˜A‡‘å‰ïƒvƒƒOƒ‰ƒ€

9ŒŽ6“úi“új@ŒßŒã

–Ÿ“¿ŠÙ M21 13:00-15:45@ƒ`ƒ…[ƒgƒŠƒAƒ‹ƒZƒbƒVƒ‡ƒ“

yƒI[ƒKƒiƒCƒU[z Œˆä –ΔV i“Œv”—Œ€‹†Šj

ƒe[ƒ}1: ƒmƒ“ƒpƒ‰ƒƒgƒŠƒbƒN‰ñ‹A“ü–å ’|àV –M•v i’†‰›”_‹Æ‘‡Œ€‹†ƒZƒ“ƒ^[j

–Ÿ“¿ŠÙ M1 13:00-15:45@ƒ`ƒ…[ƒgƒŠƒAƒ‹ƒZƒbƒVƒ‡ƒ“

yƒI[ƒKƒiƒCƒU[z Ÿ‰Y ³Ž÷ i–Œé‘åŠwj

ƒe[ƒ}2: DSGEƒ‚ƒfƒ‹‚ÆVARƒ‚ƒfƒ‹‚ÌŒv—Ê•ªÍ\MCMC‚̃}ƒNƒ‹à—Z­ô‚ւ̉ž—p“n•” •q–Ÿ iˆê‹Ž‘åŠwj
“¡ŒŽ ˆê•œ i“ú–{‹âs‹à—ZŒ€‹†Šj

ƒNƒ‰[ƒN‹L”OŠÙ 16:00-18:30@Žs–¯u‰‰‰ï

yŠé‰æEŽi‰ïz —Ñ “Ä—T i‹ãB‘åŠwj

ƒe[ƒ}1: ‘S‘Šw—́EŠwKó‹µ’²ž‚ÌŠT—v“¡ˆä é²i‘—§‹³ˆç­ôŒ€‹†Šj
ƒe[ƒ}2: ‘S‘Šw—́EŠwKó‹µ’²ž‚̈Ӌ`‚ÆŠˆ—p–@·‰i rOi‹ž“s•{Œü“úŽs—§Œƒm‰ª’†ŠwZj
ƒe[ƒ}3: ‘S‘Šw—́EŠwKó‹µ’²ž‚Ì•ªÍ‚ÆŠˆ—p“y‰® —²—Ti“Œv”—Œ€‹†Šj
ƒe[ƒ}4: ‘å‹K–Í’²ž‚̍¡Œã‚Ì“W–]ˆÀ–ì ŽjŽqi‘—§‹³ˆç­ôŒ€‹†Šj



webŒöŠJ‚ð³‘ø‚³‚ê‚œ•û‚Ì•ñWŒŽe‚š‚æ‚яڍהŌŽe‚͉º‹L‚©‚ç‰{——‚Å‚«‚Ü‚·D

9ŒŽ7“úiŒŽj@Œß‘Oi‚Pj

A‰ïê(–²ŠÙ MK102)@10:00`12:00@¶‘¶ŠÖ”E¬’·‹Èü

  • w * x‚̂‚¢‚Ä‚¢‚é–Œ‘O‚Ì•û‚ªg”­•\ŽÒh‚Æ‚È‚è‚Ü‚·D‚»‚êˆÈŠO‚Ì•û‚́g‹€“¯Œ€‹†ŽÒh‚É‚È‚è‚Ü‚·D

yÀ’·z ²“¡ Œ’ˆê iL“‡‘å ŒŽ”š•úŽËüˆã‰ÈŠwŒ€‹†Šj

1.Žü•Ó•ª•z‚ðŒÅ’肵‚œê‡‚Ìoverall¶‘¶ŠÖ”‚̍őå’l‚ƍŏ¬’l‚ɂ‚¢‚Ä ”óŒû —E•v*iL“‡‘å Hj•ñW
2.ƒu[ƒgƒXƒgƒ‰ƒbƒvƒTƒ“ƒvƒŠƒ“ƒO‚É‚æ‚鐶‘¶ŠÖ”‚̍·‚Ì“¯ŽžM—Š‹æŠÔ‚̍\’z ‹g“c —SŽ÷*i‰––ì‹`»–òiŠ”j ‰ðÍƒZƒ“ƒ^[j
•œˆä Œ’‘ŸiZ€î•ñƒVƒXƒeƒ€(Š”) ƒf[ƒ^ƒTƒCƒGƒ“ƒX•”j
“cè •Mi‰––ì‹`»–òiŠ”j ‰ðÍƒZƒ“ƒ^[j
•ñW
3.ƒoƒ‰ƒ“ƒXŒ^‚̐¬’·‹Èüƒ‚ƒfƒ‹‚É‚š‚¯‚郍ƒoƒXƒg‚Ȑ„’è•û–@‚Ì’ñˆÄ ²“¡ Œ’ˆê*iL“‡‘å ŒŽ”š•úŽËüˆã‰ÈŠwŒ€‹†Šj
ú匎 G˜aiL“‡‘å —j
‰Á–Î Œ›ˆêiŽD–yˆã‰È‘å ˆã—Ðlˆç¬ƒZƒ“ƒ^[j
•ñW
4.‘œ•Ï—ʐ¬’·‹Èü‚É‚š‚¯‚é•Ï”‚̏璷«‚ɑ΂·‚é–Þ“x”䌟’è “nç² ‘åå*i’†‰›‘å —HŠwj•ñW
5.¬’·ŠÖ”‘I‘ð‚Ì‚œ‚߂̏î•ñ—Ê‹K€ ‰Á–Î Œ›ˆê*iŽD–yˆã‰È‘å ˆã—Ðlˆç¬ƒZƒ“ƒ^[j
ú匎 G˜aiL“‡‘å —j
‹g–{ “ցi“Œv”—Œ€‹†Š ƒŠƒXƒN‰ðÍí—ªŒ€‹†ƒZƒ“ƒ^[j
•ñW
6.¬’·‹Èüƒ‚ƒfƒ‹‚É‚š‚¯‚éƒvƒƒtƒ@ƒCƒ‹•ªÍ ŸNˆä ’qŽq*i“Œ‹ž—‰È‘å —j
£”ö —²i“Œ‹ž—‰È‘å —j
“¡‰z Nji’†‰›‘å —Hj
•ñW

B‰ïê(–²ŠÙ MK201)@10:00`12:00@ˆãŠw“Œv(1)

  • w * x‚̂‚¢‚Ä‚¢‚é–Œ‘O‚Ì•û‚ªg”­•\ŽÒh‚Æ‚È‚è‚Ü‚·D‚»‚êˆÈŠO‚Ì•û‚́g‹€“¯Œ€‹†ŽÒh‚É‚È‚è‚Ü‚·D

yÀ’·z ›”g G‹K i‹»˜a(Š”)j

1.—Տ°”äŠrŽŽŒ±‚É‚š‚¯‚é‚Q‚‚̃Cƒxƒ“ƒg”­Œ»‚Ü‚Å‚ÌŽžŠÔ‚Ì‘Š‘ΓI‚ȈãŠw“Id‚³‚ðl—¶‚µ‚œ
•¡‡‰Œà‚ÆŒŸ’è
Œì ³Žq*i•ÛŒ’ˆã—ÉȊw‰@ ‹Zp•]‰¿•”j
’OŒã r˜Yi•ÛŒ’ˆã—ÉȊw‰@ ‹Zp•]‰¿•”j
‘å‘ë ŽœiL“‡‘å ŒŽ”š•úŽËüˆã‰ÈŠwŒ€‹†Šj
”ò“c ‰p—Si•ÛŒ’ˆã—ÉȊw‰@ ‹Zp•]‰¿•”j
•ñW
2.ˆã–ò•i‚Ì—LŒø«¥ˆÀ‘S«•]‰¿‚Ì‚œ‚߂̑Ήž‚Ì‚ ‚éƒJƒEƒ“ƒgƒf[ƒ^‚Ì“Œv“I„‘ª Šp ^—Žq*iƒAƒNƒeƒŠƒIƒ“ƒtƒ@[ƒ}ƒVƒ…[ƒeƒBƒJƒ‹ƒYƒWƒƒƒpƒ“iŠ”j
ƒf[ƒ^ƒ}ƒl[ƒWƒƒ“ƒg•”j

