10月23日下午，应理工科技学院统计与数据科学系的邀请，加拿大约克大学统计与数学系吴月华教授到访UIC，给理工科技学院师生尤其是研究生和博士生带来了题为 “广义空间动态面板数据模型的估计与模型选择 “的精彩学术报告，分享了其团队正在做的前沿工作内容。

        吴教授目前是加拿大约克大学数学与统计系教授，师从世界著名统计学家C. R. Rao，于1989年获得美国匹兹堡大学统计学博士学位。目前，她从事高维数据分析、模型选择、变点分析、时空建模、环境统计和统计金融等多领域研究，是国际统计学会的当选会员，并在Proceeding of National Academy of Science, USA, Biometrika, Journal of Economics等国际顶尖期刊上发表了140余篇学术论文。

吴教授讲座中

       吴教授在报告中使用广义空间动态面板数据模型（General Spatial Dynamic Panel Data model, GSDPD），对美国宾州匹兹堡市从2008年1月至2013年12月的犯罪数据进行刻画，旨在研究非严重的刑事犯罪及轻罪行为对严重犯罪行为的影响。针对GSDPD模型现有参数估计方法存在的问题（例如估计量的不一致性以及计算负担等），提出了新的基于特征分解的最小二乘估计方法（EDLS），并结合惩罚函数进行变量选择。分析结果显示，非严重犯罪及轻罪行为对严重犯罪行为的影响是显著且正向的，这在一定意义上证实了Wilson和Kelly在1982年提出的破窗效应，即社区内的混乱和不文明行为与随后发生的严重犯罪存在联系。

       随后，吴教授介绍了GSDPD模型在社交媒体数据上的建模与应用，并进一步提出了一个基于特征分解的复最小二乘估计方法。该方法被证明在满足一些正则性条件下，可以得到模型参数的一致估计量。之后吴教授以新浪微博数据为例，对帖子长度（即帖子中包含的字符数）进行建模。分析结果表明社交网络中节点的活跃度不仅受其之前活跃度的影响，还受其相邻节点活跃度的影响。此外，估计的节点效应显示拥有更多自创标签的用户往往更活跃。

现场教师提问中

       吴教授的报告成果既包含了深刻的统计理论方法，又有丰富的应用场景，引发了UIC师生的热切讨论。潘建新教授认为，吴教授的方法可以应用到他本人目前正在进行的科研工作中，并期待与吴教授及其团队有进一步的合作与交流。吴教授也十分推荐各位同学到加拿大多伦多去读书和生活。最后，方开泰教授为吴教授颁发纪念品，部分参会老师与吴教授合影留念，此次讲座圆满结束。

方开泰教授和潘建新教授与吴教授（左二）合影

      UIC统计学专业作为国家一流本科专业建设点，十分重视科研水平提升及科研人员的引进与培育，近年来曾邀请多位统计学届知名学者前来交流讲座，始终致力于为学生和老师提供交流与分享的国际性多元化的平台与实践机会。

来源 | 统计与数据科学系

编辑 | 统计与数据科学系