講演内容：
We often use the sample mean and standard derivation to estimate the location and scale parameters. However, inference can be contaminated by the presence of outliers if we use light-tailed distributions such as the normal distribution. To overcome this, we often use the t-distribution. By using the t-distribution, we can remove the effect of outliers for location parameter, however, we can not remove completely the effect of outliers for scale parameter. Recently, Desgagne (2015) proposed the log-Pareto-tailed symmetric distribution and show that this distribution work well for robust estimation of scale parameter. In this talk, we review his paper and show some problems on using the log-Pareto-tailed symmetric distribution.

講演内容：
This paper extends Pesaran (2006) and Baltagi et al. (2016) by allowing for endogenous regressors and unknown common structural changes in large heterogeneous panels. Thus, an empirically appealing panel data model is provided to accommodate important features of heterogeneity, cross-sectional dependence, endogeneity and structural breaks that prevail in applied studies. This model can be estimated by combining Pesaran's common correlated e?acts (CCE) approach with the least squares method proposed by Bai (1997a, 2010). We show that in this model CCE approach is still valid to deal with cross-sectional dependence due to error factors even in the presence of endogenous regressors and structural changes in slopes and error factor loadings. Monte Carlo experiments are conducted to examine the proposed estimators in this paper.

講演内容：
k (≧2) クラスターANOVAモデルの母平均 θ_1 , θ_2 , ... , θ_k にSimple Order Restriction (SO) と呼ばれる以下の順序制約, θ_1 ≦ θ_2 ≦ ... ≦ θ_k , を課したモデルに対するAIC規準について考える. AIC規準は, ''-2 × 最大対数尤度 + 2 × パラメータ数'' として定義され, いくつかの正則条件の下ではAICはリスクに対する漸近不偏な推定量であることがよく知られている. しかしながら, SOという順序制約を課したANOVAモデ ルにおいては, 正則条件が成立しておらず, その結果AICはリスクに対する漸近不偏な推定量ではなくなる. 加えて, その漸近バイアスは未知パラメータの真値に依存してしまう. 本講演では, 未知パラメータの真値に依存してしまう漸近バイアスを厳密に求め, その不偏推定量を導出することにより, SOを課したANOVAモデルに対する漸近不偏なリスクの推定量, AIC_SO を導出する.

講演内容：
2つの変数群の関係を調べることが目的である正準相関分析 (CCA) において，片方の変数群内に冗長な変数があるかどうかを調べる仮説検定問題を考える. 検定で用いられる検定統計量としては，通常次の 3つの基準：Likelihood Ratio (LR) 基準，Lawley-Hotelling (LH) 基準，Bartlett-Nanda-Pillai (BNP) 基準が用いられる. 標本数や次元数が大きいときにはこれらの検定統計量の漸近分布が重要となり, 帰無仮説の下での漸近分布は多くの研究がなされている. しかし, 対立仮 説の下での漸近分布は導出されていない. そこで本講演では, 標本数は無限大であるが次元数は無限大でもそうでなくてもよい漸近枠組みにおいて対立仮説の下でのこれら3つの漸近分布を導出する.

講演内容：
We show that, under independent additive covariate error, the condition that the log of the true covariate density is up to quadratic polynomial of the dose on an interval such as standardized normal, exponential, and uniform distributions on a dose interval, is the distributional condition for the regression calibration to be linear. Violation of this condition indicates that the linear dose response in terms of true dose becomes non-linear in terms of observed dose due to additive dose error. A practical and possibly important application of this result in radiation epidemiology is shown. A generalized additive covariate error model using the transform-both-sides that includes additive and multiplicative covariate error models as special cases is proposed and the distributional condition for the linear regression calibaration is considered.

講演内容：
経時データに対する多項式回帰モデルにおいて，切片項と１次の回帰係数を個体変動を表わす確率変数（ランダム効果）として線形混合モデルを考える．目的変量ベクトルの分散共分散行列は，４つの未知母数によって表現されるが，ランダム効果の分散共分散行列が非負定値であることから，４つの未知母数間には３つの不等式制約が課せられる．このため，罰則項を未知母数の個数の２倍とした通常のAICは，最尤推定量を用いた予測密度の，カルバックライブラー擬距離に基づくリスクの漸近不偏推定量とはならない．本報告では，通常のAICのバイアスを評価することにより，線形混合モデルに対するAIC型のモデル選択規準を構築することを考える．

講演内容：
マクロ計量経済分析で頻繁に用いられるホドリック・プレスコット(HP)フィルタ リングの分位点回帰版(qHP フィルタリング)を考える。HPフィルタリング同様，qHPフィルタリング もその使用にあたってはスムージング・パラメーターの値を決めなければならない．本報告では，その値の選択方法を提案するほか，qHPフィルタリングにより推定されたトレンド（およびサイクル）に関するいくつかの性質，qHPフィルタリングの一般化について述べる．

