验其崩溃点最优性是否可推广到更一般的估计量类;也可用 moderately_familiar 的 semiparametric theory 分析其效率界是否达到半参数有效界。

3. 10.1093/biomet/asag036 · arXiv — Doubly robust and efficient calibration of prediction sets for right-censored time-to-event outcomes

  • 作者: Rebecca Farina, Eric Tchetgen Tchetgen, Arun Kumar Kuchibhotla
  • 期刊/来源: Biometrika
  • 机构: Carnegie Mellon University · University of Pennsylvania
  • 分类: vol 113 · issue 3
  • 相关性 8/10 · novelty: new_method
  • 摘要: 本文研究右删失时间-事件结局的预测集构建,目标是在无需指定生存模型的前提下保证未来观测的覆盖概率。与现有假设 Type-I 删失的共形方法不同,作者处理更常见的右删失设定,即仅观测到删失时间或事件时间中的较早者。在条件独立删失假设下,提出基于逆删失概率加权及其增广版本的多个下预测界,其中增广版本利用相关边际分位数的半参数有效影响函数来应对依赖删失。理论上建立了渐近覆盖保证,并证明增广方法的覆盖误差界具有双稳健性,即二阶小量,因此相对于其他方法渐近可忽略。模拟实验验证了增广方法在效率上的显著提升。
  • 关键技术: conformal prediction, inverse-probability-of-censoring weighting, semiparametric efficient influence function, doubly robust coverage error, right censoring
  • 为什么对您有用: 本文直接连接因果推断中的删失数据与半参数效率理论,其增广估计器基于有效影响函数,与您的效率理论(semiparametric efficiency bounds)和因果推断(censoring 作为缺失数据机制)高度相关。您可以用 very_familiar 的非参数统计和估计理论工具来验证其覆盖误差界的二阶性质,或进一步探索在更复杂删失机制下的扩展,属于立即可做的方向。

4. 10.1093/biomet/asag032 · arXiv — Design stability in adaptive experiments: implications for treatment effect estimation

  • 作者: Saikat Sengupta, Koulik Khamaru, Suvrojit Ghosh, Tirthankar Dasgupta
  • 期刊/来源: Biometrika
  • 机构: Indian Statistical Institute · Rutgers, The State University of New Jersey
  • 分类: vol 113 · issue 3
  • 相关性 8/10 · novelty: new_theory
  • 摘要: 本文研究在序贯自适应分配机制下估计平均处理效应(ATE)的问题,其中每个单元接受处理的概率可能依赖于先前的分配和观测结果。在 Neyman 潜在结果框架下,作者提出并分析了逆倾向得分加权(IPW)估计量和增强逆倾向得分加权(AIPW)估计量。分析的核心是“设计稳定性”概念,要求随着样本量增大,分配概率收敛,或逆倾向得分及其补的样本均值依概率收敛到固定非随机极限。主要结果是在设计稳定性条件下建立两个估计量的中心极限定理,并给出渐近方差的显式表达式。作者还提出方差估计量,从而构造渐近有效的置信区间。最后,在 Wei 自适应硬币设计和 Efron 偏硬币设计的背景下说明理论结果,展示其对自适应随机化序贯实验设计的适用性。对您可能有用:该文将经典因果推断估计量(IPW/AIPW)推广到自适应实验,与您的因果推断(特别是纵向和序贯设定)以及效率理论兴趣直接相关。
  • 关键技术: inverse propensity weighting, augmented inverse propensity weighting, central limit theorem, design stability, adaptive randomization, potential outcomes
  • 为什么对您有用: 该文直接关联您的因果推断兴趣,特别是序贯自适应实验中的 ATE 估计,且使用 IPW/AIPW 估计量,与您的效率理论(semiparametric efficiency bounds)和估计理论(estimation theory in causal inference)高度相关。技术武器库中,您对估计理论(very_familiar)和识别理论(moderately_familiar)可用来评估其设计稳定性条件的充分性和必要性,并可能推导更紧的渐近方差界。中期可做:需先熟悉自适应实验设计的文献(如 bandit 算法),但核心估计理论工具已具备。

