2019年4月15日，西南财经大学统计学院常晋源教授作客IESR，分享了题为“A new scope of penalized empirical likelihood with high-dimensional estimating equations”的研究报告。

常晋源

这篇文章指出经验似然统计方法不仅有效且引人入胜，特别是当与估计方程相结合时，能够以灵活性和自适应性记录数据信息。但是众所周知，EL方法在处理高维问题时会遇到困难。为了克服这些挑战，这篇文章从一个针对高维稀疏模型参数的新范围研究高维EL开始研究。研究表明新范围提供了放松对模型参数维度的严格要求的机会。在新范围的推动下，通过应用两个惩罚函数来提出新的惩罚似然统计方法，分别在EL的优化中规范模型参数和相关的拉格朗日乘数。通过惩罚拉格朗日乘数来鼓励其稀疏性，可以实现估计方程数量的急剧减小。最吸引人的是，这种维数的减少估计方程可以被视为这些高维估计方程中的选择，从而产生用于估计高维稀疏模型参数的高度简约且有效的装置。允许模型参数的维度和估计方程随着样本大小呈指数增长，这篇文章的理论证明其提出的新的惩罚EL估计是稀疏的并且与渐近正态分布的非零分量一致。数值模拟和实际数据分析表明，提出的惩罚EL工作很有希望。