跳转至

EJS — Vol 20 Issue 2 · 2026-10-10

  • 共 28 篇 · Electronic Journal of Statistics
  • 目录核对 ⚠️ 疑似漏 17 篇(对照 OpenAlex 45 篇):10.1214/26-ejs2543、10.1214/26-ejs2569、10.1214/26-ejs2576、10.1214/26-ejs2558、10.1214/26-ejs2584 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。

这一期共 28 篇,整体上可归为五条主线:因果推断与缺失数据(4 篇)、高维推断与效率理论(4 篇)、非参数与半参数方法(7 篇)、假设检验与多重比较(8 篇)、以及计算与聚类等杂项(5 篇)。因果与效率主线中,分位数中介、剂量反应、缺失数据敏感性分析各有侧重;高维主线则覆盖 GLM 推断、稀疏 CCA 与差分隐私变量选择;非参主线以度量空间回归、球面密度估计、最优传输稳定性为代表;检验主线集中在经验似然全局一致性、FDP 中位数控制、在线 e-process 检验等。

最值得展开的是因果推断与效率理论这条线。Quantile mediation 一文用深度神经网络处理高维中介与复杂混杂,聚焦推断而非选择,并给出渐近有效性;Dose-response estimation 则通过高阶影响函数构造 m 阶估计器,在连续处理下达到已知最快收敛速率,并附有违反无混杂假设的敏感性分析;Bayesian sensitivity analysis 针对 MCAR 假设做敏感性分析,用 Dirichlet 过程或扩展 gamma 过程建模结局分布,并证明 Bernstein-von Mises 定理。三篇分别从频率、半参数效率、贝叶斯三个角度切入因果问题,方法工具互补。高维推断方面,Private Model-X Knockoffs 用 Johnson–Lindenstrauss 变换替代噪声注入,在差分隐私下保持 FDR 控制;Efficient inference on high-dimensional linear models with missing outcomes 结合 Lasso 与偏差校正,在 MAR 下达到半参数有效界;Moment-based adjustments 则针对 p/n 接近或大于 1 的 GLM 提出基于矩的超参数估计,保证置信区间覆盖。这三篇共同处理高维与缺失/隐私约束下的推断,但策略各异。

非参与半参数主线中,Kernel regression with predictors in metric spaces 将核回归推广到非欧数据,建立条件 L2 收敛与渐近正态性;Stability bounds for smooth optimal transport maps 提出不依赖 Monge-Ampère 正则性的稳定性界,并统一了插件与 Brenier 势两类估计器的分析;Functional principal component regression 通过算子缩放绕开标量 CLT 失效,给出高斯与 bootstrap 近似。检验主线里,Global consistency of empirical likelihood 填补了 profile 经验似然全局极大值一致性的理论空白,并给出修正与检验;Nonparametric methods controlling the median of the FDP 针对备择方向性/区间性场景控制 FDP 中位数,不依赖独立性;Carefree multiple testing with e-processes 则处理在线数据下 e-BH 的 FDR-sup 控制问题。这三篇分别从全局优化、稳健性、在线性三个角度推进检验理论。

若按主题优先阅读:因果推断方向建议先看分位数中介、剂量反应、缺失数据敏感性分析三篇;半参数效率方向看高维缺失结果推断与剂量反应中的高阶影响函数;高维推断方向看差分隐私 Knockoffs 与 GLM 矩方法;假设检验方向看经验似然全局一致性与 e-process 多重检验。

因果推断 (causal_inference, 4 篇)

1. 10.1214/26-ejs2560 — Inference for quantile mediation effects in the presence of complex confounding

  • 作者: Shuoyang Wang, Yuan Huang
  • 期刊/来源: Electronic Journal of Statistics
  • 机构: University of Louisville · Yale University
  • 分类: vol 20 · issue 2 · pp 3190-3224
  • 相关性 8/10 · novelty: new_method
  • 摘要: 本文提出一种分位数部分线性中介分析方法,用于在高维中介变量和复杂混杂因素存在时对中介效应进行推断。方法采用全连接深度神经网络建模混杂因素的非线性关系,并聚焦于中介效应的推断而非选择。理论上建立了检验的渐近有效性,包括零假设下的第一类错误控制和局部备择下的功效刻画。在高维中介变量情形下,方法在结果模型中一致选择重要特征。数值研究表明该方法在多种设定下优于现有方法,并通过DNA甲基化中介童年创伤对皮质醇应激反应影响的实证分析展示应用。
  • 关键技术: quantile partial linear mediation analysis, deep neural networks for confounding, high-dimensional mediator selection, asymptotic inference, local alternatives power analysis
  • 为什么对您有用: 本文属于因果推断中的中介分析方向,与您的主要兴趣(mediation, high-dimensional, semiparametric)直接相关。您可以用非常熟悉的非参数统计和极小极大界工具来审视其DNN建模混杂的收敛率,或用中等熟悉的中介识别理论来评估其分位数效应的因果解释。中期可做:需在深度学习的理论性质上稍作提升(属于 moderately_familiar 的 semiparametric theory 范畴)。

2. 10.1214/26-ejs2573 · arXiv — Fast convergence rates for dose-response estimation

  • 作者: Matteo Bonvini, Edward H. Kennedy
  • 期刊/来源: Electronic Journal of Statistics
  • 机构: Rutgers, The State University of New Jersey · Carnegie Mellon University
  • 分类: vol 20 · issue 2 · pp 3839-3907
  • 相关性 8/10 · novelty: new_method
  • 摘要: 本文研究连续处理变量下的剂量-反应曲线估计,目标是在无未测量混杂假设下估计部分均值函数。作者首先基于经验风险最小化提出全局和局部两类估计器,将其视为两阶段回归问题,便于用现成软件实现。主要贡献是构造基于高阶影响函数(HOIF)的 m 阶估计器,在特定条件下达到该问题已知最快的收敛速率。作者为每种估计器给出了均方误差的上界,并通过模拟和实证应用评估有限样本表现。补充材料还提供了针对连续处理下违反无未测量混杂假设的灵活非参数敏感性分析方法。该工作直接连接您的因果推断和效率理论兴趣,特别是高阶影响函数在非参数估计中的应用。
  • 关键技术: higher-order influence functions, empirical risk minimization, two-stage regression, nonparametric regression with estimated outcomes, sensitivity analysis
  • 为什么对您有用: 本文是您 primary interest 中 causal inference 和 efficiency theory 的交叉点:它把 HOIF(您 moderately_familiar 的武器)用于连续处理的剂量-反应估计,并声称达到最快收敛速率。您可以用 very_familiar 的 minimax bounds 和 nonparametric statistics 来验证其速率是否最优,或用 HOIF 理论推导其高阶偏差项。中期可做:若想深入其敏感性分析部分,需在 identification theory 上再熟悉一些(moderately_familiar 项)。

