跳转至

JRSS-C · 2026-10-10

  • 共 30 篇 · Journal of the Royal Statistical Society Series C

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JRSS-C的30篇论文大致可归为四条主线。因果推断与政策评估是分量最重的一块,涵盖功能中介分析、准实验设计、贝叶斯结构时间序列及数据融合识别;纵向与生存数据的联合建模次之,多篇处理区间删失、竞争风险和潜在状态;贝叶斯非参数与空间/网络建模构成第三类,涉及社区检测、函数空间划分和时空平滑;其余则散布在假设检验、形状统计、圆柱数据及预测方法等应用统计方向。

因果推断主线中,稀疏功能因果中介分析一文将中介变量设为ICU术后24小时的稀疏功能数据(CVP),结局为零膨胀计数,用参数模拟的拟贝叶斯蒙特卡洛逼近自然效应,是功能数据与计数结局结合的新尝试。时空准实验一文以中国禁止塑料废物进口为自然实验,用连续暴露(距港口距离)和遥感数据估计PM2.5的因果效应,展示了准实验设计在环境监测缺失场景下的应用。层次贝叶斯结构时间序列模型扩展了经典BSTS,通过个体随机效应和horseshoe先验处理纵向调查数据,对预期模型规模误设更稳健。融合分析一文处理两个独立样本无法联合观测的贫困因素,用矩匹配或伪似然识别联合分布,与proximal causal inference中利用负对照变量的思路相通。多树模型则针对纵向混合暴露,估计个体化和亚组特异性的分布式滞后效应,属于异质性因果效应方向。

纵向与生存数据联合建模方面,离散时间生存模型同时建模区间删失协变量、主要结局和删失机制,应用于HIV队列;JMIRT将多个有序纵向指标通过潜在变量连接,并将竞争风险脱落作为协变量纳入,优先分析纵向数据而非传统地将纵向作为生存子模型的协变量。竞争风险治愈模型允许主要癌症存在治愈可能,同时保证总体生存概率趋于零,并讨论了可识别性条件。贝叶斯隐马尔可夫模型将时间-事件发射分布纳入筛查协议,推断潜在疾病状态患病率,考虑了提前检测机制。此外,零膨胀随机波动率模型处理分项CPI中的结构零点,贝叶斯加权离散时间动态模型为每队每期引入独立时变精度参数,均属方法学上有针对性的改进。

与因果推断、半参数效率或高维方向最贴近的优先阅读建议:稀疏功能因果中介分析、时空准实验因果推断、层次贝叶斯结构时间序列、融合分析、多树模型这五篇直接涉及因果识别与效应估计;离散时间生存模型和JMIRT对处理测量误差与时变协变量有借鉴意义;共形推断与图结构约束一文虽属预测集构造,但其风险控制框架与假设检验相关。若关注贝叶斯非参数,社区检测和函数空间划分两篇可作参考。

因果推断 (causal_inference, 8 篇)

1. 10.1093/jrsssc/qlag029 — Gender disparities in rehospitalizations after coronary artery bypass grafting: evidence from a sparse functional causal mediation analysis of the MIMIC-IV data

  • 作者: Henan Xu, Yeying Zhu, Donna L Coffman
  • 期刊/来源: Journal of the Royal Statistical Society Series C
  • 机构: University of Waterloo · University of South Carolina
  • 相关性 8/10 · novelty: application
  • 摘要: 本文在因果中介分析框架下,研究性别对冠状动脉旁路移植术(CABG)后再入院次数的影响,其中中介变量为术后ICU前24小时的稀疏功能数据(中心静脉压,CVP),结局为零膨胀计数(60天内再入院次数)。作者提出一种参数模拟的拟贝叶斯蒙特卡洛近似方法,以处理稀疏功能中介和零膨胀计数结局,并估计自然直接效应与自然间接效应。方法上,通过模拟参数的后验分布并利用蒙特卡洛积分逼近中介效应,避免了高维功能中介的复杂积分。基于MIMIC-IV数据,研究发现女性与再入院次数增加存在因果关系,且CVP的时间变化中介了这一效应。该研究将功能数据中介分析与计数结局相结合,为纵向因果推断提供了新工具。
  • 关键技术: causal mediation analysis, sparse functional mediator, zero-inflated count outcome, quasi-Bayesian Monte Carlo approximation, MIMIC-IV data
  • 为什么对您有用: 本文属于因果推断中中介分析的应用,特别是功能中介与计数结局的结合,与您的primary interest中causal inference(mediation)直接相关。您可以用very_familiar的estimation theory in causal inference来审视其估计量的性质,或用moderately_familiar的identification theory来检查其识别假设。中期可做:若想深入功能中介的理论性质,需在semiparametric theory上加强。

2. 10.1093/jrsssc/qlag031 · arXiv — A spatiotemporal, quasi-experimental causal inference approach to characterize the effects of global plastic waste export and burning on air quality using remotely sensed data

  • 作者: Ellen M Considine, Rachel C Nethery
  • 期刊/来源: Journal of the Royal Statistical Society Series C
  • 机构: Cooperative Institute for Research in Environmental Sciences · University of Colorado Boulder · Harvard University
  • 相关性 7/10 · novelty: application
  • 摘要: 本文利用遥感数据与准实验因果推断方法,评估全球塑料废物出口与焚烧对空气质量的影响。研究以2018年中国禁止进口塑料废物为自然实验,将大量废物转移至印度尼西亚,从而产生一个连续暴露变量——距港口的距离。作者采用时空因果推断技术,估计了塑料废物进口增加对垃圾场附近PM2.5浓度的因果效应,并与2012-2017年的反事实基线进行比较。结果显示,2018-2019年间,中等高港口邻近度暴露下PM2.5平均增加1.68 μg/m3(95% CI [0.72, 2.48]),而极高邻近度下效应较小,可能因政府监管更强。方法上结合了遥感数据、时空模型和准实验设计,为缺乏监测数据的地区提供了政策评估框架。对您而言,本文展示了在低中收入国家数据稀缺情境下,如何利用遥感代理变量和自然实验进行因果推断,与您的proximal causal inference和纵向因果推断兴趣高度相关。
  • 关键技术: quasi-experimental design, spatiotemporal causal inference, continuous exposure, remotely sensed data, difference-in-differences, counterfactual prediction
  • 为什么对您有用: 本文属于应用因果推断,直接连接您的causal inference兴趣中的纵向和准实验设定。您可以用very_familiar的estimation theory in causal inference来审视其估计量的偏差-方差权衡,或用moderately_familiar的identification theory来评估其识别假设(如平行趋势)的合理性。中期可做:若想深入,需在spatiotemporal modeling上补充知识(不在当前武器库中)。

3. 10.1093/jrsssc/qlag054 — Policy evaluation using a hierarchical Bayesian structural time series model