5. 10.1093/biomet/asag035 — Doubly robust identification for bivariate causal discovery under unmeasured confounding

  • 作者: Wei Li, Rui Duan, Sai Li
  • 期刊/来源: Biometrika
  • 机构: Renmin University of China · Harvard University · Tsinghua University
  • 分类: vol 113 · issue 3
  • 相关性 8/10 · novelty: new_method
  • 摘要: 本文研究在存在未测量混杂和潜在反馈环的双变量因果发现问题,目标是在可能无效的工具变量下识别因果方向并估计因果效应。作者提出一个双重稳健的识别框架,只要两个互补假设之一成立即可保证因果方向可识别,且无需知道哪个假设正确。在单向因果情形下,因果效应被点识别;在双向情形下,效应可识别到两个候选解,除非有额外信息。基于该框架,作者开发了有限样本程序来检测因果方向并对效应进行推断,证明了方向恢复的一致性和置信区间的有效性。大量模拟显示其优于现有方法,并应用于英国生物银行的真实数据。该工作对您在因果推断中关于未测量混杂和工具变量的识别理论有直接关联,其双重稳健思想可借鉴到您的proximal CI或IV研究中。
  • 关键技术: doubly robust identification, invalid instrumental variables, bivariate causal discovery, unmeasured confounding, finite-sample inference
  • 为什么对您有用: 该论文直接关联您的primary interest中的causal inference子方向,特别是未测量混杂下的识别和IV方法。您可以用very_familiar的estimation theory in causal inference来审视其双重稳健框架的估计性质,或用moderately_familiar的identification theory来探讨其假设的充分必要性。中期可做:若想深入其有限样本推断的细节,需在semiparametric theory上加强。

高维统计 / 随机矩阵 (high_dim_rmt, 2 篇)

1. 10.1093/biomet/asag044 — Identifying the source of spikes: factor or mixture?

  • 作者: Zeqin Lin, Yiming Liu, Guangming Pan, Chi Yao, Jia Zhou
  • 期刊/来源: Biometrika
  • 机构: Nanyang Technological University · Jinan University · Anhui University · Hefei University of Technology
  • 分类: vol 113 · issue 3
  • 相关性 8/10 · novelty: new_method
  • 摘要: 本文研究高维线性潜变量模型中潜变量模式识别问题,即判断数据矩阵尖峰奇异值对应的潜变量是连续型还是分类型,这等价于确定尖峰奇异值的来源。作者分析了与尖峰奇异值对应的奇异向量经验测度的渐近行为,发现连续与分类潜变量会导致奇异向量分位数结构不同。基于此,提出基于特征向量分位数差异的检验统计量,并在原假设下建立了理论性质。模拟和真实数据分析验证了方法的有效性和实用性。该工作将随机矩阵理论与假设检验结合,为高维潜变量结构推断提供了新工具,对您的高维统计与假设检验兴趣有直接关联。
  • 关键技术: spiked singular values, empirical measure of singular vectors, quantile difference test, high-dimensional hypothesis testing, random matrix theory
  • 为什么对您有用: 该论文直接关联您的高维统计与随机矩阵理论兴趣,具体涉及尖峰奇异值向量渐近行为分析。您可用 very_familiar 的高维渐近工具验证其理论结果,或尝试将检验推广到更一般的潜变量分布。中期可做:需在 moderately_familiar 的更高阶 U-统计量理论上加强,以处理更复杂的检验统计量。

2. 10.1093/biomet/asag038 · arXiv — Inference on covariance structure in high-dimensional multi-view data

