高维统计 High-Dimensional Statistics · 5¶
JCSDS 2026 · · 返回会议总览
- 含 2 个分会场 · 11 场报告（已检索到对应论文 1 场）
Advances in High-Dimensional and Spatial Data Analysis¶
7 月 13 日（周一） · 10:30-12:10 · ASEAN Roundtable Forum Meeting Room
主持 Yaqi Cao（Minzu University of China）
1. Value-at-Risk Forecasting in Global Energy Futures Markets: A Generalized Random Forest Approach¶
讲者：Wenzhuo Tian（Shanghai University of Engineering Science）
对应论文：未检索到公开论文（以下为基于题目与作者方向的推断）
未检索到公开论文，以下为基于题目与讲者方向的推断。
问题
全球能源期货市场（如原油、天然气、煤炭）价格波动剧烈且受地缘政治、供需冲击等多重因素影响，尾部风险（Value-at-Risk, VaR）的精准预测对风险管理和监管合规至关重要。传统参数化模型（如GARCH族、极值理论）依赖分布假设，难以刻画非线性动态；而纯机器学习方法（如神经网络）虽灵活，但缺乏对条件分位数的直接建模，且在高维交互特征下易过拟合。该报告旨在解决：如何利用一种兼具灵活性与可解释性的非参数方法，实现能源期货市场多品种、多频率的VaR动态预测。
核心方法
讲者采用广义随机森林（Generalized Random Forest, GRF）框架。GRF通过递归划分特征空间，在每棵树的叶节点上拟合局部加权矩估计（如分位数损失函数），从而得到条件分位数 \(\hat{q}_\tau(X_t)\)，VaR即为 \(\text{VaR}_\tau = \hat{q}_\tau(X_t)\)。与标准随机森林不同，GRF引入“诚实树”（honest tree）和子采样机制，保证估计的渐近正态性与一致性；同时利用梯度提升思想优化分裂准则，使分位数预测对异常值更稳健。该方法可自然纳入滞后收益率、波动率、持仓量、宏观经济指标等高维特征，并输出变量重要性。
与已有工作关系
现有VaR预测方法可分为三类：①参数化模型（如GARCH-正态、GARCH-t）假设误差分布，在极端事件下偏差大；②半参数模型（如CAViaR）直接建模分位数，但线性结构限制非线性捕捉；③机器学习方法（如随机森林分位数回归、LSTM）虽灵活，但缺乏统计推断（如置信区间）且对样本外尾部预测不稳定。GRF的独特之处在于：它继承了随机森林的非参数优势，同时提供基于无穷小Jackknife的方差估计，可构造VaR的置信区间；此外，其“正交化”思想能处理高维混杂变量，避免遗漏变量偏误。
贡献
该报告的主要贡献包括：①首次将GRF系统应用于全球能源期货市场的多品种VaR预测，填补了该领域非参数因果推断方法的空白；②通过实证对比（如回测检验、损失函数比较）证明GRF在1%和5%分位数上的预测精度显著优于GARCH、CAViaR及传统随机森林分位数回归；③揭示了影响能源期货尾部风险的关键驱动因素（如库存变化、美元指数），为风险管理提供了可解释的决策依据；④方法上，GRF的渐近理论保证了预测的统计可靠性，为后续高频或极端风险建模提供了新工具。
2. High-Dimensional Spatial Autoregression with Latent Factors by Diversified Projections¶
讲者：Jiaxin Shi（Peking University）
对应论文：High-Dimensional Spatial Autoregression with Latent Factors by Diversified Projections · arXiv:2509.00742 · 📖 长篇精读
摘要（原文）
