主题：Robust Deviance Information Criterion for Latent Variable Models
主讲人：新加坡管理大学 余俊教授
主持人：西南财经大学 张大永副教授
时间：2014年4月9日下午2：00－3：30
地点：柳林校区经世楼B302
主办单位：经济与管理研究院 科研处
主讲人简介：
余俊教授（Jun Yu）现就职于新加坡管理大学 (Singapore Management University), 是经济学院经济学教授和李光前商学院金融学教授，同时担任国际权威学术期刊 -- 计量经济学理论 (Econometric Theory)和金融计量学(Journal of Financial Econometrics) -- 的副主编。此外, 余俊教授也曾担任国际权威学术期刊 -- 计量经济学 (Journal of Econometrics) 和 计量经济学理论 (Econometric Theory) -- 的特邀主编, 以及计量经济学评论 (Econometric Reviews) 和实政经济学 (Empirical Economics) 的副主编。目前, 余俊教授是国际金融计量学会 (Society for Financial Econometrics) 的理事。 这是第一位亚洲经济学者应邀担任该学会理事。此外，他于2011年被国际权威学术期刊 -- 计量经济学 -- 推选为 Fellow of The Journal of Econometrics, 2012年被国际金融计量学会推选为 Fellow of Society for Financial Econometrics。余俊教授曾任校级沈基文金融经济研究院 (Sim Kee Boon Institute for Financial Economics) 院长和金融计量研究中心 (Center for Financial Econometrics) 主任。
余俊教授于1990年获得武汉大学学士学位，并于1998年获得加拿大西安大略大学经济学博士学位。他的博士论文题目是“时间序列中的经验特征函数及其在金融学中的应用”, 该论文获得西安大略大学经济学博士论文奖。他的研究领域涉及金融市场、计量经济学理论、资本定价、宏观经济学等多个方面。
余俊教授的研究获得多个奖项以及国家级科研基金, 其中包括2002年度奥克兰大学杰出科研奖, 2005年度新加坡管理大学杰出科研奖, 2010年度新加坡管理大学杰出科研奖，2000年新西兰皇家科学院的Marsden Fund, 2006年新加坡的AcRF Fund, 2012年新加坡的AcRF Fund。自从1999年以来, 余俊教授已经在国际学术期刊上发表四十多篇学术论文, 许多论文刊登在国际顶尖学术期刊上。另外, 他的关于金融市场随机波动的一系列研究获得较高的引用率。
自2005年起，余俊教授与著名经济学家、耶鲁大学的Peter Phillips 教授展开合作,研究金融泡沫和金融危机的计量问题。他们提出的金融泡沫的检验方法, 以及估计泡沫产生的时间和危机发生的时间, 已经引起一些中央银行,包括美国联邦储备银行，美国财政部，中国人民银行，德国中央银行，加拿大中央银行，韩国中央银行，香港金融管理局，法国中央银行，台湾中央银行，新加坡金融管理局，和政府投资公司的高度关注。
他的个人网页是http://www.mysmu.edu/faculty/yujun/
内容提要：It is shown in this paper that the data augmentation technique undermines the theoretical underpinnings of the deviance information criterion (DIC), a widely used information criterion for Bayesian model comparison, although it facilitates parameter estimation for latent variable models via Markov chain Monte Carlo (MCMC) simulation. Data augmentation makes the likelihood function non-regular and hence invalidates the standard asymptotic arguments. A robust form of DIC, denoted as RDIC, is advocated for Bayesian comparison of latent variable models. RDIC is shown to be a good approximation to DIC without data augmentation. While the later quantity is difficult to compute, the expectation-maximization (EM) algorithm facilitates the computation of RDIC when the MCMC output is available. Moreover, RDIC is robust to nonlinear transformations of latent variables and distributional representations of model specification. The proposed approach is applied to several popular models in economics and finance. While DIC is very sensitive to the nonlinear transformations of latent variables in these models, RDIC
is robust to these transformations. As a result, substantial discrepancy has been found between DIC and RDIC.