’OŒã r˜Yi•ÛŒ’ˆã—ÉȊw‰@ ‹Zp•]‰¿•”j
•ñW
3.Ž¡—ÑOŒã‚ÌŠÏ‘ª’l‚ª‘Ő؂蕪•z‚ɏ]‚€ê‡‚̕ω»—ʂ̐„’è•û–@ Œ‰ª L“Ä*iƒtƒ@ƒCƒU[iŠ”j “ŒvE‰ðÍ•”j
O V‘Ÿ˜Yiƒtƒ@ƒCƒU[iŠ”j “ŒvE‰ðÍ•”j
X’J —²iƒtƒ@ƒCƒU[iŠ”j “ŒvE‰ðÍ•”j
‰Í‡ “‰îiƒtƒ@ƒCƒU[iŠ”j “ŒvE‰ðÍ•”j
•ñW
4.“Š—^‘O’l‚ðŒQŠÔ‚Å‹€’Ê‚Æ‚·‚éŒoŽžƒf[ƒ^‚̉ðÍ ‚‹Ž s—Y*i’†ŠO»–ò ¶•š“Œv•”j
“n•Ó ‘ô–çi–œ—L»–ò —Տ°Œ€‹†“Œv•”j
•ñW
5.ƒ‰ƒ“ƒ_ƒ€Œø‰Êƒƒ^ƒAƒiƒŠƒVƒX‚É‚š‚¯‚éŒÅ’èŒø‰Ê„’è—Ê‚ÌŒø—p‚ɂ‚¢‚Ä ˆíŒ© ¹”V*i“Œv”—Œ€‹†Š ”—E„˜_Œ€‹†Œnj
John B. CopasiDepartment of Statistics, University of Warwickj
•ñW
6.¶•šŠw“I“¯“™«ŽŽŒ±ƒf[ƒ^‚ÉŠî‚­Œã”­ˆã–ò•i‘I’èŠî€ ‘ì ³M*i‹v—¯•Ä‘å ˆãj
–öì ꟁi‹v—¯•Ä‘å ƒoƒCƒI“ŒvƒZƒ“ƒ^[j
•ñW

C‰ïê(–²ŠÙ MK203)@10:00`12:00@ƒRƒ“ƒyƒeƒBƒVƒ‡ƒ“(1)

  • w * x‚̂‚¢‚Ä‚¢‚é–Œ‘O‚Ì•û‚ªg”­•\ŽÒh‚Æ‚È‚è‚Ü‚·D‚»‚êˆÈŠO‚Ì•û‚́g‹€“¯Œ€‹†ŽÒh‚É‚È‚è‚Ü‚·D

yÀ’·z —Ñ “Ä—T i‹ãB‘å ‚“™‹³ˆçŠJ”­„iƒZƒ“ƒ^[j

1.‚RŽŸŽ©‘RƒXƒvƒ‰ƒCƒ“‚ÉŠî‚­pAUCBoost ¬X —*i‘‡Œ€‹†‘åŠw‰@‘å •¡‡‰ÈŠwj
]Œû ^“§i“Œv”—Œ€‹†Š ”—E„˜_Œ€‹†Œnj
•ñW
2.GAMC‰e‹¿•ªÍC‚»‚µ‚ăVƒ~ƒ…ƒŒ[ƒVƒ‡ƒ“ “c’† —S•ã*i‘åã“d‹C’ʐM‘å Hj
’Ò’J «–Ÿi‘åã“d‹C’ʐM‘å î•ñ’ʐMHj
•ñW
3.Group Lasso‚ÉŠî‚­ˆöŽq•ªÍƒ‚ƒfƒŠƒ“ƒO œA£ Œd*i‹ãB‘å ”—j
¬Œ ’å‘¥i‹ãB‘å ”—j
•ñW
Ú×”Å
4.”ñ‘Ώ̃~ƒXƒ‰ƒxƒ‹ƒf[ƒ^‚ɑ΂·‚éƒu[ƒXƒeƒBƒ“ƒO —Ñ Œ«ˆê*i‘åã‘å Šî‘bj
Žë–ì —Ti‘åã‘å Šî‘bj
•ñW
5.³‹K«ŒŸ’è‚É‚š‚¯‚é‘œ•Ï—ÊJarque-Bera“Œv—Ê‚Ì•ª•z‚ɂ‚¢‚Ä ‰|–{ —Œb*i“Œ‹ž—‰È‘å —j
‰ª–{ ’Œ–çi“Œ‹ž¹‰h‘å Œ’N‰h—{j
£”ö —²i“Œ‹ž—‰È‘å —j
•ñW

D‰ïê(–²ŠÙ MK301)@10:00`12:00@•ªŠ„•\

  • w * x‚̂‚¢‚Ä‚¢‚é–Œ‘O‚Ì•û‚ªg”­•\ŽÒh‚Æ‚È‚è‚Ü‚·D‚»‚êˆÈŠO‚Ì•û‚́g‹€“¯Œ€‹†ŽÒh‚É‚È‚è‚Ü‚·D

yÀ’·z ŽíŽs M—T iŽ­Ž™“‡‘å —Hj

1.Affinely full-dimensional factorial design ‚̐«Ž¿ Â–Ø •q*iŽ­Ž™“‡‘å —Hj
’|‘º ²’ʁi“Œ‹ž‘å î•ñ—Hj
•ñW
2. ƒƒoƒXƒg‚È non-regular design ‚̐݌v Â–Ø •q*iŽ­Ž™“‡‘å —Hj •ñW
3.‘œŒ³•ªŠ„•\‚ÌŠK‘wƒ‚ƒfƒ‹‚ɑ΂·‚é•s•ÏŒQ‚Ì“±o Ž ’q–ç*i“Œ‹ž‘å î•ñ—Hj
Â–Ø •qiŽ­Ž™“‡‘å —Hj
’|‘º ²’ʁi“Œ‹ž‘å î•ñ—Hj
•ñW
4.‘œŒ³•ªŠ„•\‚É‚š‚¯‚é“_‘Ώ̃‚ƒfƒ‹‚Ì•ª‰ð “c”š kŽ¡*i“Œ‹ž—‰È‘å —Hj
•xàV ’å’ji“Œ‹ž—‰È‘å —Hj
•ñW
5.Relationship between three-dimensional quasi-symmetric contingency table
and the Bradley-Terry model for three-player competition
•z”\ ‰pˆê˜Y*iŠÖ“ŒŠw‰@‘å ŒoÏj
6.r x s •ªŠ„•\‚Ì“Æ—§«ŒŸ’蓝Œv—ʂ̋ǏŠ‘Η§‰Œà‚Ì‚à‚Æ‚Å‚Ì•ª•z‚̋ߎ—‚ɂ‚¢‚Ä ŽíŽs M—T*iŽ­Ž™“‡‘å —Hj
ŠÖ’J —S—¢i–kŠC“¹‹³ˆç‘åE‹ú˜HZ ‹³ˆçj
•ñW