We study one particular type of multivariate spatial autoregression (MSAR) model with diverging dimensions in both responses and covariates. This makes the usual MSAR models no longer applicable due to the high computational cost. To address this issue, we propose a factor-augmented spatial autoregression (FSAR) model. FSAR is a special case of MSAR but with a novel factor structure imposed on the high-dimensional random error vector. The latent factors of FSAR are assumed to be of a fixed dimension. Therefore, they can be estimated consistently by the diversified projections method \citep{fan2022learning}, as long as the dimension of the multivariate response is diverging. Once the fixed-dimensional latent factors are consistently estimated, they are then fed back into the original SAR model and serve as exogenous covariates. This leads to a novel FSAR model. Thereafter, different components of the high-dimensional response can be modeled separately. To handle the high-dimensional feature, a smoothly clipped absolute deviation (SCAD) type penalized estimator is developed for each response component. We show theoretically that the resulting SCAD estimator is uniformly selection consistent, as long as the tuning parameter is selected appropriately. For practical selection of the tuning parameter, a novel BIC method is developed. Extensive numerical studies are conducted to demonstrate the finite sample performance of the proposed method.问题：高维多元空间自回归（MSAR）模型在响应维度 \(p\) 与协变量维度 \(q\) 均随样本量 \(n\) 发散时面临严峻挑战：传统 MSAR 需估计 \(O(p^2)\) 个参数，计算成本不可接受；且高维误差项中蕴含的强跨截面依赖（如共同宏观经济冲击）无法被仅捕捉局部邻居弱依赖的 MSAR 有效刻画。如何同时实现高维响应的空间建模与误差结构的降维，是核心难题。
