当前位置: 首页  |  科学研究  |  学术新闻  |  正文

中国人民大学朱利平教授做客数量经济学前沿专题讲座第17讲,探索性高维数据分析--非线性模型降维技术

作者:韩蓄 发布时间:2019-05-08 浏览次数:

201957日下午1500,中国人民大学“杰出学者”特聘教授、博士生导师、统计与大数据研究院副院长朱利平,做客由经济与金融学院以及华侨大学研究生院联合主办的“2019年研究生学术文化节系列活动”之“数量经济学前沿专题讲座,做题为“探索性高维数据分析--非线性模型降维技术”的专题讲座。此次报告会的主要对象是经济与金融学院研究生及部分教师。

讲座开始前,主持人苏梽芳教授介绍了朱利平教授的学术情况,大家对朱利平教授的到来表示了热烈的欢迎后,讲座正式开始。

此次讲座朱利平教授主要从探索性分析和非线性、高维两个方面进行阐述。首先,朱利平教授从探索性分析入手,指出探索性分析能探索数据简单规律,发现模型是否合理,并将探索性分析分为四个步骤:探索性复杂数据分析、建立合理的分析模型、进行恰当的数据分析以及解读分析数据并决策。朱教授指出,

深刻理解应用场景、系统地进行探测性数据分析可以分别从应用场景和数据驱动两个不同的角度指导数据分析研究人员建立合理的分析模型。同时,正确解决分析结论并进行合理的决策产生的价值也与合理的分析模型、恰当的分析工具和具体的应用场景紧密相关。

其次,他提出,如果忽略探索性分析的第一步和第四步,假设第二步成立,直接研究第三步。比如说,在高位数据变量选择的问题中,研究目的是从高位自变量中选择出真正对因变量有预测作用的自变量,但为了简化分析的困难而假设线性模型或其他参数模型、变系数模型等自然成立,结果把恰当的数据分析要求转变为可行的模型分析问题。这样做的现状是取得了漂亮的理论成果却没有很有说服力的应用案例,原因是模型假设提高可解释性及分析可计算性,但忽略第一步导致模型分析的结果在实证分析中可重复性很差,因此,忽略第一步探索性复杂数据分析使得第二部一旦被质疑,无论第三步如何漂亮,都可以轻易否定第四步的价值。这也证明了探索性复杂数据分析在探索性分析中的重要性。针对探索性分析他还指出两个难点:不假设模型形式和不损失回归信息。

紧接着,朱教授介绍了第二个部分:非线性、高维。他提出两个关键科学问题,一是非线性相依关系的刻画和度量,二是不假设模型形式的充分降维技术。针对非线性相依关系的刻画和度量,在经济管理中有大量应用,同时在独立和条件独立、积分近似中也有应用。但关键科学问题是如何刻画和度量非线性相依关系?对此,第一个要做的工作是Cumulative Divergence,第二个工作是Interval Quantile Independence,第三个工作是Projection Correlation. 同样对于不假设模型形式的充分降维技术,他认为难点在于分布假设的线性条件和光滑参数的最优切片数选取问题。第一个要做的工作是A Semiparametric Approach,第二个是Cumulative Slicing Estimation

讲座结束后,老师与同学们就相关学术问题和朱教授进行了互动讨论,朱教授一一做出了回答。最后,苏梽芳教授再次邀请朱教授下次能给同学们详细介绍下如何分析数据建立模型,鼓励同学们积极学习,在学术领域探索更广阔的天地。




| 打印 | 关闭 |
相关链接
华大首页       华大图书馆       中国互联网中心       深度电商网       CEIC全球经济数据库       RESSET宏观数据库       电商学习论坛       华大教务处       学生管理系统      

华侨大学经济与金融学院 版权所有 CopyRight © 2012 All Rights
地址:福建泉州华侨大学经管楼5楼
邮编:362021 电话:0595-22692581