题目：A new scope of penalized empirical likelihood with high-dimensional estimating equations

主讲人：常晋源，西南财经大学

时间：2019年4月15日，15:00-16:30

地点：暨南大学中惠楼106B室

主讲人简介：

常晋源，2013年7月于北京大学光华管理学院取得经济学博士学位，2013年9月至2017年2月在澳大利亚墨尔本大学数学与统计学院任研究员，2017年3月开始全职在西南财经大学统计学院工作。现为西南财经大学数据科学与商业智能联合实验室执行主任、教授、博士生导师、四川省特聘专家、四川省统计专家咨询委员会委员。2012年3月获得国际数理统计协会Laha Award；2013年5月获中国概率统计学会“宝洁优秀论文奖”；2013年10月获得中国数学会“第11届钟家庆数学奖”；2014年和2015年两度获得国际数理统计协会IMS Travel Award；2018年3月获得霍英东教育基金会第十六届高等院校青年教师基金资助；2018年9月获得刘诗白奖励基金优秀科研成果奖一等奖；2015年破格入选四川省“千人计划”，2018年同时入选教育部“青年长江学者”和中组部“青年千人计划”。主要从事“超高维数据分析”和“高频金融数据分析”两个领域的研究。已在统计学与计量经济学国际顶级学术期刊Annals of Statistics、Biometrika、Journal of Econometrics等上发表第一作者论文14篇。2017年8月开始担任统计学国际知名学术期刊Statistica Sinica的副主编，2017年10月开始担任统计学国际顶级学术期刊Journal of the Royal Statistical Society Series B的副主编，2018年9月开始担任计量经济学顶级学术期刊 Journal of Business & Economic Statistics副主编，2019年3月开始担任中文核心期刊《应用概率统计》编委。此外，2018年10月开始担任中国概率统计学会和中国数量经济学会理事。

Abstract:

Statistical methods with empirical likelihood (EL) are appealing and effective especially in conjunction with estimating equations for flexibly and adaptively incorporating data information. It is known that EL approaches encounter difficulties when dealing with high-dimensional problems. To overcome the challenges, we begin our study with investigating high-dimensional EL from a new scope targeting at high-dimensional sparse model parameters. We show that the new scope provides an opportunity for relaxing the stringent requirement on the dimensionality of the model parameters. Motivated by the new scope, we then propose a new penalized EL by applying two penalty functions respectively regularizing the model parameters and the associated Lagrange multiplier in the optimizations of EL. By penalizing the Lagrange multiplier to encourage its sparsity, a drastic dimension reduction in the number of estimating equations can be achieved. Most attractively, such a reduction in dimensionality of estimating equations can be viewed as a selection among those high-dimensional estimating equations, resulting in a highly parsimonious and effective device for estimating high-dimensional sparse model parameters. Allowing both the dimensionalities of model parameters and estimating equations growing exponentially with the sample size, our theory demonstrates that our new penalized EL estimator is sparse and consistent with asymptotically normally distributed nonzero components. Numerical simulations and a real data analysis show that the proposed penalized EL works promisingly.