近日，由团队常晋源教授、美国天普大学汤琤咏教授以及团队博士后朱元正合作完成的论文”Bayesian penalized empirical likelihood and MCMC 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
本研究提出了一种称为“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）抽样方法提供可行性，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实验室执行主任、光华特聘教授、国家杰出青年科学基金获得者。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实验室博士后。主要从事超高维数据分析和贝叶斯统计等领域的研究。
