报告人：许林
报告地点：腾讯会议ID：119 719 584
报告时间：2021年11月8日星期一9：30-10：30
报告摘要：
基于惩罚过程的变量选择方法在不同的模型拟合过程中通常依赖于固定的阈值进行静态的变量筛选，从而无法实现单次模型拟合过程中即时最优变量选择。本论文中我们利用MM算法提出具有即时适应性的动态阈值替代函数进行若变量筛选，并给出针对于面板数据随机效应模型的 Two-step 估计过程。在文中，我们利用渐进理论证明了新替代函数的算法与原替代函数的算法具有相同的收敛性；与此同时，我们比较并讨论了两种替代函数的性能。数值模拟结果和实例数据分析过程表明，当迭代估计的初始值较大时，本文所提出的替代函数的具有更好的统计推断效果。
主讲人简介：
许林，2014年于东北师范大学数学与统计学院获得博士学位，2016-2018年在加州大学河滨分校统计系从事博士后研究，现任浙江财经大学数据科学学院应用统计系副教授，硕士研究生导师。专业研究方向为：纵向数据分析；稳健估计；因果推断；经验似然理论等。主持完成省部级科学基金两项。研究成果发表于Journal of Multivariate Analysis、Statistics and Its Interface、Computational Statistics and Data Analysis等统计学期刊。