  • 作者: L Mauri, D B Dunson
  • 期刊/来源: Biometrika
  • 机构: Duke University
  • 分类: vol 113 · issue 3
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文研究多视图数据的协方差估计问题,目标是在共享和视图特异潜在因子模型下进行贝叶斯推断。现有方法依赖昂贵的MCMC或缺乏理论保证的变分近似,本文提出基于谱分解来估计并对齐在至少一个视图中活跃的潜在因子,然后对因子载荷和残差方差采用联合共轭先验,得到每个变量的正态-逆伽马分布的简单乘积形式,从而避免MCMC并简化后验计算。作者证明了递增维度下的渐近性质,包括后验收缩和点估计的中心极限定理。模拟实验显示良好的性能,包括准确的量化不确定性,并将方法应用于癌症细胞样本的多组学数据整合。
  • 关键技术: spectral decomposition, factor-analytic decomposition, conjugate priors, posterior contraction, central limit theorem
  • 为什么对您有用: 本文涉及高维协方差估计和谱方法,与您的高维统计和随机矩阵理论兴趣相关;其渐近理论(后验收缩和CLT)可联系您的非参数/半参数理论。技术上,您可以用熟悉的非参数统计和极小极大界工具来审视其收缩率是否最优,或探索其计算效率与统计效率的权衡。

非参数 / 半参数 (nonparam_semipara, 3 篇)

1. 10.1093/biomet/asag029 — Nonparametric estimators over metric graphs

  • 作者: Aldo Clemente, Eleonora Arnone, Jorge Mateu, Laura M Sangalli
  • 期刊/来源: Biometrika
  • 机构: Politecnico di Milano · University of Turin · Universitat Jaume I
  • 分类: vol 113 · issue 3
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文在度量图(metric graph)上建立了一套函数空间理论,使得可以定义基于惩罚似然的非参数方法,用于观测在空间图结构上的数据。作者恢复了经典泛函分析结果,如 Poincaré 型不等式,从而将惩罚似然方法的基本理论推广到该设定。具体地,提出了两类统计模型:图上的非参数回归和非参数密度估计。推导了估计问题适定性和估计量一致性的理论结果。数值实验表明所提估计量相对于现有方法具有竞争力。对您而言,该文将非参数估计与图结构数据结合,可能为您的非参数/半参数理论兴趣提供一个新设定,但方法核心仍是经典惩罚似然,新颖性中等。
  • 关键技术: penalized likelihood, Poincaré-type inequality, metric graphs, nonparametric regression, density estimation
  • 为什么对您有用: 该文属于非参数统计理论,直接对应您的 primary interest 中的非参数/半参数理论。您的武器库中 very_familiar 的非参数统计和 minimax 界可用于分析其估计量的收敛速率,但图结构上的函数空间理论可能需要额外学习。总体而言,该文是方法学扩展,但非核心前沿,可作中期参考。

2. 10.1093/biomet/asag040 · arXiv — A new class of functional conditional autoregressive models

  • 作者: S Kim
  • 期刊/来源: Biometrika
  • 机构: New York University
  • 分类: vol 113 · issue 3
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文提出一类新的函数型条件自回归模型,用于空间相关的函数型数据,通过条件均值(给定邻近函数观测)刻画空间依赖,并由协方差算子和空间依赖参数表征。估计策略分三步:用条件中心化数据估计协方差算子、通过投影观测的似然最大化估计空间依赖参数、再用新的剖面方法得到最终估计。在扩张格点框架下,证明了协方差估计量的一致性,而基于边际中心化数据的朴素方法无法达到该一致性;同时证明空间依赖参数估计量具有超一致性和渐近正态性,后者首次实现了函数型数据空间依赖的统计推断。数值实验验证了理论结果并展示了计算效率,最后应用于2019年美国中西部各县每周PM2.5浓度轨迹分析。对您而言,该文的剖面估计和渐近理论框架可能对您在半参数与非参数理论中的研究有参考价值。
  • 关键技术: functional conditional autoregressive model, covariance operator estimation, profile likelihood, expanding lattice asymptotics, superconsistency
  • 为什么对您有用: 该文属于半参数/非参数理论方向,涉及函数型数据与空间统计,与您的非参数与半参数理论兴趣相关。其剖面估计和渐近正态性结果可能启发您在半参数效率理论中的思考。武器库中的非参数统计和M估计理论足以理解本文,但函数型数据的具体技术(如算子估计)可能需要额外学习,因此属于中期可做。

