2025年10月29日下午，北京师范大学教授郭旭，中国人民大学副教授张政、罗翔宇以及首都师范大学教授周洁应邀于诚信楼715会议室举办“高维建模与因果推断”专家报告会。本次报告会由英国上市365郝美玲教授主持，英国上市365二十余名师生参加。

郭旭老师的讲座题目为《流式数据下密度卷积支持向量机的估计与推断‌》。该报告研究了密度卷积支持向量机（DCSVM）在高维流数据下的系数估计与推断问题。首先，提出了一种适用于流数据场景的可更新lasso估计量，该估计量通过优化经二次逼近得到的代理损失函数来实现。该方法仅需当前批次数据及有限、可更新、易存储的汇总统计量，并从理论上给出了估计误差界。为进一步构建有效的统计推断框架，该研究提出了在线纠偏lasso估计量，并建立了其渐近正态性。在数值计算方面，研究采用了适用于高维模型且计算效率高的近似点梯度下降算法，并通过模拟与实际数据分析验证了方法的良好性能。郭老师指出，当前流数据研究通常假设各批次数据量趋于无穷，且在高维情形下存储汇总统计量仍占用较大内存，未来研究将致力于解决这两类问题。

张政老师的讲座题目为《基于平衡神经网络加权法的通用处理模型高效纠偏估计》。由于在医学、经济学及社会科学研究中，准确评估一项政策或治疗（即“干预”）的实际效果至关重要。然而，传统的因果推断方法在面对高维混杂变量时，长期受困于估计偏差与“维数灾难”的挑战，尽管已有针对二元干预的先进方法提出去偏估计策略，但在小样本情况下这些方法往往表现不稳定。此外，若将其直接扩展至一般干预模型，则可能带来较高的计算复杂度。针对这一核心难题，一般干预模型的平衡神经网络加权方法被提出。该方法利用深度神经网络缓解维数灾难，同时通过校准保持协变量的最优平衡，从而实现去偏且稳健的估计。此方法适用于多种干预模型，包括均值、分位数、分布性以及非对称最小二乘干预效应，可处理离散、连续及混合类型的干预变量。所提出的估计量具有速率双重稳健性和渐近正态性，并且其渐近方差达到半参数效率下界。此外，研究团队进一步开发了基于加权自助法的统计推断流程，使得有效影响函数或得分函数无需被估计。

罗翔宇老师的讲座题目为《空间信息整合型调整兰德指数——面向空间转录组聚类评估的优化方法》随着空间转录组聚类方法的日益增多，如何准确评估不同方法的聚类效果成为关注焦点。传统的调整兰德指数（ARI）未考虑空间转录组数据中的空间信息，导致其对空间聚类方法的评估不够全面。为解决这一难题，罗翔宇老师团队创新性地提出了空间感知兰德指数（spRI）及其校正版本空间感知调整兰德指数（spARI）。新指标创新性地引入了空间距离权重，当比较两个聚类划分时，spRI会为存在分歧的样本对分配基于其空间距离的权重，而传统方法对此类样本对始终赋予零权重。这一空间感知特性使spRI能够根据样本间的实际距离自适应地区分不同情况，为评估聚类结果的空间连贯性提供了更精准的度量工具。spARI则通过统计校正进一步消除了随机因素的影响，确保其在零模型下的期望值为零。通过模拟研究和两个真实数据集的验证，spARI指标在评估聚类方法时展现出比传统ARI更优异的性能，为空间转录组研究提供了更可靠的评估标准。

周洁老师的讲座题目为《半参数联合模型评估纵向替代指标疗效——在慢性肾病临床试验中的应用》。在需要长期随访以评估主要终点的临床试验中，如何利用更早出现、成本更低的替代终点准确评估治疗效果，一直是医学与统计学界关注的重点。以慢性肾病（CKD）临床试验为例，治疗效应常通过肾小球滤过率（GFR）的年变化率，即GFR斜率这一纵向替代指标来呈现。然而，患者死亡或肾功能衰竭等终点事件的发生会导致GFR测量中止，使得对GFR斜率治疗效应的准确估计变得复杂。针对这一难题，周洁老师的团队提出了一个半参数联合建模框架，能够同时处理纵向测量过程与终点事件过程。在该模型中，纵向结果（如GFR轨迹）采用半参数形式建模，其与终点事件的关系则为非参数形式，而终点事件本身通过半参数Cox模型进行刻画。这一设计不仅增强了模型的灵活性，使其能够轻松扩展至非线性纵向轨迹的分析，也为准确估计治疗对替代终点（如GFR斜率）的影响提供了可靠工具。研究中提出了基于估计方程的参数估计方法，并从理论上推导了估计量的统计性质，通过模拟研究验证了其在有限样本下的良好表现。此外，他们还利用“氯沙坦治疗2型糖尿病肾病终点事件研究”（RENAAL）的试验数据，成功评估了氯沙坦对GFR斜率的具体效应。

       讲座最后，四位老师与现场的英国上市365师生开展了互动交流，围绕研究方法的适用场景、未来可拓展的方向及相关理论性质等议题，展开了深入而细致的探讨。

报告人简介：

郭旭，现任北京师范大学英国上市365教授，博士生导师。现主持国家自然科学基金青年科学基金项目B类（原国家自然科学基金优秀青年基金）。曾荣获北京师范大学第十一届“最受本科生欢迎的十佳教师”，北京师范大学第十八届“青教赛”一等奖，以及北京市第十三届“青教赛”三等奖。目前主要关注高维回归模型中的假设检验问题，同时也对机器学习算法在统计推断中的作用感兴趣，已发表高水平学术论文40余篇，包括统计学和计量经济学国际顶尖期刊JRSSB，JASA, Biometrika, JOE, JBES和机器学习顶会NeurIPS。

张政，中国人民大学长聘副教授、博士生导师，现任统计与大数据研究院副院长。2011年本科毕业于东南大学数学系，2015年获香港中文大学统计系博士学位。现任中国现场统计研究会统计交叉科学研究分会常务理事、因果推断分会理事。长期从事统计因果推断的理论、方法及其应用研究，在JRSS-B, JOE, Quantitative Economics, JMLR，JBES等期刊发表论文二十余篇。主持国家自然科学基金2项。

罗翔宇，自2018年9月起任职于中国人民大学统计与大数据研究院，现任长聘副教授。2014年本科毕业于中国科学技术大学统计与金融系，2018年获香港中文大学统计系博士学位。主要研究兴趣为贝叶斯统计、非参数贝叶斯、生物信息学及统计计算等领域。长期致力于通过构建新型统计模型，解决实际生物学问题，在统计方法与生命科学交叉研究中持续开展创新性工作。

周洁，首都师范大学数学科学学院教授。主要从事生存分析、复发事件与纵向数据的研究，在JASA，Biometrics, Statistica Sinica等国内外统计学权威期刊上发表SCI论文20余篇，主持3项国家自然科学基金项目以及多项北京市科研项目。

（通讯员：杨瑞宇 胡灏楠  摄影：杨瑞宇  审核：郭伟）