JBES · 2026-10-12¶
- 共 25 篇 · Journal of Business & Economic Statistics
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JBES的25篇论文可大致归为五条主线:因果识别与处理效应(4篇)、高维假设检验与特征筛选(4篇)、高维因子与降维方法(4篇)、非参数/半参数推断与模型选择(3篇)、以及时间序列与金融计量应用(10篇)。因果主线集中在处理效应在复杂数据环境下的识别与估计,高维主线则同时覆盖检验、筛选与因子结构,非参数主线关注趋势比较与模型设定,而应用类论文多围绕因子模型、波动率与风险度量展开。
因果识别与处理效应是本期最突出的方向之一。Changes-in-Changes for Ordered Choice Models with Underreporting 在DiD框架下处理有序离散结局的漏报问题,通过阈值交叉表示推导非参数边界,并辅以半参数漏报模型实现点识别;A Simple Transformation Approach to Difference-in-Differences Estimation for Panel Data 则提出单位级时间序列变换,将交错干预下的识别转化为无混杂性假设,并可与匹配、IPW等估计器灵活结合。两篇均以识别策略为核心,前者侧重边界与部分识别,后者侧重变换与双稳健估计,形成互补。Threshold Regression with Errors-in-Variables 在无工具变量下用GMM处理测量误差,其矩条件构造思路对因果推断中的未观测混杂问题有借鉴意义;Estimating Unobserved Cross-Sectional Network Links with Large-T Panel Data 则将网络结构视为未观测变量,用三步法估计内生同伴效应,属于因果推断在网络计量中的延伸。
高维假设检验与特征筛选构成另一条密集主线。Testing High-Dimensional Effects in Quantile Regression with High-Dimensional Confounding 通过卷积平滑分位数损失改进得分检验,并引入去相关版本以应对强相关混杂;Model-Free and Distributionally Robust Feature Screening with False Discovery Control 基于Copula Divergence实现无模型筛选,同时控制FDR,适用于异质分布数据;Testing Alphas in Linear Factor Models 用随机稀疏组合构造极值统计量检验资产定价误差,其极值极限理论在高维组合构造上具有新意。这三篇均在高维设定下处理检验或筛选问题,但分别从分位数回归、依赖度量和因子模型切入,方法工具各异。此外,Specification LASSO and a Flexible Characteristics-Based Asset Pricing Model 虽归入非参数主线,但其两步LASSO与自适应组LASSO结合,同时处理变量选择与模型设定,与高维主线在工具上相通。
非参数与半参数推断方面,Multiscale Comparison of Nonparametric Trend Curves 用局部多项式估计结合多重比较校正,定位多条时间序列趋势差异的区间,并设计聚类算法;Specification LASSO 则在高维部分线性可加模型中实现选择与设定的oracle性质。两篇均涉及非参数函数的推断,但前者侧重比较与聚类,后者侧重变量选择。时间序列与金融应用类论文中,Matrix Quantile Factor Model 与High-Dimensional Sliced Inverse Kendall’s Tau Estimation 分别处理矩阵值数据的低秩分位数结构和重尾高维降维,与高维主线在数学工具上相关;Bias Correction in Factor-Augmented Regression Models with Weak Factors 则聚焦弱因子下的渐近偏差修正,采用split-panel jackknife,对因子模型推断有直接参考价值。
对因果推断方向,Changes-in-Changes与A Simple Transformation Approach两篇最值得优先阅读;对半参数效率与高维检验,Specification LASSO、Testing High-Dimensional Effects in Quantile Regression以及Model-Free Feature Screening三篇提供了不同技术路径;对高维因子与降维,Matrix Quantile Factor Model和Bias Correction in Factor-Augmented Regression Models是本期较贴近理论前沿的工作。
因果推断 (causal_inference, 5 篇)¶
1. 10.1080/07350015.2026.2732285 · arXiv — Changes-in-Changes for Ordered Choice Models with Underreporting¶
- 作者: Daniel Gutknecht, Cenchen Liu
- 期刊/来源: Journal of Business & Economic Statistics
- 机构: Goethe University Frankfurt
- 分类: pp 1-82
- 相关性 8/10 · novelty:
new_method - 摘要: 本文在 Difference-in-Differences 框架下研究有序离散结局且存在漏报(underreporting)时的处理效应识别与推断问题。作者首先证明离散 Changes-in-Changes 模型等价于一个阈值交叉表示,从而为后续的边界推导奠定基础。在结局存在漏报时,他们推导了反事实与实际结局分布以及分位数处理效应的非参数边界,并在额外支撑条件下证明了这些边界在结局水平上一致尖锐。估计采用适当的非参数方法,并基于 bootstrap 进行推断;此外,还提出一个半参数漏报模型,可实现分布处理效应的点识别与估计。应用部分考察了美国多州娱乐大麻合法化对八年级学生消费行为的影响。对您而言,该文将离散 CIC 与漏报机制结合,是纵向因果推断中处理非经典测量误差的一个可借鉴范例。
- 关键技术:
Changes-in-Changes,threshold-crossing representation,partial identification,sharp bounds,bootstrap inference,semiparametric underreporting model - 为什么对您有用: 该文直接关联您 primary interests 中的 causal inference 与 longitudinal 子方向,特别是处理离散结局和测量误差(漏报)的识别问题。您可以用 very_familiar 中的非参数统计和 minimax 思想来审视其边界的紧致性,或用 moderately_familiar 中的 identification theory 来评估其假设的合理性。中期可做:若想深入其半参数扩展,需在 semiparametric theory 上加强。
2. 10.1080/07350015.2026.2683047 — A Simple Transformation Approach to Difference-in-Differences Estimation for Panel Data¶