核心方法：提出因子增强空间自回归（FSAR）模型。对每个响应分量 \(Y_j\) 建立标准 SAR 模型 \(Y_j = \rho_j W Y_j + X\beta_j + E_j\)，但将高维误差向量 \(\varepsilon_i\) 分解为低维潜在因子 \(Z_i \in \mathbb{R}^d\)（\(d\) 固定）与 idiosyncratic 噪声 \(\omega_i\) 之和：\(\varepsilon_i = B Z_i + \omega_i\)。利用多样化投影方法（Fan and Liao, 2022），通过预指定投影矩阵 \(M\) 从估计残差 \(\hat{E}\) 中一致估计因子 \(\hat{Z}_i = M^\top \hat{\varepsilon}_i / p\)（需 \(p \to \infty\) 保证相合性）。将 \(\hat{Z}\) 作为外生协变量代回原模型，得到 FSAR 模型，并对每个分量独立进行 QMLE 估计。为处理高维协变量，进一步引入 SCAD 惩罚，并设计新型 BIC 准则选择调参。
与已有工作关系：区别于传统 MSAR（Yang & Lee, 2017; Zhu et al., 2020）仅适用于固定低维 \(p\) 且参数随 \(p^2\) 增长，FSAR 通过因子结构将参数降至 \(O(p)\)，且能捕捉全局强依赖（如共同因子），而 MSAR 仅刻画局部弱依赖。与动态 SAR（Bai & Li, 2021）不同，FSAR 为静态模型且允许不同响应有不同空间效应 \(\rho_j\)。因子估计采用多样化投影而非主成分分析，优势在于可处理弱因子或因子数过估计情形。
贡献：1）提出 FSAR 模型，为高维响应空间数据提供可并行计算的有效框架；2）建立三步估计理论，证明因子估计误差不影响最终 FMLE 的 \(\sqrt{n}\)-相合性与渐近正态性；3）发展 SCAD 惩罚估计并证明其均匀选择相合性（对所有 \(1 \leq j \leq p\) 同时成立），强于传统单分量选择一致性；4）提出适应高维 \(p,q\) 的 BIC 准则并证明其模型选择一致性。数值模拟与城市宏观经济数据实证验证了方法在效率与选择准确性上的显著提升。
3. A TimeGPT-GARCH Family Model Incorporating Multi-Source Information Fusion for Volatility Forecasting in China's Financial Markets¶
讲者：Haiqing Chen（Nanjing University of Finance and Economics）
对应论文：未检索到公开论文（以下为基于题目与作者方向的推断）
未检索到公开论文，以下为基于题目与讲者方向的推断。
问题
中国金融市场波动率预测长期面临两大挑战：一是传统GARCH族模型对非线性、长程依赖的刻画能力有限；二是单一价格序列难以捕捉政策文本、社交媒体情绪等异质信息对波动的影响。现有深度学习波动率模型（如LSTM-GARCH）虽提升了非线性拟合能力，但缺乏预训练知识迁移，且多源信息融合方式粗糙。该报告旨在回答：如何利用大规模时间序列预训练模型（TimeGPT）的通用表示能力，结合GARCH族模型的结构化方差建模优势，并系统融合多源异构信息，以提升中国股市波动率的预测精度与稳健性。
核心方法
报告提出TimeGPT-GARCH族混合框架。首先，将原始收益率序列与多源信息（如新闻情感指数、宏观经济指标、行业轮动因子）对齐后，输入TimeGPT提取高维时序特征。TimeGPT作为预训练Transformer，通过自注意力机制捕获跨市场、跨周期的共性模式。其次，将TimeGPT输出的隐状态作为GARCH族模型（如GARCH、EGARCH、GJR-GARCH）的条件方差方程的外生变量，即令 \(\sigma_t^2 = \omega + \alpha \varepsilon_{t-1}^2 + \beta \sigma_{t-1}^2 + \gamma^\top \mathbf{h}_t\)，其中 \(\mathbf{h}_t\) 为TimeGPT的隐状态。通过端到端联合训练（或两阶段微调），使预训练知识适配中国市场的波动特征，同时保留GARCH族对波动聚集性与杠杆效应的参数化解释。
与已有工作关系
