Dirty statistical models PhD

该项目旨在开发新的统计方法，用于整合来自多个小型研究的数据，其中每个单独的研究样本量有限且统计功效较低。简单地将数据合并可能导致有偏的结果，因为每个数据集可能存在系统性差异。为解决这一问题，项目重点是在生物统计学、临床试验、医学成像和计算机视觉所使用的模型中创建改进的方法。这些方法能够在合理考虑各数据集之间差异的同时，充分利用共享信息，从而实现更准确的分析。工作的关键部分在于研究估计量在真实、有限样本情况下的表现，而不仅仅是在样本量趋于无穷时的理论性质（即非渐近性质）。该方法借鉴了高维统计和数据整合技术的最新进展，例如“脏”模型（dirty models）和数据增强回归（data-enriched regression），这些技术旨在高效且可解释地处理复杂且异质的数据。