- 作者: Soo Jeong Lee, Jeffrey M. Wooldridge
- 期刊/来源: Journal of Business & Economic Statistics
- 机构: Southern Illinois University Carbondale · Southern Illinois University System · Michigan State University
- 分类: pp 1-12
- 相关性 8/10 · novelty:
new_method - 摘要: 本文针对交错干预的面板数据,提出一种简单的单位级时间序列变换,可与多种处理效应估计器结合。变换要求计算干预前的平均结果,从干预后结果中减去,并在每个时期仔细选择对照组。作者证明在无预期和平行趋势假设下,经过变换的潜在结果满足关键的无混杂性假设。识别成立后,可对每个处理队列和日历时间对应用匹配等估计器来估计处理组平均处理效应。结合逆概率加权与线性回归调整的双稳健方法在偏差和效率上表现良好。该变换可轻松扩展以纳入单位特定趋势,从而在协变量条件下放宽平行趋势假设。
- 关键技术:
time-series transformation,difference-in-differences,staggered interventions,doubly robust estimation,inverse probability weighting,regression adjustment - 为什么对您有用: 本文直接关联您的因果推断兴趣,特别是纵向和交错干预下的 DID 识别与估计。您可以用 very_familiar 的估计理论(如 semiparametric 效率理论)来审视其双稳健估计器的效率性质,或探讨变换方法在更复杂设定(如连续处理或中介)下的推广。中期可做:结合您 moderately_familiar 的 HOIF 理论,分析该变换估计器的高阶影响函数,以改进有限样本偏差。
3. 10.1080/07350015.2026.2669269 — Threshold Regression with Errors-in-Variables¶
- 作者: Yiguo Sun
- 期刊/来源: Journal of Business & Economic Statistics
- 机构: University of Guelph
- 分类: pp 1-12
- 相关性 7/10 · novelty:
application - 摘要: 本文研究线性阈值回归模型在回归变量存在测量误差(errors-in-variables)时的估计与推断问题,其中阈值变量是外生的,且不存在有效的外部工具变量。作者提出一种新的广义矩估计(GMM)方法,利用矩条件识别模型参数,避免了对外部工具变量的依赖。理论上建立了估计量的一致性和渐近正态性,并构造了检验阈值效应的检验统计量。蒙特卡洛模拟显示有限样本性能良好,实证应用(企业投资方程)展示了方法的实用性。对您而言,该方法在无工具变量下处理测量误差的思路,与您在因果推断中处理未观测混杂或测量误差的识别问题有直接关联,尤其是其矩条件构造方式可能启发新的识别策略。
- 关键技术:
generalized method of moments (GMM),threshold regression,errors-in-variables,measurement error,asymptotic normality,threshold effect test - 为什么对您有用: 本文属于因果推断中测量误差与识别问题的应用型方法研究,与您的primary interest(causal inference的identification)直接相关。您可以用very_familiar的估计理论(如M估计)来审视其GMM矩条件的有效性,并考虑是否可扩展至proximal causal inference框架。中期可做:结合您moderately_familiar的identification theory,探索在更复杂设定(如内生阈值)下的识别条件。
4. 10.1080/07350015.2026.2721418 — Estimating Unobserved Cross-Sectional Network Links with Large-T Panel Data¶
- 作者: Peter H. Egger, Jiaqing Zhu
- 期刊/来源: Journal of Business & Economic Statistics
- 机构: ETH Zurich · Centre for Economic Policy Research
- 分类: pp 1-13
- 相关性 5/10 · novelty:
application - 摘要: 本文研究大 T 面板数据下网络计量模型中未观测网络结构的估计问题,目标是识别并估计内生同伴效应、直接效应、情境效应以及网络权重矩阵。作者提出一个简单的三步法:首先估计简约式模型以构造内生同伴结果的工具变量;其次用两阶段最小二乘估计外生回归变量的直接与情境效应以及内生同伴效应;最后估计网络权重矩阵。蒙特卡洛模拟表明在小到中等样本下参数估计的偏差和均方根误差较小。该方法应用于 2011-2020 年全球 100 家最大上市存款机构的日度数据,揭示了银行间网络链接的详细结构并识别出有影响力的银行,其中部分但非全部为金融稳定理事会指定的全球系统重要性银行。对您而言,该文将网络结构视为未观测变量并通过面板数据识别,与您因果推断中纵向设定和工具变量的兴趣直接相关,其三步估计策略可迁移至存在未观测干扰的因果推断问题。
- 关键技术:
two-stage least squares,instrumental variables,network econometrics,panel data,reduced-form estimation - 为什么对您有用: 该文属于因果推断中工具变量与纵向设定的应用,直接关联您的 primary interest 中的 IV 和 longitudinal 子方向。您可用 very_familiar 的估计理论(如 M-estimation 的渐近分析)来审视其三步估计器的有限样本性质,或将其未观测网络识别思路与 proximal causal inference 中的 negative control 设定类比,寻找新的识别策略。中期可做:需在 semiparametric theory 上进一步熟悉以推导其半参数效率界。
5. 10.1080/07350015.2026.2680059 · arXiv — Prediction with Differential Covariate Classification: Illustrated by Covariate Classification in Medical Risk Assessment¶
- 作者: Atheendar S. Venkataramani, Charles F. Manski, John Mullahy
- 期刊/来源: Journal of Business & Economic Statistics
- 机构: University of Wisconsin–Madison · Northwestern University
- 分类: pp 1-11
- 相关性 5/10 · novelty:
application - 摘要: 本文研究预测问题中的差分协变量分类(DCC)现象:研究数据中用于估计 P(y|x) 的协变量 x 与决策应用时的协变量 x 含义不同(如种族、族裔分类标准不一致),导致直接套用估计结果产生偏差。作者提出一个形式化框架,将 DCC 视为一种测量误差/分类错误问题,在给定研究分布和决策分布之间分类映射关系(部分已知或未知)的假设下,分析 P(y|x) 的部分识别。核心方法是利用 Manski 的 partial identification 工具,推导出在无假设、单调性假设、以及分类概率已知等不同情形下的识别区间,并给出区间宽度的刻画。文章以临床医学中种族/族裔分类为例,展示识别区间可能很宽,且收窄区间所需的信息仅在特殊情况下可得。对您而言,本文是 partial identification 在预测而非因果效应上的应用,与您 causal inference 中 identification theory 的兴趣直接相关,且其处理分类误差的框架可迁移到 proximal CI 或 measurement error 设定中。
- 关键技术:
partial identification,differential covariate classification,identification bounds,measurement error,Manski bounds - 为什么对您有用: 本文属于 causal inference 中 identification theory 的应用,具体连接点是 partial identification 与测量误差问题。您可以用 very_familiar 的 estimation theory in causal inference 和 moderately_familiar 的 identification theory 来审视其识别区间的推导,并思考将其扩展到 proximal CI 的 negative control 设定中。立即可做:将 DCC 框架与您熟悉的 partial identification 工具结合,推导更紧的界;中期可做:若想引入高维协变量,需在 high-dimensional asymptotics 上进一步打磨;暂不可做:本文不涉及计算复杂性,无需额外工具。
高维统计 / 随机矩阵 (high_dim_rmt, 3 篇)¶
1. 10.1080/07350015.2026.2695989 · arXiv — Bias Correction in Factor-Augmented Regression Models with Weak Factors¶
- 作者: Peiyun Jiang, Yoshimasa Uematsu, Takashi Yamagata
- 期刊/来源: Journal of Business & Economic Statistics
- 分类: pp 1-13
- 相关性 7/10 · novelty:
new_method - 摘要: 本文研究因子增强回归中,当潜在因子为弱因子(信号特征值以不同速率 N^{α_k} 发散,0<α_k≤1)时,估计量的渐近偏差及其修正。作者在一般弱因子模型下,推导了使用不同旋转矩阵(数据依赖的 H_hat、H_hat_q 以及纯信号依赖的 H)的因子近似下的偏差表达式,其中 H 可视为前两者的总体版本。由于该偏差是参数形式不可估计的,他们提出了一种 split-panel jackknife 偏差修正方法,并理论上证明其能有效减小偏差。大量有限样本实验表明所提方法效果良好,实证应用也展示了其实用性。对您而言,该文涉及高维因子模型中的渐近偏差分析,与您的高维统计和随机矩阵理论兴趣直接相关,其弱因子设定下的偏差分解技术可能对您处理类似高维估计问题有参考价值。
- 关键技术:
factor-augmented regression,weak factor models,asymptotic bias derivation,split-panel jackknife,rotation matrix approximation - 为什么对您有用: 该文属于高维统计与随机矩阵理论的应用,直接连接您的高维统计兴趣。您可以用 very_familiar 的高维渐近分析工具来审视其偏差推导的严密性,并考虑将 split-panel jackknife 方法推广到其他高维估计问题。立即可做:基于现有高维渐近知识,可复现其偏差公式并验证数值表现。
2. 10.1080/07350015.2026.2707219 — High-Dimensional Sliced Inverse Kendall’s Tau Estimation for Heavy-Tailed Data¶
- 作者: Jiaqi Li, Shuaida He, Xin Chen
- 期刊/来源: Journal of Business & Economic Statistics
- 机构: Southern University of Science and Technology
- 分类: pp 1-13
- 相关性 6/10 · novelty:
new_method - 摘要: 本文提出 SIKE(Sliced Inverse Kendall's tau Estimation),用于重尾、椭圆分布且高维的充分降维问题,目标是在无需条件中位数等强分布假设下估计中心子空间。方法基于 Kendall's tau 的切片逆回归思想,构造秩相关的切片矩,避免了对协变量矩和尾部的严格要求,从而对重尾和异常值更稳健。作者在维度 p 随样本量 n 发散的设定下建立了估计量的相合性和收敛速率,并引入一个补救算法以增强适应性。模拟和实证(资产定价、住房数据)显示 SIKE 优于现有方法。对您而言,该文将高维统计与秩相关非参数工具结合,其理论分析可能用到您熟悉的高维渐近和 U-统计量技术,值得关注。
- 关键技术:
sliced inverse regression,Kendall's tau,rank-based estimation,high-dimensional asymptotics,heavy-tailed robustness - 为什么对您有用: 本文属于高维统计与半参数方法的交叉,直接关联您的高维统计和假设检验兴趣;其基于 Kendall's tau 的估计量可视为 U-统计量的推广,您可用 very_familiar 的 higher-order U-statistics 计算框架(treewidth/einsum)分析其计算复杂度或推导高阶性质;该文是应用导向(金融、经济数据),也符合您的经济理论应用兴趣。
3. 10.1080/07350015.2026.2719893 · arXiv — Matrix Quantile Factor Model¶
- 作者: Xinbing Kong, Yongxin Liu, Long Yu, Peng Zhao
- 期刊/来源: Journal of Business & Economic Statistics
- 机构: Southeast University · Nanjing Audit University · Shanghai University of Finance and Economics · Jiangsu Normal University
- 分类: pp 1-12
- 相关性 6/10 · novelty:
new_method - 摘要: 本文提出矩阵分位数因子模型,用于具有低秩结构的矩阵值时间序列数据,目标是估计行和列因子空间。估计方法是在正交旋转约束下最小化经验检查损失函数,得到的估计在平均 Frobenius 范数下以速率 (min{p1p2, p2T, p1T})^{-1/2} 收敛,该速率快于将矩阵模型展平为向量模型后的分位数估计。为推导中心极限定理,作者引入了一个新的增广拉格朗日函数,该函数与原约束优化问题等价,并证明其 Hessian 矩阵局部正定,从而得到局部凸的惩罚损失函数。这便于对得分函数进行二阶展开,并建立载荷平滑估计的中心极限定理。此外,文章提供了三个一致准则来确定行和列因子数,并通过大量模拟和实证研究验证了理论。