  • 作者: Xuewen Yu, Annie Jeffery, Connor Gascoigne, Ioannis Rotous, Marta Blangiardo, James B Kirkbride et al.
  • 期刊/来源: Journal of the Royal Statistical Society Series C
  • 机构: London School of Economics and Political Science · University College London · Imperial College London
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文针对个体层面时间序列数据(如纵向调查数据)的政策评估问题,提出层次贝叶斯结构时间序列(HBSTS)模型,扩展了经典 BSTS 模型。HBSTS 通过增加一层个体随机效应来容纳每个时间点的多个观测,并使用正则化 horseshoe 先验配合信号自适应变量选择算法,使推断对预期模型规模(即预测协变量个数的先验)不敏感。模拟研究表明,与 BSTS 相比,HBSTS 对预期模型规模的误设更稳健,且检测干预效应的功效更高。作者将该模型应用于英国纵向家庭研究数据,评估英国移民政策改革的影响,发现该政策导致加勒比黑人背景个体出现心理困扰,这与早期贝叶斯中断时间序列分析的结果一致。该模型为纵向因果推断提供了一种灵活的贝叶斯工具,尤其适用于政策干预的准实验评估。
  • 关键技术: Bayesian structural time series, hierarchical modeling, regularized horseshoe prior, variable selection, interrupted time series
  • 为什么对您有用: 本文属于纵向因果推断中的政策评估方法,直接关联您的主要兴趣之一(causal inference 的 longitudinal 子方向)。您可以用 very_familiar 的软件开发和估计理论工具,快速实现并检验该模型的贝叶斯计算流程;中期可做的是,利用您 moderately_familiar 的 semiparametric 理论,比较该贝叶斯方法与传统半参数估计(如 DID、合成控制)的效率与稳健性。

4. 10.1093/jrsssc/qlag052 — Fusion analysis of separately observed poverty factors

  • 作者: Li-Chun Zhang, Jeroen Pannekoek, Nino Mushkudiani
  • 期刊/来源: Journal of the Royal Statistical Society Series C
  • 机构: Statistics Norway · University of Southampton · Centraal Bureau voor de Statistiek
  • 相关性 6/10 · novelty: application
  • 摘要: 本文针对贫困状态与相关因素无法在个体层面联合观测的问题,提出融合分析(fusion analysis)方法,目标是在仅有两个独立调查样本分别观测不同变量的情况下,对贫困因素进行统计推断。核心设定是变量间存在联合分布但无法直接估计,类似于缺失数据或数据融合问题。方法上,作者利用两个样本的边际信息,通过模型假设(如可忽略性或某种联合分布约束)来识别联合分布,并构造估计量。具体技术可能涉及矩匹配、伪似然或加权估计,文中在荷兰数据上应用,展示了即使没有个体级联合观测也能获得显著结论。该方法适用于其他类似数据结构的场景,尤其对只能获取公开汇总数据的分析者有用。对您而言,这属于因果推断中识别与估计的变体,与您的proximal CI或数据融合兴趣相关,但方法学新颖性一般,更多是应用导向的贡献。
  • 关键技术: data fusion, moment matching, pseudo-likelihood, sample surveys, identification
  • 为什么对您有用: 本文涉及因果推断中数据缺失/融合的识别问题,与您的proximal CI和identification theory兴趣相关。您可以用very_familiar的estimation theory in causal inference来审视其识别假设的合理性,或尝试用semiparametric efficiency bounds分析其估计量的有效性。中期可做:需在semiparametric theory上加强,以推导更一般的效率界。

5. 10.1093/jrsssc/qlag047 — Multitree model for precision environmental health with longitudinally assessed mixture exposure

  • 作者: Seongwon Im, Daniel Mork, Ander Wilson
  • 期刊/来源: Journal of the Royal Statistical Society Series C
  • 机构: Colorado State University · Harvard University
  • 相关性 6/10 · novelty: application
  • 摘要: 本文针对纵向评估的混合暴露(如孕期每周 PM2.5 和最高温度)提出一种异质性暴露效应估计方法,目标是估计个体化和亚组特异性的分布式滞后效应(distributed lag effects)。方法基于贝叶斯加性模型,采用树三元组(tree triplet)集成,其中每个三元组包含两类交互的二叉决策树,以建模时间结构的暴露效应。该框架支持高维候选修饰变量(modifiers)的选择,并允许混合物暴露之间存在时间敏感的交互。通过模拟研究验证了模型在估计个体化暴露效应和识别重要混合物成分及修饰因素方面的能力。在科罗拉多州出生登记数据中,发现 PM2.5 与出生体重相关,且效应在 25 岁以下低收入母亲中更大。对您而言,该方法为纵向因果推断中的异质性效应估计提供了新工具,尤其适用于流行病学队列研究中的混合暴露分析。
  • 关键技术: Bayesian additive model, tree ensembles, distributed lag effects, modifier selection, longitudinal mixture exposure
  • 为什么对您有用: 该论文属于流行病学应用,使用贝叶斯树集成方法估计纵向混合暴露的异质性效应,与您的因果推断和流行病学兴趣直接相关。您可以用 very_familiar 的估计理论(如因果推断中的异质性处理效应框架)来审视其识别假设和估计量的性质,中期可做的是将其与您 moderately_familiar 的 semiparametric 理论结合,推导更高效的估计量。本文作为流行病学应用,提供了真实数据集和分析流程,值得作为入门读物阅读。

6. 10.1093/jrsssc/qlag046 — Conditional distributional framework for joint modelling of a sensitive attribute and an observed variable under randomized response designs

  • 作者: Shen-Ming Lee, Phuoc-Loc Tran, Truong-Nhat Le, Chin-Shang Li
  • 期刊/来源: Journal of the Royal Statistical Society Series C
  • 机构: Feng Chia University · Can Tho University · Ton Duc Thang University · University of Rochester Medicine · University of Rochester
  • 相关性 6/10 · novelty: application
  • 摘要: 本文在随机化回答(RR)设计下,针对潜在二值敏感变量与可观测非敏感变量的联合建模提出似然框架,目标是刻画给定协变量后两者的条件关联而非因果效应。模型将敏感变量的边缘分布参数化为逻辑回归,非敏感变量则用条件模型刻画,从而允许对条件独立性进行似然比检验。估计采用EM算法以纳入RR机制,并建立了大样本性质。模拟与2012年台湾社会变迁调查的应用验证了有限样本表现。对您而言,该框架与proximal CI中利用负对照变量处理潜在变量的识别思路有相通之处,可作为处理测量误差型潜在变量的参考。
  • 关键技术: randomized response, joint likelihood, EM algorithm, conditional independence test, logistic regression
  • 为什么对您有用: 本文属于因果推断中潜在变量与测量误差的设定,与您的proximal CI和识别理论兴趣相关;其条件关联建模与检验思路可迁移至负对照变量的识别策略。武器库中的identification theory和M-estimation足以支撑理解,但方法本身偏应用,novelty有限。

