本网消息 中国商业统计学会八届二次理事会暨常务理事会,于2021年8月11日在上海工程技术大学以线上会议形式召开。
八届二次理事会暨常务理事会表决通过了《关于中国商业统计学会吸收新会员及会员变动情况的议案》和《关于中国商业统计学会理事、常务理事变动和增补的议案》。作为理事单位，我院王达政院长和柯子实老师应邀参加了此次会议。
上海工程技术大学副校长王岩松教授和中国商业统计学会会长金勇进教授分别致辞。
在“新思维、新模式、新作为”主题论坛报告上，中国人民大学统计学院副院长李扬教授，华南理工大学数量经济学系主任贺建风教授，以及北京零点有数数据科技股份有限公司袁岳董事长分别作了“问卷分割设计的成组序贯之间卷分配方法”，“大数据背景下基于BMA方法的楼型浮动抽样估计研究”，“算法的成长”等精彩的学术报告。
随着大数据时代的到来，我们能较容易的获取到大量与研究变量相关的辅助信息，为进一步提高模型辅助估计法的效果提供了契机。但若直接采用全部可得的辅助变量进行模型辅助估计，将容易陷入“维度灾难”的困境。这样不仅会增加计算的复杂度、消耗过多的计算资源，也会削弱超总体回归模型的拟合效果，因此在高维度辅助变量情形下，传统的模型辅助估计方法对抽样估计效率的改进作用极为有限，甚至无效。
解决变量“维度灾难”这一问题的通常思路是利用逐步回归、Lasso等降维方法来筛选部分辅助变量，进而构建相对精简的超总体回归模型，但这些方法可能会丢失辅助变量的部分有效信息，虽然以样本数据为依据，按照具体目标可以筛选出单一的“最优模型”，但在模型选择过程中往往忽略了单一模型带来的模型不确定性问题，这不仅可能会导致低估实际方差，同时也将遗失其他潜在模型中的有用信息。
在这种情况下，真正被用于改进抽样估计的只有一部分辅助变量的信息，已剔除的其他大量辅助信息难以被充分利用。因此，如何有效利用与研究变量相关的海量辅助信息，对包含高维辅助变量的超总体模型进行估计，是解决大数据背景下改进抽样估计方法的关键。（通讯员 柯子实）