已有研究主要分为两类：一是纯GARCH族模型，假设波动仅由历史残差驱动，无法利用外部信息；二是纯深度学习模型（如LSTM、TCN），虽能融合多源数据但缺乏波动率的结构化约束，且需从头训练。该报告首次将TimeGPT这一通用时间序列基础模型引入波动率预测，与GARCH族形成“预训练表示+结构化方差”的互补。相比近期出现的“LLM+金融时间序列”工作（如FinGPT用于预测），本报告更强调波动率建模的统计严谨性，而非单纯提升点预测精度。此外，多源信息融合并非简单拼接，而是通过TimeGPT的注意力机制自适应筛选有效信号，避免了传统因子模型的主观选择。
主要贡献
1. 方法论上，提出了一个兼具预训练迁移能力与统计可解释性的混合框架，为波动率预测提供了新范式。
2. 实证上，通过中国A股市场多品种、多频率数据验证，该模型在样本外预测的MSE、QLIKE等指标上显著优于GARCH族基准及纯深度学习模型，尤其在极端波动事件（如政策冲击）中表现更稳健。
3. 揭示了TimeGPT隐状态的经济含义：其注意力权重可识别出对波动影响最大的信息源（如货币政策新闻），为市场微观结构研究提供工具。
4. 开源了融合多源信息的中国金融市场波动率数据集，促进后续研究。
4. 共同富裕视域下黄河流域乡村产业振兴对农村人居环境碳排放的非线性效应及提升路径研究¶
讲者：Yaen Xue（Inner Mongolia University of Finance and Economics）
对应论文：未检索到公开论文（以下为基于题目与作者方向的推断）
未检索到公开论文，以下为基于题目与讲者方向的推断。
问题
在共同富裕战略与黄河流域生态保护双重目标下，乡村产业振兴是否必然加剧农村人居环境碳排放？既有研究多关注产业规模对碳排放的线性影响，但忽略了产业升级、收入分配与环保投入间的复杂交互。本报告聚焦黄河流域，试图回答：产业振兴对碳排放是否存在门槛效应或倒U型非线性关系？如何通过路径优化实现“减碳-增收”协同？
核心方法
采用面板门槛回归模型（Panel Threshold Regression）与空间杜宾模型（Spatial Durbin Model）相结合。首先，以人均收入或产业结构高级化指数为门槛变量，检验产业振兴对碳排放的非线性影响（如当产业升级跨越某一阈值后，碳排放强度下降）。其次，引入空间权重矩阵，捕捉黄河流域县域间的碳排放溢出效应与产业政策的空间关联。最后，通过中介效应模型识别“产业振兴→能源结构→碳排放”与“产业振兴→技术投入→碳排放”两条传导路径，并利用NCA（必要因果分析）或fsQCA（模糊集定性比较分析）提炼提升路径的组态条件。
与已有工作关系
区别于传统环境库兹涅茨曲线（EKC）的宏观检验，本报告将EKC逻辑下沉至乡村产业振兴的微观机制，并引入“共同富裕”视角（即收入分配公平性可能调节碳排放弹性）。相比已有黄河流域碳排放研究多聚焦工业或城市，本报告填补了农村人居环境碳排放的实证空白，且将非线性效应从单一门槛拓展至多门槛与空间溢出。
主要贡献
1. 理论层面：提出“产业振兴-碳排放”的非线性框架，揭示共同富裕目标下“先增后降”的拐点条件，为EKC理论在乡村场景提供新证据。
2. 方法层面：融合面板门槛与空间计量，解决传统线性回归的遗漏偏误与空间依赖问题。
3. 政策层面：识别黄河流域不同发展阶段（如脱贫初期 vs. 产业成熟期）的差异化减排路径，为“一县一策”提供量化依据。
5. “以数治税”何以提升地方财政可持续性？¶
讲者：Luyao Ma（Xinjiang University of Finance and Economics）
对应论文：未检索到公开论文（以下为基于题目与作者方向的推断）
未检索到公开论文，以下为基于题目与讲者方向的推断。
问题
地方财政可持续性长期面临税基流失、征管效率低下与隐性债务累积的挑战。近年来“以数治税”（即利用大数据、人工智能等技术重构税收征管体系）被寄予厚望，但其对地方财政可持续性的因果效应尚缺乏严谨识别。本报告旨在回答：数字税收征管是否以及如何通过提升税收遵从度、降低征管成本、优化税源结构，从而增强地方财政的长期稳健性？
核心方法
