跳转至

JBES — Vol 44 Issue 3 · 2026-10-14

  • 共 22 篇 · Journal of Business & Economic Statistics
  • 目录核对 ⚠️ 疑似漏 1 篇(对照 OpenAlex 23 篇):10.1080/07350015.2026.2654899

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 的核心关切集中在因果识别与推断的稳健性、高维/面板数据中的结构发现,以及时间序列预测与检验的可靠性上。因果推断主线占据显著篇幅,涵盖从条件分位处理效应(CQTE)到空间干扰、面板内生性及社会交互等经典议题;高维与面板数据主线则聚焦于因子模型、分位数 VAR 及潜在群组结构的估计;此外,假设检验与预测能力推断在时间序列语境下亦有集中讨论,涉及重尾变点、自相关稳健推断及机器学习预测器的不确定性量化。

因果推断主线中,Deep Orthogonal Learner 将 Neyman 正交性与深度学习结合,在非参数 CQTE 估计中实现 minimax 最优收敛速率,并在线性近似下获得根号 n 一致性,展示了深度方法在高维因果参数估计中的理论可行性。High-Dimensional Detection of Spatial Interference Effects 则采用低秩加稀疏模型刻画干扰结构,同时提供全局检验与局部检测,其非渐近误差界与 Jaccard 指数保证为高维干扰识别提供了可操作的推断框架。Partial Effects in Time-Varying Linear Transformation Panel Models 通过非参数工具变量处理内生性与固定效应,在不适定问题下仍保持根号 n 渐近正态性,对纵向因果推断有直接迁移价值。Binary Outcomes and Linear Interactions 则从微观基础出发,刻画二元结果下线性交互模型的 coherent 且 complete 条件,并以 2SLS 简化估计,重分析吸烟同伴效应时凸显了线性框架在计算与固定效应处理上的优势。此外,Cross-Section Bootstrap for CCE Regressions 针对因子增强面板的 CCE 估计,在 N、T 同阶增长下提出横截面 bootstrap 偏差校正,避免分析性校正的复杂性,适用于一般未知因子。

高维与面板数据主线中,Robust Factor Analysis for High-Dimensional Data with Outliers 通过稀疏异常值矩阵显式建模离群点,同时估计载荷与因子个数,在污染数据下保持相合性。High-Dimensional Quantile Vector Autoregression with Influencers and Communities 在 N>T 设定下引入影响者与社区结构,结合交替最小化与卷积平滑,在 sub-Weibull 创新下建立局部一致性,实证识别了宏观影响变量与波动溢出网络。Shrinkage Estimation and Identification of Latent Group Structures 采用成对融合惩罚与自适应 LASSO 联合检测群组与变量选择,ADMM 算法实现高效计算,为高维面板的结构化惩罚估计提供了参考。假设检验与时间序列主线中,Winsorized CUSUM 通过截断极端观测恢复变点检测功效,弱收敛到 Brownian bridge 相关函数;Robust Confidence Intervals for Autocorrelations 以三明治方差与固定平滑核处理非 iid 创新,避免重抽样;Extending the Scope of Inference About Predictive Ability 将样本外预测能力检验扩展到 Lasso 与深度学习,明确快速收敛速率条件,并推荐 80%-20% 划分;Multi-Horizon Uniform Superior Predictive Ability 则推导了多时域联合检验的渐近分布,确保水平与一致性。

与因果推断、半参数效率及高维方向最贴合的优先阅读包括:Deep Orthogonal Learner(因果参数估计与正交性)、High-Dimensional Detection of Spatial Interference Effects(高维干扰识别与检验)、Partial Effects in Time-Varying Linear Transformation Panel Models(内生面板与半参数效率)、Robust Factor Analysis(高维稳健因子)及 Shrinkage Estimation(高维面板结构发现)。若关注时间序列检验,Winsorized CUSUM 与 Extending the Scope of Inference 分别覆盖重尾稳健性与机器学习预测器推断,值得一并浏览。

因果推断 (causal_inference, 5 篇)

1. 10.1080/07350015.2025.2569483 — Deep Orthogonal Learner for Conditional Quantile Treatment Effect Estimation

  • 作者: Qixian Zhong
  • 期刊/来源: Journal of Business & Economic Statistics
  • 机构: Xiamen University
  • 分类: vol 44 · issue 3 · pp 904-915
  • 相关性 8/10 · novelty: new_method
  • 摘要: 本文在条件分位处理效应(CQTE)框架下,提出一种基于深度学习的正交学习方法,目标是在非参数设定下估计 CQTE,并同时提供可解释的线性近似以支持统计推断。方法利用 Neyman 正交性,使得目标估计量对 nuisance 函数的小扰动不敏感,从而允许 nuisance 以较慢速率收敛而不影响目标参数估计。作者首先用深度神经网络非参数估计 CQTE,并证明其收敛速率达到 minimax 最优(至多差 polylog 因子),体现了深度学习在高维数据中识别低维结构的能力。随后将 CQTE 建模为线性形式,证明系数和 CQTE 估计量在 nuisance 估计慢速收敛下仍具有根号 n 一致性和渐近正态性。数值实验表明该方法优于现有竞争方法。对您而言,本文结合了正交机器学习与分位处理效应,是 causal inference 中 debiased ML 与 semiparametric 理论的一个具体应用,值得关注其正交得分构造与神经网络收敛速率的结合方式。
  • 关键技术: Neyman orthogonality, deep neural network estimation, minimax optimal rate, root-n consistency, asymptotic normality, conditional quantile treatment effect
  • 为什么对您有用: 本文直接关联 primary interest 中的 causal inference(CQTE 估计)与 efficiency theory(Neyman 正交性、根号 n 一致性),且涉及 semiparametric 理论中的 nuisance 估计与目标参数推断。技术层面,可用 very_familiar 中的非参数统计与 minimax 界来验证其声称的收敛速率是否紧,或用 moderately_familiar 的 semiparametric 理论分析其正交得分的效率性质。属于立即可做的方向,因为核心工具(正交得分、交叉拟合)已在武器库中。