P‰ïê(Œb“¹ŠÙ KD104)@10:00`12:00@lŒû“ŒvE“Œv‹³ˆç

  • w * x‚̂‚¢‚Ä‚¢‚é–Œ‘O‚Ì•û‚ªg”­•\ŽÒh‚Æ‚È‚è‚Ü‚·D‚»‚êˆÈŠO‚Ì•û‚́g‹€“¯Œ€‹†ŽÒh‚É‚È‚è‚Ü‚·D

yÀ’·z ’|“à Œõ‰x iŽÀ‘H—Žq‘å lŠÔŽÐ‰ïj

1.’nˆæ•Ê”N—î•ÊlŒûƒf[ƒ^‚ÌŒö•\ó‹µ‚Æ‚»‚Ì“Á’¥ ŽR“c –Î*i‘ŽmŠÚ‘å ­Œoj •ñW
2. ¶–œ•\‚É‚š‚¯‚éƒeƒ“ƒ|Œø‰ÊF‰¥•\‚̐¶ŠUŠù¥—Š‚ɂ‚¢‚Ä œA“ˆ ŽŽu*i“‡ª‘å –@•¶j •ñW
3.¬ŠwZ“Œv‹³ˆç‚É‚š‚¯‚éV‚œ‚È‰Û‘è @|VŠwKŽw“±—v—Ì‚ÌŠÏ“_‚©‚ç| Œ‰Y •l*iL“‡‘å ‹³ˆçj
ŒiŽR ŽO•œiL“‡H‹Æ‘å ŠÂ‹«j
•ñW
4.‚Z”Šw‚É‚š‚¯‚铝Œv•KC‰»‚ɑ΂·‚é‹^–â ŽÄ“c ‹`’å*i’·è‘å ˆãŽ•–òŠw‘‡j •ñW
5.Ž©‘RŒŸŒêˆ—‹Zp‚ð—p‚¢‚œƒZƒ“ƒ^[ŽŽŒ±–â‘è‚Ì“Œv“I‰ðÍ
@|‰pŒê‚š‚æ‚э‘Œê‚ÌŽŽŒ±–â‘è‚ð‘ΏۂƂµ‚ā|
Î‰ª PŒ›*i‘åŠw“üŽŽƒZƒ“ƒ^[ Œ€‹†ŠJ”­•”j
‹Ž–{ ‹M[i‘åŠw“üŽŽƒZƒ“ƒ^[ Œ€‹†ŠJ”­•”j
‘å’à ‹N•vi‘åŠw“üŽŽƒZƒ“ƒ^[ Œ€‹†ŠJ”­•”j
•ñW
6.‘åŠw–òŠw•”‚É‚š‚¯‚鏉”N“x“Œv‹³ˆç ‘ëàV ‹B*iç—t‰ÈŠw‘å –òj •ñW

Q‰ïê(Œb“¹ŠÙ KD106)@10:00`12:00@Šé‰æƒZƒbƒVƒ‡ƒ“FNon- and semi-parametric inference

  • w * x‚̂‚¢‚Ä‚¢‚é–Œ‘O‚Ì•û‚ªg”­•\ŽÒh‚Æ‚È‚è‚Ü‚·D‚»‚êˆÈŠO‚Ì•û‚́g‹€“¯Œ€‹†ŽÒh‚É‚È‚è‚Ü‚·D

yƒI[ƒKƒiƒCƒU[z Byeong U. Park iSeoul National UniversityjCMing-Yen C‚ˆeng iUniversity College LondonjC‘O‰€ ‹X•F i‹ãB‘å ”—j
yÀ’·z Byeong U. Park iSeoul National Universityj

1.Central limit theorem for quadratic errors under dependence Tae Yoon Kim*iDepartment of Statistics, Keimyung Universityj •ñW
2. On Estimating PLSIM with Incomplete Data Tsung-Lin Cheng*iDepartment of Mathematics, National Changhua University of Educationj •ñW
3.A Nonparametric Test for the Existence of Moments Kohtaro Hitomi*iSchool of Science and Technology, Kyoto Institute of Technologyj
Yoshihiko NishiyamaiInstitute of Economic Research, Kyoto Universityj
Keiji NagaiiFaculty of Economics, Yokohama National Universityj
•ñW

R‰ïê(Œb“¹ŠÙ KD202)@10:00`12:00@Š¯’¡“Œv(1)

  • w * x‚̂‚¢‚Ä‚¢‚é–Œ‘O‚Ì•û‚ªg”­•\ŽÒh‚Æ‚È‚è‚Ü‚·D‚»‚êˆÈŠO‚Ì•û‚́g‹€“¯Œ€‹†ŽÒh‚É‚È‚è‚Ü‚·D

yÀ’·z ²ˆä ŽŠ“¹ i‰ªŽR€‰È‘å ŒoÏj

1.’n•ûŽ©Ž¡‘̂̐­ôŒ`¬‚Æ“Œv|“ŒvƒZƒNƒVƒ‡ƒ“‚̈ʒu‚Æ–ðŠ„‚Ì•Ï‰»| ‹e’n i*i—§‹³‘å ŒoÏj •ñW
2. Œö‰v–@l‚ÌŽY‹Æ•ÊE]‹ÆŽÒ‹K–Í•Ê‚ÌŠˆ“®ŽÀ‘Ô
|s­‹L˜^‚Æ“Œv’²ž‚ÌŠ®‘SÆ‡ƒf[ƒ^‚ð—p‚¢‚œ•ªÍ|
‹àŽq —DŽq*iŽRŒ`‘å l•¶j •ñW
3.V§“x‰º‚ÅŠú‘Ò‚³‚ê‚éŒö‰v–@l‚Ì–ðŠ„
|Web’²ž‚©‚ç‚Ý‚œŒö‰v–@l‚̍¡Œã‚ÌŠˆ“®‚Ì•ûŒü«‚ɂ‚¢‚Ä
‚‹Ž •üˆê*iÂŽRŠw‰@‘å ŒoÏj
‹àŽq —DŽqiŽRŒ`‘å l•¶j
¬—Ñ Œ’‘Ÿ˜Yi–Ÿ¯‘å ŒoÏj
•ñW
4.„Œv‘Ώۂƕª•z‚Ì•s®‡‚É‹Nˆö‚·‚錩‚È‚µŠO‚ê’l‚Ì’Šo ’Ö LŒv*i“Œv”—Œ€‹†Š ƒŠƒXƒN‰ðÍí—ªŒ€‹†ƒZƒ“ƒ^[j •ñW
5.˜J“­—Í’²žŒÂ•[ŠJŽŠƒŠƒXƒN‚ÌŽžŠÔˆÀ’萫‚ɂ‚¢‚Ä ¯–ì L–Ÿ*i‹à‘ò‘å ŒoÏj •ñW
6.˜J“­—Í’²ž‚̌•[ƒf[ƒ^‚̃ŠƒXƒN•]‰¿–@‚ÉŠÖ‚·‚éŽíX‚̉ü‘P ²ˆä ŽŠ“¹*i‰ªŽR€‰È‘å ŒoÏj •ñW

