2025年4月18日至20日，我院多名学生参加青年统计学家协会2025年年会暨第三届统计理论及其应用国际研讨会议，并进行报告和海报展示。本次会议由全国工业统计学教学研究会青年统计学家协会主办，围绕统计理论前沿、方法创新及跨学科应用展开深入交流。

我院2024级硕士研究生廖光宇然进行了题为“Unified inference framework and regression adjustment for stratified randomized experiments with ordinal outcomes”的汇报。此次参会得到中央财经大学研究生学术交流奖励计划的支持。

作者：廖光宇然、杨玥含（通讯作者）

论文概述：

生物医学、社会行为和教育问题常常会涉及有序数据，合理评估有序数据下的处理效应至关重要。由于相对处理效应的不可识别性，现有的文献主要关注于处理效应边界的数值近似。为此，本文提出了一套在分层随机试验下用于分析有序结果的推理框架，重点关注于相对处理效应锐界的显式推导，从而能够进行更为方便的估计推断。我们还给出了在独立潜在结果下的边界结论。为了进一步提高边界估计的效率并缩小边界范围，我们提出了协变量调整的方法对其进行控制。此外，我们强调了协变量调整对于优化边界的有效性，突出其在分层随机化试验下平衡混杂的优势。

我院2022级硕博连读研究生禹舜进行了题为“An effective method for modeling highly correlated interaction models with applications”的海报展示。

作者：禹舜、盖玉洁、杨玥含（通讯作者）

论文概述：

在生物学和其他领域中，特征之间的相互作用和相关性至关重要。本文针对以复杂相关结构为特征的线性相互作用模型介绍了一种新方法。通过将局部线性逼近和拉普拉斯平滑惩罚l1或l1和l2惩罚相结合，我们的方法可以有效地估计和预测高度相关的相互作用模型。理论分析证实，这两种方法都能在两次迭代内收敛到甲骨文解，显示了快速的收敛速度。在模拟研究中，我们提出的方法在预测准确性、估计精度和变量选择方面都优于现有技术。在应用于阿尔茨海默病分析的蛋白质微阵列数据时，它们揭示了大量的主效应和交互效应，而且预测误差明显较低。这凸显了我们的方法作为分析具有复杂相关性的线性相互作用模型的强大工具的潜力，适用于广泛的生物研究和其他领域。

我院2021级硕博连读研究生孟康进行了题为“Online Support Vector Machine for Large-Scale Classification with Convolution Smoothing and Non-convexPenalties”的海报展示。

作者：孟康、盖玉洁（通讯作者）

论文概述：

支持向量机（SVM）是一种具有高准确性和鲁棒性的分类工具。然而，当处理包含大量冗余协变量的大规模数据集时，其性能会显著下降。本文提出了一种结合卷积平滑和非凸惩罚的在线SVM，以解决具有稀疏结构的大规模数据分类问题。在流数据分析的背景下，基于当前批次的数据和历史信息的汇总统计量构造了一个惩罚卷积SVM的在线目标函数，从而减少了内存需求并提高了分析效率。本文还引入了一种在线求解算法，并提出了一种用于惩罚参数选择的在线准则。理论结果表明，与一次性处理所有数据的离线方法相比，在线估计量保持了较高的估计效率。数值模拟进一步验证了其在准确性与计算效率方面的优势。此外，我们将该方法应用于多个大规模数据集，在保持分类精度的同时，显著提升了计算效率。

撰稿人：杨玥含，禹舜，廖光宇然，孟康

审稿人：邓露