2. 10.1080/07350015.2025.2581341 — High-Dimensional Detection of Spatial Interference Effects

  • 作者: Wei Zhang, Ying Yang, Fang Yao
  • 期刊/来源: Journal of Business & Economic Statistics
  • 机构: Fudan University · Peking University
  • 分类: vol 44 · issue 3 · pp 979-990
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文研究高维设定下空间干扰效应的检测问题,目标是在不依赖显式且同质的参数假设下,识别处理效应中的干扰结构。作者提出一种低秩加稀疏的处理效应模型,利用高维技术刻画干扰模式。估计方面,设计高效的 profiling 算法求解模型系数;推断方面,分别提出全局检验(是否存在干扰)和局部检测(哪些单元受干扰)的方法。理论上,给出了估计的非渐近误差界,并基于 Jaccard 指数建立了检测精度的保证。数值实验表明,该方法在高维场景下能有效捕捉复杂干扰模式。对您而言,该文将因果推断中的干扰效应与高维稀疏/低秩方法结合,其全局检验和局部检测框架可能对您关注的因果推断识别与检验问题有借鉴意义。
  • 关键技术: low-rank and sparse treatment effect model, profiling algorithm, global hypothesis testing, local detection, Jaccard index, non-asymptotic error bounds
  • 为什么对您有用: 该文直接关联您的主要兴趣中的因果推断(干扰效应是因果推断的重要前沿),并涉及高维统计与假设检验。您可以用 very_familiar 的高维渐近和 minimax 工具来审视其非渐近界的紧性,或用 moderately_familiar 的识别理论来评估其模型假设的合理性。中期可做:若想深入其低秩结构,需在 moderately_familiar 的 HOIF 或 semiparametric 理论上加强。

3. 10.1080/07350015.2025.2566352 — Partial Effects in Time-Varying Linear Transformation Panel Models with Endogeneity

  • 作者: Irene Botosaru, Chris Muris, Senay Sokullu
  • 期刊/来源: Journal of Business & Economic Statistics
  • 机构: McMaster University · University of Bristol
  • 分类: vol 44 · issue 3 · pp 886-896
  • 相关性 7/10 · novelty: application
  • 摘要: 本文研究含固定效应和内生回归元的非线性面板模型,其中结果变量是潜变量的时变单调变换,目标估计量是平均偏效应(APE),允许时变且对反事实平移具有尺度不变性。作者利用条件矩限制,并通过非参数工具变量技术处理恢复变换函数的不适定问题。所提出的 APE 估计量满足根号 n 渐近正态性。方法应用于 TIMSS 数据,发现传统教学与数学和科学成绩提升强相关。对您而言,该文将非参数工具变量与面板数据因果推断结合,其处理内生性和固定效应的思路可迁移至您关注的纵向因果推断问题。
  • 关键技术: nonparametric instrumental variables, conditional moment restrictions, ill-posed inverse problem, panel data with fixed effects, average partial effect
  • 为什么对您有用: 该文属于因果推断中纵向设定下的应用方法,直接对应您 primary interest 中的 longitudinal 子方向。您可用 very_familiar 的逆问题与高维渐近工具来审视其非参数 IV 估计的有限样本性质,或考虑用 moderately_familiar 的识别理论来扩展其反事实平移的识别条件。立即可做:基于现有工具复现其估计器并检验稳健性;中期可做:若需深入其不适定问题的正则化理论,需在非参数 IV 的收敛速率分析上加强。