3. 10.1214/26-ejs2568 · arXiv — Bayesian sensitivity analysis for a missing data model

  • 作者: B. Eggen, S.L. van der Pas, A.W. van der Vaart
  • 期刊/来源: Electronic Journal of Statistics
  • 机构: Delft University of Technology · Vrije Universiteit Amsterdam
  • 分类: vol 20 · issue 2 · pp 3546-3581
  • 相关性 8/10 · novelty: new_theory
  • 摘要: 本文在因果推断的缺失数据框架下,针对结局缺失完全随机(MCAR)这一关键假设进行贝叶斯敏感性分析。目标估计量为平均结局,模型对结局分布采用非参数先验(Dirichlet 过程或扩展 gamma 过程),并对敏感性参数赋予信息先验。作者研究了两种参数化方式:对结局分布和给定处理下的条件结局分布分别建模,二者对敏感性参数的先验诱导方式不同,并讨论了各自的优缺点。理论方面,作者证明了估计平均结局的后验满足 Bernstein-von Mises 定理,其中关键工具是归一化扩展 gamma 过程的一般性 Bernstein-von Mises 定理。模拟研究展示了有限样本下的方法表现。对您而言,本文连接了敏感性分析与贝叶斯非参数理论,其 Bernstein-von Mises 结果可视为半参数效率理论在贝叶斯框架下的对应物。
  • 关键技术: Bayesian sensitivity analysis, Dirichlet process prior, extended gamma process, Bernstein-von Mises theorem, missing at random
  • 为什么对您有用: 本文直接关联您的 causal inference 兴趣中的敏感性分析子方向,且其 Bernstein-von Mises 定理与半参数效率理论(您的 moderately_familiar 项)有紧密联系。您可以用 very_familiar 的非参数统计和 minimax 工具来审视其先验选择的频率性质,或进一步推导敏感性参数的半参数效率界。中期可做:若想深入贝叶斯非参数效率,需在 semiparametric theory 上加强。

4. 10.1214/26-ejs2588 · arXiv — Private Model-X Knockoffs via Johnson–Lindenstrauss transform

  • 作者: Yuxuan Tao, Adel Javanmard
  • 期刊/来源: Electronic Journal of Statistics
  • 机构: University of Southern California
  • 分类: vol 20 · issue 2 · pp 4403-4470
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文提出一种在高维受控变量选择中实现差分隐私的新框架,目标是在(ε,δ)-DP约束下严格控制FDR。现有隐私机制如高斯噪声注入会破坏Model-X knockoff的交换性条件,作者改用Johnson–Lindenstrauss变换(JLT)对knockoff矩阵进行私有化,通过近似等距保持协变量关系。理论上,作者渐近刻画了所提私有变量选择过程的FDR和功效,并分析了隐私参数、样本量和特征维度对隐私-功效权衡的影响。分析基于一种针对高维私有knockoff的新颖去偏技术,并建立了功效趋于1的充分条件。结果表明,通过随机投影的结构性隐私保护优于经典噪声添加机制,即使在严格隐私预算下也能保持统计功效。对您而言,该工作将knockoff的FDR控制与差分隐私结合,其去偏技术和渐近分析思路可迁移至您关注的proximal CI或敏感性分析中的隐私保护问题。
  • 关键技术: Model-X knockoffs, differential privacy, Johnson-Lindenstrauss transform, FDR control, debiasing technique, asymptotic analysis
  • 为什么对您有用: 该论文直接关联您的主要兴趣之一——因果推断中的变量选择与FDR控制,且其隐私机制设计涉及高维统计和随机投影,与您熟悉的高维渐近和U-统计量技术有潜在交集。您可以用very_familiar的高维渐近工具(如经验过程、集中不等式)验证其渐近结论的紧性,或用moderately_familiar的HOIF思想分析其去偏步骤的偏差-方差权衡。属于中期可做:需先在差分隐私的机制设计上补充知识,但核心统计工具已具备。

高维统计 / 随机矩阵 (high_dim_rmt, 2 篇)

1. 10.1214/26-ejs2579 · arXiv — Moment-based adjustments of statistical inference in high-dimensional generalized linear models

  • 作者: Kazuma Sawaya, Yoshimasa Uematsu, Masaaki Imaizumi
  • 期刊/来源: Electronic Journal of Statistics
  • 机构: Hitotsubashi University · RIKEN Center for Advanced Intelligence Project · The University of Tokyo
  • 分类: vol 20 · issue 2 · pp 4083-4133
  • 相关性 7/10 · novelty: new_method
  • 摘要: 在高维广义线性模型(GLM)中,当维度 p 与样本量 n 同阶且 p/n 接近或大于 1 时,构造置信区间需要估计信号强度等未知超参数,但现有估计器在理论和经验上均不稳定。本文提出一种基于输出变量矩和凸替代损失的超参数估计器,并建立推断框架,前提是链接函数具有不对称性。该估计器利用 GLM 输出的矩信息,在 p/n 极限超过 1 时仍能保证超参数估计的强相合性,且置信区间渐近达到精确覆盖概率。数值实验验证了理论结果。该工作为高维 GLM 的统计推断提供了新的思路,尤其适用于 p/n 接近或大于 1 的困难情形。
  • 关键技术: moment-based estimation, convex surrogate loss, high-dimensional GLM, confidence intervals, strong consistency
  • 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,特别是 p/n 接近或大于 1 的推断问题。您熟悉的非参数统计和 minimax 界工具可用于分析其估计器的收敛性,而您在高维渐近方面的经验可帮助验证其理论声明的紧性。中期可做:可尝试将矩方法推广到其他链接函数或非对称设定,需先加强在 semiparametric 理论方面的基础。

2. 10.1214/26-ejs2571 · arXiv — Efficient canonical correlation analysis with sparsity

