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，...