报告题目： 一般不完全分类数据的贝叶斯计算中一种新的MM算法和众数共享方法
主讲人：田国梁教授
时间：2018年5月29日（周二）9:30 a.m. - 10:30 a.m.
地点：北院卓远楼305
主办单位：统计与数学学院

摘要：在生物医学、流行病学、心理学、体育等领域, 不完整的分类数据经常出现。在本文中，我们首先开发一种新的最小最大化（MM）算法用于计算一般不完全分类数据的参数极大似然估计。如何发展一个对应于现有MM算法的随机版本是一个重要的研究课题。到目前为止，我们还没有看到任何MM算法的随机版本的论文。本文首次提出了一种针对一般不完全分类数据的贝叶斯计算众数共享方法，该方法在现有MM算法的基础上发展了一种新的舍选（AR）算法。其关键思想是构造一族依赖工作参数的密度包络, 并识别出一个特定的密度包络, 它可以克服传统 AR 算法的四个缺点。我们用四个实际数据集说明了所提出的方法。

田国梁，现任南方科技大学数学系统计学正教授、博士生导师。田教授于1988年获得武汉大学统计学硕士学位、于1998年获得中国科学院应用数学研究所统计学博士学位。从1998至2002年, 他分别在北京大学概率统计系和美国田纳西州孟斐斯市的 St. Jude 儿童研究医院生物统计系从事博士后研究, 2002年至2008年他在美国马里兰大学Greenbaum 癌症中心任 Senior Bio-statistician。2008年至2016年他在香港大学统计及精算学系任副教授、博士生导师。田教授是国际统计学会 (ISI) 当选会员, 他担任 Computational Statistics & Data Analysis, Statistics and Its Interface 等四个国际统计学杂志的副主编。他主要的研究领域是生物统计, 社会统计和计算统计。目前的研究方向包括多元零膨胀计数数据分析、不完全分类数据分析和敏感性问题抽样调查。到目前为止，他在国际顶尖生物统计学期刊 Statistical Methods in Medical Research, Statistics in Medicine, Biometrics 发表论文14篇, 在其他统计学期刊发表论文80余篇。他在美国著名出版社 John Wiley & Sons 和 Chapman & Hall/CRC 出版英文专著3部, 且在科学出版社出版中文专著1部英文教科书1本。2017年他的研究课题< >获得国家自然科学基金面上项目的5A资助。


报告题目： 用修正后的新的尾函数进行稳健估计
主讲人：姜云卢副教授
时间：2018年5月29日（周二）10:30 a.m. - 11:30 a.m.
地点：北院卓远楼305
主办单位：统计与数学学院

摘要：传统上认为通过牺牲效率来获得稳健性。因此，具有高崩溃点和高效率的估计是非常受欢迎的。我们研究了一种新的估计过程，该估计基于Huber的稳健方法，用指数平方损失取代尾部函数。即便在非正态情况下，调谐参数也依赖于数据，从而实现高效率。在回归框架中，我们证明了我们的混合估计是高效率的，达到了50% 的最高渐近崩溃点。在正则性条件下，我们还建立了估计量的√n相合性和渐近正态性。为了对比本方法与其它方法在标准误差和相对效方面的表现，我们做了大量的数值研究，结果表明，当样本量足够大时，新提出的方法比现有方法具有更小的标准误差和更高的效率。最后，我们给出了三个实例演示。

姜云卢，暨南大学经济学院统计学系副教授、硕士生导师，博士毕业于中山大学数学学院。目前的主要研究包括稳健统计、高维数据分析、变量选择、深度函数和混合模型等。研究成果发表于 《Journal of American Statistics Association 》、 《 Technometrics》、 《Journal of Computational and Applied Mathematics》、《Journal of Classification》和《Statistics and Its Interface》等国际顶级和权威期刊上；并担任《Statistics and Its Interface》，《Computational Statistics & Data Analysis》，《Journal of nonparametric statistics》，《Journal of Applied Statistics》等国际权威统计期刊的审稿人；主持和参与多项国家自然科学基金。