4. 10.1080/07350015.2025.2565281 — Binary Outcomes and Linear Interactions

  • 作者: Vincent Boucher, Yann Bramoullé
  • 期刊/来源: Journal of Business & Economic Statistics
  • 机构: Université Laval · Centre National de la Recherche Scientifique · Aix-Marseille Université · Aix-Marseille Sciences Economiques
  • 分类: vol 44 · issue 3 · pp 865-875
  • 相关性 6/10 · novelty: application
  • 摘要: 本文研究二元结果变量下线性交互(peer effects)模型的识别与估计问题。作者首先刻画了此类模型 coherent 且 complete 的条件,即模型存在唯一均衡解且概率分布良定义的条件。其次,在不完全信息和独立性的假设下,证明了线性交互模型具有合理的微观基础,并讨论了关键建模选择与可检验的约束。对于参数线性的设定,提出一个简单的两阶段最小二乘(2SLS)估计量,并重新分析了 Lee, Li, Lin 关于青少年吸烟同伴效应的实证研究。重分析凸显了线性框架的优势,包括计算和数据要求低、能处理固定效应。本文为二元结果下的社会交互效应提供了实用的识别与估计工具,与您在因果推断中 IV 和纵向设定的兴趣直接相关。
  • 关键技术: two-stage least squares, coherence and completeness conditions, incomplete information game, fixed effects, peer effects
  • 为什么对您有用: 本文属于因果推断中社会交互/同伴效应的应用方法论文,直接关联您的 IV 和纵向数据兴趣。您可以用 very_familiar 的估计理论(如 IV 的有限样本性质)来审视其 2SLS 估计量的效率,或用 moderately_familiar 的识别理论来检验其 coherence 条件的可检验性。立即可做:基于其设定,用您的软件技能复现并扩展模拟。

5. 10.1080/07350015.2025.2565285 — Cross-Section Bootstrap for CCE Regressions with General Unknown Factors

  • 作者: Ignace De Vos, Ovidijus Stauskas
  • 期刊/来源: Journal of Business & Economic Statistics
  • 机构: Tinbergen Institute · Vrije Universiteit Amsterdam · BI Norwegian Business School
  • 分类: vol 44 · issue 3 · pp 876-885
  • 相关性 4/10 · novelty: new_method
  • 摘要: 本文研究因子增强面板数据模型中 Common Correlated Effects (CCE) 估计量的推断问题,目标是在一般未知因子(包括平稳与非平稳)下,当 N 和 T 同阶增长(T/N→τ>0)时,对 pooled CCE (CCEP) 估计量的渐近偏差进行修正并构造有效置信区间。作者提出并证明了横截面 bootstrap 方案的有效性,该方案通过重抽样横截面单元来复制 CCE 估计量的分布,从而提供一种直接的偏差校正和渐近有效的推断方法,适用于 τ<∞ 的情形。该方法避免了分析性偏差校正的复杂性,且不依赖于因子积分阶数的知识。文章还探讨了 idiosyncratic 误差非平稳的情形,并通过模拟实验验证了理论结果在有限样本中的表现,表明所提方法优于其他偏差校正方法。最后,基于 Serlenga 和 Shin 的引力贸易数据集进行了实证应用。
  • 关键技术: cross-section bootstrap, Common Correlated Effects (CCE), factor-augmented panel data, asymptotic bias correction, nonstationary factors
  • 为什么对您有用: 本文属于面板数据因果推断中的因子结构处理,与您的因果推断兴趣(纵向数据、因子混淆)直接相关;其横截面 bootstrap 方法可视为一种非参数重抽样技术,您可以用 very_familiar 的软件开发和 M-estimation 理论来复现和扩展其有限样本性质,属于立即可做的方向。

高维统计 / 随机矩阵 (high_dim_rmt, 2 篇)

1. 10.1080/07350015.2025.2569730 — Robust Factor Analysis for High-Dimensional Data with Outliers

  • 作者: Pengbiao Zhou, Jialiang Li, Xiao Guo
  • 期刊/来源: Journal of Business & Economic Statistics
  • 机构: University of Science and Technology of China · National University of Singapore
  • 分类: vol 44 · issue 3 · pp 916-927
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文针对金融经济数据中常见的异常值问题,提出了一类新的高维因子模型,该模型通过引入一个稀疏异常值矩阵来显式刻画随机离群点。作者开发了相应的稳健估计方法,用于同时估计因子载荷矩阵和因子个数。在温和条件下,证明了所提估计量的相合性。数值实验表明,所提方法在数据受污染时显著优于现有方法。该工作将因子分析与稀疏回归/稳健统计相结合,为高维因子分析在异常值存在下的应用提供了新思路。
  • 关键技术: sparse outlier matrix, robust factor estimation, factor number determination, high-dimensional factor model
  • 为什么对您有用: 本文属于高维统计与因子模型方向,与您的高维统计兴趣相关;其稀疏异常值建模与稳健估计思路可迁移至您熟悉的因果推断中的测量误差或未观测混杂处理。武器库中非参数统计和M估计理论可用于分析其估计量的稳健性,但核心的因子模型识别与稀疏性条件可能需要补充学习,属于中期可做。

2. 10.1080/07350015.2025.2551249 — High-Dimensional Quantile Vector Autoregression with Influencers and Communities

  • 作者: Shiwei Huang, Kunqi Ma, Yu Chen
  • 期刊/来源: Journal of Business & Economic Statistics
  • 机构: University of Science and Technology of China · Fudan University
  • 分类: vol 44 · issue 3 · pp 745-760
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文提出一个高维分位数向量自回归(QVAR)模型,在N>T的高维设定下引入影响者(influencers)和社区(communities)结构,假设不同社区内的变量共享依赖结构且受同一组影响者驱动。估计采用交替最小化算法与卷积平滑(convolution-smoothed)方法,在sub-Weibull创新下建立了估计参数的局部一致性结果。数值模拟显示有限样本表现良好。实证部分识别了美国商业周期中最具影响力的宏观经济变量,并构建了全球股市波动溢出的动态分位数网络。该工作将高维时间序列与分位数回归结合,对您的高维统计和因果推断兴趣有参考价值。
  • 关键技术: quantile vector autoregression, convolution-smoothed quantile regression, alternating minimization, high-dimensional time series, community detection
  • 为什么对您有用: 本文属于高维时间序列与分位数回归的交叉,与您的高维统计兴趣直接相关;其社区结构假设与您熟悉的因果推断中的网络/纵向设定有潜在联系。您可以用非常熟悉的非参数统计和M-估计理论来审视其局部一致性证明,中期可尝试将社区结构扩展到proximal CI或纵向因果推断中。

