开放同行评审正在让科学变得更加透明，各领域专家的审稿报告是其中最为关键的环节。审稿报告凝结了专家们深厚的学术积累和严谨的学术判断，是保障论文质量的重要一环，也是衡量研究价值的重要标尺。在本期中，我们为您精选了6篇 Mathematics 期刊的高质量文章。通过这些真实的评审记录，您可以快速了解每项研究的核心亮点，并看到学术共同体对研究质量的理解和期待：扎实的研究方法、清晰的表达、严谨的逻辑和创新的亮点都是打动审稿人的关键因素。
1.众为一或一为众？混合效应可加贝叶斯网络中分组数据的比较研究
All for One or One for All? A Comparative Study of Grouped Data in Mixed-Effects Additive Bayesian Networks
https://doi.org/10.3390/math13223649
审稿人推荐理由 Recommendation
本文侧重于可加性贝叶斯网络在分组数据 (如多中心临床数据集) 中的应用，并提出了一个广泛的模拟研究，比较了三种处理组别结构的策略：部分池化 (使用混合效应模型)、完全池化 (忽略分组) 和不池化 (独立建模每组)。这项工作在方法上具有创新性，在实质内容上也十分丰富。
2.随机变量并非“随机”
Random Variables Aren't Random
https://doi.org/10.3390/math13050775
审稿人推荐理由 Recommendation
该研究运用测度论概率重新诠释了随机变量，倡导采用逻辑推理和基于信息的评估方法，以取代依赖重复抽样的传统频率学派方法。
这篇文章相当引人入胜，写作水平很高且条理清晰，提出的论点也很有说服力。我赞同作者的观点，即随机变量并不需要频率学派的解释，因为它在数学上被定义为一个可测函数，其作用是将概率“转移”到取值空间，并将其转化为一个分布。
3.不确定性错误估计中的记忆约束：工作记忆与环境变化检测的计算模型
Memory Constraints in Uncertainty Misestimation: A Computational Model of Working Memory and Environmental Change Detection
https://doi.org/10.3390/math13152431
审稿人推荐理由 Recommendation
本文探讨了与记忆存储相关的问题。总体而言，这是一篇优秀的论文，作者提供了引人入胜的背景介绍，展示了数学模型，并提出了一种基于人类经验的原创方法来验证该模型。研究分析了多种条件，其成果对人工智能和神经科学领域的研究具有实用价值。
4.非参数工具变量估计中维数灾难的自适应降维
Adaptive Reduction of Curse of Dimensionality in Nonparametric Instrumental Variable Estimation
https://doi.org/10.3390/math13010106
审稿人推荐理由 Recommendation
作者提出了一种非参数充分降维框架，以缓解维度灾难问题。该方法的核心在于引入多种中心子空间来识别不同的处理效应，并提出了针对这些子空间及处理效应的估计量。同时，文章还对所提出估计量的理论性质进行了研究。
该方法能够保留工具变量估计量的非参数性质。与现有方法相比，其主要优势在于，所提出的充分降维技术可以避免严格的分布假设，并揭示总体分布中的简约结构。此外，当数据不支持任何降维时，该框架还能将完全非参数模型作为一个特例包含其中。该方法引入了两种类型的充分降维子空间来识别感兴趣的处理效应，并保证了所估计的中心子空间具有n1/2的一致性。更重要的是，当真实的中心子空间已知时，该方法下的非参数工具变量估计量能达到相同的渐近分布。
5.拉普拉斯-逻辑斯蒂单位分布在动态与回归分析中的应用
Laplace-Logistic Unit Distribution with Application in Dynamic and Regression Analysis
https://doi.org/10.3390/math12142282
审稿人推荐理由 Recommendation
本文介绍并展示了拉普拉斯-逻辑斯蒂单位分布在动态分析与回归分析领域的实际数据建模中的应用。文章将LLU分布与一些现有、知名且常用的单位分布进行了比较。为此，研究使用了三个数据集 (序列)，这些数据通过上述逻辑函数进行变换，从而得到一个相应的回归模型，其输出变量可被视为具有LLU分布的独立随机变量的实现。
6.存在检测下限时进行过程可靠性测试的稳健性与效率考量
Robustness and Efficiency Considerations When Testing Process Reliability with a Limit of Detection
https://doi.org/10.3390/math13081274
审稿人推荐理由 Recommendation
本文研究了在存在检测下限的情况下，过程可靠性测试中的稳健性与效率问题，并采用分段常数风险模型以提高稳健性。
期刊主页
主编：Francisco Chiclana, School of Computer Science and Informatics, De Montfort University, UK
期刊主题涵盖纯数学和应用数学所有领域，重点发表代数与逻辑、几何与拓扑、数学分析、统计与运筹学、应用数学，包括数学与计算机科学、控制理论与力学、数学生物学、数学物理、金融数学等数学在其他各学科应用的文章。现已被SCIE (Web of Science)、Scopus等重要数据库收录，连续7年稳居JCR Q1，JCR category rank: 30/492。
2024 Impact Factor：2.2
2024 CiteScore：4.6
Time to First Decision：17.3 Days
Acceptance to Publication：2.8 Days
期刊主页：https://www.mdpi.com/journal/mathematics
转载本文请联系原作者获取授权，同时请注明本文来自MDPI开放科学科学网博客。
链接地址：https://wap.sciencenet.cn/blog-3516770-1533592.html?mobile=1
收藏