S‰ïê(Œb“¹ŠÙ KD203)@10:00`12:00@‘Q‹ß—˜_(1)

  • w * x‚̂‚¢‚Ä‚¢‚é–Œ‘O‚Ì•û‚ªg”­•\ŽÒh‚Æ‚È‚è‚Ü‚·D‚»‚êˆÈŠO‚Ì•û‚́g‹€“¯Œ€‹†ŽÒh‚É‚È‚è‚Ü‚·D

yÀ’·z “à“c ‰ë”V i‘åã‘å Šî‘bHj

1.On the unit root process with locally stationary innovation process •gì ˆê*iVŠƒ‘å Ž©‘R‰ÈŠwj
’è•û ^ŽqiVŠƒ‘å Ž©‘R‰ÈŠwj
•ñW
2. F•ª•zŽÚ“x¬‡‚Ì‘Q‹ß“WŠJ‚ɑ΂·‚éŒë·ŒÀŠE‚Ɖž—p “¡‰z Nj*i’†‰›‘å —Hj
Ž… —Ljêi“Œv”—Œ€‹†Šj
•ñW
3.Semiparametric estimation for stochastic processes ŒŽR —zˆê*i“Œv”—Œ€‹†Š ”—E„˜_Œ€‹†Œnj •ñW
4.Donsker's theorem for discretized data ŒŽR —zˆê*i“Œv”—Œ€‹†Š ”—E„˜_Œ€‹†Œnj •ñW
5.OU‰ß’ö‚ÌSLAD„’è ‘“c O‹B*i‹ãB‘å ”—j •ñW
6.Šm—Š”÷•ª•û’öŽ®‚̃{ƒ‰ƒeƒBƒŠƒeƒB‚̐„’è “à“c ‰ë”V*i‘åã‘å Šî‘bHj
‹g“c •üLi“Œ‹ž‘å ”—j

T‰ïê(Œb“¹ŠÙ KD204)@10:00`12:00@‚ŽŸŒ³ƒf[ƒ^‰ðÍ

  • w * x‚̂‚¢‚Ä‚¢‚é–Œ‘O‚Ì•û‚ªg”­•\ŽÒh‚Æ‚È‚è‚Ü‚·D‚»‚êˆÈŠO‚Ì•û‚́g‹€“¯Œ€‹†ŽÒh‚É‚È‚è‚Ü‚·D

yÀ’·z “ì Oª i–kŠC“¹‘å î•ñŠî”ÕƒZƒ“ƒ^[j

1. ‘ã•\“_‚Ü‚Å‚Ì‹——£‚ɐ§–ñ‚ª‚ ‚é‚Æ‚«‚Ì1ŽŸŒ³Šm—Š•ª•z‚Ìprincipal points‚Æ‚»‚̉ž—p Œ‰Y s*iŒcœä‹`m‘å —Hj
ŽÂè M—YiŒcœä‹`m‘å —Hj
•ñW
2. ‘œ•Ï—ʍ¬‡•ª•z‚̃vƒŠƒ“ƒVƒpƒ‹ƒ|ƒCƒ“ƒg‚ɂ‚¢‚Ä ‘q“c ”ŽŽj*i“Œ‹ž‘å î•ñŠwŠÂ^‘‡•¶‰»Œ€‹†‰Èj
Dingxi Qiuiƒ}ƒCƒAƒ~‘å Œo‰cHŠwj
•ñW
3.Effective PCA for high-dimension, low-sample-size data
with singular value decomposition of cross data matrix
–î“c ˜a‘P*i’}”g‘å ”—•šŽ¿‰ÈŠwj
Â“ˆ œi’}”g‘å ”—•šŽ¿‰ÈŠwj
•ñW
4.•ª•z’lƒf[ƒ^‚ɑ΂·‚éƒVƒ“ƒ{ƒŠƒbƒNƒNƒ‰ƒXƒ^ƒŠƒ“ƒO‚ɂ‚¢‚Ä •ÐŽR ‹ÕŠG*i–kŠC“¹‘å î•ñ‰ÈŠwj
“ì Oª i–kŠC“¹‘å î•ñŠî”ÕƒZƒ“ƒ^[j
…“c ³Oi–kŠC“¹‘å î•ñŠî”ÕƒZƒ“ƒ^[j
•ñW
5.•ª•z’l‚Å•\‚³‚ê‚œƒVƒ“ƒ{ƒŠƒbƒNƒRƒ“ƒZƒvƒg‚Ì”»•Ê–â‘è‚ɂ‚¢‚Ä ‚‹Ž ˆê–*i–kŠC“¹‘å î•ñ‰ÈŠwj
“ì Oª i–kŠC“¹‘å î•ñŠî”ÕƒZƒ“ƒ^[j
…“c ³O i–kŠC“¹‘å î•ñŠî”ÕƒZƒ“ƒ^[j
•ñW
6.—ÞŽ—“x‚ª•ª•z‚Å“Ÿ‚ç‚ê‚œê‡‚Ì‘œŽŸŒ³ŽÚ“x\¬–@ …“c ³O*i–kŠC“¹‘å î•ñŠî”ÕƒZƒ“ƒ^[j •ñW

9ŒŽ7“úiŒŽj@ŒßŒãi‚Pj

A‰ïê(–²ŠÙ MK102)@13:10`15:40@Šé‰æƒZƒbƒVƒ‡ƒ“FŠŽõÇ‘΍ô‚É‚š‚¯‚éŒv—ʐ¶•šŠw‚̍vŒ£

  • w * x‚̂‚¢‚Ä‚¢‚é–Œ‘O‚Ì•û‚ªg”­•\ŽÒh‚Æ‚È‚è‚Ü‚·D‚»‚êˆÈŠO‚Ì•û‚́g‹€“¯Œ€‹†ŽÒh‚É‚È‚è‚Ü‚·D

yƒI[ƒKƒiƒCƒU[z ‘åX ’ i‹ž“s‘å ˆãjC•ž•” ‘ i‹v—¯•Ä‘å ƒoƒCƒI“ŒvƒZƒ“ƒ^[j
yÀ’·z “¡“c —˜Ž¡ i“Œv”—Œ€‹†Š ƒf[ƒ^‰ÈŠwŒ€‹†Œnj

1. ŠŽõÇ”­¶“®Œü’²ž‚ÉŠî‚­—¬só‹µ‚Ì”cˆ¬ ‹Ž–{ C“ñ*i“¡“c•ÛŒ’‰q¶‘å ˆãj
2. ŠŽõÇ‰uŠw‚ƏnjóƒT[ƒxƒCƒ‰ƒ“ƒX‚Ö‚ÌŽŸ•aWÏ«ŒŸ’è‚̉ž—p ‚‹Ž –M•F*i•ÛŒ’ˆã—ÉȊw‰@ ‹Zp•]‰¿•”j
’OŒã r˜Yi•ÛŒ’ˆã—ÉȊw‰@ ‹Zp•]‰¿•”j
3. ƒƒNƒ`ƒ“‚̗Տ°•]‰¿‚É‚š‚¯‚éŒv—ʐ¶•šŠw‚̉ž—p Œ”ö •xŽm’j*iƒXƒ^ƒbƒgƒRƒ€iŠ”j “Œv‰ðÍ•”j
4. ŠŽõÇŒ€‹†‚É‚š‚¯‚铝Œvˆâ“`Šw“IƒAƒvƒ[ƒ`‚̉”\« ŠÝ–ì —m‹v*i“Œ‹ž‘å ”_Šw¶–œ‰ÈŠwj