非参数 / 半参数 (nonparam_semipara, 1 篇)

1. 10.1080/07350015.2025.2554669 — Time-Varying High Quantile Estimation for Nonstationary Tail Dependent Time Series

  • 作者: Ting Zhang, Yu Shao
  • 期刊/来源: Journal of Business & Economic Statistics
  • 机构: Boston University · University of Georgia
  • 分类: vol 44 · issue 3 · pp 761-770
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文研究非平稳尾部相依时间序列中时变高分位数(high quantile)的估计问题,其中分位数水平随样本量增长以捕捉尾部现象,且数据生成机制随时间变化。作者将时变高分位数建模为时间的非参数函数以避免参数误设,并针对一般非平稳尾部相依序列建立了非参数高分位数估计量的相合性和中心极限定理。极限理论表明,估计量的渐近行为同时受分位数水平增长的双重渐近机制和序列尾部相依性的影响。数值实验验证了理论结果,并讨论了向时变高分位数回归模型的扩展。对您而言,该文将非参数估计与极值理论结合,其双重渐近框架和尾部相依处理对您在高维或半参数理论中的稳健推断可能有参考价值。
  • 关键技术: nonparametric quantile estimation, time-varying coefficients, extreme value theory, tail dependence, central limit theorem
  • 为什么对您有用: 该文属于非参数与半参数理论方向,具体涉及非平稳时间序列的极值推断,与您的非参数理论兴趣相关。您可以用非常熟悉的高维渐近工具(如经验过程理论)来审视其双重渐近框架的紧性,或探索将时变高分位数估计与因果推断中的敏感性分析结合。中期可做:需在极值理论(EVT)上补充知识,这属于 moderately_familiar 之外的领域。

数理统计 / 假设检验 (hypothesis_testing, 7 篇)

1. 10.1080/07350015.2025.2572770 · arXiv — Design of Bayesian A/B Tests Controlling False Discovery Rates and Power

  • 作者: Luke Hagar, Nathaniel T. Stevens
  • 期刊/来源: Journal of Business & Economic Statistics
  • 机构: The University of Queensland · University of Waterloo
  • 分类: vol 44 · issue 3 · pp 955-964
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文针对企业多指标 A/B 测试中的多重检验问题,提出一个贝叶斯框架,在控制错误发现率(FDR)和平均功效的同时设计测试。传统方法要么将多指标聚合为单一复合度量(损失信息),要么施加严格的族错误率控制(降低功效)。作者通过选择最优决策阈值来同时满足 FDR 和平均功效准则,并高效推荐最优样本量。其核心创新在于利用新的理论结果,仅需在两个样本量下进行模拟即可外推得到任意样本量下的最优阈值,避免了逐样本量密集模拟的计算负担。方法通过一个真实多指标 A/B 测试案例进行说明。对您而言,该文将贝叶斯决策与多重检验功效分析结合,其理论结果(基于模拟外推)可能对您在高维假设检验或统计计算中的效率分析有启发。
  • 关键技术: Bayesian A/B testing, false discovery rate control, average power control, optimal decision thresholds, simulation-based design, sample size determination
  • 为什么对您有用: 该文属于假设检验与多重比较的实用方法,直接关联您的主要兴趣“hypothesis testing”。其核心技巧——利用理论结果减少模拟成本(仅两个样本量)——可视为一种统计计算效率的改进,您可以用 very_familiar 的“软件开发和数值方法”技能复现或扩展其模拟外推方法。此外,该文是应用导向的,可作为流行病学或经济学中多指标试验设计的参考。中期可做:若想深入其理论外推的数学基础,需在“semiparametric theory”上稍作加强(moderately_familiar),但当前立即可做的是将其框架应用于您熟悉的因果推断场景(如多终点 RCT 分析)。

2. 10.1080/07350015.2025.2561747 — Testing for Change-Points in Heavy-Tailed Time Series—A Winsorized CUSUM Approach