7. 10.1093/jrsssc/qlag044 · arXiv — A discrete-time survival model to handle interval-censored covariates, with applications to HIV cohort studies

  • 作者: Avi Kenny, Stephen Olivier, Jianxuan Zang, Jeffrey W Imai-Eaton, James P Hughes, Mark J Siedner
  • 期刊/来源: Journal of the Royal Statistical Society Series C
  • 机构: Duke University · Africa Health Research Institute · Center for Disease Dynamics, Economics & Policy
  • 相关性 6/10 · novelty: application
  • 摘要: 本文针对生存分析中协变量为区间删失的问题,提出一类灵活的离散时间参数生存模型。该模型通过同时建模区间删失的次要事件、主要结局和删失机制来处理删失,从而估计主要事件的条件风险。作者将该方法应用于南非前瞻性队列研究,估计HIV阳性与阴性个体全因死亡风险比随年龄和日历时间的变化。模型采用联合似然或贝叶斯方法进行推断,并可能利用数据增广处理区间删失。该方法为纵向流行病学中常见的区间删失协变量问题提供了新的建模思路。对您而言,该工作与您的纵向因果推断和流行病学应用兴趣相关,其联合建模策略可借鉴于处理中介或时变协变量中的测量误差。
  • 关键技术: discrete-time survival model, interval-censored covariate, joint modeling, data augmentation, Bayesian inference
  • 为什么对您有用: 该论文属于流行病学应用,使用纵向队列数据,与您的流行病学应用兴趣直接相关。其处理区间删失协变量的联合建模方法,可视为一种处理测量误差的识别策略,与您的因果推断中处理未观测混杂或测量误差的思路有相通之处。从武器库看,您对M估计和识别理论熟悉,可中期尝试将此类联合建模与因果推断中的g-formula或IPW结合,处理纵向数据中的时变删失协变量。

8. 10.1093/jrsssc/qlag036 · arXiv — Joint modelling of longitudinal HRQoL data accounting for the risk of competing dropouts

  • 作者: Hortense Doms, Philippe Lambert, Catherine Legrand
  • 期刊/来源: Journal of the Royal Statistical Society Series C
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文针对癌症临床试验中健康相关生活质量(HRQoL)纵向数据因信息性脱落导致的估计偏倚问题,提出 JMIRT 联合建模方法。该方法在联合建模框架下,将 HRQoL 的多个纵向有序分类指标通过潜在变量连接,并将脱落风险(cause-specific hazards)作为协变量纳入潜在过程,从而优先分析纵向数据而非传统地将纵向数据作为生存子模型的协变量。通过模拟研究验证了 JMIRT 在存在信息性脱落时能提供稳健且无偏的参数估计,并强调了考虑信息性脱落的重要性。最后将该方法应用于进行性胶质母细胞瘤患者的 HRQoL 数据,展示了其实用性。该方法对您可能有用,因为它涉及纵向数据与生存结局的联合建模,属于因果推断中 mediation/longitudinal 方向,且其处理信息性脱落的思路可迁移至流行病学队列研究中的缺失数据问题。
  • 关键技术: joint modelling, latent variable model, cause-specific hazards, informative dropout, longitudinal ordinal data
  • 为什么对您有用: 本文属于因果推断中 longitudinal 数据与信息性缺失的交叉方向,与您的 primary interest 中 causal inference 的 longitudinal 子方向直接相关。您可以用 very_familiar 的 estimation theory in causal inference 来审视其估计量的识别假设和稳健性,例如检查其潜在变量模型是否满足无未测量混杂等条件。中期可做:若想深入其贝叶斯或似然推断的数值实现,需在 moderately_familiar 的 M-estimation theory 上加强。

数理统计 / 假设检验 (hypothesis_testing, 3 篇)

1. 10.1093/jrsssc/qlag037 · arXiv — Conformal inference for cell-type annotation with graph-structured constraints

  • 作者: Daniela Corbetta, Livio Finos, Ludwig Geistlinger, Davide Risso
  • 期刊/来源: Journal of the Royal Statistical Society Series C
  • 机构: University of Padua · Harvard University
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文在单细胞转录组学的细胞类型注释背景下,提出一种基于共形预测的图结构约束方法。目标是构造包含真实细胞类型的预测集,并利用细胞本体论的图结构信息增强预测集的解释性和一致性。方法上,作者将共形风险控制(conformal risk control)扩展到图结构预测,通过图约束使预测集更符合类别间的内在关系,并针对训练与测试数据分布变化导致的非可交换性,提出一种调整技术。理论贡献在于给出图约束下共形预测集的风险控制保证,实证上在多个单细胞数据集上展示了方法的有效性,并提供了R包scConform。对您而言,该方法将共形预测与图结构约束结合,属于假设检验/预测集构造的新思路,与您对hypothesis testing的兴趣相关,且其处理非可交换性的技术可能对因果推断中的分布偏移问题有借鉴意义。
  • 关键技术: conformal prediction, conformal risk control, graph-structured constraints, cell ontology, nonexchangeability adjustment
  • 为什么对您有用: 本文属于hypothesis testing方向,具体是共形预测集构造,与您对假设检验的兴趣相关。您可以用very_familiar的非参数统计工具(如经验过程、分位数估计)来审视其风险控制保证的有限样本性质,或将其非可交换性调整技术迁移到因果推断中的分布偏移场景。中期可做:需先熟悉共形预测的完整理论(moderately_familiar中的M-estimation理论可辅助),但核心机器(共形风险控制)不在武器库中,需补充学习。

2. 10.1093/jrsssc/qlag050 — Refined trial sequential analysis for meta-analyses with few studies

  • 作者: Yipeng Wang, Lifeng Lin
  • 期刊/来源: Journal of the Royal Statistical Society Series C
  • 机构: Eli Lilly (United States) · University of Florida · University of Arizona
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文针对随机效应元分析中研究数量较少时,传统试验序贯分析(TSA)依赖正态近似导致I类错误率膨胀的问题,提出基于累积元分析t统计量的精细化序贯方法。该方法将Hartung-Knapp-Sidik-Jonkman(HKSJ)的t分布推断思想融入TSA框架,以更准确地控制重复检验下的假阳性风险。通过数值模拟,作者比较了所提方法与现有TSA方法在不同异质性水平和真实效应大小下的表现,结果显示所提方法能更有效地控制I类错误率,但改进程度依赖于异质性大小和效应量。本文为证据综合的更新提供了更稳健的推断工具,尤其适用于研究数少且存在异质性的场景。对您而言,该方法涉及假设检验和重复检验的校正,与您对数学统计中假设检验的兴趣相关,且其基于t分布的修正思路可视为对传统正态近似的改进,可能启发您在类似小样本推断问题中的方法学思考。
  • 关键技术: trial sequential analysis, cumulative meta-analysis, Hartung-Knapp-Sidik-Jonkman method, t-distribution approximation, type I error control
  • 为什么对您有用: 本文属于假设检验方向,具体涉及元分析中重复检验的I类错误控制,与您对数学统计中假设检验的兴趣直接相关。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t分布近似的有效性,例如分析其在不同异质性下的最坏情况表现。中期可做:若想深入,需在元分析方法(如HKSJ)上稍作了解,但整体上属于立即可读的方法学改进。

