做回归就像从一大堆线索里找真正有用的因素：如果少数数据偏得离谱，它们可能把结论硬生生拽向错误方向。这个问题在高维模型里更棘手——候选变量接近甚至超过样本量，普通方法本就容易不稳；重尾误差又让极端偏差更常出现。Yilin Zhang等人的论文瞄准的，正是此时显著性检验容易误报、置信区间不可靠的痛点。据arXiv介绍，论文预印本于2024年11月提交；Taylor & Francis于2026年10月9日上线JASA接收稿。
作者提出partial Gini covariance（偏Gini协方差）：它结合数值大小与排序信息，先扣除其他变量的影响，再衡量剩余关联，因此不容易被极端值支配。最值得留意的是，这套推断框架据作者称不需要估计误差的概率密度，也不要求误差分布满足较强的矩条件，调参较少。论文通过模拟实验与debiased Lasso等标准方法比较，并报告其在重尾设置下能更好兼顾I类错误控制——避免把无效变量误判为有效——与检验功效；不过本次供稿未提供具体实验数字。