  • 作者: Zixuan Wu, Coralie Rousseau, Elena Tuzhilina, Claire Donnat
  • 期刊/来源: Electronic Journal of Statistics
  • 机构: University of Chicago · University of Toronto
  • 分类: vol 20 · issue 2 · pp 3959-4021
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文针对高维稀疏 CCA 问题,提出一种快速且统计上一致的算法 ECCAR,旨在解决现有稀疏 CCA 方法在计算速度与统计严谨性之间的两难。作者将 CCA 重新表述为高维降秩回归问题,从而在不依赖 Fantope 投影等昂贵技术的情况下,推导出具有高概率误差界的相合估计量。该算法无需投影、可扩展,且显著快于现有竞争者。通过大量模拟和三个复杂生物数据集及一个机器学习可解释性任务,验证了方法的有效性和可解释性。本文为大规模多模态数据分析提供了实用且可信的稀疏 CCA 工具,并附有 R 包。
  • 关键技术: sparse CCA, reduced-rank regression, high-dimensional consistency, high-probability error bounds, projection-free algorithm
  • 为什么对您有用: 本文属于高维统计与稀疏估计的交叉方向,与您的高维统计兴趣直接相关,特别是降秩回归与稀疏性结合的分析框架。您可以用 very_familiar 的 minimax 界工具来检验其误差界是否最优,或用 moderately_familiar 的 M-估计理论来审视其相合性证明。该文算法设计简洁,适合作为高维稀疏方法的一个实用参考,且 R 包便于复现。

非参数 / 半参数 (nonparam_semipara, 7 篇)

1. 10.1214/26-ejs2566 — Rate-optimal and computationally efficient nonparametric density and probability estimation on the circle and the sphere

  • 作者: Athanasios G. Georgiadis, Andrew P. Percival
  • 期刊/来源: Electronic Journal of Statistics
  • 机构: Trinity College Dublin
  • 分类: vol 20 · issue 2 · pp 3255-3290
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文研究单位圆和单位球面上的非参数密度估计问题,目标是在计算效率与统计最优性之间取得平衡。作者首先构建了新的密度估计器,这些估计器在 minimax 意义下达到率最优,同时其计算复杂度适合直接实现。随后,作者推导了圆和球面上区域概率估计的闭式表达式,避免了数值积分。理论结果通过大量模拟研究得到验证,并应用于动物学、气候学、地球物理学和天文学等案例。该工作为方向统计和球面数据分析提供了兼具理论保证与实用性的工具,其方法论可推广至更广泛的科学领域。
  • 关键技术: minimax rate-optimal estimation, sphere density estimation, closed-form probability estimates, computational efficiency, directional statistics
  • 为什么对您有用: 本文属于非参数估计理论,直接关联您的主要兴趣。其核心贡献在于同时实现率最优与计算高效,这与您熟悉的 minimax 界和非参数估计技术高度契合。您可以用 very_familiar 的 minimax bounds 工具来验证其声称的最优率是否紧,并评估其计算复杂度与统计效率的权衡。该工作为球面数据分析提供了新工具,可作为您进入方向统计或天文统计应用的桥梁。

2. 10.1214/26-ejs2574 — Kernel regression with predictors in metric spaces

  • 作者: Chenfei Gu, Mian Huang, Yuchen Li, Xin Liu
  • 期刊/来源: Electronic Journal of Statistics
  • 机构: Shanghai University of Finance and Economics
  • 分类: vol 20 · issue 2 · pp 3707-3741
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文针对预测变量取值于一般度量空间(满足温和正则条件)的回归问题,提出了一种新的核回归框架。该框架基于度量分布函数和度量概率密度函数的概念,分别构造了局部和全局估计量。理论上,作者建立了条件L2收敛速率和渐近正态性,并给出了相应的正则条件。实际实现中,提出了基于最小二乘度量交叉验证的数据驱动带宽选择方法。模拟研究覆盖了流形和非流形度量空间,并应用于股票指数与其成分股的数据,展示了良好的有限样本性能。对您而言,该工作将非参数回归推广到非欧几里得数据,与您熟悉的非参数统计和半参数理论有直接关联,其度量分布函数的思想可能对处理复杂数据结构有启发。
  • 关键技术: metric distribution function, metric probability density function, local polynomial regression, global kernel estimator, least-squares cross-validation, asymptotic normality
  • 为什么对您有用: 本文属于非参数统计在非欧几里得数据上的扩展,直接关联您的非参数统计兴趣。您可以用非常熟悉的非参数估计和渐近理论工具来评估其收敛速率和渐近正态性证明,并考虑将其与您的高阶U统计量计算框架结合,探索度量空间中的U统计量估计问题。中期可做:需先熟悉度量空间上的概率论工具(如度量分布函数的性质)。

3. 10.1214/26-ejs2521 · arXiv — Stability bounds for smooth optimal transport maps and their statistical implications

  • 作者: Sivaraman Balakrishnan, Tudor Manole
  • 期刊/来源: Electronic Journal of Statistics
  • 机构: Carnegie Mellon University · Massachusetts Institute of Technology
  • 分类: vol 20 · issue 2 · pp 3078-3105
  • 相关性 7/10 · novelty: new_theory
  • 摘要: 本文研究两个概率分布之间最优传输(OT)映射的估计问题,聚焦于基于分布估计的插件估计器。作者提出了新的 OT 映射稳定性界,将估计传输映射的问题归结为在 Wasserstein 距离下估计密度的问题,避免了以往工作中依赖 Monge-Ampère 方程正则性理论所需的非自然假设。文章还揭示了插件估计器分析中的稳定性界与基于 Brenier 势的估计器分析中的半对偶泛函增长界之间的联系。通过重新审视 Manole 等人提出的平滑设定,作者在更一般的条件下分析了两种估计器,且不要求底层测度的光滑性或有界性。作为示例,作者对强对数凹和对数光滑分布之间的最近邻估计器给出了无调参的新分析。
  • 关键技术: plugin estimators, stability bounds for OT maps, Wasserstein distance, Brenier potential, nearest neighbor estimator, log-concave distributions
  • 为什么对您有用: 本文属于非参数与半参数理论方向,直接关联您对最优传输估计的 minimax 率与正则性假设的兴趣。您可以用非常熟悉的非参数统计和 minimax 界工具来验证其稳定性界是否紧,并探索将结果推广到更高维或更弱假设的情形。中期可做:结合您 moderately_familiar 的 M-估计理论,分析 Brenier 势估计器的渐近效率。

4. 10.1214/26-ejs2589 · arXiv — Gaussian and bootstrap approximations for functional principal component regression

