一、会议时间:2026年11月20日上午8时
二、会议地点:中国西部科技创新港涵英楼8楼8001会议室
三、会议议程:
1.介绍参会嘉宾及教师代表
主持人:李聪 西安交通大学
时间:8:00-8:10
2.学术研讨
研讨会主题I:建模的随机性与数据的制度性:数理统计估计中的效力折损及其消除
主讲人:罗良清 江西财经大学
主持人:江河 西安交通大学
讲座时间:8:10-8:50
讨论时间:8:50-9:00
讨论嘉宾:严明义 西安交通大学
研讨会主题II:基于智能体的政策模拟推演研究
主讲人:张崇辉 浙江工商大学
主持人:惠永昌 西安交通大学
讲座时间:9:00-9:40
讨论时间:9:40-9:50
讨论嘉宾:张飞鹏 西安交通大学
研讨会主题III:Mixed-Frequency Time Series Forecasting via Depth-Separable Neural Networks
主讲人:朱倩倩 上海财经大学
主持人:张飞鹏 西安交通大学
讲座时间:9:50-10:30
讨论时间:10:30-10:40
讨论嘉宾:刘华 西安交通大学
3.学科发展与人才培养研讨
讨论人:与会专家
主持人:赵春艳 西安交通大学
研讨时间:10:50-11:50
4.会议总结
总结人:严明义 西安交通大学
总结时间:11:50-12:00
研讨会主题介绍
主题I.建模的随机性与数据的制度性:数理统计估计中的效力折损及其消除
讲座人:罗良清 江西财经大学
内容简介:数理统计建模以随机变量为单位,统计资料与会计资料则由制度程序登记、汇总而成,二者并不自动吻合。这种不吻合被界定为"效力折损":把制度性生成的登记值设定为随机变量进行估计时,估计结果所支撑的结论,其效力因数据生成过程未能满足模型假定而出现的条件性减损。效力折损不可度量、不随样本扩大而缩小,其成因在方法与对象的接口而非方法内部。按表现形态可划分为抽样实现型、覆盖偏差型、加工合成型、测量含误型、制度断点型与反身型六类,其共同结构是所违反的条件均无法从数据本身检验。效力折损不能消除,只能交代;路径包括生成方式声明、变异来源分解、假定可检验性标注、效力层级限定、折损显性建模与设计端前置六条。
主讲人简介:罗良清,江西财经大学统计学科带头人,国家“万人计划”教学名师。研究方向为国民经济核算及贫困测度。国务院政府特殊津贴专家、江西省“五一劳动奖章”获得者,兼任应用统计专硕教指委委员等。著作成果入选国家社科基金成果文库,主持多项国家社科、自科基金项目;出版学术专著、教材20余部。学术成果获评教育部科学研究优秀成果奖一等奖等。
主题II.基于智能体的政策模拟推演研究
讲座人:张崇辉 浙江工商大学
内容简介:本报告展示团队牵头研发的ACL(ABM–CGE–LLM)政策模拟推演平台。该平台践行“在现实之前,在数字之中”的研发理念,核心功能是让政策在数字社会中先行一步,基本原理是以宏观政策推演CGE模型为基础,融合决策单元异质性ABM,并利用LLM开展决策行为评价。平台的主要特色是利用大型微观调查数据,用六类特征刻画居民行为、把企业数据转成经营边界、按研究主题装配可执行政策集,以博弈互动实现个体选择到群体行为转化。
主讲人简介:张崇辉,浙江工商大学统计与数学学院教授,博导,入选国家高层次人才特殊支持计划青年拔尖人才。担任共同富裕统计监测与智能治理实验室副主任(教育部哲学社会科学实验室)、统计与数据科学学院副院长、商务部商业技术应用创新中心(培育)副主任。主要研究方向为社会经济统计理论(综合评价方向)及应用。目前已主持国家级项目5项(含国家社科重大招标项目和国家社科重点项目各1项),发表论文70多篇,先后获得教育部人文社科奖二等奖和三等奖各1项,浙江省哲学社会科学优秀成果奖一等奖2项(排名第1);获党和国家主要领导人批示2项。
主题III.Mixed-Frequency Time Series Forecasting via Depth-Separable Neural Networks
讲座人:朱倩倩 上海财经大学
内容简介:To better forecast mixed-frequency time series, it is the key to choose a suitable way for frequency alignment. However, the existing methods are all limited to linear transformations, and this may overlook the possible nonlinearity, leading to a worse prediction. We alternatively consider a deep neural network for each frequency alignment, and hence a depth-separable neural network. Moreover, a parameter-sharing mechanism is adopted across the alignment at each stage, making possible a deeper network for a large set of higher-frequency predictors. This paper establishes an approximation theory for the proposed depth-separable network, and a non-asymptotic prediction error bound is also derived. Simulation studies demonstrate the finite-sample performance of the proposed method, and an empirical application to forecasting U.S. quarterly macroeconomic variables using monthly and daily indicators, highlights its superior predictive accuracy over existing mixed-frequency methods.
主讲人简介:朱倩倩,上海财经大学统计与数据科学学院教授,博士生导师,入选国家级青年人才项目、上海市“浦江人才”团队项目和“晨光计划”项目,博士毕业于香港大学。研究方向为时间序列分析、时空数据建模、金融计量,研究方法主要应用于宏观经济变量预测和金融风险度量评估。研究成果主要发表在Journal of the Royal Statistical Society, Series B、Journal of Econometrics、Journal of Business & Economic Statistics、Econometric Theory及StatisticaSinica等国际权威期刊上。主持国家自然科学基金面上项目和青年项目,合著《数理统计》教材,获评上海财经大学“我心目中的好老师”和博士研究生“学术之星”指导老师。