3. 10.1093/jrsssc/qlag034 · arXiv — Unified and simple sample size calculations for individual or cluster randomized trials with skewed or ordinal outcomes

  • 作者: Shengxin Tu, Chun Li, C William Wester, Caroline De Schacht, Carolyn M Audet, Aminu Taura Abdullahi et al.
  • 期刊/来源: Journal of the Royal Statistical Society Series C
  • 机构: Vanderbilt University Medical Center · University of Southern California · Aminu Kano Teaching Hospital · Bayero University Kano
  • 相关性 4/10 · novelty: new_method
  • 摘要: 本文针对随机对照试验(RCT)中偏态连续结局的样本量计算难题,提出一种统一且简便的方法。传统基于t检验的计算常需数据变换,而基于Wilcoxon秩和检验的方法在聚类数据中假设无结且对异质性簇大小表现不佳。作者利用序数累积概率模型(如比例优势模型)对连续结局的稳健性,将Whitehead针对独立序数结局的样本量公式自然推广至连续结局,并通过引入秩内相关系数(ICC)的设计效应扩展到聚类RCT。该方法对结局分布假设极弱,适用于个体和聚类RCT、连续或序数结局,以及非劣效性设计。模拟研究评估了其性能,并应用于三个真实RCT(偏态连续、聚类偏态连续、非劣效计数结局)。
  • 关键技术: ordinal cumulative probability model, Whitehead's sample size formula, design effect, rank intraclass correlation coefficient, cluster randomized trials
  • 为什么对您有用: 本文属于假设检验与统计计算交叉领域,直接关联您对假设检验和统计计算的兴趣。其核心思想——用序数模型统一处理连续和序数结局的样本量计算——可迁移至您熟悉的因果推断中的纵向或聚类数据设计。您可立即用非常熟悉的非参数统计和M估计理论验证其设计效应公式的渐近性质,或中期结合您的中阶U统计量工具分析秩ICC的估计效率。

流行病学 (epidemiology, 3 篇)

1. 10.1093/jrsssc/qlag027 — Violence against women in Italy: correcting underreported data

  • 作者: Serena Arima, Greta Panunzi, Silvia Polettini, Pietro Demurtas
  • 期刊/来源: Journal of the Royal Statistical Society Series C
  • 机构: University of Salento · Sapienza University of Rome · Institute for Research on Population and Social Policies · National Research Council
  • 相关性 6/10 · novelty: application
  • 摘要: 本文针对意大利各省基于警方登记数据的暴力侵害妇女(VAW)发生率估计问题,构建了层次贝叶斯 Poisson 回归框架下的 Pogit 模型,该模型显式刻画了漏报机制,从而能够联合推断各省暴力事件真实发生率与报告概率。模型纳入社会经济与空间协变量,并通过模拟研究评估了先验设定和协变量选择对后验推断的敏感性。结果表明,即使仅使用代理协变量建模漏报,模型也能准确恢复模型参数和真实计数。该研究强调了在行政数据存在偏差或不完整时,协变量质量和先验设定对改进推断和指导政策的重要性。对您而言,本文是流行病学中处理漏报数据的应用型工作,其核心的漏报校正思路与因果推断中的测量误差问题有相通之处,但方法学新颖性有限,主要价值在于应用场景和数据处理流程。
  • 关键技术: hierarchical Bayesian Poisson regression, Pogit model, underreporting correction, spatial covariates, simulation-based sensitivity analysis
  • 为什么对您有用: 本文属于流行病学应用,使用贝叶斯方法处理行政数据漏报问题,与您的流行病学应用兴趣直接相关;作为应用型论文,其分析模式(Pogit 模型、敏感性分析)可迁移至其他漏报场景,但方法学新颖性一般。从武器库看,您对贝叶斯层次模型和模拟研究并不陌生,但本文未涉及您擅长的因果推断或半参数理论,因此属于中期可做的方向:需在贝叶斯建模和 MCMC 计算上稍加熟悉(moderately_familiar 中的 M-estimation 理论可辅助理解其估计性质),但整体上可作为流行病学应用的入门读物,值得花时间读全文以了解数据结构和分析流程。

2. 10.1093/jrsssc/qlag040 — Modelling cure from cancer accounting for inevitable mortality

  • 作者: Suvra Pal, Suchitrita Sarkar Rathmann, Qi Jiang, Jiehuan Sun, Debajyoti Sinha, Sanjib Basu
  • 期刊/来源: Journal of the Royal Statistical Society Series C
  • 机构: The University of Texas at Arlington · Merck & Co., Inc., Rahway, NJ, USA (United States) · AbbVie (United States) · University of Illinois Chicago · University of Florida
  • 相关性 5/10 · novelty: application
  • 摘要: 本文针对存在治愈可能性的竞争风险生存数据,提出一个新的统一竞争风险治愈模型。模型基于 cause-specific hazard 方法,允许对主要癌症的特定风险存在治愈可能,同时保证总体生存概率最终趋于零,符合‘最终必然失败’的临床信念。作者详细研究了模型可识别性所需的条件。为估计模型参数,开发了计算高效的期望最大化(EM)算法。通过大量模拟研究验证了模型和估计方法在不同参数设置及多个竞争风险下的表现。最后,使用 SEER 数据库的乳腺癌数据进行了实例应用。
  • 关键技术: cause-specific hazard, cure model, competing risks, EM algorithm, identifiability
  • 为什么对您有用: 本文属于流行病学应用方向,涉及生存分析和竞争风险模型,与您的因果推断(纵向数据)和流行病学应用兴趣相关。您熟悉的 M-估计和识别理论可用于审视其可识别性条件,但核心机器(治愈模型、EM 算法)不在您的武器库中,作为流行病学应用案例值得阅读,但方法学迁移有限。

3. 10.1093/jrsssc/qlag035 — Bayesian hidden Markov model with time-to-event emissions for risk-prediction in cancer screening