- 关键技术:
quantile factor model,check loss,augmented Lagrangian,central limit theorem,factor number selection - 为什么对您有用: 本文属于高维统计与矩阵因子模型方向,与您的高维统计和随机矩阵理论兴趣相关;其收敛速率和 CLT 推导涉及非光滑损失与约束优化,您可以用非常熟悉的非参数统计和 M-估计理论来审视其技术细节,中期可做的是将增广拉格朗日技巧推广到其他分位数或稳健因子模型。
非参数 / 半参数 (nonparam_semipara, 2 篇)¶
1. 10.1080/07350015.2026.2729095 — Specification LASSO and a Flexible Characteristics-Based Asset Pricing Model¶
- 作者: Chaohua Dong, Shuyi Ge, Shaoran Li, Wen Su
- 期刊/来源: Journal of Business & Economic Statistics
- 机构: Zhongnan University of Economics and Law · Nankai University · Peking University · University of Oxford
- 分类: pp 1-83
- 相关性 7/10 · novelty:
new_method - 摘要: 本文研究高维部分线性可加模型,允许变量间交互,提出 Specification LASSO (S-LASSO) 两步法,结合 LASSO 与 Adaptive Group LASSO 同时进行变量选择与模型设定。理论上证明 S-LASSO 具有选择相合性与渐近正态性的 oracle 性质。Monte Carlo 模拟显示其在多种场景下优于现有方法。实证上应用于基于特征的资产定价模型,探索资产特征对横截面收益的线性与非线性效应及其与公司规模的交互。对您而言,其两步估计与 oracle 性质证明思路可迁移至您熟悉的 semiparametric 理论框架,且高维交互项设定与您的 high-dimensional 兴趣相关。
- 关键技术:
Specification LASSO,Adaptive Group LASSO,partially linear additive model,oracle property,variable selection - 为什么对您有用: 本文属于 semiparametric 与 high-dimensional 交叉领域,直接连接您的 primary interest 中的 semiparametric theory 与 high-dimensional statistics。您可用 very_familiar 的 minimax bounds 工具检验其 oracle 性质的有限样本表现,或探讨其与 higher-order U-statistics 在交互项估计中的联系。中期可做:若想深入其 Adaptive Group LASSO 的理论细节,需在 moderately_familiar 的 M-estimation 理论上加强。
2. 10.1080/07350015.2026.2682538 · arXiv — Multiscale Comparison of Nonparametric Trend Curves¶
- 作者: Marina Khismatullina, Michael Vogt
- 期刊/来源: Journal of Business & Economic Statistics
- 机构: Erasmus University Rotterdam · Universität Ulm
- 分类: pp 1-29
- 相关性 7/10 · novelty:
new_method - 摘要: 本文针对非参数时间趋势曲线的比较问题,提出了多尺度检验方法。研究目标是判断多条时间序列是否具有相同的趋势,并进一步定位趋势差异所在的时间区间。方法上,作者构建了基于局部多项式或核估计的检验统计量,并结合多尺度校正(如 Bonferroni 或 bootstrap)来控制多重比较的族错误率,从而给出关于趋势差异位置的置信陈述。基于该检验,作者进一步设计了聚类算法,将具有相同趋势的时间序列归为一组。理论上,作者推导了检验统计量的渐近分布,并证明了聚类方法的一致性。模拟研究和两个应用(GDP 增长数据、房价数据)验证了方法的有限样本表现。对您而言,该工作将非参数函数估计与多重检验结合,其多尺度推断框架可能对您在高维或纵向数据中的假设检验问题有借鉴意义。
- 关键技术:
multiscale testing,local polynomial smoothing,multiple testing correction,bootstrap,clustering - 为什么对您有用: 该论文属于非参数与半参数理论方向,具体涉及非参数趋势曲线的推断,与您的 primary interest 中的非参数理论相关。您可以用 very_familiar 的非参数估计和 minimax 理论来审视其多尺度检验的渐近性质,例如检查其置信带的宽度是否达到最优。中期可做:若想深入其 bootstrap 校正的有限样本表现,需在 moderately_familiar 的 M-estimation 理论上加强。总体而言,这是一篇值得一读的方法学论文,但并非直接推进您核心的因果推断或高维问题。
数理统计 / 假设检验 (hypothesis_testing, 5 篇)¶
1. 10.1080/07350015.2026.2737286 — Testing High-Dimensional Effects in Quantile Regression with High-Dimensional Confounding: A Decorrelated Approach¶
- 作者: Bowen Zhou, Heng Peng, Peirong Xu
- 期刊/来源: Journal of Business & Economic Statistics
- 机构: Shanghai Jiao Tong University · Hong Kong Baptist University
- 分类: pp 1-84
- 相关性 7/10 · novelty:
new_method - 摘要: 本文研究高维分位数回归中,在存在高维混杂参数时,对目标系数进行假设检验的问题。作者将卷积平滑分位数损失引入近期提出的得分检验,以提升计算效率并实现可扩展的推断。在目标变量与混杂变量弱相关的假设下,推导了平滑得分检验在原假设和局部备择下的渐近分布。为缓解强相关导致的偏差,进一步提出去相关版本,改善了第一类错误控制和功效。理论性质在目标和混杂参数均为超高维的设定下建立,并通过模拟和美股数据实证验证了方法的稳健性和有效性。该方法对您在高维假设检验和稳健推断方面的兴趣有直接参考价值。
- 关键技术:
smoothed quantile regression,score test,decorrelated estimation,high-dimensional inference,ultrahigh-dimensional asymptotics - 为什么对您有用: 本文直接关联您的高维统计与假设检验兴趣,特别是高维分位数回归中的推断问题。您可以用熟悉的非参数统计和M估计理论来审视其去相关得分检验的渐近性质,并考虑是否可将其推广到其他稳健损失函数。中期可做:若想深入其超高维理论,需在 moderately_familiar 的 semiparametric theory 上进一步巩固。