3. 10.1093/biomet/asag031 · arXiv — Nonparametric inference for balance in signed networks

  • 作者: Xuyang Chen, Yinjie Wang, Weijing Tang
  • 期刊/来源: Biometrika
  • 机构: University of Pennsylvania · University of Chicago · Carnegie Mellon University
  • 分类: vol 113 · issue 3
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文研究带符号网络(signed network)中社会平衡理论(balance theory)的非参数推断问题,目标是构造与平衡理论相关的总体参数(如三元组符号模式的比例)的置信区间。作者提出节点可交换性假设下的非参数稀疏符号图模型(sparse signed graphon model),刻画网络生成过程。在该模型下,他们构造了基于 U-统计量结构的估计量,并利用高阶正态逼近(如 Edgeworth 展开)建立置信区间,其计算复杂度与简单正态近似相当,但具有更高阶的渐近精度。理论部分证明了置信区间的渐近有效性,并通过数值实验和多个真实网络数据集验证了平衡理论的实证支持。对您而言,本文的非参数图模型与 U-统计量高阶逼近技术直接关联您对 higher-order U-statistics 和 semiparametric/nonparametric theory 的兴趣,且其稀疏图模型设定可能为您的图推断研究提供新视角。
  • 关键技术: sparse signed graphon model, node exchangeability, U-statistics, higher-order normal approximation, Edgeworth expansion, confidence intervals
  • 为什么对您有用: 本文属于非参数与半参数理论方向,直接关联您对 higher-order U-statistics 的兴趣——其估计量本质上是 U-统计量,且利用高阶逼近提升推断精度。您可以用 very_familiar 的 U-统计量计算(treewidth/einsum)来分析其估计量的计算成本,或验证其高阶逼近的紧性。中期可做:若想深入图模型推断,需在 moderately_familiar 的 semiparametric theory 上加强。

数理统计 / 假设检验 (hypothesis_testing, 7 篇)

1. 10.1093/biomet/asag027 — A ball divergence-based measure for conditional independence testing with a local wild bootstrap

  • 作者: Bilol Banerjee, Bhaswar B Bhattacharya, Anil K Ghosh
  • 期刊/来源: Biometrika
  • 机构: Indian Statistical Institute · University of Pennsylvania
  • 分类: vol 113 · issue 3
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文提出一种基于 ball divergence 的条件独立性度量,用于检验给定随机向量 Z 时 X 与 Y 的条件独立性。该度量刻画了条件独立性且不要求任何矩条件。作者采用核平均技术估计该度量,并推导其渐近分布。基于此估计量,他们构造了一个条件独立性检验,并设计了一种新颖的局部 wild bootstrap 算法,该算法采用双带宽机制,能渐近控制第一类错误率,并对一般备择类具有一致性。模拟和真实数据示例表明该方法在控制第一类错误和功效方面均有优势。理论结果的一个副产品是建立了条件两样本 V-统计量渐近性质的一般框架,这具有独立的研究价值。
  • 关键技术: ball divergence, conditional independence testing, kernel averaging, local wild bootstrap, double bandwidth, V-statistic asymptotics
  • 为什么对您有用: 本文属于假设检验方向,直接对应您对 hypothesis testing 的兴趣。其核心工具 ball divergence 和 V-统计量渐近理论,与您熟悉的 higher-order U-statistics 和 nonparametric statistics 高度相关;您可以用 U-统计量投影和树宽/张量收缩的视角来分析其估计量的计算复杂度,或检验其渐近结果是否可推广到高阶情形。

