信息来源：中国人民大学统计与大数据研究院 发布时间：2026年1月8日

    在小说阅读器中沉浸阅读2025年12月17日下午，中国科学院张维副研究员、上海交通大学毛晓军教授受邀访问中国人民大学。张维副研究员开展了主题为“Inverse regression for causal inference with multiple outcomes”的讲座，主要探讨多潜在结果下的逆回归。毛晓军教授开展了主题为“Fair Regression in Reproducing Kernel Hilbert Spaces: Single-Machine and Decentralized Implementations under Conditional Mean Parity”的讲座，主要探讨再生核希尔伯特空间中的公平回归。本次讲座由统计与大数据研究院刘阳助理教授、杨松山预聘副教授主持。

张维针对医学与社会科学中多潜在结果分析的长期难题，提出了一种颠覆传统的主观加权范式。该研究创新性地将处理变量对多个结果进行逆回归，通过估计的回归系数客观构建复合结局指标，不仅避免了临床先验权重选择带来的争议，更在理论上证明了逆回归系数为零与处理效应为零的等价性，使得基于线性模型的检验具备模型误设的稳健性。该方法适用于完全随机实验、分层随机实验及观察性研究等多种设计，在一型糖尿病的膳食干预试验、秘鲁学生铁补充效果评估、国家健康与营养调查的吸烟与血清维生素因果分析等实证中，均展现出优于单结局分析的统计效能与临床解释力。研究进一步拓展至包含协变量调整、高维结局筛选等复杂场景，为多维度因果效应的整合推断提供了统一、可计算且理论严谨的框架。这一成果突破了传统复合结局构建对主观经验的依赖，推动了因果推断方法在多重响应研究中的标准化与自动化发展。
 

毛晓军针对机器学习回归任务中因敏感属性导致的预测偏见问题，提出了在再生核希尔伯特空间中实现条件均值均等的公平回归新范式。该研究将条件均值均等准则与核方法相结合，构建了公平核回归及公平核岭回归模型，在优化预测性能的同时，确保在不同敏感群体间、给定目标变量区间的条件下输出分布保持统计平衡。为应对大规模数据场景，研究进一步设计了基于随机特征近似的分布式公平核岭回归算法，并开发出高效的分布式优化框架，在理论层面证明了算法的线性收敛性与泛化误差界。实验部分在合成与真实数据集上验证了所提方法在公平性-性能权衡方面均优于现有基准模型。这一成果不仅为高维非线性回归中的公平性约束提供了可扩展的理论与算法支撑，也为金融风控、医疗诊断、人才评估等关键领域部署可信、无偏的机器学习系统奠定了方法基础。

    讲座结束后，师生们反映受益良多，不仅拓宽了学术视野，也为他们提供了全新的研究思路和方法，进一步激发了大家的学术热情。研究院今后会继续邀请国内外专家学者开展系列讲座，不断拓宽师生的学术视野，持续打造研究院在学术领域的品牌影响力，为统计与大数据领域的发展贡献更多力量。

讲座结束后，与会师生纷纷表示受益良多。本次讲座拓展了师生们在因果推断、公平性机器学习领域的研究视野，进一步激发了同学们结合在因果推断与机器学习、深度学习理论创新方向的热情。未来研究院将持续邀请海内外专家学者开展高水平学术讲座，持续打造研究院在统计与大数据领域的学术品牌影响力，为推动统计学科发展贡献更多力量。