第七届国际数据挖掘与应用统计研究会学术综述

第七届国际数据挖掘与应用统计研究会于2015年7月27-30日在广西南宁隆重召开。本届会议的主题是"大数据时代统计学方法及应用研究",由国际数据挖掘与应用统计研究会主办,广西财经学院、厦门大学数据挖掘研究中心、美国耶鲁大学、台北医学大学和重庆允升科技大数据研究中心联合承办,来自于国内外60余所高校、政府和企事业单位180多位专家学者莅临参加。会议入选论文46篇。

基于自适应迭代更新的函数型数据聚类方法研究

函数型数据的稀疏性和无穷维特性使得传统聚类分析失效。针对此问题,本文在界定函数型数据概念与内涵的基础上提出了一种自适应迭代更新聚类分析。首先,基于数据参数信息实现无穷维函数空间向有限维多元空间的过渡;在此基础上,依据变量信息含量的差异构建自适应赋权聚类统计量,并依此为函数型数据的相似性测度进行初始类别划分;进一步,在给定阈值限制下,对所有函数的初始类别归属进行自适应迭代更新,将收敛的优化结果作为最终的类别划分。随机模拟和实证检验表明,与现有的同类函数型聚类分析相比,文中方法的分类正确率显著提高,体现了新方法的相对优良性和实际问题应用中的有效性。

大数据对大学教学的影响

本文对大数据和大数据时代的概念进行了界定,剖析了大数据对大学教学带来的影响,提出了大数据时代大学教学的新理念。

基于区块链的统计数据共享模型研究

实现区块链技术在统计工作上的创新性应用成为新时代统计工作的重要课题。针对目前统计工作中存在的报表重叠上传反复审核、数据共享有限、数据信息安全性不高等问题,文章提出“区块链+联网直报”统计数据共享联盟链模型,从组织架构、平台架构、共享流程、底层设计四个层面论述模型结构功能。实现以国家统计局为主导,省、市、县政府部门之间的报表数据共享,满足数据采集、存储需求,为完善和优化我国统计工作提供参考。

全球政府数据共享模式研究——对中国的启示

政府是数据的主要拥有者,但中国政府的数据共享模式建设尚未成熟,亟需顶层设计。首先,对全球政府数据共享比较成功的国家,即美国、英国、法国、加拿大、日本的政府数据共享政策与法律法规、机构与岗位设置等内容进行了对比。其次,提出中国政府数据共享的对策建议,即在加强中国政府数据共享政策制定、立法完善以及公众隐私保护的基础上,推动全国数据共享平台建立,强化政府数据共享宣传工作,尽快使全民参与到政府数据共享的建设中。

随机森林方法研究综述

随机森林(RF)是一种统计学习理论,它是利用bootsrap重抽样方法从原始样本中抽取多个样本,对每个bootsrap样本进行决策树建模,然后组合多棵决策树的预测,通过投票得出最终预测结果。它具有很高的预测准确率,对异常值和噪声具有很好的容忍度,且不容易出现过拟合,在医学、生物信息、管理学等领域有着广泛的应用。为此,介绍了随机森林原理及其有关性质,讨论其最新的发展情况以及一些重要的应用领域。

大数据时代下数据分析理念的辨析

本文在剖析了国内外大数据研究和应用现状的基础上,提出了"大数据时代"的定义,并从统计学的角度界定了"大数据"概念。同时,根据大数据的特点,本文重新审视了在大数据时代统计研究工作过程及统计思维所面临的挑战,明确了统计工作和统计研究转变的基本思路。

大数据的整合分析方法

大数据具有数据来源差异性、高维性及稀疏性等特点,如何挖掘数据集间的异质性和共同性并降维去噪是大数据分析的目标与挑战之一。整合分析(Integrative Analysis)同时分析多个独立数据集,避免因地域、时间等因素造成的样本差异而引起模型不稳定,是研究大数据差异性的有效方法。它的特点是将每个解释变量在所有数据集中的系数视为一组,通过惩罚函数对系数组进行压缩,研究变量间的关联性并实现降维。本文从同构数据整合分析、异构数据整合分析以及考虑网络结构的整合分析三方面梳理了惩罚整合分析方法的原理、算法和研究现状。统计模拟发现,在弱相关、一般相关和强相关三种情形下,L1Group Bridge、L1Group MCP、Composite MCP都表现良好,其中L1Group Bridge的假阳数最低且最稳定。最后,将整合分析用于研究具有来源差异性的新农合家庭医疗支出,以及具有超高维、小样本等大数据典型特征的癌症基因数据,得到了一些有意义的结论。

大数据时代对传统统计学变革的思考

本文在大数据时代背景下,将统计学与大数据有机结合,剖析了大数据时代给统计学带来的变革,阐述了大数据为传统统计学带来的发展机遇。为了保持统计学旺盛的生命力,本文对统计学的发展提出了几点思考。

经济景气指数研究的比较与思考

景气分析是经济计量的典型问题,应用景气指数进行定量分析,对理解经济总体和具体行业的运行状况有不可替代的作用。文章介绍了经济景气的理论和景气指数的基本构建方法,梳理了景气指数研究的发展脉络,系统剖析了近期国内外研究状况,重点总结了国内的实证分析和研究现状。

基于拓展聚类模型的区域创新能力层级划分研究

为了对中国创新能力科学划分以深层次挖掘区域之间创新能力的有机联系,笔者在剖析现有层级划分方法优点与不足的基础上进行模型拓展,应用拓展的聚类模型对我国的区域创新能力进行静态与动态分类,并对分类结果的显著性进行检验。对比分析不同地区创新发展模式发现,创新能力东强西弱的阶梯分布格局仍存在,必须分集团而不是整齐划一的制定和实施创新政策。

