Seminar Thống kê Ứng dụng T6.2022

Time:

Venue/Location: Online

Seminar Thống kê Ứng dụng

Website: https://sites.google.com/view/tkud/home

 Thời gian: 14:00 – 16:00 | Hình thức: Trực tuyến qua phần mềm Zoom

Thời gian

Giảng viên

Tên bài giảng

1/06/2022

TS. Phùng Đức Tùng

Viện trưởng Viện Nghiên cứu Phát triển Mekong

Thiết kế mẫu cho các cuộc điều tra

9/06/2022 Nguyen Xuan Long,
University of Michigan
Inverse bounds for learning latent
structures

22/6/2022

TBC

TBC

TS. Phùng Đức Tùng - Viện trưởng Viện Nghiên cứu Phát triển Mekong

Email: tungphung@mdri.org.vn

Abstract:

Thiết kế mẫu điều tra là một vấn đề quan trọng trong nghiên cứu thống kê. Trong bài trình bày này, chúng tôi giới thiệu tổng quan về thiết kế mẫu, các phương pháp thiết kế mẫu nhiều tầng và ưu nhược điểm của chúng. Một số vấn đề về sai số trong chọn mẫu cũng được giới thiệu. Cuối cùng, chúng tôi giới thiệu về quyền số và đo lường các đặc trưng của mẫu tùy theo các thiết kế mẫu tương ứng.

Prof. Nguyen Xuan Long
University of Michigan
Email: xuanlong@umich.edu


Abstract:Inverse bounds are inequalities that provide upper bound estimates of the distance of latent structures of interest in a suitable Wasserstein space in terms of the statistical distance (e.g., total variation, Hellinger, KL divergence) in the space of data populations. This type of bounds is useful in deriving the rates of parameter estimation (via either M-estimators or Bayesian methods) that arise in latent structured models, including convolution models, mixture models and hierarchical models. These are models that play a major role in modern statistics and data science. In this talk I will present several such optimal transport based inverse bounds for (i) mixing measures in mixture and convolution models, (ii) the de Finetti's mixing measure in mixture of product distributions, and (iii) mixing measures in the settings of contaminated models and regression with heterogeneous responses. The derivation of such inverse bounds requires a deeper investigation into conditions of the latent structure's identifiability, which shed some light about the geometry of latent structured models.