  • 作者: Rui She, Linlin Dai, Shiqing Ling
  • 期刊/来源: Journal of Business & Economic Statistics
  • 机构: Southwestern University of Finance and Economics · Hong Kong University of Science and Technology
  • 分类: vol 44 · issue 3 · pp 810-822
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文研究重尾时间序列中变点检测的检验问题,指出传统 CUSUM 检验在重尾情形下可能失去功效。作者提出 winsorized CUSUM 方法,通过截断极端观测构造检验统计量,并基于此构建 Kolmogorov-Smirnov (KS) 检验和 Self-normalized (SN) 检验。在原假设下,证明了检验统计量弱收敛到标准 Brownian bridge 相关函数的最大值;在备择假设下,证明了检验功效趋于 1。方法进一步扩展到未知变点个数的多重变点检测,假设条件温和,适用于广泛的线性和非线性时间序列。实证结果验证了方法的有效性。对您而言,该工作将 winsorization 与 CUSUM 结合,为重尾时间序列的假设检验提供了新工具,与您对 hypothesis testing 的兴趣直接相关。
  • 关键技术: winsorized CUSUM, Kolmogorov-Smirnov test, self-normalized test, weak convergence to Brownian bridge, multiple change-point detection
  • 为什么对您有用: 该论文属于 hypothesis testing 方向,具体是重尾时间序列的变点检验,与您 primary interest 中的 mathematical statistics (hypothesis testing) 直接相关。您可以用 very_familiar 的 high-dimensional asymptotics 和 nonparametric statistics 工具来审视其 winsorization 的渐近性质,例如检验功效的 minimax 最优性。中期可做:若想深入其 self-normalized 检验的极限分布,需在 moderately_familiar 的 M-estimation theory 上加强。

3. 10.1080/07350015.2025.2561749 — Robust Confidence Intervals for Autocorrelations of Stationary Time Series

  • 作者: Taeyoon Hwang, Timothy J. Vogelsang
  • 期刊/来源: Journal of Business & Economic Statistics
  • 机构: Western Kentucky University · Michigan State University
  • 分类: vol 44 · issue 3 · pp 823-839
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文针对平稳时间序列的自相关系数提出一种新的稳健推断方法,目标是检验关于自相关的线性假设,并构造无需重抽样的置信区间。在创新分布不独立同分布(非iid)但可能不相关的一般平稳序列下,经典Bartlett公式失效,而现有渐近方差公式复杂且难以直接估计。作者将自相关估计转化为回归问题,其渐近方差呈三明治形式,可用标准的HAR方差估计量(如固定平滑核)进行估计,并采用固定平滑临界值以减少有限样本扭曲。蒙特卡洛模拟表明该方法对非iid创新稳健,且在各种序列相关结构下表现良好。实证部分用S&P 500收益率的自相关置信区间对比了新冠前后市场有效性和波动聚集的结论,显示传统方法可能误导。该方法为实践者提供了Python实现,属于方法学贡献,但理论深度中等。
  • 关键技术: HAC variance estimation, fixed-smoothing critical values, sandwich variance, regression-based autocorrelation estimation, robust inference
  • 为什么对您有用: 本文属于假设检验与时间序列推断的交叉,直接关联您的主要兴趣中的数学统计假设检验方向。您可以用非常熟悉的非参数统计和M估计理论来审视其回归框架的渐近性质,中期可做的是将其与您的中等熟悉的高阶U统计量理论结合,分析自相关估计作为二阶U统计量的高阶性质。

4. 10.1080/07350015.2025.2562964 · arXiv — Extending the Scope of Inference About Predictive Ability to Machine Learning Methods

  • 作者: Juan Carlos Escanciano, Ricardo Parra
  • 期刊/来源: Journal of Business & Economic Statistics
  • 机构: Universidad Carlos III de Madrid · Banco Santander (Spain)
  • 分类: vol 44 · issue 3 · pp 853-864
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文研究机器学习预测器(如 Lasso、深度学习)在时间序列预测能力推断中的不确定性量化问题。作者将经典的样本外预测能力推断理论扩展到现代机器学习方法,并给出了扩展成立的条件:预测损失函数的得分需满足零均值条件,且机器学习器需具有“快速”收敛速率。若这些条件不满足,估计风险可能无界,推断失效且对样本划分敏感。作者推荐 80%-20% 的训练-测试划分比例以保证推断准确性。文中通过高维时间序列回归(Lasso)、二值结果的深度学习以及新的样本外鞅差假设(MDH)检验三个应用展示了方法的广泛适用性,并辅以蒙特卡洛模拟和汇率数据的实证分析。
  • 关键技术: out-of-sample inference, machine learning prediction, fast convergence rate, sample splitting, Martingale Difference Hypothesis test
  • 为什么对您有用: 本文直接关联您对假设检验和时间序列预测推断的兴趣,特别是将经典推断理论扩展到机器学习场景,涉及高维回归和深度学习。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“快速收敛”条件是否最优,或探索在更弱假设下的推断方法。中期可做:结合您 moderately_familiar 的 M-估计理论,推导更一般的得分函数条件。

5. 10.1080/07350015.2025.2561147 · arXiv — Robust Reproducible Network Exploration

  • 作者: Masaki Toyoda, Yoshimasa Uematsu
  • 期刊/来源: Journal of Business & Economic Statistics
  • 机构: Hitotsubashi University
  • 分类: vol 44 · issue 3 · pp 784-796
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文提出在高维二元时间序列中探索变量间关系网络的方法,将关系存在视为边,目标是通过多重检验选择相关边。方法基于为每条边构造 p 变量,并应用 Benjamini-Hochberg (BH) 过程控制 FDR。作者证明在任意依赖结构、任意样本量和维度下,所提 p 变量与 BH 结合能控制 FDR,且在温和条件下渐近功效为 1。模拟和真实数据验证了方法的有效性。该方法为网络探索提供了统计可重复性的保证,对高维时间序列的因果发现或关联分析有潜在价值。
  • 关键技术: false discovery rate control, Benjamini-Hochberg procedure, multiple testing, binary time series, network exploration
  • 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(hypothesis testing)。其 FDR 控制在任意依赖结构下的理论保证,可联系您熟悉的 minimax 界或高维渐近工具来审视其紧性。作为方法学贡献,可考虑用您熟悉的 U-统计量或经验过程技巧分析其 p 变量的构造,中期可做。