  • 作者: Hyemin Yeon
  • 期刊/来源: Electronic Journal of Statistics
  • 机构: George Mason University
  • 分类: vol 20 · issue 2 · pp 4586-4624
  • 相关性 7/10 · novelty: new_theory
  • 摘要: 本文研究函数型主成分回归(FPCR)的渐近推断问题。传统观点认为,由于FPCR估计量在任何标量缩放下都不满足中心极限定理,因此不适合直接进行统计推断。作者通过引入合适的算子缩放,证明了FPCR估计量在函数空间上具有高斯近似和bootstrap近似的有效性。这一结果被应用于函数回归模型中斜率函数的显著性检验,并展示了良好的数值表现。此外,该发现为投影推断提供了新框架。本文的方法核心在于利用算子范数下的收敛性而非标量缩放,从而绕开经典CLT失效的障碍。对您而言,该工作与您的半参数与非参数理论兴趣高度相关,特别是其中关于函数型数据推断的渐近理论,可能启发您在高维或函数型设定下发展新的推断方法。
  • 关键技术: functional principal component regression, Gaussian approximation, bootstrap approximation, operator scaling, projection inference
  • 为什么对您有用: 本文直接关联您的非参数与半参数理论兴趣,尤其是函数型数据推断的渐近理论。您可以用您非常熟悉的非参数统计和极小极大界工具来审视其算子缩放的收敛速率是否最优,或探索将其推广到更复杂的函数回归设定。中期可做:若想深入,需在函数型数据分析的特定工具上加强,但当前武器库已足够支撑初步阅读和理论分析。

5. 10.1214/26-ejs2570 — Nonparametric drift estimation for i.i.d. paths of censored stochastic differential equations

  • 作者: Yichuan Huang
  • 期刊/来源: Electronic Journal of Statistics
  • 机构: Université Paris Nanterre · Modélisation aléatoire de Paris Nanterre
  • 分类: vol 20 · issue 2 · pp 3582-3622
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文研究连续时间右删失下扩散过程漂移项的非参数估计。观测模型为 Y_t = min(X_t, C_t),其中潜在过程 X 满足 dX_t = b(X_t)dt + σ(X_t)dW_t,删失过程 C 是可能依赖 X 的连续半鞅。基于 N 条固定时间区间 [0,T] 上的 i.i.d. 轨迹,作者构造了问题特定的对比函数和投影最小二乘估计量。建立了非渐近风险界,提出了带显式惩罚的自适应维数选择规则,并在紧域上的 Besov 球和非紧域上的 Sobolev 型类上推导了收敛速率。还引入了删失水平的诊断程序,并通过模拟展示了删失机制对估计性能的影响。对您而言,该文的非参数估计框架和自适应选择规则可迁移到纵向因果推断中处理删失协变量的场景。
  • 关键技术: projection least-squares estimator, nonasymptotic risk bounds, adaptive dimension selection, Besov balls, Sobolev-type classes, continuous-time right censoring
  • 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。其处理删失数据的非参数估计方法,可迁移到纵向因果推断中处理删失协变量的场景。您可用 very_familiar 的非参数统计和 minimax 界工具来评估其速率的最优性,属于立即可做的 follow-up。

6. 10.1214/26-ejs2551 · arXiv — Quantile regression with measurement errors

  • 作者: Mushan Li, Yanyuan Ma, Liqun Wang
  • 期刊/来源: Electronic Journal of Statistics
  • 机构: Pennsylvania State University · University of Manitoba
  • 分类: vol 20 · issue 2 · pp 2943-2963
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文研究协变量含正态测量误差的一般分位数回归模型,目标是在误差存在下估计条件分位数函数。方法通过核平滑处理分位数回归目标函数的不连续性,并利用矩生成函数与复域扩展克服非线性,适用于线性和非线性分位数回归,且无需同时约束多个分位点。估计量在温和条件下达到根号 n 一致性和渐近正态性,这是该设定下首个一致估计量。数值模拟和日本樱花开花时间真实数据验证了方法性能。对您而言,其处理测量误差与非线性分位数回归的技术思路,与您在因果推断中处理未观测混杂和测量误差的估计问题有潜在联系。
  • 关键技术: kernel smoothing, moment generating function, complex domain extension, measurement error correction, quantile regression
  • 为什么对您有用: 本文属于非参数/半参数估计理论,与您的 primary interest 中 semiparametric and nonparametric theory 和 estimation theory in causal inference 相关。其处理测量误差的矩生成函数方法可迁移至因果推断中的测量误差问题,如用 negative control 或 IV 处理时。武器库中 very_familiar 的非参数统计和估计理论足以理解并可能扩展该方法,属于立即可做的阅读。

7. 10.1214/26-ejs2587 — Direction estimation for partial linear single index models with discrete covariates

  • 作者: Wushuang Tan, Haoran Zhan, Efang Kong
  • 期刊/来源: Electronic Journal of Statistics
  • 机构: University of Electronic Science and Technology of China · Southwestern University of Finance and Economics
  • 分类: vol 20 · issue 2 · pp 4378-4402
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文研究部分线性单指标模型(PLSIM)中离散协变量的方向参数估计问题。现有方法通常要求离散变量仅进入线性部分,因为基于梯度的初始估计(如平均导数估计)对离散变量不可识别。作者提出一种综合估计程序,允许离散变量进入非线性指标部分,通过结合非参数平滑和离散变量的特定处理来获得一致估计。推导了估计量的渐近性质,包括相合性和渐近正态性,并通过模拟研究和两个真实数据集验证了方法的有效性。该方法扩展了PLSIM的适用范围,为混合类型协变量的半参数建模提供了新工具。对您而言,该文涉及半参数与非参数理论中的估计方法,且其处理离散协变量的思路可能对因果推断中的纵向数据或中介分析有借鉴意义。
  • 关键技术: partial linear single index model, average derivative estimation, kernel smoothing, profile likelihood, asymptotic normality
  • 为什么对您有用: 该文属于半参数与非参数理论方向,直接关联您的主要兴趣。其处理离散协变量的方法可能对因果推断中的纵向数据或中介分析有借鉴意义。您可用非常熟悉的非参数统计工具(如核平滑)来理解其估计机制,并考虑是否可将类似思路应用于您熟悉的因果推断设定。中期可做:若想深入比较其效率性质,需在semiparametric theory上进一步巩固。

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

1. 10.1214/26-ejs2583 · arXiv — Efficient inference on high-dimensional linear models with missing outcomes