B‰ïê(–²ŠÙ MK201)@13:10`15:10@Šm—ŠEŠm—Š‰ß’ö˜_

  • w * x‚̂‚¢‚Ä‚¢‚é–Œ‘O‚Ì•û‚ªg”­•\ŽÒh‚Æ‚È‚è‚Ü‚·D‚»‚êˆÈŠO‚Ì•û‚́g‹€“¯Œ€‹†ŽÒh‚É‚È‚è‚Ü‚·D

yÀ’·z ²“¡ ®® i“Œv”—Œ€‹†Š ƒŠƒXƒN‰ðÍŒ€‹†í—ªƒZƒ“ƒ^[j

1. ƒtƒ‰ƒNƒVƒ‡ƒiƒ‹Eƒuƒ‰ƒEƒ“‰^“®‚Ì‹zˆøˆæ‚É‘®‚·‚éˆê”ʉ»ƒtƒ‰ƒNƒVƒ‡ƒiƒ‹EƒŒƒ”ƒB‰ß’öF
Šm—Š“Iƒ{ƒ‰ƒeƒBƒŠƒeƒBƒ‚ƒfƒ‹‚ւ̉ž—p‚Æ‹€‚É
Œˆä @–ç*iŒcœä‹`m‘å —H / “ú–{ŠwpU‹»‰ï@“Á•ÊŒ€‹†ˆõj •ñW
2. ÛŒÀŠm—ŠŒvŽZ‚É‚š‚¯‚éÀ•WŒn‚ɂ‚¢‚Ä –쑺 ž*iŽY‹Æ‹Zp‘‡Œ€‹†Š ˆÀ‘S‰ÈŠwŒ€‹†•”–åj
3. ŠeŽ‘ŽYEŠe–Á•¿‚̍‘Û“I˜A“®«‚𑪒肷‚é‚œ‚߂̃tƒ@ƒWƒBƒgƒŒƒ“ƒhƒ‚ƒfƒ‹ ŒKŒŽ —D”ü*i’†‰›‘å —Hj •ñW
4. Žž•Ï•ªˆÊ“_‚̃xƒCƒY‰ðÍ •£ —Y‘å*i“Œ‹ž‘å ŒoÏj
‘åX —T_i“Œ‹ž‘å ŒoÏj
•ñW
5.Separating Information Maximum Likelihood Estimation of Realized Volatility
and Covariance with Micro-Market Noise
‘—F ’Œl*i“Œ‹ž‘å ŒoÏj
²“¡ ®® i“Œv”—Œ€‹†Š ƒŠƒXƒN‰ðÍí—ªŒ€‹†ƒZƒ“ƒ^[j
•ñW
6.Žü•Ó–Þ“x‚ÉŠî‚­³€•ªÍ‚ÌŽŸŒ³‚̐„’è “¡‰z Nj*i’†‰›‘å —Hj •ñW

C‰ïê(–²ŠÙ MK203)@13:10`15:10@ƒRƒ“ƒyƒeƒBƒVƒ‡ƒ“(2)

  • w * x‚̂‚¢‚Ä‚¢‚é–Œ‘O‚Ì•û‚ªg”­•\ŽÒh‚Æ‚È‚è‚Ü‚·D‚»‚êˆÈŠO‚Ì•û‚́g‹€“¯Œ€‹†ŽÒh‚É‚È‚è‚Ü‚·D

yÀ’·z Ÿ‰Y ³Ž÷ i–Œé‘å ŒoÏj

1. ƒ_ƒCƒY‚ƃcƒ‹ƒ}ƒ‚ÌŒðŽG•p“xƒ|ƒeƒ“ƒVƒƒƒ‹—\‘ª‚Ì‚œ‚ß‚Ì•û–@ ‘å“Œ Œ’‘Ÿ˜Y*i”_‹ÆŠÂ‹«‹ZpŒ€‹†Š ¶‘ÔŒnŒv‘ªŒ€‹†—̈æj
…Œû ˆŸŽ÷i”_‹ÆŠÂ‹«‹ZpŒ€‹†Š ¶•š‘œ—l«Œ€‹†—̈æj
‹g‘º ‘׍Ki”_‹ÆŠÂ‹«‹ZpŒ€‹†Š ¶•š‘œ—l«Œ€‹†—̈æj
Œ”ö ˜ali”_‹ÆŠÂ‹«‹ZpŒ€‹†Š ¶•š‘œ—l«Œ€‹†—̈æj
ŽO—Ö “N‹vi”_‹ÆŠÂ‹«‹ZpŒ€‹†Š ¶‘ÔŒnŒv‘ªŒ€‹†—̈æj
•ñW
2. Šm—ŠŒp³ƒAƒ‹ƒSƒŠƒYƒ€‚É‚æ‚éƒ}ƒ‹ƒRƒtŽ÷‚Ì–Þ“x•]‰¿ ›’J —EŽ÷*iŒcœä‹`m‘å —Hj
ŽÄ“c —¢’öiŒcœä‹`m‘å —Hj
•ñW
3. ƒQƒmƒ€ƒƒCƒhŠÖ˜A‰ðÍ‚É‚š‚¯‚éŽå¬•ª•ªÍ‚ð—p‚¢‚œ˜Aœ•s•œt‚̕␳ ŒFâ ‰Ä•F *i—‰»ŠwŒ€‹†Š ƒQƒmƒ€ˆã‰ÈŠwŒ€‹†ƒZƒ“ƒ^[j
4. Approximation to the upper percentiles of the statistic for pairwise comparison
among components of mean vector in elliptical distributions
‚‹Ž ãÄ*i“Œ‹ž—‰È‘å —j
ŒŽR ‹MOi“Œ‹ž—‰È‘å —j
£”ö —²i“Œ‹ž—‰È‘å —j
•ñW
5.ƒRƒsƒ…ƒ‰‚ð—p‚¢‚œƒ|[ƒgƒtƒHƒŠƒI‚̐M—pƒŠƒXƒN•]‰¿ ì“c ÍL*i“Œ‹ž—‰È‘å Hj
‰–à_ Œh”V i“Œ‹ž—‰È‘å Hj
•ñW

D‰ïê(–²ŠÙ MK301)@13:10`15:10@ƒxƒCƒY“Œv

  • w * x‚̂‚¢‚Ä‚¢‚é–Œ‘O‚Ì•û‚ªg”­•\ŽÒh‚Æ‚È‚è‚Ü‚·D‚»‚êˆÈŠO‚Ì•û‚́g‹€“¯Œ€‹†ŽÒh‚É‚È‚è‚Ü‚·D