6. 10.1080/07350015.2025.2573151 — Regime-Specific Return Predictability in Quantiles

  • 作者: Xinling Xie, Yundong Tu
  • 期刊/来源: Journal of Business & Economic Statistics
  • 机构: Southwestern University of Finance and Economics · Peking University
  • 分类: vol 44 · issue 3 · pp 965-978
  • 相关性 4/10 · novelty: application
  • 摘要: 本文提出一种带多个阈值的预测分位数回归模型,用于刻画股票收益预测中的机制转换。模型允许每个预测变量的预测能力随阈值变量取值在不同机制间切换,并允许预测变量具有异质持久性。估计采用序贯估计、自适应组 Lasso 和向后消除算法来估计未知阈值,再用自适应 Lasso 在每个机制内筛选重要预测变量以提升分位数预测精度。作者建立了所提估计量的渐近性质,并通过模拟验证了有限样本表现。对美国股票收益的实证分析表明,多个预测变量的预测能力随经济状态和分位数变化,展示了分位数上的机制特定收益可预测性。对您而言,本文结合了分位数回归、阈值模型和高维变量选择,其序贯估计与自适应 Lasso 的组合策略可能对您在高维统计和假设检验方面的研究有参考价值。
  • 关键技术: quantile regression, multiple threshold model, adaptive group Lasso, backward elimination, sequential estimation
  • 为什么对您有用: 本文属于经济/金融领域的应用计量工作,涉及分位数回归和阈值模型,与您的主要兴趣(假设检验、高维统计)有方法上的交集。您可以用您非常熟悉的高维渐近和 U-统计量工具来审视其序贯估计的渐近性质,或考虑其阈值估计的不确定性量化问题。作为应用导向的论文,它提供了经济数据中机制转换的实证案例,适合作为了解金融计量中分位数方法应用的入门读物。

7. 10.1080/07350015.2025.2569479 — Multi-Horizon Uniform Superior Predictive Ability Revisited

  • 作者: Verena Monschang, Mark Trede, Bernd Wilfling
  • 期刊/来源: Journal of Business & Economic Statistics
  • 机构: University of Münster
  • 分类: vol 44 · issue 3 · pp 897-903
  • 相关性 4/10 · novelty: new_method
  • 摘要: 本文研究多预测时域下比较两种竞争预测方法的联合假设检验问题,聚焦于 uniform Superior Predictive Ability (uSPA) 概念。作者在标准正则条件下推导了检验统计量在原假设下的渐近分布,确保检验具有正确的水平并具有一致性。通过蒙特卡洛模拟评估了检验的有限样本表现。实证应用复制并扩展了早期研究,为直接预测与迭代预测方法的多时域比较提供了推断。该工作为多时域预测比较提供了一种理论上严谨的检验框架,对您在高维假设检验和渐近理论方面的兴趣有直接关联。
  • 关键技术: uniform Superior Predictive Ability (uSPA), joint hypothesis testing, asymptotic distribution under null, Monte Carlo simulation, direct vs iterative forecasting
  • 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。您可以用您非常熟悉的非参数统计和渐近理论来审视其检验统计量的构造,并考虑在高维或多时域设定下推广。中期可做:若想深入其联合检验的有限样本性质,可能需要先在 moderately_familiar 的 M-estimation 理论上加强。

统计计算 / 算法 (stat_computing, 2 篇)

1. 10.1080/07350015.2025.2562954 — Extremum Monte Carlo Filters: Signal Extraction via Simulation and Regression

  • 作者: Karim Moussa, Francisco Blasques, Siem Jan Koopman
  • 期刊/来源: Journal of Business & Economic Statistics
  • 机构: Tinbergen Institute · Vrije Universiteit Amsterdam
  • 分类: vol 44 · issue 3 · pp 840-852
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文提出一种基于仿真的信号提取方法(Extremum Monte Carlo Filters),适用于一般状态空间模型,可估计时变条件均值、众数、分位数,并预测潜变量或观测值。方法核心是:从模型中生成人工数据集,然后通过极值估计(extremum estimation)来估计感兴趣的量,实现简单且适用范围广。该方法特别适合长时序、缺失数据或高维情形,并支持实时滤波(大部分计算可预先完成)和固定区间平滑。文章讨论了滤波方法的稳定性和收敛性条件,并通过非线性、高维等应用展示了其关键性质。对您而言,该方法将仿真与极值估计结合,为统计计算提供了新思路,尤其与您对统计计算和算法实现的兴趣相关。
  • 关键技术: simulation-based inference, extremum estimation, state space models, signal extraction, real-time filtering, fixed-interval smoothing
  • 为什么对您有用: 本文属于统计计算方法,与您的统计计算兴趣直接相关。其仿真+极值估计的框架可能为您的U统计量计算或高维问题提供新的计算视角。您可用软件开发和数值方法的经验快速评估其实现,属于立即可做的方向。

