短期课程：Texas A&M University,HAN GANG教授到访我院并讲授短期课程

4月9日至12日，Department of Epidemiology & Biostatistics, Texas A&M University, HAN GANG副教授在公共教学二楼为我校师生讲授了以“Bayesian Modeling and Inference”为主题的短期系列课程。

第一天，HAN GANG老师简要介绍了“Bayesian Modeling and Inference”的概况和最新动态。Bayesian Modeling基于贝叶斯概率公式，这种建模方式不仅利用了模型信息和数据信息，而且还充分地利用了先验信息，即考虑了决策者的经验和判断等因素。因为Bayesian Modeling模型较好地将主观和客观因素结合起来，对异常情况的发生有较多的灵活性，所以目前被广泛地应用于金融定价模型、宏观经济预测等领域。

第二天，HAN GANG副教授又讲授了“Laplace analytic approximation”的有关内容。Laplace’s equation最早由法国数学家拉普拉斯提出，该方程的任何解都无穷阶可导，可以展开成幂级数形式。利用Bayesian Logistic Regression做拉普拉斯近似，能定义在一组变量上的高斯近似概率密度分布。本方法在高维统计等领域有重要的应用。

第三天，HAN GANG老师为我们介绍了应用于随机过程分析的“Metropolis-Hastings algorithms”。Metropolis-Hastings采样算法过程一直持续到采样过程的收敛，此时选取的样本可认为是目标分布的样本。Metropolis-Hastings algorithms使用了会收敛到目标分布的马尔科夫链进行采样，有效地避免了接受拒绝算法在进行高维空间采样时，可能会出现的“curse of dimensionality”问题，目前被广泛地应用于高维统计研究。

最后一天，HAN GANG老师讲解了“Gibbs sampling”中的一些问题。Gibbs sampling是MCMC方法中应用最为广泛的一种。在已知单个事件条件分布的情况下，利用Gibbs sampling的方法可以得到联合分布，即获取一系列近似等于指定多维概率分布的观察样本。在数据缺失的情况下，可以利用Gibbs sampling得到近似于总体分布的样本。

我院全体博士研究生及部分老师参加了此次课程，参与者和HAN GANG副教授就课程的内容、问题以及在现实中的应用等方面展开了热烈的讨论，课程取得了圆满成功。此次将近一周的短期课程为大家提供了很好的国际交流平台，参与的师生们均表示受益颇丰。

HAN GANG副教授简介：

Gang Han,

PhD, Associate Professor

Department of Epidemiology & Biostatistics

Texas A&M University

Academic editor ofPLoS ONE, Associate editor ofJournal ofHealth Science & Education

https://sph.tamhsc.edu/epi-bio/faculty/gang-han-phd.html