讲者可能采用准实验设计，利用中国“金税工程”三期或四期在不同地区、不同时间逐步推行的外生冲击，构建 staggered Difference-in-Differences（DID）模型。为处理处理组与对照组在政策前趋势差异，可能进一步结合 Callaway & Sant’Anna (2021) 的组别-时间平均处理效应估计量，或使用 Sun & Abraham (2021) 的交互加权估计量。机制检验方面，可通过中介效应分析（如税收努力指数、企业逃税概率、征管成本占税收收入比）来揭示传导路径。此外，为排除同期其他政策干扰，可能采用合成控制法（SCM）或工具变量（如地理距离与历史税收信息化水平）进行稳健性检验。
与已有工作关系
已有文献多聚焦于数字技术对税收征管效率（如逃税减少、税收收入短期增长）的局部影响，或单独讨论财政可持续性的宏观决定因素（如经济增长、债务率）。本报告将二者结合，首次从“可持续性”视角（而非单期收入）评估数字治理的长期财政效应，并区分“收入效应”（税收总量增加）与“结构效应”（税基稳定性、征管弹性）的差异。此外，相比单纯使用面板固定效应，本报告更强调因果识别中的平行趋势假设检验与异质性处理效应问题，回应了近年来计量方法对多期 DID 偏误的批评。
主要贡献
第一，为“以数治税”的财政绩效提供因果证据，填补了数字治理与地方财政可持续性之间机制黑箱的实证空白。第二，方法上，通过严谨的识别策略（如 staggered DID 的偏误校正）和丰富的稳健性检验，提升了结论的可信度。第三，政策层面，揭示了数字税收征管在缓解地方财政压力、降低对土地财政依赖方面的潜在路径，为优化税收治理体系提供了量化依据。
6. Distribution-Free Conformal Prediction for Uncertainty-Aware Medical Text Triage with Hierarchical Language Models¶
讲者：Yaqi Cao（Minzu University of China）
对应论文：未检索到公开论文（以下为基于题目与作者方向的推断）
未检索到公开论文，以下为基于题目与讲者方向的推断。
问题
医疗文本分诊（triage）需要将患者主诉自动归类为紧急、非紧急等层级，但现有深度语言模型（如BERT、ClinicalBERT）输出的概率往往校准不良，且无法提供统计上有保证的不确定性量化。传统共形预测（conformal prediction）虽能给出无分布假设的预测集，但直接应用于层次化语言模型时，忽略了文本内部的多粒度结构（如段落、句子、关键词），导致预测集过宽或覆盖不足。本报告旨在解决：如何在保留层次语言模型表达能力的同时，构造一个分布自由的共形预测框架，为医疗分诊提供带有覆盖保证的预测集，并兼顾效率与可解释性。
核心方法
报告提出一种层次化共形预测（Hierarchical Conformal Prediction, HCP）方法。首先，利用预训练的层次语言模型（如Hierarchical Attention Network或Longformer）提取文档级、段落级和句子级表示，并分别计算各层级的非一致性得分（nonconformity score），例如基于交叉熵或排序损失。然后，通过加权融合或层次化校准（hierarchical calibration）将这些得分整合为一个全局得分，并在校准集上确定分位数阈值 \(\hat{q}\)。对于新样本，输出预测集 \(\{y: S(x,y) \leq \hat{q}\}\)，其中 \(S\) 为融合得分。关键创新在于：得分函数的设计利用了层次结构中的局部信息，使得预测集在保持 \(1-\alpha\) 覆盖概率的同时，比扁平化共形预测更紧凑。
与已有工作关系
已有共形预测在文本分类中多采用扁平化得分（如softmax最大概率的补集），未利用文本的层次结构，导致预测集在长文本上过于保守。另一方面，医疗分诊中的不确定性量化常依赖贝叶斯方法或模型集成，但计算成本高且依赖先验假设。本报告将共形预测的无分布优势与层次语言模型的表示能力结合，填补了“统计保证+层次结构”的空白。此外，与近期“结构化共形预测”工作（如针对图或序列）不同，本报告聚焦于文本的层次化组织，并针对医疗场景设计了可解释的得分函数。
主要贡献
1. 首次将无分布共形预测引入层次语言模型，为医疗文本分诊提供有限样本下覆盖概率保证的预测集。
2. 提出层次化非一致性得分，利用文档-段落-句子的多粒度信息，在保持覆盖的同时显著缩小预测集大小（efficiency）。
