近日，由西南财经大学常晋源教授、伊利诺伊大学厄巴纳-香槟分校陈晓辉教授和西南财经大学博士生吴明聪合作完成的论文“Central limit theorems for high dimensional dependent data”被概率统计国际一流学术期刊《Bernoulli》正式接收。

该论文研究了超高维相依数据的高斯逼近问题，在alpha-mixing、m-dependent和physical dependence三种框架下，分别基于超矩形集合（hyper-rectangles）、简单凸集（simple convex sets）和稀疏凸集（sparsely convex sets）给出了超高维随机向量和的正态近似误差收敛速度。其中，首次得到了基于alpha-mixing相依框架下的理论结果，在physical dependence相依框架下的结果改进了已有结果。为了将理论结果应用于实际的超高维统计推断问题中，该论文还提出了数据驱动的参数自助法（parametric bootstrap）。该论文通过三个例子展示了所建立的理论如何应用于超高维相依数据的统计推断问题。

作者简介：

常晋源，西南财经大学数据科学与商业智能联合实验室执行主任，光华特聘教授、博士生导师、国家杰出青年科学基金获得者、四川省特聘专家、四川省统计专家咨询委员会委员。主要从事超高维数据分析和高频金融数据分析两个领域的研究。

陈晓辉，伊利诺伊大学厄巴纳-香槟分校统计系副教授，主要从事高维统计和机器学习等领域的研究。

吴明聪，西南财经大学数据科学与商业智能联合实验室2019级统计学专业博士生，导师为常晋源教授。主要从事超高维相依数据分析和高斯逼近等领域的研究。