2. 10.1093/biomet/asag046 — Integral probability metric-guided CUSUM-Net for nonparametric changepoint detection

  • 作者: Yunchen Li, Guanghui Wang, Shuntuo Xu, Zhou Yu
  • 期刊/来源: Biometrika
  • 机构: East China Normal University · Nankai University
  • 分类: vol 113 · issue 3
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文提出 CUSUM-Net,一种基于积分概率度量(IPM)与深度神经网络的非参数变点检测方法。目标是在高维、复杂数据(如欧氏数据、对称正定矩阵、图像、图)中检测分布变化,无需参数假设。方法通过最大化一个聚合的 CUSUM 目标来学习一个 critic 函数,该目标等价于优化两样本 IPM,从而将变点检测与 IPM 优化联系起来。学到的 critic 将数据映射为一维表示,随后用经典 CUSUM 扫描定位变点。在 Hölder 光滑性假设下建立了 critic 的 excess-risk 界,并在数据具有低维流形结构时获得更快的收敛速率,同时给出变点定位的保证。数值实验展示了方法的灵活性和有效性。对您而言,该方法将非参数检验与深度学习结合,其 excess-risk 分析框架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: integral probability metrics, deep neural networks, CUSUM scan, excess-risk bounds, Hölder smoothness, manifold structure
  • 为什么对您有用: 本文属于非参数假设检验方向,与您 primary interest 中的 hypothesis testing 和 nonparametric theory 直接相关。其 excess-risk 分析可尝试用您 very_familiar 的 minimax bounds 工具来检验是否最优,或探索 critic 学习与 higher-order U-statistics 的联系(例如 IPM 的 U-statistic 表示)。中期可做:若想深入 critic 的逼近理论,需在 moderately_familiar 的 semiparametric theory 上加强。

3. 10.1093/biomet/asag034 · arXiv — Locally differentially private two-sample testing

  • 作者: A Kent, T B Berrett, Y Yu
  • 期刊/来源: Biometrika
  • 机构: University of Warwick
  • 分类: vol 113 · issue 3
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文研究局部差分隐私(LDP)约束下的两样本检验问题,采用置换检验框架。目标是在给定隐私预算下,对一般离散分布和满足光滑性条件的连续分布,构造最优(至多差对数因子)的检验过程。作者同时考虑非交互和交互两种协议,并证明交互协议能改善 minimax 分离率(即所需的最小分布差异)。理论分析的关键在于对置换检验的精细刻画,从而放宽了现有文献中常见的平衡样本量假设,且这一改进不依赖于隐私约束。数值实验验证了所提检验的性能,并确认了交互协议带来的优势。对您而言,该文将差分隐私与经典非参数检验结合,其 minimax 分离率分析和高阶统计量的处理方式可能对您在高维假设检验或 U-统计量方面的研究有启发。
  • 关键技术: local differential privacy, permutation test, minimax separation rate, interactive vs noninteractive protocols, smoothness constraints
  • 为什么对您有用: 本文属于假设检验方向,直接关联您的主要兴趣之一。其 minimax 分离率分析可尝试用您熟悉的 minimax 界工具进行验证或扩展;同时,置换检验的精细分析可能涉及 U-统计量结构,您可考虑用高阶 U-统计量的投影理论来简化或改进其证明。从可行性看,您对非参数统计和 minimax 界非常熟悉,因此可立即着手复现或扩展其理论结果,属于立即可做的范畴。

4. 10.1093/biomet/asag019 · arXiv — Conditioning on posterior samples for flexible frequentist goodness-of-fit testing

