动脉粥样硬化是一种慢性且多因素驱动的疾病，可累及多种动脉系统。其进展主要由低密度脂蛋白（LDL）胆固醇的积累所推动，这一过程促进了局部动脉病变的形成。这些病变可能进一步导致严重并发症，如缺血性心脏病和脑卒中。遗传因素，特别是单核苷酸多态性（SNP），以及与年龄相关的身体组成变化，都会显著影响LDL水平，从而产生由函数型与标量型变量混合组成的超高维协变量。由于数据量庞大且表示形式各异，这些协变量往往分布在不同的数据存储节点。为了分析遗传与生理因素对LDL水平的影响，我们首先分别从超高维的函数型与标量型协变量中以无监督方式提取特征。随后，我们提出一种新的回归模型来整合这些可能相互相关的特征，这种相关性来源于潜在的超高维函数与标量混合协变量之间的内在结构关联。我们的方法采用带有加性多指标成分的因子回归模型，以充分且有效地捕捉潜在特征与响应变量之间的关系。在模型层面，我们通过对回归系数矩阵施加列稀疏性与低秩约束以提升模型可解释性，并在考虑协变量相关性的同时融入结构信息，从而提高估计效率与稳健性。该方法对响应变量的分布不作假设，因此具备更高的灵活性与适用性。在模型估计方面，我们构建了一个基于sieve似然的估计框架以获得高效且稳健的估计结果。我们将所提方法应用于英国ALSPAC数据集，结果显示该方法在LDL水平预测中具有较高准确率，并成功识别出影响LDL的关键SNP位点及人体测量指标。进一步地，我们考察了不同人体测量特征随年龄变化对LDL水平的影响，并扩展分析以识别影响成年人身体质量指数的主要个体与父母特征。

    近日，由西南财经大学统计研究中心兰伟教授与其在读博士生张冬雪、南开大学冯龙教授、香港理工大学吴宇佳博士后、中国人民大学周静副教授合作完成的论文“Temporal network influence model with application to the COVID-19 population flow network”被统计学国际顶级学术期刊《Annals of Applied Statistics》正式接收。 内容简介    自新冠疫情爆发以来，COVID-19迅速在全球范围内传播，成为对公共卫生构成重大威胁的突发事件。...

近日，由西南财经大学统计研究中心张晨琳博士、周岭教授、郭斌教授和林华珍教授合作完成的论文“Spatial effect detection regression for large scale spatio-temporal covariates”被统计学国际顶级学术期刊《Journal of the Royal Statistical Society: Series B (Statistical Methodology)》正式发表。 内容简介尽管深度神经网络模型可基于时空数据做高精度预测，但不具有解释性且需要大量样本，在一些专业领域，比如医学较难适用。...

网络数据在各类实际场景中普遍存在，并具有重要的研究价值。尽管传统的变系数模型（VCM）在处理时间序列和空间数据中系数的动态变化方面表现良好，但在应对网络数据时却面临明显的局限性。本文提出了一种新的网络变系数模型，将传统的变系数模型拓展至适用于网络数据的分析场景。该模型将回归系数看作是网络中各个节点“潜在位置”的函数，并假设这些潜在位置同时决定了网络的结构。在模型的估计过程中，本文先通过潜空间模型找出节点的潜在位置初始估计，然后基于迭代算法轮流更新网络参数和回归系数。本文还给出了系数估计误差的理论界限，并提出使用BIC准则来选择潜空间的维度。另外，本文进一步基于惩罚的方法来筛选出对响应变量具有显著影响的变量，并证明了这种筛选方法的理论可靠性。通过大量的数值模型和真实的金融案例，验证了模型的在有限样本上的有效性。

近日，由西南财经大学统计研究中心王宣程博士、周岭教授和林华珍教授合作完成的论文“Deep Regression Learning with Optimal Loss Function”被统计学国际顶级学术期刊《Journal of the American Statistical Association》正式发表。 内容简介提出了一种自适应于任意数据分布的深度神经网络的最优估计方法，在保证最优预测精度的同时，最大程度降低对样本量的需求，缓解深度神经网络对大样本量的依赖。基于自适应最优损失函数，该方法充分挖掘潜在数据分布的信息，...