以前的2亩讲座

Title

数据细化及其应用

演讲者

Daniela Witten博士.D.
教授, 多萝西·吉尔福德数理统计教授, 华盛顿大学

我们建议数据细化, 一种将具有未知参数的已知分布族中的观测值分割成两个或多个独立部分的新方法，这些部分之和产生原始观测值, 和原始观测值的分布是一样的, 一个参数的(已知的)缩放.  这个建议很笼统, 并且可以应用于自然指数族中的广义分布, 包括高斯分布, 泊松, 负二项, γ, 二项分布, 等.  此外, we generalize data thinning to enable splitting an observation into two or more parts that can be combined to yield the original observation using an operation other than addition; this enables the application of data thinning far beyond the natural exponential family.  数据细化在模型选择、评估和推理方面有许多应用.  例如, 通过数据细化进行交叉验证为通过样本分割进行交叉验证的“通常”方法提供了一种有吸引力的替代方法, 特别是在后者不适用的无监督环境中.  我们将提出数据细化到单细胞rna测序数据的应用, 在不适用样品分裂的情况下.  这是和安娜·纽菲尔德(弗雷德·哈奇)合作的作品, Ameer Dharamshi(华盛顿大学), 露西·高(英属哥伦比亚大学), 雅各布·拜恩(南365滚球官网). 

Daniela Witten是华盛顿大学统计学和生物统计学教授, 以及多萝西·吉尔福德数理统计教授. 她为高维数据开发了统计机器学习方法, 重点是无监督学习. 

她在统计机器学习方面的研究获得了许多奖项:最著名的是美国公共卫生协会颁发的Spiegelman奖，授予40岁以下的(生物)统计学家, 41岁以下的统计学家获得统计学会主席委员会颁发的主席奖. 

Daniela是教科书《365体育滚球》的合著者, 从2023年开始，将担任《365滚球官网》的联合编辑, B系列. 

Title

纵向数据自适应采样后的推理

演讲者

苏珊一个. 墨菲,Ph值.D.
Mallinckrodt统计学和计算机科学教授，
拉德克里夫学院的校友教授，
哈佛大学

自适应采样方法, 比如强化学习(RL)和强盗算法, 是否越来越多地用于移动医疗和教育等数字应用中干预措施的实时个性化. 结果是, 需要能够使用由此产生的自适应收集的用户数据来解决各种推断问题, 包括时变因果效应的问题. 然而, 目前对这类数据进行统计推断的方法(a)对环境动力学作出了强有力的假设, e.g., 假设纵向数据遵循马尔可夫过程, 或者(b)要求每个用户使用一个自适应采样算法收集数据, 这就排除了使用从多个用户收集的数据来学习选择操作的算法. 这些都是阻碍自适应采样算法在实践中更广泛应用的主要障碍. 在这项工作中, 我们证明了基于自适应采样数据的常用z估计量的统计推断. 即使在观测是非平稳的和随时间高度依赖的情况下，这种推断也是有效的, (b)允许在线自适应采样算法使用所有用户的数据进行学习. 此外, 我们的推理方法对自适应抽样算法所使用的奖励模型的不规范具有鲁棒性. 这项工作的动机是我们设计Oralytics口腔健康临床试验的工作，其中RL自适应采样算法将用于选择治疗方法, 然而，有效的统计推断对于在试验结束后进行初步数据分析至关重要.

苏珊·墨菲的研究重点是提高顺序, 个性化的, 数字健康中的决策. She developed the micro-randomized trial for use in constructing digital health interventions; this trial design is in use across a broad range of health-related areas. 她的实验室致力于开发个性化数字健康干预的在线学习算法. Dr. 墨菲是美国国家科学院和美国国家医学院的成员, 都是美国国家科学院院士. 2013年，她被授予麦克阿瑟奖学金，以表彰她在为顺序决策提供信息的实验设计方面的工作. 她是药物依赖问题学院的研究员, 前数理统计研究所所长, 伯努利学会前主席，《365滚球官网》前编辑.