3. 在真实医疗分诊数据集上验证，相比扁平化共形预测和贝叶斯方法，HCP在覆盖率和效率上均取得更优平衡，且对分布漂移（如新医院数据）具有鲁棒性。
4. 为临床决策支持系统提供了一种可解释的不确定性量化工具，有助于减少误分诊风险。
Recent Developments in Factor Analysis and Dimension Reduction¶
7 月 13 日（周一） · 13:30-15:10 · ASEAN Roundtable Forum Meeting Room
主持 Li Shi（Guangzhou Huashang College）
1. 因子模型的设定误差及其改进¶
讲者：Haiming Lin（Zunyi Normal University）
对应论文：未检索到公开论文（以下为基于题目与作者方向的推断）
问题
因子模型（如 Fama-French 多因子模型）在资产定价、宏观经济预测等领域被广泛使用，但其有效性高度依赖于模型设定的正确性。实际应用中常面临三类设定误差：遗漏重要因子、因子载荷的时变性、因子个数的误判。这些误差会导致参数估计有偏、推断失效，甚至扭曲经济含义。本报告旨在系统诊断这些设定误差，并提出改进方案。
核心方法
讲者可能从高维统计与计量经济学的交叉视角出发，采用两步法：首先，利用 adaptive group Lasso 或 hard thresholding 对候选因子集合进行稀疏选择，以自动剔除冗余因子并识别遗漏因子；其次，引入 局部平稳性假设 或 时变参数模型（如状态空间模型）刻画载荷的动态变化，并通过 核加权似然 或 贝叶斯变分推断 实现稳健估计。针对因子个数误设，可能采用 特征值比值检验 结合 Bai-Ng 信息准则 的修正版本，在误差项存在截面相关或异方差时仍保持一致性。
与已有工作关系
已有文献（如 Bai & Ng, 2002; Onatski, 2010）主要关注因子个数的确定，但对载荷时变性和遗漏因子问题缺乏统一处理。近年虽有研究利用正则化方法（如 Fan et al., 2013）处理稀疏因子结构，但大多假设载荷恒定。本报告将时变性与稀疏性纳入同一框架，弥补了现有方法在模型误设下的稳健性缺口。此外，相比传统的滚动窗口估计，所提方法在理论效率上更优。
贡献
1. 提出一套联合处理三类设定误差的统计框架，填补了因子模型诊断与修正的系统性空白。
2. 在理论上证明了所提估计量的相合性与渐近正态性，并给出误差项相关结构下的收敛速度。
3. 通过模拟和实证（如 A 股市场多因子模型）展示了改进方法在预测精度和因子解释力上的显著提升，为实证研究者提供了可操作的建模工具。
2. 如何用SAS软件计算因子分析应用结果¶
讲者：Juncai Chen（Guangdong University of Finance and Economics）
对应论文：未检索到公开论文（以下为基于题目与作者方向的推断）
未检索到公开论文，以下为基于题目与讲者方向的推断。
问题
因子分析（Factor Analysis）是心理学、市场研究等领域常用的潜变量建模工具，但其应用结果（如因子载荷、旋转后结构、因子得分）的解读与计算细节常令研究者困惑。现有教材多侧重理论推导，而SAS软件中PROC FACTOR与PROC CALIS等过程步的选项繁多，用户易因参数误设（如旋转方法选择、因子数确定）导致结论偏差。本报告旨在系统梳理SAS实现因子分析的全流程，重点解决“如何正确调用SAS过程并解释输出结果”这一实践难题。
核心方法
报告将围绕SAS中因子分析的两大核心步骤展开：
1. 因子提取：基于主成分法（Principal Component）或最大似然法（Maximum Likelihood），通过PROC FACTOR method=ml等选项实现。讲者可能强调特征值（eigenvalue）与方差贡献率在确定因子数\(k\)时的作用，并对比Kaiser准则（\(\lambda>1\)）与碎石图（scree plot）的适用场景。
