一、报告题目：随机设计下计算机模型的统计校准及不确定性量化
报告人简介：
房祥忠，北京大学数学科学学院教授，教育部高等学校统计学类教学指导委员会主任委员，全国统计方法应用标准化技术委员会（SAC/TC21）副主任委员，中国教育统计学会副会长，中国统计学会顾问，北京企业评价协会理事长。曾任北大概率统计系主任，中国现场统计研究会第十届理事会理事长，IMS-China主席等职。研究兴趣包括：生物统计，可靠性，纵向数据，基尼系数，时空统计，人工智能中的统计方法等。在《中国科学》、JRSP、Reliability on IEEE等期刊发表论文70余篇。曾获国防科技奖二等奖(2011)、北京市科技进步二等奖(2002)和教育部第六届高等教育国家级教学成果二等奖(2012)。
报告内容简介：
在工业生产或科学研究中，用计算机代码编写的复杂数学模型经常被用来对复杂的物理系统进行建模，这样的计算机代码被称为计算机模型。计算机模型通常是确定性的，只要给定相同的输入，就会得到相同的输出结果。但是这样的计算机模型一般具有很大的不确定性，因为它们通常包含一些与物理系统的固有属性有关的未知参数，这些参数通常被称为校准参数。校准是识别上述未知参数的一个过程，其目的就是得到校准参数一个精确的估计，从而对物理系统有更好的预测结果。对于连续型响应变量，分别提出了基于光滑样条方差分析的改进L2校准及投影最小二乘校准两种校准方法，其均享有良好的理论性质和计算性能；基于惩罚极大似然估计建立了带有计数型输出的计算机模型的校准框架，并且利用经验过程理论推导了该方法的渐近性质；对于多维响应变量，基于差异函数的局部线性估计构造了校准参数的轮廓最小二乘估计；对于低维和高维的校准参数分别提出了相应的稳健校准程序，研究了参数估计的非渐近性质和渐近性质。
二、报告题目：半监督分布学习
报告人简介：
王兆军，南开大学统计与数据科学学院执行院长、教授，国务院学位委员会统计学科评议组成员，全国统计教材编审委员会委员，中国工业与应用数学学会副理事长，中国统计教育学会副会长，中国工业统计教学研究会副会长，中国概率统计学会副理事长。曾任国家统计专家咨询委员会委员、中国现场统计研究会副理事长、天津市现场统计研究会理事长，天津工业与应用数学学会理事长，曾获国务院政府特殊津贴、全国百篇优博指导教师、教育部自然科学二等奖及天津市自然科学一等奖。
报告内容简介：
聚焦半监督环境下的分布估计与推断问题。不同于以往侧重于参数推断的研究，深入探讨复杂的半监督分布函数估计，特别关注函数型过程收敛中的一致性挑战。为解决这一问题，提出一种基于K折交叉拟合策略的通用估计框架，通过逼近协变量的条件分布，从未标记数据中提取有价值的信息。该估计量具有相合性，并在渐近情形下收敛至高斯过程。在宽松的条件下，其在渐近效率方面优于经验累积分布函数。还展示了该方法的多种应用场景，包括参数推断和拟合优度检验。
三、报告题目：中国住房与城乡建设核算问题研究
报告人简介：
宋旭光，北京师范大学统计学院院长，中国教育经济信息研究中心主任。兼任国家统计专家咨询委员会委员，国务院学位委员会学科评议组成员，中国统计学会副会长，中国国民经济核算研究会副理事长，教育部高等学校统计学类专业教学指导委员会委员，《统计研究》《数量经济技术经济研究》《调研世界》等杂志编委。研究成果集中于政府统计、教育统计、国民经济核算等领域，发表学术论文百余篇，获省部级教学科研奖励十余项，三次担任国家社会科学基金重大项目首席专家。
报告内容简介：
在新型城镇化深入推进、房地产市场供求关系重大变化、房地产发展新模式加快构建的背景下，为了进一步完善我国住房和城乡建设发展政策，有必要加强我国住房与城乡建设相关核算问题的研究。本报告通过分析住房和城乡建设相关行业的内在联系，在国民经济行业分类的基础上探讨了我国住房和城乡建设相关产业统计分类方案，估算了住房和城乡建设相关行业的发展规模，研究了住房和城乡建设相关行业对经济增长的贡献及其变动趋势，提出了我国住房与城乡建设核算方法的改进思路。
四、报告题目：Bootstrap Model Averaging
报告人简介：
邹国华，首都师范大学教授。博士毕业于中国科学院系统科学研究所，是“新世纪百千万人才工程”国家级人选、中国科学院“百人计划”入选者、享受国务院政府特殊津贴，获中国科学院优秀研究生指导教师称号。主要从事统计学的理论研究及其在经济金融、生物医学中的应用研究工作，在统计模型选择与平均、抽样调查的设计与分析、决策函数的优良性、疾病与基因的关联分析等方面的研究中取得了一系列重要成果，得到了国内外同行的好评与肯定，并被广泛引用。共出版教材2本，发表学术论文140余篇；主持和参加过近30项国家自然科学基金项目以及全国性的实际课题，提出的预测方法被实际部门所采用。
报告内容简介：
Model averaging has gained significant attention in recent years due to its ability of fusing information from different models. The critical challenge in frequentist model averaging is the choice of weight vector. The bootstrap method, known for its favorable properties, presents a new solution. In this paper, we propose a bootstrap model averaging approach that selects the weights by minimizing a bootstrap criterion. We demonstrate that the resultant estimator is asymptotically optimal in the sense that it achieves the lowest possible squared error loss. Furthermore, we establish the convergence rate of bootstrap weights tending to the theoretically optimal weights. Additionally, we derive the limiting distribution of our proposed model averaging estimator. By simulation studies and empirical applications, we show that our proposed method often has better performance than other commonly used model selection and model averaging methods.
五、报告题目：A Goodness-of-fit Assessment for General Learning Procedure in High Dimensions
报告人简介：
朱利平，中国人民大学教授、博士生导师，学校和理工学部学术委员会委员，统计与大数据研究院院长，人民教育出版社普通高中教科书《数学》联合主编，国家重大人才工程入选者，国家重点研发计划首席科学家，兼任中国现场统计研究会生存分析分会理事长和高维数据统计分会副理事长等。先后受邀担任国际统计学领域顶级学术期刊《统计年刊》、国际权威学术期刊《中华统计学》和《多元分析》等副主编，以及国内统计学领域顶级学术期刊《中国科学·数学》（中、英文版）、《系统科学与数学》（中、英文版）和《应用概率统计》等青年编委、编委和副主编等。长期从事大数据统计学基础理论、方法和应用研究。
报告内容简介：
Black-box learners have demonstrated remarkable success across various fields due to their high predictive accuracy. However, the complexity of their learning procedures poses significant challenges in evaluating whether a given learner has achieved optimal performance on datasets with unknown data-generating mechanisms. We propose a general goodness-of-fit test for assessing different learning procedures involving high-dimensional predictors, encompassing methods from classical linear regression to advanced neural networks. Our goodness-of-fit test leverages data-splitting, utilizing the test set to evaluate the black-box learner trained on the training set. This evaluation is based on examining the cumulative covariance of the residuals. Extensive simulations and two real data analyses validate the effectiveness of our method.
理学院
2024年12月20日