  • 作者: Aapeli Nevala, Sirpa Heinävaara, Tytti Sarkeala, Sangita Kulathinal
  • 期刊/来源: Journal of the Royal Statistical Society Series C
  • 机构: University of Helsinki · Finnish Cancer Registry · Tampere University · University of Tampere
  • 相关性 5/10 · novelty: application
  • 摘要: 本文针对癌症筛查中双相检测协议(primary test 非完全敏感)下的风险预测问题,提出一个贝叶斯隐马尔可夫模型,其中发射分布为多元且包含时间-事件(time-to-event)成分。模型利用癌症的最终检测时间(可能未经筛查而自然发现)来推断潜在疾病状态的患病率,并考虑了筛查导致的提前检测(accelerated detection)。作者先建立初始筛查轮的患病率预测模型,再推广到多轮筛查的离散时间 HMM 框架。模型在贝叶斯框架下拟合,并通过模拟研究比较了两种估计算法(如 MCMC 与变分推断)的性能。最后,模型应用于芬兰结直肠癌筛查试点数据,生成用于改进筛查项目的指标。对您而言,本文是流行病学应用中纵向数据与潜在状态建模的实例,其 HMM 与时间-事件发射的结合可能对您感兴趣的纵向因果推断有参考价值。
  • 关键技术: Bayesian hidden Markov model, time-to-event emissions, multivariate emission, accelerated detection, MCMC, simulation study
  • 为什么对您有用: 本文属于流行病学应用,使用纵向筛查数据与潜在状态模型,与您的 secondary interest 中流行病学应用方向直接相关。作为 gateway reading,本文数据结构和建模思路清晰,适合作为了解癌症筛查统计建模的入门读物。您的武器库(如 M-estimation、纵向因果推断)足以支撑理解其方法,但本文方法学 novelty 一般,主要是应用驱动。

其他 (other, 16 篇)

1. 10.1093/jrsssc/qlag038 · arXiv — Bayesian profile regression with linear mixed models applied to longitudinal exposome data

  • 作者: Matteo Amestoy, Mark van de Wiel, Jeroen Lakerveld, Wessel van Wieringen
  • 期刊/来源: Journal of the Royal Statistical Society Series C
  • 机构: Amsterdam UMC Location University of Amsterdam · Amsterdam Public Health · Amsterdam University Medical Centers
  • 相关性 6/10 · novelty: application
  • 摘要: 本文提出一种贝叶斯 profile 回归与线性混合模型(LMM)相结合的框架,用于分析纵向暴露组(exposome)数据。该方法通过将高共线性的暴露变量聚类为潜在 profile,并在 LMM 中引入这些 profile 与个体特征的交互项,同时处理暴露间的共线性、重复测量的纵向相关性和复杂交互效应。作者在模拟数据上验证了参数估计和潜在聚类结构恢复的准确性,并将其应用于 Lifelines 队列的大规模纵向数据,识别与舒张压显著相关的暴露组合。方法上采用贝叶斯推断,但未涉及因果识别或效率理论,属于应用统计建模工作。
  • 关键技术: Bayesian profile regression, linear mixed models, latent clustering, longitudinal data, exposome analysis
  • 为什么对您有用: 本文属于流行病学应用,涉及纵向数据和暴露组分析,与您的 secondary interest 中流行病学应用方向相关。但方法学上以贝叶斯建模为主,未涉及因果推断或半参数效率理论,且武器库中的工具(如 U-statistics、DML)难以直接迁移。作为入门读物,本文对暴露组数据的建模思路有参考价值,但方法学 novelty 较低,不值得深入阅读。

2. 10.1093/jrsssc/qlag051 — Recovering event-time distributions under multiresolution time rounding: the case of crime data

  • 作者: Charles C Taylor, Marco Di Marzio, Stefania Fensore, Chiara Passamonti
  • 期刊/来源: Journal of the Royal Statistical Society Series C
  • 机构: University of Leeds · University of Chieti-Pescara · University of Luxembourg
  • 相关性 5/10 · novelty: application
  • 摘要: 本文研究事件时间分布在多分辨率舍入(multiresolution rounding)下的恢复问题,目标是从仅含舍入误差的观测中估计事件发生的潜在时间分布。作者将舍入概率视为未知参数,通过约束最小二乘分解“小时内的分钟数”经验分布来估计这些概率,再以此为中间步骤对24小时周期进行惩罚反演。由于时钟时间是循环的,方法显式保证了小时内外尺度的循环一致性。以波士顿犯罪数据为应用,发现不同犯罪类型的报告精度差异显著,如严重袭击多为分钟级记录,而汽车盗窃则存在大量粗粒度舍入。该方法可推广至医疗、调查和行政数据等多分辨率舍入场景。
  • 关键技术: constrained least squares, penalized inversion, circular statistics, deconvolution, empirical distribution decomposition
  • 为什么对您有用: 本文属于统计方法在应用数据(犯罪记录)中的落地,与您的流行病学/应用因果兴趣有间接关联(测量误差与舍入问题在流行病学时间数据中常见)。作为 gateway reading,它展示了处理舍入误差的实用工具箱,但方法学深度一般;武器库中的非参数统计和反问题工具足以理解并可能改进其反演步骤。

3. 10.1093/jrsssc/qlag043 — Bayesian community detection for microbial interaction networks

  • 作者: Bencong Zhu, Tejasv Bedi, Michael L Neugent, Kevin C Lutz, Nicole J De Nisco, Qiwei Li
  • 期刊/来源: Journal of the Royal Statistical Society Series C
  • 机构: The University of Texas at Dallas · Shenzhen University · The University of Texas Southwestern Medical Center
  • 相关性 5/10 · novelty: application
  • 摘要: 本文提出一种加权随机无限块模型(weighted stochastic infinite block model),用于分析微生物互作网络中的群落结构。网络构建采用半参数秩相关方法,以处理零膨胀和潜在混杂。模型采用贝叶斯非参数方法,可自动估计群落数量,无需后处理。通过模拟和真实数据(绝经后女性复发性尿路感染)验证,聚类准确率优于现有方法,并发现新的生物学见解。这是首个保留分类丰度全部信息的泌尿微生物互作网络研究。
  • 关键技术: weighted stochastic infinite block model, Bayesian nonparametrics, semi-parametric rank-based correlation, zero-inflation handling, community detection
  • 为什么对您有用: 本文属于应用统计(微生物组网络),与您的主要兴趣(因果推断、高维统计等)无直接交集,但可作为流行病学应用方向的入门读物,展示贝叶斯非参数方法在真实数据中的应用。您的武器库(如非参数统计、M估计)足以理解其方法,但无需深入。

4. 10.1093/jrsssc/qlag048 · arXiv — Spatio-temporal smoothing, interpolation, and prediction of income distributions based on grouped data

