• 统计研究中心
当前位置: 首页> 系列讲座> 正文

美国密歇根大学宋学坤教授:Newton growth model: A nonparametric Bayesian method with a prior of the Ornstein-Uhlenbeck process

光华讲坛——社会名流与企业家论坛第 5835 期

Newton growth model: A nonparametric Bayesian method with a prior of the Ornstein-Uhlenbeck process

主讲人美国密歇根大学宋学坤教授

主持人统计学院林华珍教授

时间2021615日(周二)上午930-1030

直播平台及会议ID zoom会议,ID: 956 1196 5684密码:943162

主办单位:统计研究中心和统计学院 科研处


主讲人简介:

宋学坤,美国密歇根大学安娜堡分校公共卫生学院生物统计系教授和主管科研副系主任。1996年从加拿大温哥华英属哥伦比亚大学取得统计学博士学位。已发表论文180余篇。主要研究方向包括分布式推理、高维数据分析、纵向数据分析、缺失数据问题、时空建模和精确健康统计方法。他是ASA IMS的Fellow。现任统计学国际期刊JASA, the Canadian Journal of Statistics 和the Journal of Multivariate Analysis的Associate Editor。

内容提要:

Motivated by a birth cohort study to investigate effects of ubiquitous environmental toxic agents on the infant growth dynamics, this project concerns modeling of growth acceleration to understand the force of growth through a class of semi-parametric stochastic velocity models.The great flexibility of such modeling approach enables to capture dynamics of individual growth trajectories and to assess effects of exposures on potential delay of growth. This utilizes a nonparametric Bayesian paradigm to integrate the WHO published global infant’s growth curves into modeling and develops an MCMC-based estimation and inference, where the Ornstein-Uhlenbeck process is specified as the prior for the growth rate function. The proposed methodology is illustrated by simulation studies and data analysis.

受出生队列研究的启发,该研究旨在研究普遍存在的环境有毒物质对婴儿生长动力学的影响,该项目涉及生长加速建模,以通过一类半参数随机速度模型来了解生长力。此类建模的巨大灵活性 该方法能够捕获个体增长轨迹的动态,并评估暴露对潜在增长延迟的影响。 它利用非参数贝叶斯范式将WHO发布的全球婴儿生长曲线整合到模型中,并开发了基于MCMC的估计和推论,其中Ornstein-Uhlenbeck过程被指定为增长率函数的先验。 仿真研究和数据分析说明了所提出的方法。


上一条:美国北卡罗来纳大学教堂山分校刘玉峰教授:Learning Optimal Dynamic Treatment Regimes under Risk Constraints

下一条:北京大学苗旺助理教授:Identifying effects of multiple treatments in the presence of unmeasured confounding