图书信息
内容简介
对 arXiv stat.ME 分类的年度综述，涵盖 2025 年 9 月 至 2026 年 8 月 期间发表的研究。本卷基于对 144 篇论文 的细读整理，组织为 40 章，按该领域的研究子方向描绘这一年的全貌。
全书框架（年度产出占比）：
- 因果效应的稳健估计与最优实验设计 (18.9%) — 聚焦处理效应的稳健估计方法与实验设计优化，以处理部分测量与复杂协变量结构。
- 未观测混杂下的因果推断与发现 (12.6%) — 应对当混杂变量未被观测或设定错误时，识别因果效应与发现因果结构的挑战。
- 共形预测与不确定性量化 (12.1%) — 为预测模型发展提供无分布不确定性保证的方法，例如共形预测区间。
- 用于统计推断与策略学习的机器学习框架 (8.7%) — 将深度学习与表示学习技术融入统计框架，用于策略学习与分布结局建模等任务。
- 高维统计推断与变点检测 (7.8%) — 处理高维设定下的推断问题，包括变点检测、协方差估计与自适应建模。
- 贝叶斯非参数与分层建模方法 (7.5%) — 运用贝叶斯非参数与分层模型处理复杂数据结构、潜在风险路径与空间异质性。
- 函数型数据分析与时空建模 (6.9%) — 聚焦函数型与时空间数据的建模，处理缺失数据、聚类与物理信息回归等问题。
- 含潜结构的线性、广义与混合模型 (6.7%) — 推进线性、广义线性与混合模型的理论与应用，包括图模型与潜变量扩展。
- 模型选择、平均化与变量选择 (6.6%) — 发展选择模型与变量的准则与方法，包括贝叶斯模型平均与参数恒定性检验。
- 回归方法：分位数与稳健技术 (4.5%) — 探索各类回归技术，如分位数回归、符号回归与稳健半参数推断。
- 元分析、敏感性分析与中介分析 (4.3%) — 为元分析、敏感性分析与中介分析提供框架，以评估观察性研究中的稳健性并分解效应。
- 时间序列预测与多元时间序列分析 (3.4%) — 聚焦多元与函数型时间序列数据的预测技术、变点检测与推断。
每个子方向均通过三章展开论述——它如何提出自己的问题、其关键结论的强度，以及它开放的争论与前沿，从而让读者获得该领域今年实际产出的可溯源图景。
