2025年5月30日18-20时, 上海海事大学袁超霞博士和北京邮电大学的苏苗苗博士接受函数型数据科研团队的邀请，通过腾讯会议为统计学院做了学术报告，报告由邹家辉副教授主持。

首先，袁超霞博士做了题为“Geometric Model Averaging”的报告。报告中，袁老师介绍了广义似然估计框架下的一种几何模型平均法（GMA）。该方法不采用经典的线性加权平均形式，而是将不同候选模型的条件概率密度函数几何加权平均，从而同时处理参数不确定性和模型误设问题。密度函数的几何加权形式使得KL散度的渐近无偏估计量容易构造，进而可以估计出最优模型平均权重。此外，由于其特殊形式，几何平均在密度尾部估计中自然比算术平均更适用。GMA 方法为模型平均研究提供了一个统一的框架，并与许多现有的模型平均方法相关联。当所有候选模型均被误设时，GMA 的权重在最小KL 散度的意义上是渐近最优的。当包含正确的候选模型时，权重估计的相合性也得到了验证。模拟研究和两个真实数据分析的结果表明，相对于其他模型选择和模型平均方法，GMA 表现出了更优的性能。

其次，苏苗苗博士做了题为“A Two-Stage Optimal Subsampling Estimation for Missing Data Problems with Large-Scale Data”的报告。报告中，苏老师介绍了一种针对缺失数据估计问题的两阶段子抽样估计方法。在大规模数据场景中，子抽样技术有助于缩减数据规模并加速计算，且在完全观测数据领域已得到充分研究。然而，当数据存在缺失时，计算难度显著增加，子抽样的应用也变得更为关键和复杂。目前，针对缺失数据问题的子抽样研究仍较为匮乏。该工作聚焦于缺失数据领域广泛使用的增强逆概率加权估计（AIPW），对其配套的子抽样方法展开研究，填补了这一领域的空白。研究还论证了新估计量的渐近正态性，并通过最小化渐近方差推导出了最优子抽样概率。通过模拟实验和真实数据分析，进一步验证了所提方法在实际应用中的优良性能。

报告后，与会师生与袁超霞博士和苏苗苗博士就报告内容展开了讨论。