2. 10.1080/07350015.2025.2560369 — Fast, Order-Invariant Bayesian Inference in VARs Using the Eigendecomposition of the Error Covariance Matrix

  • 作者: Ping Wu, Gary Koop
  • 期刊/来源: Journal of Business & Economic Statistics
  • 机构: University of Strathclyde
  • 分类: vol 44 · issue 3 · pp 771-783
  • 相关性 4/10 · novelty: new_method
  • 摘要: 本文针对大型向量自回归(VAR)模型的贝叶斯推断,提出一种基于误差协方差矩阵特征分解的变换,以替代常用的 Cholesky 分解,从而避免方程逐一估计时因变量排序导致的序依赖性。作者从逆 Wishart 先验出发,推导了该先验在特征矩阵和特征值上隐含的分布,并证明可通过扩展特征矩阵的先验来增加灵活性,同时保持共轭性带来的计算优势。进一步地,他们利用这种灵活性将特征值的先验扩展为随机波动率形式。在包含 20 个变量的宏观经济预测实验中,该方法在保持计算效率的同时,显著降低了序依赖偏差。对您而言,该文展示了如何通过矩阵分解技巧(特征分解 vs. Cholesky)在贝叶斯计算中实现计算与统计性质的权衡,与您统计计算和算法方向的兴趣直接相关。
  • 关键技术: eigendecomposition, inverse-Wishart prior, conjugacy, stochastic volatility, Bayesian VAR
  • 为什么对您有用: (1) 本文属于统计计算方向,直接对应您 primary interest 中的 statistical computing(数值方法、算法);(2) 您 very_familiar 中的软件开发和 high-dimensional asymptotics 可用于复现其算法并分析高维 VAR 下特征分解的数值稳定性;(3) 立即可做:您可基于现有贝叶斯计算工具实现该变换并验证序不变性;中期可做:若想深入理论性质,需在 moderately_familiar 的 M-estimation 理论上加强;暂不可做:若涉及随机波动率扩展的复杂后验采样,可能需要更专业的 MCMC 工具(如粒子滤波),但核心机器已在武器库内。

经济理论 / 应用 (econ_theory, 3 篇)

1. 10.1080/07350015.2025.2572768 · arXiv — Inference on Dynamic Spatial Autoregressive Models with Change Point Detection

  • 作者: Zetai Cen, Yudong Chen, Clifford Lam
  • 期刊/来源: Journal of Business & Economic Statistics
  • 机构: University of Warwick · London School of Economics and Political Science
  • 分类: vol 44 · issue 3 · pp 941-954
  • 相关性 5/10 · novelty: application
  • 摘要: 本文研究带空间固定效应的变系数空间自回归模型,其核心特征是允许通过多个空间权重矩阵的线性组合(系数随时间变化)来建模,从而避免应用计量经济学家面对多个候选权重矩阵时需主观选择的问题。作者通过惩罚估计同时推断模型系数和变系数在基展开中的系数,建立了估计量的oracle性质,并证明了整体估计的空间权重矩阵(可随时间变化)的一致性。进一步,作者将该模型应用于空间自回归模型中的变点检测,给出了变点位置估计一致性的理论保证和实际实现。模拟实验和真实数据分析验证了方法的有效性。对您而言,该文在变点检测与空间计量结合的理论分析(oracle性质、一致性)与您的高维统计和假设检验兴趣有交集,但其核心是应用导向的经济计量方法。
  • 关键技术: varying-coefficient spatial autoregressive model, penalized estimation, oracle properties, change point detection, basis expansion
  • 为什么对您有用: 本文属于经济理论/应用方向,可作为经济计量中空间模型与变点检测的入门读物,其方法学新颖性一般,但理论分析(oracle性质、一致性)对您的高维统计背景有一定参考价值。武器库中的非参数统计和M估计理论足以支撑理解,但该文并非您核心兴趣的直接延伸,是否值得精读取决于您对空间计量或变点检测的兴趣。

2. 10.1080/07350015.2025.2571185 — Shrinkage Estimation and Identification of Latent Group Structures in Panel Data with Interactive Fixed Effects

  • 作者: Ali Mehrabani, Shahnaz Parsaeian
  • 期刊/来源: Journal of Business & Economic Statistics
  • 机构: University of Kansas
  • 分类: vol 44 · issue 3 · pp 928-940
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文针对具有交互固定效应和大量解释变量的面板数据模型,提出了一种联合收缩估计与潜在群组结构识别框架。模型允许个体被划分为未知数量的群组,且每个个体的群组归属未知。作者引入双重惩罚主成分估计程序,结合成对融合惩罚和自适应LASSO惩罚,同时检测潜在群组结构并选择相关回归变量。为实施该方法,开发了交替方向乘子法(ADMM)算法。模拟研究和跨国经济增长实证应用展示了方法的良好性能。该方法在计量经济学中属于高维面板数据与潜在结构估计的前沿,对您而言,其成对融合惩罚与自适应LASSO的结合思路,以及ADMM实现,可作为高维统计计算中处理结构化惩罚问题的参考案例。
  • 关键技术: pairwise fusion penalty, adaptive LASSO, doubly penalized principal component estimation, interactive fixed effects, alternating direction method of multipliers (ADMM)
  • 为什么对您有用: 本文属于经济理论/应用方向,可作为gateway reading了解面板数据中潜在群组结构识别的最新方法。武器库中的软件开发和M-estimation理论足以支撑理解其估计框架,但核心的交互固定效应主成分估计与双重惩罚机制不在您熟悉的工具中,属于中期可做,需在M-estimation或高维惩罚回归上稍作延伸。