  • 作者: Genya Kobayashi, Shonosuke Sugasawa, Yuki Kawakubo
  • 期刊/来源: Journal of the Royal Statistical Society Series C
  • 机构: Meiji University · Keio University · Chiba University
  • 相关性 5/10 · novelty: application
  • 摘要: 本文针对日本住房与土地调查(HLS)提供的市级分组收入数据,提出一种基于分组数据的时空有限混合模型,用于估计多个空间单元和时间点的收入分布。模型的核心设定是所有地区共享一组潜在分布,而混合比例通过引入空间和时间效应来刻画地区间的异质性,从而实现感兴趣量的时空平滑、缺失值填补和未来趋势预测。估计方法上,作者采用贝叶斯方法(如 MCMC)进行推断,并利用空间随机效应和时间结构来正则化估计。通过应用于 HLS 数据,文章生成了任意时点的收入和 inequality 指标的完整地图,为精细化的地方政策制定提供了工具。该工作属于应用统计建模,方法学创新点在于将有限混合模型与时空效应结合处理分组数据,但并未涉及因果推断、高维或半参数效率理论等核心方向。
  • 关键技术: finite mixture model, spatio-temporal random effects, grouped data likelihood, Bayesian MCMC, data imputation
  • 为什么对您有用: 本文属于应用统计建模,与您的主要兴趣(因果推断、高维、半参数理论)无直接重叠,但可作为流行病学或经济应用中处理分组数据(如收入、健康指标)的参考案例。从武器库看,您对贝叶斯方法和混合模型并不熟悉,且本文不涉及您擅长的理论工具,因此属于低优先级阅读。若未来涉及分组数据的时空建模,可借鉴其模型框架,但当前无需深入。

5. 10.1093/jrsssc/qlag039 — Copula-based hidden semi-Markov models for mixed support data

  • 作者: Marco Mingione, Francesco Lagona
  • 期刊/来源: Journal of the Royal Statistical Society Series C
  • 机构: Foro Italico University of Rome · Roma Tre University
  • 相关性 5/10 · novelty: application
  • 摘要: 本文提出一种基于 copula 的隐半马尔可夫模型(HSMM),用于处理混合支撑(如圆-线性)的多元时间序列分段与分类问题。模型假设每个隐状态对应一个 copula 密度,并同时估计状态驻留时间分布,从而在非标准支撑下实现灵活的状态识别。方法通过 EM 算法进行估计,并在波浪高度与方向的真实数据上展示了实用性。该工作属于应用统计建模,方法学创新主要在于将 copula 与 HSMM 结合,但未涉及因果推断、高维或效率理论等核心兴趣。
  • 关键技术: hidden semi-Markov models, copula densities, EM algorithm, directional statistics, mixed support data
  • 为什么对您有用: 本文属于统计建模应用,与主要兴趣(因果推断、高维、半参数效率)无直接交集,但可作为统计计算与算法实现的参考。武器库中的软件开发和 M-估计理论可帮助理解其 EM 实现,但核心问题不在当前研究路径上,暂不可做。

6. 10.1093/jrsssc/qlag033 — Overlapping clustering of time-dependent variables for fMRI data

  • 作者: Eugen Pircalabelu, Xin Bing
  • 期刊/来源: Journal of the Royal Statistical Society Series C
  • 机构: UCLouvain · University of Toronto
  • 相关性 5/10 · novelty: application
  • 摘要: 本文提出一个在时间依赖数据中进行重叠聚类的框架,目标是根据静息态 fMRI 时间序列识别大脑的重叠粗分区。方法基于 Bing et al. (2020) 的 Latent OVErlapping (LOVE) 聚类方法,并将其扩展到弱依赖时间序列。作者给出了估计量的理论性质,包括一致性,并通过模拟和真实 fMRI 数据验证了方法的有效性。该方法虽以 fMRI 为背景,但可直接应用于基因表达等其他多时间序列场景。对您而言,本文属于应用统计方法,与您的主要兴趣(因果推断、高维统计等)关联较弱,但可作为了解重叠聚类在神经影像中应用的入门读物。
  • 关键技术: overlapping clustering, latent variable model, weakly dependent time series, spectral clustering
  • 为什么对您有用: 本文属于应用统计方法,与您的主要兴趣(因果推断、高维统计、半参数理论等)关联较弱。但作为 gateway reading,它展示了如何将聚类方法扩展到时间序列数据,对您了解神经影像数据分析有一定参考价值。您的武器库(如高维渐近、谱方法)足以支撑理解其理论,但无需深入跟进。

7. 10.1093/jrsssc/qlag030 — Pseudo-death: a new measure to evaluate composite outcomes in survival analysis

  • 作者: Jialu Fang, Yu Gu, Guosheng Yin
  • 期刊/来源: Journal of the Royal Statistical Society Series C
  • 机构: Southern University of Science and Technology · University of Hong Kong
  • 相关性 5/10 · novelty: application
  • 摘要: 本文提出一种新的复合生存终点分析方法“伪死亡”(pseudo-death),通过将非致命事件重新标定到死亡尺度上(以死亡为金标准),生成代表给定观测数据下死亡条件概率的缩放因子,从而将复合终点统一为单一度量。该方法避免了传统方法(如比例风险模型、比例均值模型、win ratio、多状态模型)中事件排序的主观性,并能整合多个事件。作者利用伪死亡构建了单时间点的 Z 检验和置换检验,以及多时间点的 Wald 检验,用于评估治疗效应。在晚期胃癌 V325 试验数据中,伪死亡框架检测到了传统方法遗漏的显著治疗效应;模拟研究显示其在多种场景下优于现有复合终点方法。该方法简单、可解释且高效,为复合终点分析提供了有力工具。对您而言,该文涉及生存分析中的复合终点估计与检验,虽非您核心兴趣,但其重标定思想与条件概率建模或可迁移至因果推断中的替代终点或中介分析问题。
  • 关键技术: pseudo-death transformation, conditional probability rescaling, Z test, permutation test, Wald test, composite endpoints
  • 为什么对您有用: 该文属于生存分析应用方法,与您的因果推断(如替代终点、中介分析)有间接联系;其重标定思想可能启发新的识别策略。作为应用型论文,方法学新颖性有限,但可作为流行病学或临床试验数据分析的参考。武器库中的非参数估计和假设检验工具足以理解,但无需深入;暂不可做——核心机器(复合终点生存分析)不在您的主要兴趣内。

8. 10.1093/jrsssc/qlag042 · arXiv — A Bayesian approach for earthquake impact modelling

  • 作者: Max Anderson Loake, Hamish Patten, David Steinsaltz
  • 期刊/来源: Journal of the Royal Statistical Society Series C
  • 机构: University of Oxford · Food and Agriculture Organization of the United Nations
  • 相关性 4/10 · novelty: application
  • 摘要: 本文提出一种基于广义贝叶斯的地震灾害影响估计工具,目标是在地震发生后快速估计死亡人数、人口迁移和建筑损坏三类影响。方法采用似然自由的推断框架,通过评分规则构造后验以避免非充分汇总统计量的信息损失,并改进了评分规则损失函数以适配ABC-SMC(近似贝叶斯计算序贯蒙特卡洛)框架。在留出历史事件上,该方法在总死亡人数预测上优于两个主流影响估计工具。此外,该方法能输出网格化空间影响图、提供贝叶斯不确定性量化、直接处理多震事件,并通过联合模型在观测数据到达时更新预测。
  • 关键技术: generalized Bayesian inference, likelihood-free inference, scoring-rule posterior, ABC-SMC, joint impact model
  • 为什么对您有用: 本文属于应用统计(灾害建模),与您的主要兴趣(因果推断、高维、半参数等)无直接交集,但作为统计计算与贝叶斯推断的应用案例,可能对您了解似然自由方法和评分规则后验有一定参考价值。作为gateway reading,本文对统计学家友好,数据与模型描述清晰,但方法学新颖性有限。