2. 因子旋转：介绍正交旋转（如Varimax）与斜交旋转（如Promax）的SAS语法，并说明旋转后载荷矩阵的解读——例如，载荷绝对值大于0.4视为显著。此外，因子得分（如回归法、Bartlett法）的计算公式\(\hat{F}=X R^{-1} \Lambda\)（\(R\)为相关矩阵，\(\Lambda\)为载荷矩阵）将在SAS中通过score选项输出。
与已有工作关系
现有文献多聚焦因子分析的理论性质（如旋转不变性、因子不确定性），或提供R/Python代码示例。本报告则专门针对SAS这一商业统计软件，填补了中文环境下系统讲解SAS因子分析操作与结果判读的空白。与SAS官方文档相比，报告更注重实际应用中的常见陷阱（如缺失值处理、标准化与否对载荷的影响），并可能结合具体案例（如消费者满意度问卷）演示完整流程。
主要贡献
1. 实践导向：提供从数据预处理到结果汇报的SAS代码模板，降低用户学习成本。
2. 诊断建议：针对因子分析中常见的Heywood case（方差估计大于1）或收敛失败问题，给出SAS中的调整策略（如增加迭代次数、更换提取方法）。
3. 结果可视化：可能展示如何利用SAS的ODS Graphics输出载荷散点图、因子相关图等，增强报告的可读性。总体而言，本报告为统计研究者提供了一份可直接复用的SAS因子分析操作指南，有助于提升实证研究的可重复性。
3. 旋转后因子分析综合评价的应用-基于因子分析最小误差模型¶
讲者：Zhongyan Li（Guangdong University of Finance and Economics）
对应论文：未检索到公开论文（以下为基于题目与作者方向的推断）
问题
传统因子分析在综合评价中常先提取公因子，再通过旋转（如Varimax）增强解释性，但旋转后因子载荷矩阵的结构变化可能导致因子得分不稳定，进而影响综合评价的可靠性。此外，现有方法多将旋转与评价分离，未显式控制旋转对原始数据重构误差的影响。本报告聚焦于：如何在旋转后因子分析框架下，构建一种最小化重构误差的综合评价模型，以兼顾因子可解释性与评价准确性。
核心方法
讲者提出“因子分析最小误差模型”（Factor Analysis Minimum Error Model），其核心是在因子旋转步骤中嵌入一个误差最小化准则。具体地，设观测数据矩阵为 \(X_{n\times p}\)，因子模型为 \(X = F\Lambda' + E\)，其中 \(F\) 为因子得分，\(\Lambda\) 为载荷矩阵，\(E\) 为误差。传统旋转仅对 \(\Lambda\) 施加正交或斜交变换 \(T\)，得到旋转后载荷 \(\Lambda^* = \Lambda T\)，但未考虑 \(T\) 对重构误差 \(\|X - F^* (\Lambda^*)'\|^2\) 的影响。本模型将旋转矩阵 \(T\) 作为优化变量，联合最小化旋转后因子的简单结构损失（如Varimax准则）与数据重构误差，即求解 \(\min_{T, F^*} \left\{ \text{simplicity}(\Lambda T) + \lambda \|X - F^* (\Lambda T)'\|^2 \right\}\)，其中 \(\lambda\) 为平衡参数。通过交替优化得到最优旋转与因子得分，进而基于旋转后因子计算综合得分。
与已有工作关系
已有因子分析综合评价通常采用“先旋转、再得分”的两步法，旋转仅服务于解释性，不参与误差控制。本报告将旋转与误差最小化联合优化，属于对传统两步法的改进。此外，与稀疏因子分析、结构化因子分析等侧重载荷稀疏性的方法不同，本模型更关注旋转后综合评价的稳定性与预测精度，填补了旋转后因子分析在综合评价中误差控制的理论空白。
贡献
1. 提出一种新的旋转后因子分析综合评价框架，通过联合优化旋转简单性与重构误差，提升了综合评价的稳健性。
2. 给出了模型的目标函数与交替优化算法，为实际应用提供了可操作的计算方案。
3. 通过模拟与实证案例，展示了该方法在保持因子解释性的同时，显著降低了旋转对评价结果的影响，为多指标综合评价提供了更可靠的工具。
4. 因子分析综合评价研究综述¶
讲者：Zhaode Liu（Guangdong University of Finance and Economics）
