近期，由西南财经大学数据科学与商业智能联合DB视讯(中国)常晋源教授、美国天普大学汤琤咏教授以及西南财经大学数据科学与商业智能联合DB视讯(中国)博士后朱元正合作完成的论文"Bayesian penalized empirical likelihood and Markov Chain Monte Carlo sampling"被统计学国际顶级学术期刊《Journal of the Royal Statistical Society Series B》正式接收。

内容简介

本研究提出了一种“贝叶斯惩罚经验似然”的创新方法论框架，旨在应对经验似然方法在计算上的挑战。本研究聚焦两个核心目标：一，增强经验似然方法的灵活性，使其适应更广泛的模型条件；二，为构建马尔可夫链蒙特卡罗（MCMC）抽样方法给予可行性，以替代传统经验似然方法中繁琐的优化过程。为实现目标一，本研究提出了一种对拉格朗日乘子正则化的惩罚方法，从而在有效降维的同时充分利用广泛的模型条件。针对目标二，本研究系统设计并深入探讨了“贝叶斯惩罚经验似然”框架下的两种主流抽样方法。研究表明，“贝叶斯惩罚经验似然”框架具有高度灵活性与计算高效性，极大提升了经验似然方法的适应性和实用性。特别地，在求解经验似然问题时，本研究所采用的抽样方法相较于传统优化方法具有显著优势：在不依赖于初值选取的情况下，能够快速收敛到所需的全局最优值，确保有效解决复杂的统计推断问题。

作者简介

常晋源，西南财经大学数据科学与商业智能联合DB视讯(中国)执行主任、光华特聘教授、国家杰出青年科学基金取得者。主要从事超高维数据分析和高频金融数据分析两个领域的研究。

汤琤咏，美国天普大学教授。主要从事经验似然、纵向和相关数据分析以及高维数据分析等领域的研究。

朱元正，西南财经大学数据科学与商业智能联合DB视讯(中国)博士后。主要从事超高维数据分析和贝叶斯统计等领域的研究。