  • 作者: Yikun Zhang, Alexander Giessing, Yen-Chi Chen
  • 期刊/来源: Electronic Journal of Statistics
  • 机构: University of Washington · National University of Singapore
  • 分类: vol 20 · issue 2 · pp 4256-4377
  • 相关性 8/10 · novelty: new_method
  • 摘要: 本文研究高维线性回归中结果变量随机缺失(MAR)时的推断问题,目标是回归函数的逐点估计与置信区间。作者提出一个结合 Lasso 初始估计与基于加权残差的偏差校正项的估计量,权重由倾向得分估计决定,并通过凸优化在偏差与方差间做最优权衡。在倾向得分可在样本点处逐点一致估计的条件下,该估计量渐近正态,且在一切渐近线性估计量中达到半参数有效界。即使倾向得分由现代机器学习方法估计,估计量的渐近性质仍然成立,体现了正交化与交叉拟合的思想。模拟实验验证了有限样本表现,并应用于 SDSS 星系恒星质量推断的实际问题。对您而言,该文将高维正则化估计与半参数效率理论结合,是 DML 框架在缺失数据场景下的一个清晰范例。
  • 关键技术: Lasso pilot estimate, bias correction via weighted residuals, propensity score weighting, convex optimization for bias-variance tradeoff, semiparametric efficiency, double machine learning
  • 为什么对您有用: 直接关联您的效率理论(semiparametric efficiency bounds)与 debiased ML 兴趣:本文给出高维缺失数据下达到半参数有效界的估计量,且允许机器学习估计倾向得分。您可用 very_familiar 的 minimax bounds 与 high-dimensional asymptotics 工具检验其效率界的紧性,或扩展至更一般的缺失机制。中期可做:若想推广到非参数回归或处理效应,需在 moderately_familiar 的 semiparametric theory 上进一步巩固。

数理统计 / 假设检验 (hypothesis_testing, 11 篇)

1. 10.1214/26-ejs2557 · arXiv — Consistency and inconsistency in k-means clustering

  • 作者: Moïse Blanchard, Adam Quinn Jaffe, Nikita Zhivotovskiy
  • 期刊/来源: Electronic Journal of Statistics
  • 机构: Georgia Institute of Technology · Columbia University · University of California, Berkeley
  • 分类: vol 20 · issue 2 · pp 3291-3334
  • 相关性 6/10 · novelty: new_theory
  • 摘要: 本文研究 k-means 聚类在总体分布仅具有有限期望(而非有限方差)条件下的渐近一致性。Pollard 的经典结果表明,在有限方差假设下,经验 k-means 聚类中心一致收敛到总体聚类中心;本文指出,在更弱的有限期望假设下,总体 k-means 问题仍然良定义,但经验聚类中心的收敛性变得微妙。作者通过一系列反例证明,即使总体聚类中心唯一,经验聚类中心也可能不收敛,其根源在于极端的不平衡聚类——离群样本导致某些经验簇只包含极少点。随后,作者提出若干正结果,表明若对经验簇施加先验的平衡约束,则可以在有限期望假设下恢复某种形式的渐近一致性。该工作深化了对 k-means 聚类统计性质的理解,并为弱假设下的聚类推断提供了理论依据。
  • 关键技术: k-means clustering, asymptotic consistency, counterexamples, cluster balance constraints, empirical process
  • 为什么对您有用: 本文属于数学统计与假设检验方向,直接关联您对非参数/半参数理论中估计量一致性的兴趣。您可以用 very_familiar 的 minimax 界工具来分析其正结果中平衡约束下的收敛速率是否最优,或探索将平衡约束推广到其他聚类方法(如谱聚类)的可行性。

2. 10.1214/26-ejs2565 · arXiv — Global consistency of empirical likelihood

  • 作者: Haodi Liang, Jiahua Chen
  • 期刊/来源: Electronic Journal of Statistics
  • 机构: University of British Columbia
  • 分类: vol 20 · issue 2 · pp 3394-3422
  • 相关性 6/10 · novelty: new_theory
  • 摘要: 本文研究经验似然(empirical likelihood)框架下 profile 经验似然函数的全局极大值的一致性。Qin 和 Lawless 的经典结果只保证真值附近存在一致的局部极大值,但实践中无法判断某个局部极大值是否接近真值。作者给出了一组条件,在这些条件下 profile 经验似然函数的全局极大值是相合的,填补了这一理论空白。他们进一步提出一个‘全局一致性修正’(global consistency remedy)来确保该性质成立,并设计了一个‘全局极大值检验’(global maximum test)来判断给定局部极大值是否为全局极大值。该工作为经验似然推断的可靠性提供了重要保障,属于非参数推断与假设检验的交叉方向。对您而言,这与您对假设检验和非参数理论的兴趣直接相关,且其检验构造思路可能对您在高维或半参数设定下的推断问题有启发。
  • 关键技术: empirical likelihood, profile likelihood, global maximum consistency, hypothesis testing, nonparametric inference
  • 为什么对您有用: 直接关联您的 primary interest 中的‘mathematical statistics (hypothesis testing)’和‘semiparametric and nonparametric theory’。该文解决经验似然推断中一个基础但关键的问题——全局极大值的一致性,这直接影响推断的可靠性。您可以用您 very_familiar 的‘nonparametric statistics’和‘minimax bounds’工具来审视其条件是否可放宽或推广到高维情形。中期可做:若想将其推广到高维或半参数模型,需在‘semiparametric theory’上进一步打磨。

3. 10.1214/26-ejs2549 — On the asymptotic distribution of the Shorack-Wellner statistic

  • 作者: Jean-Renaud Pycke
  • 期刊/来源: Electronic Journal of Statistics
  • 机构: Centre National de la Recherche Scientifique · Université Paris-Saclay · Laboratoire de Mathématiques et Modélisation d'Évry
  • 分类: vol 20 · issue 2 · pp 3523-3545
  • 相关性 6/10 · novelty: new_theory
  • 摘要: 本文解决了 Shorack 和 Wellner 在《Empirical Processes with Applications to Statistics》中提出的一个开放问题:推导 Tn2 统计量的渐近分布。该统计量与 Watson 统计量的关系类似于 Anderson-Darling 统计量与 Cramer-von Mises 统计量的关系。作者证明了在均匀性原假设下,Tn2 的渐近分布是独立卡方随机变量的无穷加权和,并计算了权重。此外,通过证明 Tn2 是 Beran 统计量,作者表明基于 Tn2 的检验是某些圆形备择下的局部最优不变检验,并证明了这些备择的存在性。文章还推导了 Tn2 的大偏差结果,用于计算 Bahadur 效率下的近似和局部精确斜率,并与 Watson 统计量的效率进行了比较。
  • 关键技术: infinite weighted chi-squared sum, Beran statistic, locally most powerful invariant test, large deviation, Bahadur efficiency
  • 为什么对您有用: 本文属于假设检验领域,直接关联您的主要兴趣之一。其核心贡献在于推导了特定检验统计量的渐近分布和效率性质,涉及加权卡方分布和大偏差技术,这些与您熟悉的经典统计理论高度相关。虽然不涉及高维或因果推断,但可作为假设检验理论的一个具体案例,其技术(如特征函数展开、大偏差)可能对您思考其他检验问题有启发。

