圖書信息
內容簡介
對 arXiv stat.ME 分類的年度綜述，涵蓋 2025 年 9 月 至 2026 年 8 月 期間發表的研究。本卷基於對 144 篇論文 的細讀整理，組織為 40 章，按該領域的研究子方向描繪這一年的全貌。
全書框架（年度產出佔比）：
- 因果效應的穩健估計與最優實驗設計 (18.9%) — 聚焦處理效應的穩健估計方法與實驗設計優化，以處理部分測量與複雜協變量結構。
- 未觀測混雜下的因果推斷與發現 (12.6%) — 應對當混雜變量未被觀測或設定錯誤時，識別因果效應與發現因果結構的挑戰。
- 共形預測與不確定性量化 (12.1%) — 為預測模型發展提供無分佈不確定性保證的方法，例如共形預測區間。
- 用於統計推斷與策略學習的機器學習框架 (8.7%) — 將深度學習與表示學習技術融入統計框架，用於策略學習與分佈結局建模等任務。
- 高維統計推斷與變點檢測 (7.8%) — 處理高維設定下的推斷問題，包括變點檢測、協方差估計與自適應建模。
- 貝葉斯非參數與分層建模方法 (7.5%) — 運用貝葉斯非參數與分層模型處理複雜數據結構、潛在風險路徑與空間異質性。
- 函數型數據分析與時空建模 (6.9%) — 聚焦函數型與時空間數據的建模，處理缺失數據、聚類與物理信息迴歸等問題。
- 含潛結構的線性、廣義與混合模型 (6.7%) — 推進線性、廣義線性與混合模型的理論與應用，包括圖模型與潛變量擴展。
- 模型選擇、平均化與變量選擇 (6.6%) — 發展選擇模型與變量的準則與方法，包括貝葉斯模型平均與參數恆定性檢驗。
- 迴歸方法：分位數與穩健技術 (4.5%) — 探索各類迴歸技術，如分位數迴歸、符號迴歸與穩健半參數推斷。
- 元分析、敏感性分析與中介分析 (4.3%) — 為元分析、敏感性分析與中介分析提供框架，以評估觀察性研究中的穩健性並分解效應。
- 時間序列預測與多元時間序列分析 (3.4%) — 聚焦多元與函數型時間序列數據的預測技術、變點檢測與推斷。
每個子方向均通過三章展開論述——它如何提出自己的問題、其關鍵結論的強度，以及它開放的爭論與前沿，從而讓讀者獲得該領域今年實際產出的可溯源圖景。