9. 10.1093/jrsssc/qlag049 — Bayesian functional spatial partitioning for boundary surface lesion detection using 3D MRI

  • 作者: Maria Masotti, Yuzi Mi, Joseph S Koopmeiners, Gregory J Metzger, Lin Zhang
  • 期刊/来源: Journal of the Royal Statistical Society Series C
  • 机构: Hennepin Healthcare Research Institute · University of Minnesota
  • 相关性 4/10 · novelty: application
  • 摘要: 本文提出 BFSP-3D,一种用于 3D MRI 中病变检测的贝叶斯函数空间划分方法。在球坐标变换下,将病变边界表示为平滑的 3D 曲面,并利用高斯过程建模内部信号,通过自适应 Metropolis-Hastings 算法联合估计边界曲面和高斯过程参数。模拟研究表明该方法对不同的空间配置和病变形状具有鲁棒性,并在前列腺 3D mpMRI 数据上进行了应用。该方法针对小样本 3D 影像数据,避免了深度学习对大量训练样本的需求,同时保证了检测区域的空间连续性。
  • 关键技术: Bayesian functional spatial partitioning, spherical coordinate transformation, Gaussian process, adaptive Metropolis-Hastings, 3D MRI lesion detection
  • 为什么对您有用: 本文属于应用统计方法,涉及贝叶斯非参数建模和计算算法,与您的统计计算兴趣有交集,但并非核心方向。作为入门读物,它展示了如何将贝叶斯方法应用于医学影像问题,但方法学新颖性有限。您的武器库(如 MCMC、高斯过程)足以理解本文,但无需深入阅读。

10. 10.1093/jrsssc/qlag045 · arXiv — Forecast reconciliation meets compositional data analysis: a study of Italian cause-specific age-at-death

  • 作者: Andrea Nigri, Giacomo Lanfiuti Baldi, Raffaele Mattera, Han Lin Shang
  • 期刊/来源: Journal of the Royal Statistical Society Series C
  • 机构: University of Foggia · Sapienza University of Rome · University of Campania "Luigi Vanvitelli" · Macquarie University
  • 相关性 4/10 · novelty: application
  • 摘要: 本文提出一种将成分数据分析(CoDA)与预测协调(forecast reconciliation)相结合的新框架,用于分层和分组时间序列的预测,并应用于意大利按死因和性别划分的年龄别死亡率数据。该方法利用死亡率数据按死因和性别的内在分解结构,在保证不同聚合水平内部一致性的同时提高预测精度。实证结果表明,与传统CoDA方法相比,所提方法显著提高了总死亡率预测的可靠性,并在按死因和性别的总死亡预测中持续改进。核心机制是将CoDA的log-ratio变换与预测协调的线性组合技术结合,确保层级一致性和预测准确性。
  • 关键技术: compositional data analysis, forecast reconciliation, hierarchical time series, log-ratio transformation, mortality forecasting
  • 为什么对您有用: 本文属于应用统计(死亡率预测),与您的主要兴趣(因果推断、高维统计等)无直接重叠,但作为流行病学或人口学应用,可视为gateway reading。其方法学核心(CoDA与预测协调)并非您武器库中的核心工具,但您对统计计算和软件开发的熟悉程度足以理解其实现。作为入门读物,本文数据与模型阐述清晰,但方法学新颖性有限,不值得深入阅读。

11. 10.1093/jrsssc/qlag041 · arXiv — Hyperevent network modelling of partially observed gossip data

  • 作者: Veronica Poda, Veronica Vinciotti, Ernst C Wit
  • 期刊/来源: Journal of the Royal Statistical Society Series C
  • 相关性 4/10 · novelty: application
  • 摘要: 本文研究部分观测的八卦(gossip)数据,将其建模为超图上的高阶交互事件,提出关系型超事件模型(relational hyperevent model)来刻画八卦事件的动态和病毒式传播机制。数据来自匈牙利44所中学的年度调查,仅记录每个时间区间内是否至少发生一次八卦事件,缺乏精确时间和事件总数。作者将推断扩展到右删失的区间时间数据,并利用广义可加模型(GAM)灵活高效地估计线性、平滑和随机效应。实证分析揭示了八卦的社会驱动因素和复杂的时间动态。
  • 关键技术: relational hyperevent model, interval-censored data, generalized additive models, higher-order interactions
  • 为什么对您有用: 本文涉及高阶交互(超图)和区间删失数据建模,与您的高阶U统计量和统计计算兴趣有间接联系,但方法学上更偏向应用统计和网络建模,而非您核心的理论方向。作为应用案例,可了解高阶交互在实际数据中的建模方式,但可能不是优先阅读对象。

12. 10.1093/jrsssc/qlag032 · arXiv — Bayesian weighted discrete-time dynamic models for association football prediction

  • 作者: Roberto Macrì-Demartino, Leonardo Egidi, Nicola Torelli
  • 期刊/来源: Journal of the Royal Statistical Society Series C
  • 机构: University of Trieste
  • 相关性 4/10 · novelty: application
  • 摘要: 本文提出一种贝叶斯动态模型用于足球比赛结果预测,目标是在目标计数模型框架下估计随时间变化的攻防能力。与多数静态或简单动态模型不同,作者为每支球队、每个能力、每个时期引入独立的时变精度参数,并通过 spike-and-slab 超先验控制收缩强度,从而在球队状态稳定时借用历史信息、在状态突变(如转会或换帅)时快速调整。该框架被整合进五种标准目标模型(如 Poisson、bivariate Poisson 等),并在德甲、英超、西甲近五个赛季数据上评估预测性能。与三种领先的动态方法相比,所提自适应方法获得更好的预测表现。方法已实现于开源 R 包 footBayes。对您而言,本文属于应用统计工作,其贝叶斯动态建模与自适应收缩思想虽与您的主要兴趣无直接交集,但可作为统计建模在体育数据上的一个应用案例。
  • 关键技术: Bayesian dynamic models, commensurate priors, spike-and-slab hyperpriors, time-varying precision parameters, goal-based count models
  • 为什么对您有用: 本文属于应用统计(体育预测),与您的主要兴趣(因果推断、高维、半参数等)无直接交集,但可作为统计建模在体育数据上的一个应用案例。作为 gateway reading,本文对非领域统计学家较为友好,模型设定和预测评估清晰,但方法学新颖性有限,主要是将现有贝叶斯动态工具组合应用于足球数据。您的武器库(如贝叶斯建模、时间序列)足以理解本文,但无需深入跟进。