4. 10.1214/26-ejs2575 · arXiv — Confidence sequences with informative, bounded-influence priors

  • 作者: Stefano Cortinovis, Valentin Kilian, François Caron
  • 期刊/来源: Electronic Journal of Statistics
  • 机构: University of Oxford
  • 分类: vol 20 · issue 2 · pp 4727-4762
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文研究高斯观测(已知方差)下利用信息性先验构造置信序列(confidence sequences)的问题,目标是在任意样本量下同时覆盖真实参数。作者采用混合鞅(method of mixtures)结合扩展 Ville 不等式,构造的置信序列在先验正确时比非信息性版本更紧,但在先验与数据冲突时仍保持有界而非退化。文中给出了扩展 Ville 置信序列为凸集的充分条件,并证明贝叶斯后验均值总落在置信区域内,从而提供自然的点估计。理论结果通过多种经典先验的模拟验证。对您而言,该工作将贝叶斯先验与频率学同时推断结合,其凸性和后验包含性结果可能对您在高维或半参数推断中的稳健置信集构造有启发。
  • 关键技术: method of mixtures, extended Ville's inequality, confidence sequences, informative priors, prior-data conflict
  • 为什么对您有用: 该论文属于假设检验/序贯推断方向,与您对 hypothesis testing 的兴趣直接相关;其核心机制(混合鞅 + 扩展 Ville 不等式)可视为一种稳健推断工具,您可用 very_familiar 的非参数统计和 minimax 思维来审视其最优性;立即可做:将凸性条件推广到非高斯或高维设定,中期可做:结合您 moderately_familiar 的 HOIF 理论分析其高阶影响函数。

5. 10.1214/26-ejs2581 · arXiv — Inference optimal long run variance estimation with lugsail kernels

  • 作者: Rebecca P. Kurtz-Garcia, James M. Flegal
  • 期刊/来源: Electronic Journal of Statistics
  • 机构: Smith College · University of California, Riverside
  • 分类: vol 20 · issue 2 · pp 4208-4255
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文针对平稳序列的长期方差估计问题,提出了一种基于lugsail核的推断最优带宽选择规则。传统谱方差估计在正相关下存在显著负偏,而零lugsail估计虽能消除渐近偏差,但缺乏带宽选择指导。作者推导了非标准固定平滑渐近分布,并据此构造了使推断最优的带宽规则,同时兼顾偏差校正与方差控制。模拟研究验证了所提方法在覆盖率和区间长度上的改进。该工作为时间序列中的稳健推断提供了实用工具,与您在高维和因果推断中的方差估计问题有潜在联系。
  • 关键技术: lugsail kernels, fixed-smoothing asymptotics, long run variance estimation, bandwidth selection, spectral variance estimators
  • 为什么对您有用: 本文属于假设检验与时间序列推断方向,与您的主要兴趣(假设检验、非参数/半参数理论)相关。您可运用非常熟悉的非参数统计和极小极大界工具来评估该带宽规则的有限样本性质,或将其推广到高维或因果推断中的方差估计。中期可做:需先熟悉固定平滑渐近理论(属于中等熟悉领域)。

6. 10.1214/26-ejs2586 · arXiv — Nonparametric methods controlling the median of the false discovery proportion

  • 作者: Jesse Hemerik
  • 期刊/来源: Electronic Journal of Statistics
  • 机构: Erasmus University Rotterdam
  • 分类: vol 20 · issue 2 · pp 4625-4675
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文提出一种非参数多重检验方法,目标是在大量假设中控制错误发现比例(FDP)的中位数,而非传统的FDR(均值控制)。该方法适用于备择假设具有方向性或区间性(如非劣效性、等价性检验)且预期多数假设为假的场景,例如代谢组学食品安全检测。核心机制是利用检验统计量的对称性构造有效p值或调整过程,不依赖独立性假设,且具有有限样本有效性。方法在用户预期正确时功效较高,预期错误时仍保持有效性但功效降低。与单侧检验相比,该方法在类似设定下通常具有更高功效,且可推广至模型系数等一般参数检验。对您而言,本文属于假设检验方向的新方法,其非参数、有限样本性质与您对数学统计和检验理论的兴趣直接相关,但方法学深度有限,可作为了解FDP中位数控制这一替代框架的入门读物。
  • 关键技术: median false discovery proportion control, nonparametric multiple testing, symmetry-based p-values, finite-sample validity, directional tests
  • 为什么对您有用: 本文属于假设检验方向,直接对应您的主要兴趣之一。其非参数、有限样本性质与您熟悉的非参数统计和检验理论有交集,但方法学创新有限,更像是对FDR控制的变体。作为follow-up,您可以用非常熟悉的非参数工具(如经验过程、对称性论证)快速评估其理论紧性,属于立即可做的范畴。

7. 10.1214/26-ejs2580 · arXiv — Functional post-clustering selective inference with applications to EHR data analysis

  • 作者: Zihan Zhu, Xin Gai, Anru R. Zhang
  • 期刊/来源: Electronic Journal of Statistics
  • 机构: University of Pennsylvania · Vanderbilt University · Duke University
  • 分类: vol 20 · issue 2 · pp 4134-4178
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文针对电子健康记录(EHR)纵向数据中的聚类后推断问题,提出了一种功能性的选择性推断方法。在聚类算法根据患者时间轨迹划分亚型后,直接使用经典均值检验会因选择偏差导致第一类错误膨胀。作者将横截面数据的选择性推断框架推广到纵向数据,通过条件推断校正聚类选择效应。理论上给出了选择性第一类和第二类错误的上界,保证了方法的有效性。方法在模拟数据和急性肾损伤(AKI)真实EHR数据上得到验证,展示了其实际优势。对您而言,该工作将选择性推断与纵向数据结合,是假设检验方向的一个具体应用,其条件推断框架可能与您在高维或半参数检验中的兴趣有交集。
  • 关键技术: selective inference, post-clustering inference, longitudinal data, conditional inference, type-I error control
  • 为什么对您有用: 本文属于假设检验方向,具体是选择性推断在纵向数据中的应用。您对hypothesis testing有主要兴趣,且该文涉及条件推断和误差控制,与您的理论兴趣相关。从技术武器库看,您对非参数统计和M估计熟悉,但选择性推断的条件分布推导可能需要补充相关知识,属于中期可做。

