报告承办单位: 长沙理工大学数学与统计学院
报告内容: Automated Estimation of Heavy-tailed Vector Error Correction Models
报告人姓名: 凌仕卿
报告人所在单位: 香港科技大学数学系
报告人职称/职务及学术头衔: 教授/IMS Fellow
报告时间: 2019年5月21日周二下午3:30
报告地点: 理科楼A-419
报告人介绍: 凌仕卿教授于1997年取得香港大学统计学博士学位，1997年至2000年西澳大学经济学系博士后，2000年至2006年香港科技大学数学系助理教授，2003年至2006年受聘于西澳大学经济学系和数学与统计系兼职副教授，2006年至2010年香港科技大学数学系副教授，2010年至今香港科技大学数学系教授。凌教授的主要研究方向为：大样本理论、经验过程、非平稳时间序列、非线性时间序列及计量经济学。现为《Journal of Time Series Analysis》联合编辑《Statistics & Probability 尝别迟迟别谤蝉》、《叠别谤苍辞耻濒濒颈》、《贰濒别肠迟谤辞苍颈肠 Journal of 厂迟补迟颈蝉迟颈肠蝉》、《闯辞耻谤苍补濒 of the Japan Statistical 础蝉蝉辞肠颈补迟颈辞苍》国际期刊的副主编。2003年和2013年分别荣获澳大利亚和新西兰惭厂厂委员会颁发的贰补谤濒测 Career Research Excellence Prize和Biennial 惭别诲补濒，2005年当选为国际统计学会会员；2007年荣获计量经济学期刊(贰肠辞苍辞尘别迟谤颈肠&苍产蝉辫;罢丑别辞谤测)颁发的惭耻濒迟补 Scripsit 础飞补谤诲的奖励，2013年当选为澳大利亚和新西兰惭厂厂的贵别濒濒辞飞。2015年当选为滨罢罢滨的滨苍补耻驳耻谤补濒 Distinguished Fellow。2019年当选为IMS Fellow。
报告摘要：It has been a challenging problem to determine the co-integrating rank in the vector error correction (VEC) model when its noise is a heavy-tailed random vector. This paper proposes an automated approach via adaptive shrinkage techniques to determine the co-integrating rank and estimate parameters simultaneously in the VEC model with unknown order $p$ when its noises are i.i.d. heavy-tailed random vectors with tail index $\alpha\in (0.2)$. It is showed that the estimated co-integrating rank and order $p$ equal to the true rank and the true order $p_{0}$, respectively, with probability trending to 1 as the sample size $n\to\infty$, while other estimated parameters achieve the oracle property, that is, they have the same rate of convergence and the same limiting distribution as those of estimated parameters when the co-integrating rank and the true order $p_{0}$ are known. This paper also proposes a data-driven procedure of selecting the tuning parameters. Simulation studies are carried to evaluate the performance of this procedure in finite samples. Our techniques are applied to explore the long-run andshort-run behavior of prices of wheat, corn and wheat in USA. Our results may provide a new insight to the Lasso approach for both stationary and non-stationary heavy-tailed time series.