融合统计思想的大数据算法

海量化的数据规模作为大数据的第一个特征,带来了计算上的首要挑战。大规模样本不一定能够完全替代总体,因此大数据分析的算法设计不仅要考虑精简计算成本,还要考虑如何刻画估计结果的不确定性。本文以分治自助算法和子集双重自助算法为例讨论了兼具计算效率提升和不确定性评价的可并行计算的大数据统计算法设计,通过比较分析探讨设计思想与未来的研究方向。

《统计研究》的历史阶段性回顾与特征分析

本文基于各个时代背景下我国统计学科的重要事件,联系过去14届中青年统计科学研讨会的会议主题,利用文本数据挖掘技术,对1984年第1期至2014年第5期《统计研究》刊登的5192篇文章的篇名、关键词和摘要等做深入分析。探讨了30年来我国统计学科的发展历程,剖析了《统计研究》期刊的整体特征,进一步明确了《统计研究》杂志对中国统计学科建设发展的重要贡献。

SGL-SVM方法研究及其在财务困境预测中的应用

针对分类问题,本文提出了稀疏组Lasso支持向量机方法(Sparse group lasso SVM,SGLSVM),即在SVM模型的损失函数中引入SGL惩罚函数,能同时进行组间变量和组内变量的筛选。由于SGL-SVM的目标函数求解比较复杂,本文又提出了一种快速的双层坐标下降算法。通过模拟实验,发现SGL-SVM方法在预测效果和变量选择上均要优于其他方法,对于变量具有自然分组结构且组内是稀疏的数据,本文方法在提高变量选择效果的同时又能提高模型的预测精度。最后,本文将SGL-SVM方法应用到我国制造业上市公司财务困境预测中。

部分线性固定效应空间滞后面板模型的估计研究

本文构建了一类部分线性固定效应空间滞后面板模型,在此模型中,综合考虑了固定效应、参数自变量和非参数自变量的影响。基于截面拟极大似然估计方法对模型的参数部分和非参数部分进行了估计,并在个体数n和时期数T都很大的情况下,推导估计量的大样本表现。研究结果表明,在大样本条件下,估计量具有一致性,参数估计量满足渐近正态分布并且收敛速度为(nT)^(1/2)。

新战略背景下城市经济发展状况测度研究——基于融合社会网络的实证分析

当前,我国经济已转向高质量发展新阶段,国家对此出台了包括高质量发展、城市群协同发展及健康中国等多项战略规划,为未来城市经济发展指明了新的发展方向。本文在分析这些战略对城市经济发展要求的基础上解读了城市经济发展新内涵,构建了涉及数量、质量和效率三个方面,包含创新发展、协调发展、绿色发展、开放发展、共享发展和城市群支撑作用等10个维度,共44个三级指标的城市经济发展状况测度指标体系,同时就城市群支撑作用方面指标给出了融合社会网络分析的指标定量测度方法。本文构建的指标体系可全面监测我国城市在经济新战略背景下的经济发展状况,所提出的指标测度方法可定量测度城市所属城市群对城市经济发展的贡献,为相关战略下城市测度体系的建设与完善提供一定参考。

基于层次分析法的我国P2P网络借贷平台信用评级研究

近年来,P2P网络借贷在我国不断发展壮大,与此同时,尤其是自2016年以来,P2P网贷行业问题频发,严重破坏了国家正常的经济秩序,影响了广大投资者的信心。在中国社会整体信用环境不佳,网贷行业尚未彻底规范的情况下,对P2P网络借贷平台进行信用评级意义非凡。本文运用层次分析法构建了P2P网络借贷平台信用评级模型。首先,筛选出4大类共18个信用评级指标和30家P2P平台。在运用层次分析法确定指标权重后,将18个指标划分为定量指标与定性指标,分别采用模糊综合评价法与专家评分法计算指标得分,并得到评级指标的总得分。在对平台进行排名后,运用Spearman相关性分析,将平台排名与第三方评级机构对这30家P2P平台的评级排名进行对比分析,验证了本文探索的信用评级模型的有效性和应用价值。

函数型数据聚类分析研究综述与展望

函数型数据是大数据时代的典型数据,也是大数据分析的重要视角,其稀疏粗糙、无穷维、低信噪比等复杂特性导致传统聚类分析方法凸显诸多弊端。为了厘清函数型数据聚类分析的研究现状,在界定函数型数据概念与内涵基础上,本文依据方法原理差异将函数型数据聚类分析方法划分为四类,理论剖析并模拟检验每一类别方法的相对优势和存在的不足。最后,针对现有研究尚待解决的关键问题,并结合大数据时代的数据特征,展望了函数型数据聚类分析的未来研究方向。

基于网络结构Logistic模型的企业信用风险预警

随着计算机和互联网的快速发展,特别是在大数据时代,企业积累了大量有关企业经营、财务等相关数据,变量众多且关系纷繁复杂,如果利用传统的logistic回归建立企业信用风险预警模型往往效果不好。本文在充分考虑变量间的网络结构(Network)关系基础上,提出了网络结构Logistic模型,通过惩罚方法同时实现变量选择和参数估计。蒙特卡洛模拟表明网络结构Logistic模型要优于其他方法。最后,我们将其应用到我国企业信用风险预警中,充分考虑财务指标间的网络结构关系,科学地选择评估指标,构建更加适合我国国情的企业信用风险预警方法。

主成分聚类分析有效性的思考

本文针对经典聚类分析和普通主成分聚类分析极端情形下的失效问题展开讨论,通过定义客观赋权的主成分距离为分类统计量,并以实证检验取得良好效果为依据,有效地解决了主成分聚类分析在极端情形下所不能揭示的问题。