Title

将随机流行病模型拟合到嘈杂的监测数据:我们还在那里吗?

演讲者

弗拉基米尔·N. Minin, Ph.D.
教授, 统计部传染病科学倡议副主任, 365滚球官网, 欧文

随机流行病模型描述了传染病如何在感兴趣的人群中传播. 这些模型是通过首先将个体分配到隔间来构建的.g., 易受影响, 传染性, 然后定义一个随机过程来控制这些隔室的大小随时间的演变. 我将回顾一个具有挑战性且尚未完全解决的问题的多条攻击线，即将这些模型拟合到嘈杂的传染病监测数据中. 这些解决方案涉及一系列数学技术:粒子滤波马尔可夫链蒙特卡罗算法, 随机微分方程的近似, 基于泊松随机测度的贝叶斯数据增强. 重要的是, 许多这些计算策略为整合多种传染病监测数据流打开了大门, 包括不太传统的(例如).g.、病原体废水监测和基因组监测). 这种数据集成对于确定随机流行病模型的关键参数至关重要. 我将用流感来说明最先进的随机流行病模型的统计推断, 埃博拉病毒, 以及SARS-CoV-2监测数据，最后将提出有待解决的问题和挑战.

Minin的研究兴趣围绕着为生物科学中出现的问题开发统计严谨的解决方案. 这些解决方案通常涉及制定可以描述生物系统复杂动力学的随机模型，并设计计算效率高的算法来将这些模型拟合到数据中. Minin目前在传染病流行病学方面最为活跃, 研究疾病传播模型参数的贝叶斯估计. 他的其他研究兴趣包括系统发育, 群体遗传学, 计算免疫学, 系统生物学. Minin得了B.S. 获得敖德萨国立大学数学硕士学位.S. 在365滚球官网获得数学博士学位.D. 365滚球官网洛杉矶分校的生物数学博士.

Title

形状约束下的非参数推理:过去、现在和未来

演讲者

理查德J. Samworth, Ph值.D.
剑桥大学统计科学教授兼统计实验室主任

传统上, 我们认为统计方法可以分为参数方法, 这可能是限制性的, 但是估计通常是直接的(例如.g. 使用最大似然), 非参数方法, 哪一种更灵活，但通常需要仔细选择调优参数. 形状约束下的非参数推理区域位于中间, 在某些方面寻求两个世界的好处. 我将介绍这个目前非常活跃的领域, 提供一些历史, 最近的发展和未来展望.

理查德J教授. Samworth的主要研究兴趣是非参数和高维统计. Particular topics include shape-constrained estimation problems; data perturbation methods (e.g. 二次抽样, 引导抽样, 随机预测, knockoffs); nonparametric classification; (conditional) independence testing; estimation of entropy and other functionals; changepoint detection and estimation; missing data; variable selection; and applications, 包括遗传学, 考古学和海洋学.

奖

• 美国统计协会会员
• 数理统计学会会员
• 英国皇家统计学会?2008年获得美国科学研究奖
• 盖伊铜质奖章，2012年，皇家统计学会
• 2018年COPSS总裁奖
• IMS奖章讲座2018
• 2017年亚当斯奖
• 2014年菲利普·莱弗休姆奖

Title

新的乘数不等式及其应用

演讲者

乔恩一. 2亩Ph值.D.
华盛顿大学统计学和生物统计学教授

乘数不等式已被证明是现代经验过程理论的关键工具之一, 中心极限定理的应用, 引导理论, 以及统计学中的加权似然方法. 在这次演讲中，我将回顾一些经典的乘数不等式, 提出一个新的乘数不等式, 并讨论几个统计应用. 这些应用包括关于可能存在重尾误差的回归模型中最小二乘估计(LSE)的收敛速度的新结果. 将提到涉及稀疏线性回归和形状限制的特殊情况.

[这个演讲是基于华盛顿大学的博士.D. 韩启阳(Roy)的工作.]