2. 10.1080/07350015.2026.2703863 · arXiv — Model-Free and Distributionally Robust Feature Screening with False Discovery Control for High-Dimensional Heterogeneous Data¶
- 作者: Cong Cheng, Runze Li, Yuan Ke
- 期刊/来源: Journal of Business & Economic Statistics
- 分类: pp 1-13
- 相关性 7/10 · novelty:
new_method - 摘要: 本文针对高维异质数据提出一种无模型特征筛选框架,基于新提出的分布鲁棒依赖度量 Copula Divergence。所提方法 CD-Screen 不依赖具体回归模型或分布假设,仅按 Copula Divergence 对特征排序,克服了现有筛选方法对模型假设和异质分布的敏感性。同时引入 CD-FDR 程序以控制错误发现率,保证特征选择的有效性。理论分析建立了 CD-Screen 的 sure screening 和 rank consistency 性质,以及 CD-FDR 对 FDR 的渐近控制。大量模拟表明该方法在多种场景下优于传统筛选方法;美国股票收益与通胀关系的实证分析展示了方法的实用性。对您而言,该文将分布鲁棒度量与 FDR 控制结合,为高维假设检验和特征选择提供了新工具,可联系您在高维统计和假设检验方面的兴趣。
- 关键技术:
Copula Divergence,model-free feature screening,false discovery rate control,sure screening property,rank consistency - 为什么对您有用: 该文属于高维特征筛选与假设检验的交叉,直接关联您的高维统计和假设检验兴趣。其 Copula Divergence 度量可视为一种分布鲁棒的依赖度量,您可尝试用您熟悉的 minimax 框架分析其最优性,或用 higher-order U-statistics 的视角推导其渐近性质。中期可做:需先熟悉分布鲁棒优化的基本概念(属 moderately_familiar 之外),但核心筛选与 FDR 控制机制与您已有工具兼容。
3. 10.1080/07350015.2026.2734092 — Testing Alphas in Linear Factor Models: A Portfolio Approach¶
- 作者: Jun Zhang, Dan Pu, Wei Lan, Guanhao Feng
- 期刊/来源: Journal of Business & Economic Statistics
- 机构: Southeast University · Southwestern University of Finance and Economics · City University of Hong Kong
- 分类: pp 1-30
- 相关性 6/10 · novelty:
new_method - 摘要: 本文针对高维线性因子模型提出一种新的检验方法,目标是检验所有资产定价误差(alpha)是否同时为零。方法上,MRSP 检验通过随机生成 L 个稀疏组合(每个组合由 K 次随机抽取得到),并从中选出最难定价的组合来评估因子模型,从而在保留组合经济解释的同时避免依赖单一最难定价资产。在原假设和正则条件下,中心化后的 MRSP 统计量依分布收敛到第一类极值分布,这属于极值统计的极限理论。蒙特卡洛模拟显示有限样本表现稳定;实证中模型拟合近年总体改善,其中 Daniel, Hirshleifer, and Sun (2020) 的三因子模型表现最佳。对您而言,该检验的极值极限与高维组合构造思路可连接到您的高维统计与假设检验兴趣,尤其是随机稀疏组合的构造方式与您的 U-统计量计算视角有潜在交叉。
- 关键技术:
random sparse portfolios,extreme value distribution,high-dimensional hypothesis testing,portfolio-based test,factor model alpha testing - 为什么对您有用: 本文属于高维假设检验方向,直接对应您 primary_interests 中的 hypothesis testing 与 high-dimensional statistics。其随机稀疏组合的构造与极值极限可尝试用您 very_familiar 的 higher-order U-statistics 计算视角(treewidth / tensor contraction)来分析统计量的计算复杂度或投影结构,属于立即可做的 follow-up。
4. 10.1080/07350015.2026.2691740 — Extremal Local Linear Quantile Regression for Heavy-Tailed Time Series with near Epoch Dependence¶
- 作者: Fengyang He, Huixia Judy Wang
- 期刊/来源: Journal of Business & Economic Statistics
- 机构: Hunan University of Technology and Business · Rice University
- 分类: pp 1-13
- 相关性 6/10 · novelty:
new_method - 摘要: 本文针对重尾时间序列的极值分析,在比 α-mixing 更弱的 near epoch dependence (NED) 假设下,提出结合局部线性分位数回归与极值理论的推断框架。作者先建立 NED 下局部线性中间条件分位数 (IQR) 估计量的 Bahadur 表示,证明其渐近正态性,但指出其在极端分位水平下不稳定。为此,提出增强的 Hill 方法来估计非线性极值指数 (EVI),并基于尾部性质外推得到极端条件分位数 (ECQ) 估计量。理论证明 EVI 与 ECQ 估计量具有相同的渐近偏差,并进一步提出偏差校正方法。模拟与实证分析验证了方法的有效性。对您而言,该文在非平稳/相依数据下的极值推断方法,可连接您在高维统计与假设检验方面的兴趣,尤其是其偏差校正思路对您处理复杂相依数据时的推断问题有参考价值。
- 关键技术:
local linear quantile regression,extreme value theory,near epoch dependence,Bahadur representation,Hill estimator,bias correction - 为什么对您有用: 该文属于假设检验与极值推断的交叉,连接您对数学统计与假设检验的兴趣。其 NED 假设下的渐近理论可视为对传统相依假设的推广,您可用 very_familiar 的非参数统计与 minimax 工具来审视其估计量的最优性,或探索其偏差校正方法在您熟悉的因果推断框架下的应用。中期可做:需先熟悉极值理论的细节,这属于 moderately_familiar 的 M-estimation 理论范畴。
5. 10.1080/07350015.2026.2696492 — Self-Normalized Tests for Skewness, Kurtosis, and Normality for Time Series Data¶
- 作者: JunYi Peng-Zhou, Xiaojun Song
- 期刊/来源: Journal of Business & Economic Statistics