yÀ’·z ”öŒ` —Ç•F i“Œv”—Œ€‹†Š ƒ‚ƒfƒŠƒ“ƒOŒ€‹†Œnj

1. Max-stable process‚̃xƒCƒY•ªÍ‚ƍ‚•p“xŠ”‰¿Žû‰v—Šƒf[ƒ^‚ւ̉ž—p š ûM „*i“Œ‹ž‘å ŒoÏj
‘åX —T_i“Œ‹ž‘å ŒoÏj
•ñW
2. ŠK‘w\‘¢‚ð‚à‚ó‘Ô‹óŠÔƒ‚ƒfƒ‹‚ð—p‚¢‚œƒXƒ|[ƒc“Ÿ“_ƒf[ƒ^‚Ì•ªÍ š–{ Œ÷–í*i’†‰›‘å —Hj
ŽðÜ •¶•i’†‰›‘å —Hj
•ñW
3. On a Bayesian simultaneous demand and supply model for market-level data •Ä’J —I *i’}”g‘å ƒVƒXƒeƒ€î•ñHŠwj
‹ààV —Yˆê˜Yi’}”g‘å ƒVƒXƒeƒ€î•ñHŠwj
•ñW
4. Ž©ŒÈ‰ñ‹A‰ß’ö‚Ì—D’²˜aŽ–‘O•ª•z‚̕ΑŠŠÖŒW”‚É‚æ‚é•\ŽŠ “c’† “~•F*i‰ÈŠw‹ZpU‹»‹@\ ‚³‚«‚ª‚¯j •ñW
5.‹óŠÔƒxƒCƒYƒ‚ƒfƒ‹‚É‚æ‚é’nkƒJƒ^ƒƒO‚̏”–â‘è‚̉ðÍ‚ɂ‚¢‚Ä ”öŒ` —Ç•F*i“Œv”—Œ€‹†Š ƒ‚ƒfƒŠƒ“ƒOŒ€‹†Œnj •ñW

P‰ïê(Œb“¹ŠÙ KD104)@13:10`15:10@Šé‰æƒZƒbƒVƒ‡ƒ“F•Ï‚í‚鏉“™’†“™‹³ˆç‚É‚š‚¯‚铝Œv‹³ˆç

  • w * x‚̂‚¢‚Ä‚¢‚é–Œ‘O‚Ì•û‚ªg”­•\ŽÒh‚Æ‚È‚è‚Ü‚·D‚»‚êˆÈŠO‚Ì•û‚́g‹€“¯Œ€‹†ŽÒh‚É‚È‚è‚Ü‚·D

yƒI[ƒKƒiƒCƒU[z “¡ˆä —Ç‹X i‹{è‘å ‹³ˆç•¶‰»j
yÀ’·z “¡ˆä —Ç‹X i‹{è‘å ‹³ˆç•¶‰»j

1. ¬ŠwZŽZ”‚É‚š‚¯‚铝Œv“IƒŠƒeƒ‰ƒV[‚ÌŽw“±‚ÉŠÖ‚·‚錀‹† ¬Œû —Sˆê*i·‰ª‘å •¶j •ñW
2. ’†ŠwZ”Šw‰ÈuŽ‘—¿‚ÌŠˆ—pv‚Å“WŠJ‚³‚ê‚邱‚ê‚©‚ç‚Ì“Œv‹³ˆç ÂŽR ˜a—T*iˆ€’m‹³ˆç‘å ‹³ˆçj •ñW
3. ‚“™ŠwZ”Šw‚Å•KC‰»‚³‚ê‚铝Œv‹³ˆç‚Ì“à—e ’|“à Œõ‰x *iŽÀ‘H—Žq‘å lŠÔŽÐ‰ïj •ñW
4. ‚“™ŠwZ‚É‚š‚¯‚铝Œv‹³ˆç‚̉”\« ²“¡ ˆê*iÃ‰ªŒ§—§Œä“aê‚“™ŠwZj •ñW
5.ŠCŠO‚É‚š‚¯‚鏉“™’†“™‹³ˆç‚Å‚Ì“Œv‹³ˆçƒ\ƒtƒgƒEƒGƒA‚ÌŠˆ—p
`“Œv“IŽvl—Í‚ðˆç¬‚·‚éTinkerplot•Fathom`
Bill Finzer*iKCP Technologiesj •ñW

Q‰ïê(Œb“¹ŠÙ KD106)@13:10`15:10@Šé‰æƒZƒbƒVƒ‡ƒ“FModel selection

  • w * x‚̂‚¢‚Ä‚¢‚é–Œ‘O‚Ì•û‚ªg”­•\ŽÒh‚Æ‚È‚è‚Ü‚·D‚»‚êˆÈŠO‚Ì•û‚́g‹€“¯Œ€‹†ŽÒh‚É‚È‚è‚Ü‚·D

yƒI[ƒKƒiƒCƒU[z Byeong U. Park iSeoul National UniversityjCMing-Yen C‚ˆeng iUniversity College LondonjC‘O‰€ ‹X•F i‹ãB‘å ”—j
yÀ’·z ‘O‰€ ‹X•F i‹ãB‘å ”—j

1. Bayesian Model Selection in Linear Mixed Effect Models Using Mixture Priors Tsai-Hung Fan*iGraduate Institute of Statistics, National Central Universityj •ñW
2. Bias Corrections of Cross-Validation Criterion Hirokazu Yanagihara*iDepartment of Mathematics, Graduate School of Science, Hiroshima Universityj •ñW
3. Unstable class of threshold-GARCH processes: applications and comparisons Sun Young Hwang*iDepartment of Statistics, Sookmyung Women's Universityj
J. S. BaekiDepartment of Statistics, Sookmyung Women's Universityj
J. A. ParkiDepartment of Statistics, Sookmyung Women's Universityj
•ñW

R‰ïê(Œb“¹ŠÙ KD202)@13:10`15:10@Š¯’¡“Œv(2)

  • w * x‚̂‚¢‚Ä‚¢‚é–Œ‘O‚Ì•û‚ªg”­•\ŽÒh‚Æ‚È‚è‚Ü‚·D‚»‚êˆÈŠO‚Ì•û‚́g‹€“¯Œ€‹†ŽÒh‚É‚È‚è‚Ü‚·D

yÀ’·z r–Ø –œŽõ•v iÂŽRŠw‰@‘å Œo‰cj

1. V“Œv–@‚Ì‘S–ÊŽ{s‚ɂ‚¢‚Ä ã“c ¹*i‘–±È ­ô“Š‡Š¯i“ŒvŠî€’S“–jŽºj •ñW
2. •œ¬22”N‘š’²ž ŽÀŽ{Œv‰æˆÄ‚ÌŠT—v ‰Í–ì Ds*i‘–±È “Œv‹Çj •ñW
3. “ú–{•W€E‹Æ•ª—ނɂ‚¢‚Ä Šâ‹Ž ³Ž÷ *i‘–±È ­ô“Š‡Š¯i“ŒvŠî€’S“–jŽºj •ñW
4. •œ¬18”NŽÐ‰ï¶ŠˆŠî–{’²ž@¶Šˆs“®‚́u‚»‚Ì‘Œv€–ڂ̏WŒvŒ‹‰Ê‚Æ“¯€–Ú‚Ì‹L“üó‹µ‚É
ŠÖ‚·‚镪Í‚ɂ‚¢‚Ä
‰iˆä ŒbŽq*i‘–±È “Œv‹Çj
–ìŒû ^—Ri‘–±È “Œv‹Çj
²“¡ •ü•Fi‘–±È “Œv‹Çj
•ñW
5.¢‘шõƒf[ƒ^‚ð—p‚¢‚œ¢‘Ñ—ÞŒ^‚̍쐬 ˆî—t —R”V*iŒcœä‹`m‘å ŒoÏj
r–Ø –œŽõ•viÂŽRŠw‰@‘å Œo‰cj
•ñW
6.ƒ~ƒNƒƒAƒOƒŠƒQ[ƒVƒ‡ƒ“‚É‚š‚¯‚é”é“œ«‚Ì•]‰¿•û–@‚ɂ‚¢‚Ä ˆÉ“¡ L‰î*i–ŸŠC‘å ŒoÏj
ˆé•” ËŽqi“ŒvƒZƒ“ƒ^[ î•ñˆ—‰Ûj
HŽR —T”üi“ŒvƒZƒ“ƒ^[ Œ€‹†ŽåŠ²Žºj
•ñW