8. 10.1214/26-ejs2567 — A probabilistic characterization of k-means uniqueness

  • 作者: Javier Cárcamo, Antonio Cuevas, Luis-Alberto Rodríguez
  • 期刊/来源: Electronic Journal of Statistics
  • 机构: University of the Basque Country · Consejo Superior de Investigaciones Científicas · Institute of Mathematical Sciences · Universidad Carlos III de Madrid · Universidad Autónoma de Madrid · University of Göttingen
  • 分类: vol 20 · issue 2 · pp 3742-3769
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文在可分 Banach 空间上研究概率分布的 k-means 集合的唯一性,给出了必要且充分条件。在风险最小化框架和标准 Donsker 型条件下,推导了经验组内平方和(WCSS)的渐近分布,从而基于经验 WCSS 的极限行为给出了 k-means 唯一性的概率刻画。基于该刻画构造了自助法检验来评估 k-means 唯一性,并通过模拟研究考察了有限样本表现。该工作将聚类唯一性问题转化为假设检验问题,为聚类稳定性提供了统计推断工具。对您而言,其 Donsker 条件和渐近分布推导与您的经验过程和非参数统计兴趣相关,而自助检验方法可迁移至其他聚类或估计问题。
  • 关键技术: k-means clustering, Donsker-type conditions, empirical process, bootstrap test, asymptotic distribution
  • 为什么对您有用: 本文属于假设检验方向,直接关联您的 primary interest 中的 hypothesis testing 和 nonparametric theory。您可用 very_familiar 的 empirical process 工具验证其 Donsker 条件是否可放宽,或用 moderately_familiar 的 M-estimation 理论分析其检验的局部功效。立即可做:基于现有工具可复现其渐近结果并尝试扩展至更一般损失。

9. 10.1214/26-ejs2555 · arXiv — An MCMC hypothesis test to check a claimed sampler: Applied to a claimed sampler for the G-Wishart distribution

  • 作者: Håkon Tjelmeland, Hanna Bu Kvaløy
  • 期刊/来源: Electronic Journal of Statistics
  • 机构: Norwegian University of Science and Technology
  • 分类: vol 20 · issue 2 · pp 3501-3522
  • 相关性 4/10 · novelty: new_method
  • 摘要: 本文提出一种基于 MCMC 的假设检验方法,用于验证一个声称从目标分布 p(x) 采样的算法是否真的正确。核心设定是:已知一个关于 p(x) 满足细致平衡的 Metropolis-Hastings 转移核,若 H0 成立(声称的采样器正确),则用该采样器生成初始状态并运行 MH 链固定步数后,初始与终态是可交换的。结合排列策略构造检验统计量并给出有效的 p 值。方法被应用于文献中声称能采样任意 G-Wishart 分布的算法,由于该算法缺乏严格证明,正好落入此检验框架。对比已知精确采样器的子集,结果显示声称的通用采样器显著偏离目标分布,而精确算法通过检验。该方法为验证复杂采样器正确性提供了一种实用的诊断工具,对您而言,其排列检验与交换性思想可迁移到您熟悉的假设检验框架中,但需注意其计算成本与检验功效的权衡。
  • 关键技术: Metropolis-Hastings, exchangeability, permutation test, p-value, G-Wishart distribution
  • 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。其核心思想——利用 MCMC 链的交换性构造检验——为验证采样器正确性提供了新视角,您可用熟悉的排列检验和假设检验理论快速理解。但方法本身不涉及高维或半参数理论,且计算成本可能较高,属于中等相关。

10. 10.1214/26-ejs2578 — Invariant loss functions for Bayesian estimation of heterogeneous common mean

  • 作者: Andrew L. Rukhin
  • 期刊/来源: Electronic Journal of Statistics
  • 机构: University of Maryland, Baltimore County
  • 分类: vol 20 · issue 2 · pp 4022-4044
  • 相关性 4/10 · novelty: new_method
  • 摘要: 本文研究异方差观测下共同均值(common mean)的贝叶斯估计问题,其中观测独立但方差未知。作者考虑了几种在位置-尺度变换下不变的损失函数,并针对非信息性客观先验推导出相应的贝叶斯估计量。这些估计量具有加权平均的形式,其数据依赖的权重在位置-尺度变换下保持不变。在正态数据情形下,对所有参数采用共轭先验会导致位置参数的贝叶斯估计量属于 t 分布族。文章还提供了所考虑估计量方差的渐近公式。该工作属于参数估计理论,与您的假设检验和效率理论兴趣相关,但方法上偏经典贝叶斯分析,而非现代半参数或高维方法。
  • 关键技术: invariant loss functions, Bayes estimators, objective priors, location-scale transformations, conjugate priors, asymptotic variance
  • 为什么对您有用: 本文涉及异方差数据下的参数估计,与您的假设检验和效率理论兴趣有交集,但更偏向经典贝叶斯框架。作为数学统计学家,您可能对不变损失函数和客观先验下的贝叶斯估计的渐近性质感兴趣,但该文不涉及现代因果推断或高维方法。武器库中的非参数统计和 M 估计理论可用于分析其估计量的渐近行为,但核心问题并非您的主要方向,因此属于边缘相关。