- 机构: Jeonbuk National University · Peking University
- 分类: pp 1-16
- 相关性 5/10 · novelty:
new_method - 摘要: 本文针对时间序列数据提出自归一化(self-normalized)的偏度、峰度及正态性检验,目标是消除长期方差(LRV)估计对检验有限样本性质的影响。传统方法需估计 LRV,而 LRV 估计在有限样本下近似较差且需选择滞后截断参数;自归一化方法通过构造比值统计量避免直接估计 LRV。作者给出自归一化函数有效的一般性高维条件,并以 Lobato (2001) 的简单归一化和 Kiefer et al. (2000) 的 fixed-b 渐近作为两个主要例子。理论上建立检验统计量的极限分布,并证明其渐近有效性。蒙特卡洛模拟显示偏度和正态性检验具有良好的大小和功效,但峰度检验在厚尾分布下存在严重尺寸失真。最后将检验应用于 18 个宏观经济和金融序列,研究其对称性、峰度和正态性。对您而言,该文将自归一化思想引入高阶矩检验,与您对假设检验和金融时间序列应用的兴趣直接相关。
- 关键技术:
self-normalization,long-run variance-free tests,fixed-b asymptotics,skewness and kurtosis tests,time series normality tests - 为什么对您有用: 该文属于假设检验方向,直接对应您 primary interest 中的 hypothesis testing。自归一化方法避免了 LRV 估计的困难,是时间序列检验中的实用技术。您可用 very_familiar 的非参数统计和渐近理论理解其证明,并考虑将自归一化思想推广到其他高阶矩或 U-统计量检验。
经济理论 / 应用 (econ_theory, 2 篇)¶
1. 10.1080/07350015.2026.2707220 — Asymptotic Distributions of Nonlinear Least Squares Estimators for Panel-MIDAS Models¶
- 作者: Min Lin, Han Lin
- 期刊/来源: Journal of Business & Economic Statistics
- 机构: Beijing Normal University · University of Exeter
- 分类: pp 1-11
- 相关性 6/10 · novelty:
application - 摘要: 本文将 MIDAS(混合频率数据抽样)方法引入面板数据模型,研究非线性最小二乘(NLS)估计量的渐近性质。在 N 和 T 均趋于无穷的联合渐近框架下,允许个体内存在异方差和任意相关,推导了 NLS 估计量的渐近分布。为进行有效推断,构造了稳健的异方差自相关一致(HAC)协方差估计量。同时分析了基于预设聚合权重的 LS 估计量的渐近偏差和方差。提出了检验等权重原假设的 Wald 检验,以及处理未识别 nuisance 参数的 sup-type Wald 检验。通过蒙特卡洛模拟和实证应用验证了理论结果。
- 关键技术:
Panel-MIDAS,Nonlinear Least Squares,Joint asymptotics,HAC covariance estimation,Wald test,Sup-type test - 为什么对您有用: 本文属于经济理论/应用计量方向,可作为经济理论兴趣的入门读物;其面板数据与混合频率建模的设定,以及 HAC 推断方法,与您熟悉的高维渐近和因果推断中的稳健推断有交集。武器库中的非参数统计和 M-估计理论足以支撑理解其渐近论证,但 MIDAS 特有的时间序列结构可能需要额外学习,属于中期可做的方向。
2. 10.1080/07350015.2026.2740570 — Fast and Efficient Estimation of Macromodels with Large Shocks¶
- 作者: Luisa Corrado, Stefano Grassi, Aldo Paolillo
- 期刊/来源: Journal of Business & Economic Statistics
- 机构: University of Rome Tor Vergata · Free University of Bozen-Bolzano
- 分类: pp 1-27
- 相关性 4/10 · novelty:
application - 摘要: 本文提出一种新的非线性、非高斯滤波方法,用于高效估计和分析遭受大冲击的宏观经济模型。作者将方法应用于一个两部门模型,以刻画不同部门对 COVID-19 疫情的异质性暴露。模型以非线性方式求解,所提滤波器能够处理大冲击并识别其来源和时间位置。蒙特卡洛实验表明,该方法在大幅缩短运行时间的同时,仍能有效估计和识别大冲击。实证结果显示,疫情引发的经济衰退可归因于需求与供给冲击的组合。最后,作者通过反事实实验和稳健性检验,进一步分析了需求与供给冲击的互补性及模型参数的敏感性。
- 关键技术:
nonlinear filtering,non-Gaussian state space model,particle filter,Bayesian estimation,counterfactual analysis - 为什么对您有用: 本文属于经济理论/应用方向,可作为 gateway reading 了解宏观经济学中非线性滤波与冲击识别的方法。研究者作为统计学家,可关注其滤波器的统计性质(如一致性、效率),但核心机器(粒子滤波、MCMC)不在当前武器库中,暂不可做直接迁移。
其他 (other, 8 篇)¶
1. 10.1080/07350015.2026.2736042 · arXiv — Approximate Factor Models for Functional Time Series¶
- 作者: Sven Otto, Nazarii Salish
- 期刊/来源: Journal of Business & Economic Statistics
- 机构: University of Cologne · Universidad Carlos III de Madrid
- 分类: pp 1-30
- 相关性 6/10 · novelty:
application - 摘要: 本文提出一种针对函数型时间序列的近似因子模型,将曲线数据分解为低维可预测因子成分和不可预测误差项,二者通过函数型时间序列的自协方差结构识别。模型参数由累积自协方差算子的特征分量一致估计,并基于信息准则确定因子个数。在死亡率与收益率曲线建模的应用中,该方法相比广泛使用的函数主成分分析(FPCA)具有更简洁的结构表示和更好的样本外预测表现。该工作属于函数型数据分析与时间序列的交叉领域,方法上依赖算子谱分解与信息准则,与您的主要兴趣(如高维统计、半参数理论)关联较弱,但可作为统计方法在金融与人口学应用的参考。
- 关键技术:
functional principal component analysis,cumulative autocovariance operator,information criterion,factor model - 为什么对您有用: 本文属于函数型时间序列分析,与您的主要兴趣(因果推断、高维统计、半参数理论)关联较弱,但可作为统计方法在金融与人口学应用的参考。武器库中的非参数统计和算子谱分解知识可帮助理解其方法,但核心问题并非您的主攻方向,因此暂不可做。
2. 10.1080/07350015.2026.2683048 · arXiv — Geometric Model Averaging¶