S‰ïê(Œb“¹ŠÙ KD203)@13:10`15:10@‘Q‹ß—˜_(2)

  • w * x‚̂‚¢‚Ä‚¢‚é–Œ‘O‚Ì•û‚ªg”­•\ŽÒh‚Æ‚È‚è‚Ü‚·D‚»‚êˆÈŠO‚Ì•û‚́g‹€“¯Œ€‹†ŽÒh‚É‚È‚è‚Ü‚·D

yÀ’·z ŸNˆä “N˜N i’†‰›‘å —Hj

1. ‘Å‚¿Ø‚è‚𔺂€—LŒÀ¬‡ƒ‚ƒfƒ‹‚É‚š‚¯‚éÅ–ސ„’è—Ê‚Ì‹­ˆê’v«‚ɂ‚¢‚Ä ‹{“c —fˆê*i‚èŒoÏ‘å ŒoÏj •ñW
2. –³Ž‹•s‰Â”\‚ÈŒ‡‘ª‚ðŠÜ‚Þƒf[ƒ^‚ɑ΂µ‚Äcomplete-case analysis‚Í–³”\‚©H Žë–ì —T*i‘åã‘å Šî‘bHj
‚ˆä Œ[“ñi‘åã‘å Šî‘bHj
•ñW
3. “¯Žž•û’öŽ®ƒ‚ƒfƒ‹‚É‚š‚¯‚鍂ŽŸŒ³‘Q‹ß—˜_ ŸNˆä “N˜N *i’†‰›‘å —Hj
“¡‰z Nji’†‰›‘å —Hj
•ñW
4. MANOVA‚É‚š‚¯‚铝Œv—Ê‚Ì”ñ³‹K•ª•z‚Ì‚à‚Ƃł̍‚ŽŸŒ³‹ÉŒÀ•ª•z ŸNˆä “N˜N*i’†‰›‘å —Hj •ñW
5.”í•¢Œë·‚Æ‹æŠÔ‚̏璷«‚©‚猩‚éC‹æŠÔ„’è‚É‚š‚¯‚鐳‹K‰»•ÏŠ·‚Æ‚»‚Ì’P’²‰»C
‚š‚æ‚Ñ’P’²‰»€‚̃pƒ‰ƒ[ƒ^‘I‘ð
®’J KO*i‘åã‘å Šî‘bHj
Žë–ì —Ti‘åã‘å Šî‘bHj
•ñW
6.”ñ³‘¥‚ȉñ‹Aƒ‚ƒfƒ‹‚É‚š‚¯‚鐄’è—Ê‚Ì‘Q‹ß“I«Ž¿‚ɂ‚¢‚Ä “¡ˆä F”V*iî•ñEƒVƒXƒeƒ€Œ€‹†‹@\ V—̈æ—Z‡Œ€‹†ƒZƒ“ƒ^[j •ñW

T‰ïê(Œb“¹ŠÙ KD204)@13:10`15:10@ƒNƒ‰ƒXƒ^ƒŠƒ“ƒO

  • w * x‚̂‚¢‚Ä‚¢‚é–Œ‘O‚Ì•û‚ªg”­•\ŽÒh‚Æ‚È‚è‚Ü‚·D‚»‚êˆÈŠO‚Ì•û‚́g‹€“¯Œ€‹†ŽÒh‚É‚È‚è‚Ü‚·D

yÀ’·z Ž… M•v i“Œv”—Œ€‹†Š ƒf[ƒ^‰ÈŠwŒ€‹†Œnj

1. •Ï”‚ɐ§–ñ‚Ì‚ ‚éƒNƒ‰ƒXƒ^ƒŠƒ“ƒO‚̃Vƒ~ƒ…ƒŒ[ƒVƒ‡ƒ“Œ€‹† Ž… ŽžŽq*i’†‰›‘å —Hj
‘呐 F‰îi’†‰›‘å —Hj
Š™‘q –«¬i’†‰›‘å —Hj
•ñW
2. ƒ}ƒ‹ƒ`ƒXƒP[ƒ‹EƒoƒMƒ“ƒO‚É‚æ‚é”»•Ê•ªÍ‚̐M—Š«•]‰¿ Â–Ø ³—Ç*i“Œ‹žH‹Æ‘å î•ñ—Hj
‹àX Œh•¶i–ŒŒÃ‰®‘å î•ñ‰ÈŠwj
‰º•œ ‰pŽõi“Œ‹žH‹Æ‘å î•ñ—Hj
•ñW
3. ŠÖ”ƒf[ƒ^‚ÉŠî‚­”Œ‹³Žt‚ ‚莯•ÊE”»•Ê–â‘è ì–ì Gˆê*i‹ãB‘å ”—j
¬Œ ’å‘¥i‹ãB‘å ”—j
•ñW
Ú×”Å
4. ‹æŠÔ’lŠÖ”ƒf[ƒ^‚̃Nƒ‰ƒXƒ^[•ªÍ‚ɂ‚¢‚Ä Ž… M•v*i“Œv”—Œ€‹†Š ƒf[ƒ^‰ÈŠwŒ€‹†Œnj •ñW
5.ŠÖ”ƒNƒ‰ƒXƒ^[•ªÍ–@‚Ì‹æŠÔ’lƒf[ƒ^‚Ö‚ÌŠg’£ –L“c Œ’Žu*i–kŠC“¹‘å î•ñ‰ÈŠwj
’r“c ’qNi–kŠC“¹‘å î•ñ‰ÈŠwj
¬‹{ —R—¢Žqi–kŠC“¹‘å î•ñŠî”ÕƒZƒ“ƒ^[j
…“c ³Oi–kŠC“¹‘å î•ñŠî”ÕƒZƒ“ƒ^[j
•ñW
6.¬‡•ª•zƒ‚ƒfƒ‹‚Æ k-means –@‚Ì—˜_“I”äŠr ‰º‘º —º*i’†‰›‘å —Hj
ŽðÜ •¶•i’†‰›‘å —Hj
•ñW

9ŒŽ7“úiŒŽj@ŒßŒãi‚Qj

A‰ïê(–²ŠÙ MK102)@16:00`17:30@Šé‰æƒZƒbƒVƒ‡ƒ“F“ú–{Œv—ʐ¶•šŠw‰ïÜŽóÜŽÒu‰‰‚š‚æ‚Ñ2009”N“xŠw‰ïÜŽö—^Ž®