  • 作者: Ritwik Bhaduri, Aabesh Bhattacharyya, Rina Foygel Barber, Lucas Janson
  • 期刊/来源: Biometrika
  • 机构: Harvard University · University of Chicago
  • 分类: vol 113 · issue 3
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文提出一种新的拟合优度检验方法,核心思想是在原假设下生成与真实数据可交换的伪数据,从而允许使用任意检验统计量进行有效检验。传统方法通常基于精确或近似的充分统计量进行条件化,但存在适用范围有限或功效损失的问题。作者创新性地提出基于贝叶斯后验样本进行条件化,称之为“近似共充分采样”(approximately co-sufficient sampling via Bayes),这构成了一种不同于以往工作的近似充分统计量。作者证明了该检验的近似有效性,并在三个现有方法无法处理的常见零模型上展示了其实用性,同时在现有方法适用的模型上表现出更优的性能。该方法显著扩展了这类灵活拟合优度检验的适用范围,对假设检验领域具有方法论贡献。
  • 关键技术: Bayesian posterior conditioning, approximate co-sufficient sampling, exchangeability, goodness-of-fit testing, Monte Carlo test
  • 为什么对您有用: 本文直接关联您的主要兴趣之一——假设检验,提出了一种新颖的基于贝叶斯后验的拟合优度检验框架,与您熟悉的非参数统计和M估计理论有交叉。您可以用您非常熟悉的非参数统计工具(如经验过程理论)来分析其检验的渐近性质,或探索其在高维设定下的表现。中期可做:结合您中等熟悉的半参数理论,研究该方法的局部功效和最优性。

5. 10.1093/biomet/asag047 · arXiv — Convergence and optimality of the EM algorithm under multi-component Gaussian mixture models

  • 作者: Xin Bing, Dehan Kong, Bingqing Li
  • 期刊/来源: Biometrika
  • 机构: University of Toronto
  • 分类: vol 113 · issue 3
  • 相关性 6/10 · novelty: new_theory
  • 摘要: 本文研究多分量高斯混合模型下 EM 算法的收敛性与最优性。在总体层面,证明了当分量间最小成对分离超过最大分离的对数因子与最小混合权重倒数的对数因子时,EM 算法收敛到真实参数。在样本层面,证明了 EM 估计达到 minimax 最优速率。作者针对不同分离区间开发了两种新分析方法,分别对应参数估计与聚类的视角。作为副产品,EM 算法用于社区检测时也达到误聚类率的 minimax 最优。结果允许分量数、最小混合权重、分离度和维度随样本量增长。模拟验证了理论发现。
  • 关键技术: EM algorithm, Gaussian mixture models, minimax optimality, community detection, separation conditions
  • 为什么对您有用: 本文与您的高维统计和统计计算兴趣相关,特别是 EM 算法的收敛性分析,可联系您对算法计算复杂度的关注。您可用非常熟悉的非参数统计和 minimax 界工具来验证其分离条件的紧性,或探索其与更高阶 U-统计量的联系。中期可做:将分离条件与您的 tensor-network 复杂度分析结合,研究 EM 的计算成本。

6. 10.1093/biomet/asag048 — Aggregating conformal prediction sets via $ \alpha $-allocation

  • 作者: Congbin Xu, Yue Yu, Zhaojun Wang, Changliang Zou, Haojie Ren
  • 期刊/来源: Biometrika
  • 机构: Nankai University · Shanghai Jiao Tong University
  • 分类: vol 113 · issue 3
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文研究 conformal prediction 中如何聚合多个 nonconformity score 以减小预测集大小的问题。作者提出一种基于 α-allocation 的聚合策略,通过优化分配各 conformal 预测集的置信水平,在保持渐近覆盖的同时最小化经验集大小。方法有两种变体:一种通过样本分裂保证有限样本覆盖,另一种通过完全 conformalization 实现。进一步提出个体化分配策略,在局部提升效率并达到渐近条件覆盖。实验表明该方法在合成和真实数据上比现有基线显著减小预测集大小,同时维持有效覆盖。对您而言,该工作将多重检验中的 α 分配思想引入 conformal inference,与您在高维假设检验和效率理论方面的兴趣有潜在联系。
  • 关键技术: conformal prediction, alpha-allocation, sample splitting, full conformalization, asymptotic conditional coverage
  • 为什么对您有用: 该论文属于假设检验与不确定性量化交叉领域,与您 primary interest 中的 hypothesis testing 直接相关。其 α-allocation 策略可视为多重比较校正的变体,您可用 very_familiar 的 minimax 工具分析其最优性,或探索与 higher-order U-statistics 的结合。中期可做:需先熟悉 conformal inference 的 finite-sample 理论(moderately_familiar 中的 M-estimation 可辅助)。