3. 10.1080/07350015.2025.2561409 — Estimating the Natural Rate of Interest in a Macro-Finance Yield Curve Model

  • 作者: Claus Brand, Gavin Goy, Wolfgang Lemke
  • 期刊/来源: Journal of Business & Economic Statistics
  • 机构: European Central Bank · University of Amsterdam · De Nederlandsche Bank
  • 分类: vol 44 · issue 3 · pp 797-809
  • 相关性 4/10 · novelty: application
  • 摘要: 本文提出一个新颖的宏观-金融收益率曲线模型,联合推断美国的均衡实际利率 r_t^、趋势通胀、利率预期和债券风险溢价。模型中 r_t^ 具有双重宏观金融角色:既是闭合产出缺口的基准实际利率,又是决定收益率曲线水平的时变长期实际利率。估计结果显示过去十年 r_t^* 下降,且估计不确定性相对可控。作者证明宏观和金融信息对推断 r_t^* 都重要。考虑利率的长期下降趋势后,期限溢价比基于平稳收益率曲线模型的估计更稳定。对您而言,该文展示了如何将宏观变量与金融数据结合进行状态空间建模,可作为经济理论应用方向的入门读物。
  • 关键技术: state-space model, yield curve modeling, Bayesian estimation, Kalman filter, macro-finance
  • 为什么对您有用: 本文属于经济理论/应用方向,作为 gateway reading 可帮助了解宏观金融中状态空间模型的应用。武器库中的非参数统计和因果推断工具虽不能直接迁移,但足以理解其建模逻辑。值得花时间读全文以拓宽视野,但无需深入方法细节。

其他 (other, 2 篇)

1. 10.1080/07350015.2025.2582921 — Identification of Latent Subgroups for Time-Varying Panel Data Models

  • 作者: Ye He, Qing Luo, Liu Liu, Shengzhi Mao, Ling Zhou
  • 期刊/来源: Journal of Business & Economic Statistics
  • 机构: Sichuan Normal University · Chengdu University of Technology · Southwestern University of Finance and Economics
  • 分类: vol 44 · issue 3 · pp 991-1003
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文提出一类含潜在分组结构的时变面板数据模型,同时刻画个体异质性与随时间的平滑结构变化。作者开发了一种中心增强的 K-power 均值(KPM)方法,通过将个体向各自簇中心收缩,无需预先知道分组构成即可识别潜在分组结构。该方法在估计精度和计算效率上均有优势,并给出了估计相合性、分组识别正确性以及组数选择一致性的严格理论保证。通过模拟研究和两个实际数据应用,验证了 KPM 方法在面板数据潜在分组识别中的有效性。
  • 关键技术: center-augmented K-power means, latent group structure, panel data, clustering, consistency
  • 为什么对您有用: 本文属于面板数据聚类方法,与您的主要兴趣(因果推断、高维统计等)关联较弱,但其中 KPM 方法对个体异质性的处理思路可能对纵向因果推断中的子组异质性分析有启发。作为 JBES 的应用统计方法论文,可作为了解面板数据聚类前沿的入门读物,但无需深入精读。

2. 10.1080/07350015.2025.2551246 — The Permanent and Temporary Effects of Stock Splits on Liquidity in a Dynamic Semiparametric Model

  • 作者: Christian M. Hafner, Oliver B. Linton, Linqi Wang
  • 期刊/来源: Journal of Business & Economic Statistics
  • 机构: UCLouvain · University of Cambridge
  • 分类: vol 44 · issue 3 · pp 731-744
  • 相关性 5/10 · novelty: application
  • 摘要: 本文提出一个动态半参数框架,用于检测非流动性过程中的永久性和暂时性结构断点。作者构造了可分别应用于单个事件、并可跨事件或跨公司聚合的检验统计量,以区分永久与暂时效应。将该方法应用于S&P 500、400和600成分股的正向与反向股票分割数据,实证发现正向分割对非流动性的永久成分有显著正向影响,而多数反向分割股票流动性改善。方法上结合了半参数建模与假设检验,但未涉及因果推断或高维理论。对您而言,其检验构造与聚合思路或可借鉴于纵向因果推断中的断点检测,但整体相关性有限。
  • 关键技术: semiparametric dynamic model, structural break tests, aggregation of test statistics, permanent-transitory decomposition
  • 为什么对您有用: 本文属于应用计量经济学,涉及半参数检验,与您的非参数/半参数理论兴趣有间接关联,但核心是金融微观结构而非因果推断。作为gateway reading,其检验构造思路可能对纵向因果推断中的结构变化检测有启发,但武器库足以支撑理解,无需额外工具。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论