11. 10.1214/26-ejs2546 · arXiv — Carefree multiple testing with e-processes

  • 作者: Yury Tavyrikov, Jelle J. Goeman, Rianne de Heide
  • 期刊/来源: Electronic Journal of Statistics
  • 机构: Vrije Universiteit Amsterdam · Leiden University Medical Center · Centrum Wiskunde & Informatica · University of Twente
  • 分类: vol 20 · issue 2 · pp 3178-3189
  • 相关性 4/10 · novelty: new_method
  • 摘要: 本文研究 e-processes 框架下的多重检验问题,目标是保证在线数据收集过程中的 FDR 控制。作者指出,现有 e-BH 方法对数据收集顺序不具不变性,可能导致已拒绝的假设在后续时间点被撤销。他们论证应使用 e-processes 的上确界进行多重检验,并给出反例说明 e-BH 应用于上确界时无法控制 FDR,同时平均化方法无法控制 FWER,closed e-BH 也无法控制 FDR。最后,作者证明通过 adjusters 可以在任意依赖结构下恢复 e-BH 的 FDR-sup 控制。该工作为在线多重检验提供了更稳健的方法论基础,与您的假设检验兴趣直接相关。
  • 关键技术: e-processes, e-BH procedure, FDR control, supremum of e-processes, adjusters
  • 为什么对您有用: 直接关联您的假设检验兴趣,特别是多重检验与在线决策场景。您熟悉的非参数统计和 M-估计理论可用于分析 e-processes 的构造与性质,而 adjusters 的机制可能与您熟悉的 debiased ML 中的偏差校正有类比。中期可做:需先熟悉 e-processes 的在线推断文献,再探索与您已有的 e-BH 变体的结合。

统计计算 / 算法 (stat_computing, 1 篇)

1. 10.1214/26-ejs2556 · arXiv — Analysis of kinetic Langevin Monte Carlo under the stochastic exponential Euler discretization from underdamped all the way to overdamped

  • 作者: Kyurae Kim, Samuel Gruffaz, Ji Won Park, Alain Oliviero Durmus
  • 期刊/来源: Electronic Journal of Statistics
  • 机构: University of Pennsylvania · Centre Borelli · Genentech · Centre National de la Recherche Scientifique · École Polytechnique · Centre de Mathématiques Appliquées de l'École polytechnique
  • 分类: vol 20 · issue 2 · pp 3106-3142
  • 相关性 4/10 · novelty: new_theory
  • 摘要: 本文研究动力学 Langevin 蒙特卡洛(KLMC)在随机指数欧拉离散化(指数积分器)下的收敛性质,目标是采样仅已知未归一化密度的分布。现有分析在强对数凹和 log-Lipschitz 光滑目标下通过同步 Wasserstein 耦合给出收缩和偏差界,但对参数限制过强,无法解释欠阻尼到过阻尼全谱系的行为,尤其在过阻尼极限下已知结果失效。作者重新审视同步 Wasserstein 耦合分析,得到在更弱参数条件下成立的 Wasserstein 收缩和渐近偏差界,证明指数积分器在适当时间缩放后能稳定模拟过阻尼动力学。理论结果通过数值实验验证,展示了算法在宽参数范围内的稳定性。对您可能有用:本文属于统计计算中 MCMC 采样的理论分析,与您对算法数值方法的兴趣相关,但其核心是马尔可夫链收敛理论而非因果推断或高维统计。
  • 关键技术: kinetic Langevin Monte Carlo, stochastic exponential Euler discretization, synchronous Wasserstein coupling, log-concave sampling, contraction analysis
  • 为什么对您有用: 本文属于统计计算(MCMC 采样理论),与您 primary interest 中的 statistical computing 直接相关,但并非您最核心的因果推断或高维统计方向。作为 gateway reading,本文对采样算法理论提供了清晰的收敛分析框架,但需要您熟悉 Wasserstein 耦合和 log-concave 采样背景。武器库中 very_familiar 的软件开发和数值方法可帮助复现实验,但理论分析需要额外学习马尔可夫链收敛工具,因此暂不可直接开展后续工作。

其他 (other, 2 篇)

1. 10.1214/26-ejs2572 · arXiv — Euclidean mirrors and first-order changepoints in network time series

  • 作者: Tianyi Chen, Zachary Lubberts, Avanti Athreya, Youngser Park, Carey E. Priebe
  • 期刊/来源: Electronic Journal of Statistics
  • 机构: Johns Hopkins University · University of Virginia
  • 分类: vol 20 · issue 2 · pp 3658-3706
  • 相关性 5/10 · novelty: application
  • 摘要: 本文提出一种网络时间序列模型,其演化由潜在位置过程驱动,并在欧氏空间中表示为一条曲线(Euclidean mirror)。作者定义了网络时间序列的一阶变点(first-order changepoint),即图分布连续演化但变化速率发生改变的时刻,并构造了一类具有该变点的潜在位置过程网络。他们证明,基于谱估计的 Euclidean mirror 能够定位这些变点,即使图分布连续变化。模拟实验和脑类器官网络真实数据表明,该方法能捕捉网络演化中经验上显著的转变。该工作属于网络统计与变点检测的交叉领域,方法上依赖谱嵌入和随机图模型,但未涉及因果推断或高维随机矩阵理论中的核心问题。
  • 关键技术: latent position process, Euclidean mirror, spectral embedding, first-order changepoint detection, network time series
  • 为什么对您有用: 本文与您的主要兴趣(因果推断、高维统计、U-统计量等)无直接重叠,但属于网络时间序列的变点检测,可视为统计方法在复杂数据上的应用。作为入门读物,它清晰展示了谱方法在网络数据中的应用,但未涉及您武器库中的核心工具(如高阶U-统计量、半参数效率理论)。因此,本文仅作为了解网络统计方向的泛读材料,不值得深入展开。

2. 10.1214/26-ejs2554 · arXiv — Bias corrected variance stabilizing transformation for small area estimation

  • 作者: Masayo Y. Hirose, Malay Ghosh, Mayumi Oka
  • 期刊/来源: Electronic Journal of Statistics
  • 分类: vol 20 · issue 2 · pp 2964-2991
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文研究小域估计(small area estimation)中方差稳定化变换(VST)的偏差校正问题。在响应变量正态性假设不成立时,VST 可同时改善正态性并赋予变换后变量已知方差,但现有文献忽略了逆变换(back transformation)引入的偏差。作者提出渐近无偏的经验贝叶斯(EB)小域均值估计量,并给出其均方误差(MSE)及估计 MSE 的理论结果。通过模拟和实际数据分析验证了方法的有效性。一个意外发现是,部分结果与 Morris (1982,1983) 的自然指数族二次方差函数(NEF-QVF)分布族产生联系。
  • 关键技术: variance stabilizing transformation, empirical Bayes estimation, small area estimation, bias correction, mean squared error estimation
  • 为什么对您有用: 本文属于小域估计这一应用统计方向,与您的主要兴趣(因果推断、高维、半参数等)无直接交集,但其中经验贝叶斯与偏差校正的思想可能对您处理纵向或分层数据中的估计问题有启发。作为方法学论文,其理论推导(MSE 估计)与模拟验证的框架值得借鉴,但核心机器(小域模型、EB)不在您的武器库中,属于暂不可做范畴。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论