7. 10.1093/biomet/asag037 · arXiv — Quasi-Bayes empirical Bayes: a sequential approach to the Poisson compound decision problem

  • 作者: S Favaro, S Fortini
  • 期刊/来源: Biometrika
  • 机构: Collegio Carlo Alberto · University of Turin · Bocconi University
  • 分类: vol 113 · issue 3
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文研究流式(在线)框架下的 Poisson 复合决策问题,目标是逐观测估计 Poisson 均值并最小化累积 Bayes 风险(regret)。作者基于 Newton 算法的拟 Bayes 方法,提出一种序贯估计量,其每观测计算成本恒定,易于实现。他们建立了该估计量的频率学派保证,包括一致性和渐近最优性(即 excess Bayes risk 趋于零)。模拟研究显示其经验性能优于基准方法。该工作将经典经验 Bayes 问题拓展到在线设定,为流式数据下的决策提供了新工具。对您而言,其序贯估计与 regret 分析思路可能对纵向因果推断中的在线更新方法有启发。
  • 关键技术: quasi-Bayes, Newton's algorithm, compound decision problem, empirical Bayes, sequential estimation, regret analysis
  • 为什么对您有用: 本文属于数学统计与假设检验方向,与您的 primary interest 中的 mathematical statistics 相关。其序贯估计和 regret 分析框架可迁移至纵向因果推断中的在线估计问题,但核心机器(拟 Bayes 与 Newton 算法)不在您的武器库中,属于中期可做,需先熟悉拟 Bayes 方法。

统计计算 / 算法 (stat_computing, 1 篇)

1. 10.1093/biomet/asag041 · arXiv — On the inverse of covariance matrices for unbalanced crossed designs

  • 作者: Ziyang Lyu, S A Sisson, A H Welsh
  • 期刊/来源: Biometrika
  • 机构: UNSW Sydney · Australian National University
  • 分类: vol 113 · issue 3
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文研究非平衡交叉随机效应模型中响应协方差矩阵 V 的逆矩阵的解析表达式,这是一个长期未解决的问题。作者利用 Khatri–Rao 积表示 V,并构造一个修正协方差矩阵,其逆具有精确的谱分解。基于此,对渐近非平衡设计给出了 V^{-1} 的简洁近似;对非渐近情形,在轻度非平衡数据下推导出准确且可解释的近似,并建立了该近似加低秩修正的精确逆表示,适用于任意非平衡程度。模拟验证了该框架的准确性、稳定性和可计算性。该工作为似然方法在非平衡交叉设计中的应用提供了计算和理论工具,与您的统计计算和矩阵计算兴趣直接相关。
  • 关键技术: Khatri-Rao product, spectral decomposition, low-rank correction, crossed random-effects models, covariance matrix inversion
  • 为什么对您有用: 本文属于统计计算方向,直接涉及矩阵求逆的解析技巧,与您的 statistical computing 兴趣高度相关。您可以用 very_familiar 的软件开发和矩阵计算能力快速验证其近似精度,并考虑将其推广到更一般的方差分量模型。中期可做:结合您 moderately_familiar 的 HOIF 理论,探索该逆表示在高阶影响函数计算中的潜在应用。

其他 (other, 2 篇)