13. 10.1093/jrsssc/qlag028 · arXiv — Asymmetry analysis of bilateral shapes

  • 作者: Kanti V Mardia, Xiangyu Wu, John T Kent, Colin R Goodall, Balvinder S Khambay
  • 期刊/来源: Journal of the Royal Statistical Society Series C
  • 相关性 4/10 · novelty: application
  • 摘要: 本文研究具有近似双侧对称性的生物对象的形状不对称性度量问题,使用 landmark 方法。对每个对象,在配准后构造一组无符号的基本特征向量来描述不对称性,并提出两种比较两组对象不对称水平的方法:一是将基本特征组合成标量复合不对称分数,再用标准单变量检验;二是对每个基本特征构造单变量检验统计量,并用其最大值进行 union-intersection 检验。方法应用于两类手术效果评估数据:唇裂手术(比较唇裂组与正常组)和正颌手术(比较患者术前术后)。本文属于形状统计学的应用型方法论文,方法学新颖性有限,主要是将现有工具组合应用于具体医学问题。
  • 关键技术: landmark-based shape analysis, Procrustes registration, union-intersection test, composite score
  • 为什么对您有用: 本文属于形状统计学的应用型方法论文,与您的主要兴趣(因果推断、高维统计、U-统计量等)无直接交集,但可作为统计方法在医学形状数据分析中的应用案例,对您了解形状统计学的实际应用有一定参考价值。武器库中的非参数统计和假设检验工具足以理解本文方法,但无需深入跟进。

14. 10.1093/jrsssc/qlag026 · arXiv — Zero-inflated stochastic volatility model for disaggregated inflation data with exact zeros

  • 作者: Geonhee Han, Kaoru Irie
  • 期刊/来源: Journal of the Royal Statistical Society Series C
  • 机构: The University of Tokyo
  • 相关性 4/10 · novelty: application
  • 摘要: 本文针对分项CPI时间序列中大量精确零价格变动的问题,提出零膨胀随机波动率(zero-inflated stochastic volatility)模型,联合刻画动态零生成过程与潜在趋势通胀及波动率。模型适用于非平稳、实值、多元且含精确零的时间序列,扩展了现有趋势通胀随机波动率模型。推断上推导了基于Pólya–Gamma增广的定制Gibbs采样器,实现高效后验计算。应用于美、英、德、日四国的分项CPI数据,发现零膨胀模型能更准确地估计时变趋势和波动率,避免低估。样本外预测显示,零膨胀模型在点预测和区间预测校准上均有改进,尤其在零通胀比例较高时。对您而言,该文虽非您核心方向,但其处理结构零点的贝叶斯建模与计算策略,可作为纵向或面板数据中零膨胀问题的参考。
  • 关键技术: zero-inflated model, stochastic volatility, Pólya–Gamma augmentation, Gibbs sampling, Bayesian inference
  • 为什么对您有用: 本文属于应用统计建模,与您的核心兴趣(因果推断、高维、半参数)无直接重叠,但涉及纵向时间序列中的零膨胀问题,可能对流行病学或经济数据中的结构零处理有启发。作为gateway reading,其模型设定和贝叶斯计算对统计学家易读,但方法学新颖性一般,属于应用型贡献。武器库足以理解,但无需深入。

15. 10.1093/jrsssc/qlag021 — Generalized Laplace regression for cylindrical responses with an application to road traffic accidents

  • 作者: Marco Geraci, Alessio Farcomeni
  • 期刊/来源: Journal of the Royal Statistical Society Series C
  • 机构: Sapienza University of Rome · University of Rome Tor Vergata
  • 相关性 3/10 · novelty: application
  • 摘要: 本文提出一种用于圆柱响应变量(circular-linear)的回归模型,其中圆形分量表示事件发生时间,线性分量表示事件强度或后果,适用于道路交通事故等随机事件分析。模型基于多元广义 Laplace 分布,其参数化使其比普通多元高斯模型更灵活,并可作为后者的推广。推断采用标准极大似然方法。作者将该模型应用于美国国家公路交通安全管理局 FARS 数据库中约 13.4 万起道路交通事故,以一天中的时刻为圆形分量,事故严重程度(含受伤严重度评分和受害者中位年龄)为线性分量。分析表明事故的时间与严重程度受时间和地理因素影响。该文属于应用统计方法论文,方法学 novelty 有限,但对圆柱数据回归这一特定数据类型提供了可用的建模工具。
  • 关键技术: circular-linear regression, multivariate generalized Laplace distribution, maximum likelihood estimation, cylindrical response modeling
  • 为什么对您有用: 本文属于应用统计,与您的主要兴趣(因果推断、高维、半参数等)无直接交集,但可作为圆柱数据建模的入门读物,其数据(交通事故)与流行病学应用有一定关联。武器库中的非参数和 M-估计理论足以理解其似然推断,但无需深入。作为 gateway reading,本文清晰展示了圆柱数据的建模与推断流程,值得快速浏览以了解该数据类型,但不必精读。

16. 10.1093/jrsssc/qlag025 · arXiv — Modelling toroidal and cylindrical data via the trivariate wrapped Cauchy copula with non-uniform marginals

  • 作者: Sophia Loizidou, Christophe Ley, Shogo Kato, Kanti V Mardia
  • 期刊/来源: Journal of the Royal Statistical Society Series C
  • 机构: University of Luxembourg · The Institute of Statistical Mathematics · University of Leeds
  • 相关性 3/10 · novelty: application
  • 摘要: 本文提出了一类新的三变量分布族,用于建模三个角度、两个角度加一个线性分量、或一个角度加两个线性分量的数据。方法是将最近提出的三变量 wrapped Cauchy copula 与非均匀边际分布结合,并开发了参数估计流程。作者将该模型与主要竞争模型在三变量数据分析上进行了比较,并提供了其优势的证据。模型通过蛋白质生物信息学中的扭转角环状数据和亚得里亚海浮标的气候科学圆柱数据进行了实证展示。该论文由这些真实的三变量数据集驱动,属于应用导向的统计建模工作。
  • 关键技术: wrapped Cauchy copula, non-uniform marginals, maximum likelihood estimation, toroidal data modeling, cylindrical data modeling
  • 为什么对您有用: 本文属于方向性统计与copula建模的应用,与您的主要兴趣(因果推断、高维、半参数等)无直接交集,但可作为统计建模的广度阅读。作为gateway reading,其数据结构和建模思路(如角度数据的依赖建模)可能对您未来处理复杂数据有启发,但武器库中的工具(如U统计量、半参数理论)在此应用场景中并非核心。因此,本文不值得深入阅读,仅作一般了解。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论