講演内容：
経済の不平等度の変化の研究は，日本経済においても関心を集めている．本報告 では，対数正規分布を仮定して分位データを用いて不平等度が変化したかの検定 を紹介し，1970年代以降の日本の家計調査のデータを用いて実際に経済の不平等 度が拡大したか縮小したかを統計的に検定する．

講演内容：
判別分析はある群に属していることが分かっている標本からまだ分類されていない標本がどの群に属するかを判別関数により決定する分析方法である．判別関数の係数はデータから推定する必要があり，その方法の１つに多変量回帰モデルに基づき推定する方法がある(Hastie et al., 1994)．多変量回帰によるアプローチから，AIC，BICに代表される 情報量規準の最小化に基づく変数選択を考えることができる．この変数選択法は，冗長な変数を情報量規準により選択する方法(Fujikoshi, 1985)と同等であることが示せる．一方，多変量回帰の変数選 択であれば，グループlassoによる変数選択法も考えることができる．本発表の目的は上記の変数選択法を数値実験により比較することである．

講演内容：
主成分回帰とは，主成分分析を実行し説明変数の個数をある程度まで減らしてから回帰分析を行うという 2 段階法である．主成分回帰では，主成分スコアが新しい説明変数とな る．ただし，新しい説明変数 (主成分スコア) の選択は，主成分分析のみから得られており，目的変数には全く合わされていない．これは 2 段階法による欠点だと考えられる．本講演では，主成 分分析に関連した損失関数 (Zou et al., 2006; JCGS) と回帰誤差の損失関数，および適当なスパース正則化を導入することにより 1 段階法による主成分スコアを説明変数とする回帰モデル (sparse principal component regression; SPCR) を提案する．さらに，SPCR の回帰誤差の損失関数を一般化線形モデルの枠組みまで拡張する．なお，本研究は統計数理研究所の藤澤洋徳先生，国立遺伝学研究所の城石俊彦先生，高田豊行先生との共同研究である．また，提案手法 SPCR は，統計ソフトウェア R のパッケージ spcr として利用可能 である．

講演内容：
Many previous studies report a simulation evidence that the goodness of fit test in covariance structure analysis or structural equation modeling suffers from over-rejection problem when the dimension of manifest variables is not small compared with the sample size. In this paper, we first investigate the reason and show that the test statistic involves a bias term which becomes large as the number of manifest variables grows. Then, we propose a test statistic by subtracting that bias term. Incidentally, it is demonstrated that the corrected test coincides with one of the tests considered in Amemiya and Anderson(1990). We also propose a simple modification of Sattora and Bentler's mean and variance adjusted test. Monte Carlo simulation is carried out to investigate the performance of the corrected test in the context of confirmatory factor model and cross-lagged panel (panel vector autoregressive) models. Simulation results reveal that the corrected test overcomes the over-rejection problem and outperforms existing tests in almost all cases considered.

講演内容：
ソーシャルメディアは位置情報を利用することでアプリケーションの幅が広がる．本講演では，マイクロブログにおける位置情報の種類と特徴について整理したあと， それらの位置情報を地図上にマッピングして実際に利用可能にするための技術や，位置情報を推定するためのアプローチを紹介する．

講演内容：
線形回帰モデルにおける説明変数の多重共線性を回避する手法として一般化リッジ回帰が提案された. 一般化リッジ推定量はリッジパラメータに依存するため, その最適化が重要 な問題となる. リッジパラメータ最適化問題の解決策としては情報量規準最小化に基づく手法があり, 本公演では情報量規準の比較を行う. また, 説明変数が標本数より多い場合 に対応するために新たに提案した規準を紹介し, その最小化問題についても述べる.

講演内容：
This study considers the estimation method of generalized beta (GB) distribution parameters based on grouped data from a Bayesian point of view. Because the GB distribution, which was proposed by McDonald and Xu (1995), includes several kinds of familiar distributions as special or limiting cases, it performs at least as well as those special or limiting distributions. Therefore, it is reasonable to estimate the parameters of the GB distribution. However, when the number of groups is small or when the number of parameters increases, it may become difficult to estimate the distribution parameters for grouped data using the existing estimation methods. This study uses a Tailored randomized block Metropolis-Hastings (TaRBMH) algorithm proposed by Chib and Ramamurthy (2010) to estimate the GB distribution parameters, and this method is applied to one simulated and two real datasets. Moreover, the Gini coefficients from the estimated parameters for the GB distribution are examined.

講演内容：
独立系列の分析から始まった統計分析は時系列へ，さらに空間・時空間上で観測される空間・時空間データの分析法へと分析対象を拡張しつつある．空間・時空間データの特長は，時系列のようにデータに過去から未来へ流れる自然な順序をつけられないことにある．時系列モデル化に便利なマルコフ性を順序がつかない空間データには適用できないので，マルコフ性に代わる何かを空間・時空間データをモデル化するには考えなければならない．本セミナーでは，時系列解析の方法を振り返りながら代表的な空間モデルを紹介し，さらに講演者の成果 (時系列ARCHモデル および連続時間ARMAモデルの空間データへの拡張) を論じる．