1. 10.1093/biomet/asag024 · arXiv — Revisiting Madigan and Mosurski: collapsibility via minimal separators

  • 作者: Pei Heng, Shiyuan He, Yi Sun, Jianhua Guo
  • 期刊/来源: Biometrika
  • 机构: Northeast Normal University · Beijing Technology and Business University · Xinjiang University of Finance and Economics
  • 分类: vol 113 · issue 3
  • 相关性 5/10 · novelty: new_theory
  • 摘要: 本文研究列联表与图模型中的可折叠性(collapsibility),目标是刻画模型可折叠到目标集合的充分必要条件,并构造最小可折叠集。作者证明,一个模型可折叠到目标集当且仅当该集合包含其所有非相邻顶点之间的至少一个最小分隔子(minimal separator)。基于此,他们提出 close minimal separator absorption 算法,仅通过局部分隔子搜索即可构造最小可折叠集,计算成本极低。模拟实验表明,该算法在高维设置下相比现有方法有显著的效率提升,使可折叠性分析变得实用。该工作属于图模型的结构性质研究,与您的因果推断(如 DAG 上的条件独立与后门准则)有概念上的联系,但方法学上更偏向图论与组合优化。
  • 关键技术: minimal separator, collapsibility, decomposable models, graphical models, local search algorithm
  • 为什么对您有用: 本文与您的因果推断兴趣中的图模型结构(如 DAG 上的条件独立、后门准则)有概念联系,但核心是图论中的分隔子与可折叠性,而非因果识别或估计。作为图模型理论的一个新结果,它可能对您理解因果图中的条件独立结构有启发,但直接的方法学迁移有限。武器库中的图论知识(如树宽)可帮助理解其算法,但该主题不在您的核心兴趣内,且非入门读物,建议仅作浏览。

2. 10.1093/biomet/asag043 · arXiv — Log-Gaussian Cox processes on general metric graphs

  • 作者: David Bolin, Damilya Saduakhas, Alexandre B Simas
  • 期刊/来源: Biometrika
  • 机构: King Abdullah University of Science and Technology
  • 分类: vol 113 · issue 3
  • 相关性 4/10 · novelty: new_method
  • 摘要: 本文提出在一般紧度量图(如道路网络)上构建 log-Gaussian Cox 过程的新框架,利用分数阶随机偏微分方程定义的 Whittle–Matérn 场作为潜在高斯过程。为进行高效的似然推断,作者引入一种数值近似似然方法,避免了近似高斯过程本身,并结合整数光滑度下 Whittle–Matérn 场有限维分布的精确计算,保证了可扩展性和理论严谨性,并推导了后验分布的收敛速率。该方法已实现于开源 R 包 MetricGraph 中,并与 R-INLA 无缝集成,支持完全贝叶斯推断。通过对沙特阿拉伯 Al-Ahsa 地区超过 16 万个道路段的事故数据分析,利用超越概率和 excursion 集识别高风险路段,展示了方法的适用性和可扩展性。对您而言,本文虽非您核心兴趣领域,但其在复杂网络上的空间点过程建模与高效计算策略,可作为统计计算与高维推断的旁类参考。
  • 关键技术: Gaussian Whittle-Matérn fields, fractional stochastic partial differential equations, likelihood approximation, Bayesian inference with INLA, excursion sets
  • 为什么对您有用: 本文属于空间点过程建模,与您的主要兴趣(因果推断、高维统计等)无直接重叠,但其中对复杂结构(度量图)上的高斯场进行高效似然推断的计算方法,可能对您的统计计算兴趣有启发。作为 gateway reading,本文对非欧几里得域建模的阐述较为清晰,但需要一定的空间统计背景。您的武器库(如软件开发和数值方法)足以支撑理解其计算框架,但若要深入其理论(如后验收敛速率),可能需要补充随机偏微分方程相关知识。总体而言,本文值得一读以拓宽视野,但非优先精读对象。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论