重要声明:根据国务院学位委员会、教育部(2013)36号文件,自2014年起,原“在职研究生课程班”更名为“课程研修班”!【详情点击】

010-82500874

报名地址:明德楼F座5层506室

首页 > 学习专栏 > 实用信息 >

统计学院讲座预告:惩罚高维经验似然估计的一种新范围

来源:本站 发布时间:2017-11-23

  收藏 

报名电话: 010-62511097 82501913 报名地址: 人民大学明德新闻楼0506室

中国人民大学课程研修班老师介绍,统计学院将于11月24日举办讲座:惩罚高维经验似然估计的一种新范围。欢迎广大学生及在职人士积极参与。

题目:A New Scope of Penalized Empirical Likelihood with High-dimensional Estimating Equations

主讲:常晋源

时间:11月24日(星期五) 14:30-15:30

地点:明德主楼1030会议室

讲座摘要

Statistical methods with empirical likelihood (EL) are appealing and effective especially in conjunction with estimating equations through which useful data information can be adaptively and flexibly incorporated. It is also known in the literature that EL approaches encounter difficulties when dealing with problems having high-dimensional model parameters and estimating equations. To overcome the challenges, we begin our study with a careful investigation on high-dimensional EL from a new scope targeting at estimating high-dimensional sparse model parameters. We show that the new scope provides an opportunity for relaxing the stringent requirement on the dimensionality of the model parameters. Motivated by the new scope, we then propose a new penalized EL by applying two penalty functions respectively regularizing the model parameters and the associated Lagrange multiplier in the optimizations of EL. By penalizing the Lagrange multiplier to encourage its sparsity, a drastic dimension reduction in the number of estimating equations can be effectively achieved without compromising the validity and consistency of the resulting estimators. Most attractively, such a reduction in dimensionality of estimating equations is actually equivalent to a selection among those high-dimensional estimating equations, resulting in a highly parsimonious and effective device for high-dimensional sparse model parameters. Allowing both the dimensionalities of model parameters and estimating equations growing exponentially with the sample size, our theory demonstrates that our new penalized EL estimator is sparse and consistent with asymptotically normally distributed nonzero components. Numerical simulations and a real data analysis show that the proposed penalized EL works promisingly.

主讲人简介

常晋源,2005年9月至2009年7月,北京师范大学数学科学学院本科学习,2009年7月获理学学士学位(统计学专业);2009年9月至2013年7月,北京大学光华管理学院硕博连读(师从陈松蹊教授),2013年7月提前取得经济学博士学位(统计学专业);2013年9月至2017年2月,澳大利亚墨尔本大学数学与统计学院Research Fellow(师从Peter Hall教授);2017年3月至今,西南财经大学统计学院全职教师。2012年获国际数理统计协会Laha Award,2013年获中国数学会钟家庆数学奖。现为统计学国际顶级学术期刊JRSSB和国际一流学术期刊Statistica Sinica的Associate Editor。

报名指南

  • 简章大全 中国人民大学在职课程研修班招生简章
  • 联系我们 中国人民大学在职课程研修班招生简章
  • 缴费流程 中国人民大学在职课程研修班招生简章
  • 报名地址 中国人民大学在职课程研修班招生简章

报名表单

  • 姓名:
  • 电话:
  • 专业:
  • 说明:

· 请认真填写您的联系信息以便我们更好的为您服务。

报名地址:中国人民大学明德楼F座5层0506室 招生电话:010-82500874 82501913 62511656 62511097
Copyright?2013 中国人民大学在职课程研修班招生信息网 All rights reserved.