- 作者: Chaoxia Yuan, Yufei Li, Fang Fang, Yuhong Yang
- 期刊/来源: Journal of Business & Economic Statistics
- 分类: pp 1-13
- 相关性 6/10 · novelty:
new_method - 摘要: 本文在一般似然估计框架下提出几何模型平均(GMA)方法,用候选模型条件密度加权几何平均替代经典加权算术平均,以同时处理参数不确定性和模型误设。最优权重通过最小化真实密度与加权密度间的KL散度获得,并利用几何形式构造KL散度的近似无偏估计量,从而估计最优权重。几何平均形式天然适用于密度尾部估计,且统一了多种现有模型平均方法。当所有候选模型均误设时,GMA权重在最小化KL散度意义下渐近最优;当包含正确模型时,估计具有一致性。模拟和两个真实数据分析表明GMA优于模型选择和算术平均方法。
- 关键技术:
geometric model averaging,Kullback-Leibler divergence,likelihood estimation,model misspecification,asymptotic optimality - 为什么对您有用: 本文属于模型平均与模型选择领域,与您的主要兴趣(如semiparametric理论、假设检验)关联较弱,但其中KL散度最优权重估计与渐近最优性证明可能对您在非参数/半参数效率理论中的模型比较问题有启发。技术武器库中非参数统计和M估计理论可支撑理解其渐近论证,但核心问题并非您的主攻方向,建议作为方法学参考,暂不深入。
3. 10.1080/07350015.2026.2703238 · arXiv — A Flexible Approach to Augmenting a Bayesian VAR with Nonlinear Factors¶
- 作者: Todd E. Clark, Florian Huber, Gary Koop
- 期刊/来源: Journal of Business & Economic Statistics
- 机构: Johns Hopkins University · Federal Reserve Bank of Cleveland · University of Salzburg · University of Strathclyde
- 分类: pp 1-14
- 相关性 5/10 · novelty:
application - 摘要: 本文提出一种贝叶斯向量自回归(VAR)的扩展模型,通过回归树非参数地引入非线性因子,以捕捉宏观经济变量间的共同非线性关系。模型的主要优势包括:非参数设定降低误设风险;因子结构实现“函数池化”,用少量非线性因子刻画跨变量的共同非线性;MCMC计算简单,可逐方程估计,避免高维时变参数VAR的计算瓶颈;且线性因子模型的结构识别方法可自然推广至非线性情形。作者通过人工数据和宏观经济数据验证了模型的预测性能和结构分析能力。对您而言,该文属于计量经济学应用,与您的主要兴趣(因果推断、半参数理论等)关联较弱,但可作为了解贝叶斯非参数方法在宏观应用中使用的入门读物。
- 关键技术:
Bayesian VAR,nonlinear factor model,regression trees,MCMC,functional pooling - 为什么对您有用: 本文属于经济理论/应用方向,与您的主要兴趣(因果推断、高维统计等)关联较弱。但作为gateway reading,它展示了贝叶斯非参数方法在宏观计量中的应用,对您了解该领域有一定帮助。您的武器库(如非参数统计、M估计)足以理解其方法框架,但无需深入跟进。
4. 10.1080/07350015.2026.2709681 · arXiv — From Rotational to Scalar Invariance: Enhancing Identifiability in Score-Driven Factor Models¶
- 作者: Giuseppe Buccheri, Fulvio Corsi, Emilija Dzuverovic
- 期刊/来源: Journal of Business & Economic Statistics
- 机构: University of Verona · University of Pisa · Ca' Foscari University of Venice
- 分类: pp 1-13
- 相关性 5/10 · novelty:
new_method - 摘要: 本文研究得分驱动因子模型(score-driven factor models)的识别性问题。作者证明,对于一类包含条件Fisher信息逆平方根在内的缩放矩阵,在非常温和的限制下,得分驱动因子模型可识别至一个乘法标量常数。该结果利用了得分驱动因子动态的特殊结构,在参数驱动模型中无对应物,从而克服了动态因子模型常见的旋转不变性问题,增强了因子的经济与金融可解释性。所提限制具有顺序不变性,并可推广至动态载荷的得分驱动因子模型及非线性因子模型。作者通过模拟和真实数据(金融与宏观经济数据)广泛检验了识别策略,发现与文献中经典限制相比,所提更灵活设定显著提高了对数似然比和样本外预测性能。
- 关键技术:
score-driven models,factor models,identifiability,rotational invariance,conditional Fisher information - 为什么对您有用: 本文属于时间序列因子模型识别性研究,与您的主要兴趣(因果推断、高维统计、半参数理论)无直接交集,但其中关于识别性条件的讨论与您熟悉的因果识别理论有方法论上的类比。作为gateway reading,本文对非时间序列专家而言,模型设定和识别性论证较为专业,但核心思想(利用模型结构克服旋转不变性)易于理解。您的武器库(如半参数理论、M估计)足以支撑理解其识别性证明,但该主题并非您当前研究重点,建议仅作泛读,不必深究。
5. 10.1080/07350015.2026.2705382 · arXiv — Robust Estimation of Double Autoregressive Models via Normal Mixture QMLE¶
- 作者: Zhao Chen, Chen Shi, Christina Dan Wang
- 期刊/来源: Journal of Business & Economic Statistics
- 机构: Fudan University · New York University Shanghai · New York University
- 分类: pp 1-38
- 相关性 5/10 · novelty:
application - 摘要: 本文研究双自回归(DAR)模型在创新分布偏斜且重尾时的稳健估计问题,提出一种基于正态混合分布的拟极大似然估计(NM-QMLE)方法。该方法将正态混合分布嵌入拟似然框架,以同时捕捉重尾和偏斜特征,克服传统QMLE在非高斯条件下的局限。文章重点处理了混合成分数K的选择这一常被忽视但影响模型性能的关键参数,并系统比较了多种模型选择准则。在正则条件下,作者建立了DAR(p)模型NM-QMLE估计量的相合性和渐近正态性。数值模拟表明,当创新分布偏离正态时,NM-QMLE在估计精度上优于常用QMLE方法;BIC和ICL等准则虽能改进K的估计,但固定较小的K也能达到相近精度。实证部分将NM-QMLE应用于S&P 500指数数据,并通过VaR估计验证了其在实际金融数据建模和风险评估中的有效性。
- 关键技术:
Normal Mixture QMLE,Double Autoregressive Model,Model Selection Criteria (BIC, ICL),Asymptotic Normality,Value at Risk - 为什么对您有用: 本文属于时间序列稳健估计,与您的主要兴趣(如假设检验、半参数理论)关联较弱,但其中对混合模型成分数选择的讨论和QMLE的渐近理论可能对您在高维或非参数设定下的估计问题有参考价值。作为JBES的应用型论文,其方法学新颖性有限,但实证分析(S&P 500 VaR)可作为金融数据应用的入门读物。
6. 10.1080/07350015.2026.2682541 — Multi-Matrix Autoregressive Models with an Application to Multi-Modal Network¶
- 作者: Shiqi Ye, Tingguo Zheng, Han Xiao, Yongmiao Hong
- 期刊/来源: Journal of Business & Economic Statistics
- 机构: Chinese Academy of Sciences · Academy of Mathematics and Systems Science · University of Chinese Academy of Sciences · Xiamen University · Rutgers, The State University of New Jersey
- 分类: pp 1-14
- 相关性 5/10 · novelty:
application - 摘要: 本文提出多矩阵自回归(MMAR)模型,用于联合建模结构不同的矩阵时间序列,将矩阵视为元素,在联立方程系统中刻画其同期与跨期关系,并涵盖矩阵自回归模型与三阶张量自回归模型作为特例。作者给出三种估计方法并研究其统计性质,通过数值模拟验证。进一步将 MMAR 与连通性网络分析结合,提出多模态连通性框架以估计矩阵行与列之间的相互关联。实证部分联合建模中国 31 个省份的宏观经济矩阵时间序列与包含经济政策不确定性、贸易政策不确定性和地缘政治风险的向量时间序列。对您而言,该文属于时间序列与网络分析的交叉应用,与您的主要兴趣(因果推断、高维统计)关联较弱,但可作为统计建模在经济学应用中的参考。
- 关键技术:
matrix autoregression,tensor autoregression,simultaneous equation system,connectedness network analysis,multi-modal connectivity - 为什么对您有用: 本文属于经济时间序列建模的应用型工作,与您的主要兴趣(因果推断、高维统计、U-统计量)关联较弱;但作为经济学应用论文,可提供矩阵/张量时间序列建模的入门视角,若您关注经济政策不确定性等宏观数据,可作为背景阅读。
7. 10.1080/07350015.2026.2714065 — A Family of Coherent Risk Measures: An Infinite Weighted Average of Value-at-Risk¶
- 作者: Rong Jiang, M.C. Jones, Jiangfeng Wang, Keming Yu
- 期刊/来源: Journal of Business & Economic Statistics
- 机构: Shanghai University of International Business and Economics · The Open University · Zhejiang Gongshang University · Brunel University of London
- 分类: pp 1-12
- 相关性 4/10 · novelty:
application - 摘要: 本文在金融风险度量框架下,针对 VaR 不满足次可加性(非一致性)的问题,提出一类新的 coherent risk measure:通过构造依赖于分位数水平和位置参数的两参数权重函数,对分位数进行无限加权平均,得到广义分位数回归(GQR)框架。作者给出了权重函数需满足的显式可验证条件,使得所得风险泛函具备一致性、可逆性、单调性和跨分位数可比性。该框架统一了现有谱风险度量与扭曲风险度量等众多特例,并产生若干新的经济上有意义的风险度量。作者进一步发展了相应的非参数估计量(含多维情形),并研究了其渐近性质。实证研究展示了 GQR 在风险评估和投资组合优化中的有效性。对您而言,本文虽非您核心方向,但其非参数估计的渐近理论(如收敛速率、影响函数)与您的 semiparametric/nonparametric theory 兴趣有潜在联系,可作为应用统计方法学的参考。
- 关键技术:
coherent risk measures,weighted average of quantiles,generalized quantile regression,nonparametric estimation,asymptotic properties - 为什么对您有用: 本文属于金融统计应用,与您的核心兴趣(因果推断、高维、U-统计量等)无直接重叠,但其中非参数估计量的渐近分析(如收敛速率、影响函数)与您的 semiparametric/nonparametric theory 兴趣有潜在联系。作为 gateway reading,本文对统计学家友好,问题设定清晰,但方法学 novelty 一般,属于应用型方法论文。武器库足以理解其渐近论证,但无需深入。
8. 10.1080/07350015.2026.2696490 · arXiv — Modeling and Forecasting Realized Volatility with Multivariate Fractional Brownian Motion¶
- 作者: Markus Bibinger, Jun Yu, Chen Zhang
- 期刊/来源: Journal of Business & Economic Statistics
- 机构: University of Würzburg · University of Macau · Sun Yat-sen University
- 分类: pp 1-14
- 相关性 4/10 · novelty:
application - 摘要: 本文提出用多元分数布朗运动(mfBm)对已实现波动率(RV)进行建模与预测,其中每个分量具有各自的 Hurst 指数。作者研究了相关系数与 Hurst 指数之间的相互作用,提出了一种新的参数估计方法,并建立了估计量的一致性和渐近正态性。此外,他们开发了一个时间可逆性检验,RV 数据通常不会拒绝该检验。当数据生成过程是时间可逆的 mfBm 时,他们推导了最优预测公式并分析了其性质。关键发现是,具有不同 Hurst 指数和非零相关的 mfBm 相比一维模型能降低预测误差。实证结果表明,mfBm 在样本外预测上优于 HAR 及其变体。
- 关键技术:
multivariate fractional Brownian motion,Hurst exponent estimation,time-reversibility test,optimal forecasting,quasi-maximum likelihood - 为什么对您有用: 本文属于金融计量经济学中的波动率建模,与您的主要兴趣(因果推断、高维统计等)无直接交集,但涉及时间序列的统计推断和预测,可能对您的统计计算或应用兴趣有间接启发。作为入门读物,它展示了分数布朗运动在金融数据中的应用,但方法论上对您的武器库没有直接可攻的点。
Maintained by 陈星宇 · Homepage · Source on GitHub