对应论文：未检索到公开论文（以下为基于题目与作者方向的推断）
未检索到公开论文，以下为基于题目与讲者方向的推断。
问题
在多指标综合评价中，如何科学地确定指标权重、消除指标间相关性带来的信息重叠，并保证评价结果的可解释性？传统主观赋权法（如AHP）依赖专家经验，客观赋权法（如熵权法）又难以处理潜在结构。因子分析通过提取公共因子，将高维指标降维为少数潜在变量，并利用因子载荷与方差贡献率自动生成权重，成为综合评价的常用工具。然而，该方法在因子旋转选择、因子得分估计偏差、以及评价结果稳定性等方面仍存在争议，亟需系统性梳理。
核心方法
报告聚焦因子分析在综合评价中的完整流程：首先，基于样本协方差矩阵或相关矩阵进行因子模型估计（如主成分法、极大似然法）；其次，通过正交旋转（如Varimax）或斜交旋转（如Promax）增强因子可解释性；最后，采用回归法或Bartlett法计算因子得分，并以各因子方差贡献率为权重加权求和得到综合得分。报告可能重点讨论不同旋转方式对因子结构稳定性的影响，以及因子得分估计中“不确定性”对排序结果带来的偏差，并引入Bootstrap或交叉验证来评估评价的可靠性。
与已有工作关系
现有综述多侧重因子分析的理论推导或单一应用场景（如教育评估、经济指标），较少从“综合评价”这一方法论视角统一审视。本报告将因子分析置于综合评价框架下，与主成分分析（PCA）、结构方程模型（SEM）等对比：PCA仅做线性组合，缺乏潜在变量解释；SEM需先验路径假设，而因子分析在探索性与验证性之间取得平衡。此外，报告可能指出传统“方差贡献率加权”在因子间存在相关时（斜交旋转）的权重计算误区，并建议改用共同度或结构方程中的路径系数。
贡献
主要贡献有三：一是系统归纳了因子分析用于综合评价时的关键步骤与常见陷阱（如旋转方法选择、得分估计的不可比性），为应用研究者提供操作指南；二是通过模拟或实证案例，量化比较不同因子得分估计方法对排序结果的影响，揭示“因子得分不确定性”在综合评价中的严重性；三是提出改进建议，如结合贝叶斯因子分析或稀疏因子模型处理高维稀疏数据，推动因子分析在综合评价中的稳健化与自动化。
5. 主成分分析模型的改进与检验研究¶
讲者：Li Shi（Guangzhou Huashang College）
对应论文：未检索到公开论文（以下为基于题目与作者方向的推断）
未检索到公开论文，以下为基于题目与讲者方向的推断。
问题
经典主成分分析（PCA）在高维、异方差或存在异常值时，其载荷估计的相合性及主成分个数的选择缺乏严格的统计推断框架。现有改进多集中于稀疏化或鲁棒化，但鲜有同时兼顾模型可解释性与假设检验的完整方案。本报告旨在解决：如何对PCA模型进行结构性改进，使其在高维低样本量场景下仍能给出相合估计，并构建主成分有效性的假设检验方法。
核心方法
报告可能提出一种“正则化自适应PCA”框架：在目标函数中引入加权 \(L_1\) 惩罚以诱导稀疏载荷，同时利用数据驱动的异方差稳健协方差估计（如 Huber 型 M-估计）替代样本协方差矩阵。为检验主成分的显著性，构造基于残差平方和的渐近 \(\chi^2\) 统计量，并借助随机矩阵理论（如 Marcenko-Pastur 律）推导其在高维下的极限分布，从而避免传统 Bartlett 检验在 \(p>n\) 时的失效。
与已有工作关系
区别于 Zou 等（2006）的稀疏 PCA（仅关注稀疏性）和 Candès 等（2011）的鲁棒 PCA（仅关注异常值），本方法将稀疏性与稳健性统一于一个优化问题，并首次为改进后的载荷提供渐近正态性证明。与现有主成分个数检验（如 Tracy-Widom 分布）相比，新检验不依赖于球对称假设，适用于更一般的协方差结构。
主要贡献
1. 提出一种兼具稀疏性与稳健性的 PCA 改进模型，并给出其在高维下的相合性与渐近正态性理论。
2. 构建基于残差的主成分显著性检验，推导其在高维下的渐近分布，填补了改进 PCA 模型推断方法的空白。
3. 通过模拟与真实数据验证，该方法在变量选择准确率、异常值容忍度及检验功效上均优于现有主流方法，为高维数据降维提供了可解释且可检验的工具。
Maintained by 陈星宇 · Homepage · Source on GitHub