  • w * x‚̂‚¢‚Ä‚¢‚é–Œ‘O‚Ì•û‚ªg”­•\ŽÒh‚Æ‚È‚è‚Ü‚·D‚»‚êˆÈŠO‚Ì•û‚́g‹€“¯Œ€‹†ŽÒh‚É‚È‚è‚Ü‚·D

yƒI[ƒKƒiƒCƒU[z ˜aò Žu’ÃŒb i‘啪‘å Hj
yÀ’·z ’OŒã r˜Y i•ÛŒ’ˆã—ÉȊw‰@ ‹Zp•]‰¿•”j

1. ”_‹ÆŒ€‹†‚Æ‘œd”äŠrŽè–@ ŽO—Ö “N‹v*i”_‹ÆŠÂ‹«‹ZpŒ€‹†Š ¶‘ÔŒnŒv‘ªŒ€‹†—̈æj •ñW
Ú×”Å

B‰ïê(–²ŠÙ MK201)@15:30`17:30@¶•š“Œv

  • w * x‚̂‚¢‚Ä‚¢‚é–Œ‘O‚Ì•û‚ªg”­•\ŽÒh‚Æ‚È‚è‚Ü‚·D‚»‚êˆÈŠO‚Ì•û‚́g‹€“¯Œ€‹†ŽÒh‚É‚È‚è‚Ü‚·D

yÀ’·z ‘å’J ŒhŽq iL“‡‘å ŒŽ”š•úŽËüˆã‰ÈŠwŒ€‹†Šj

1. ƒQƒmƒ€ƒƒCƒhSNPƒf[ƒ^‚ð—p‚¢‚œˆâ“`ŽqŠÔ‘ŠŒÝì—p‚Ì’Tõ ‹“ˆ ‘å*iiàjŠàŒ€‹†‰ï ƒQƒmƒ€ƒZƒ“ƒ^[j
ˆé‘º ŽÀiiàjŠàŒ€‹†‰ï ƒQƒmƒ€ƒZƒ“ƒ^[j
ŽO–Ø ‹`’jiiàjŠàŒ€‹†‰ï ƒQƒmƒ€ƒZƒ“ƒ^[j
Œ‰Y ³–ŸiiàjŠàŒ€‹†‰ï ƒQƒmƒ€ƒZƒ“ƒ^[j
•ñW
2. SNPƒf[ƒ^‚ð—p‚¢‚œCase-Control Study‚É‚š‚¯‚éIBS‚ÉŠî‚­Quality Control ˆÀ“Œ ³‹M*iL“‡‘å ˆãŽ•–òŠw‘‡j
²“¡ ‘׌›iç—t‘å ˆãj
â–{ —T”üi‘—§‚ª‚ñƒZƒ“ƒ^[ Œ€‹†Šj
‹g“c ‹P•Fi‘—§‚ª‚ñƒZƒ“ƒ^[ Œ€‹†Šj
‘å‘ë ŽœiL“‡‘å ŒŽ”š•úŽËüˆã‰ÈŠwŒ€‹†Šj
3. ó‘Ô‹óŠÔƒ‚ƒfƒ‹‚©‚ç‚Ì“®“I—\‘ª‚ÉŠî‚­ˆâ“`Žq”­Œ»§ŒäŠÖŒW‚̍·ˆÙ‚Ì’Tõ ŽRŒû —Þ*i“Œ‹ž‘å ˆã‰ÈŠwŒ€‹†Šj
ˆäŒ³ ŽÆi“Œ‹ž‘å ˆã‰ÈŠwŒ€‹†Šj
“‡‘º “O•œi“Œ‹ž‘å ˆã‰ÈŠwŒ€‹†Šj
ŽR“à –ƒˆßi“Œ‹ž‘å ˆã‰ÈŠwŒ€‹†Šj
’·è ³˜Ni“Œ‹ž‘å ˆã‰ÈŠwŒ€‹†Šj
‹g“c —ºi“Œv”—Œ€‹†Š ƒ‚ƒfƒŠƒ“ƒOŒ€‹†Œnj
”óŒû ’m”Vi“Œv”—Œ€‹†Š ƒ‚ƒfƒŠƒ“ƒOŒ€‹†Œnj
Œã“¡ “TŽqi“Œ‹ž‘å ˆã‰ÈŠwŒ€‹†Šj
‹{–ì Œåi“Œ‹ž‘å ˆã‰ÈŠwŒ€‹†Šj
•ñW
4. ŽžŒn—ñˆâ“`Žq§Œäƒlƒbƒgƒ[ƒN„’è‚Ì‚œ‚߂̃RƒƒP[ƒVƒ‡ƒ“–@‚Æ‚»‚̉ž—p “‡‘º “O•œ*i“Œ‹ž‘å ˆã‰ÈŠwŒ€‹†Šj
ˆäŒ³ ŽÆi“Œ‹ž‘å ˆã‰ÈŠwŒ€‹†Šj
ŽRŒû —ށi“Œ‹ž‘å ˆã‰ÈŠwŒ€‹†Šj
‹{–ì Œåi“Œ‹ž‘å ˆã‰ÈŠwŒ€‹†Šj
5.Inferring cluster-based gene networks from differently stimulated multiple time-course gene expression data ”’Î —Fˆê*i—‰»ŠwŒ€‹†Š ŠîŠ²Œ€‹†Š@×–EƒVƒXƒeƒ€ƒ‚ƒfƒ‹‰»Œ€‹†ƒ`[ƒ€j
–Ø‘º Žü•œ i’¹Žæ‘å Hj
”©ŽR áÁ—¢Žq i—‰»ŠwŒ€‹†Š ŠîŠ²Œ€‹†Š@×–EƒVƒXƒeƒ€ƒ‚ƒfƒ‹‰»Œ€‹†ƒ`[ƒ€j
6.‘¬“xƒt[ƒŠƒG‹LqŽq‚ð—p‚¢‚œŠJ‹Èü‚̉ðÍ “c’† ‰pŠó*i“Œv”—Œ€‹†Š “Œvj
“c‘º ‹`•Û i“Œv”—Œ€‹†Š ƒf[ƒ^‰ÈŠwŒ€‹†Œnj
éÎ r•F i‘—§ˆâ“`ŠwŒ€‹†Š Œn“¶•šŒ€‹†ƒZƒ“ƒ^[j
×’J —Ž÷ i‘‡Œ€‹†‘åŠw‰@‘å ¶–œ‰ÈŠwj
•ñW

C‰ïê(–²ŠÙ MK203)@15:30`17:30@ƒRƒ“ƒyƒeƒBƒVƒ‡ƒ“(3)

  • w * x‚̂‚¢‚Ä‚¢‚é–Œ‘O‚Ì•û‚ªg”­•\ŽÒh‚Æ‚È‚è‚Ü‚·D‚»‚êˆÈŠO‚Ì•û‚́g‹€“¯Œ€‹†ŽÒh‚É‚È‚è‚Ü‚·D

yÀ’·z ‘«—§ _•œ i‘åã‘å lŠÔ‰ÈŠwj

1. Œ‡‘ªƒ^ƒCƒv‚𕪗ނ·‚é‚œ‚ß‚ÌŒŸ’è‚ɂ‚¢‚Ä ‚ˆä Œ[“ñ*i‘åã‘å Šî‘bHj •ñW
2. An asymptotic approximation for EPMC in linear discriminant function
with 2-Step monotone missing data
Žñ“¡ M’Ê*i“Œ‹ž—‰È‘å —E‰@j
£”ö —²i“Œ‹ž—‰È‘å —j
•ñW
3. ˆÊ‘Š‰ž“š‹Èü‚̃xƒCƒY„’è ’†] Œ’*i‘‡Œ€‹†‘åŠw‰@‘å •¡‡‰ÈŠwj
ˆÉ’ë Kl i“Œv”—Œ€‹†Š ƒ‚ƒfƒŠƒ“ƒOŒ€‹†Œnj
Â–ö •xŽ¶ i‹ž“s‘å î•ñŠwj
’Ø ‘׍G i—‰»ŠwŒ€‹†Š ”]‰ñ˜H‹@”\—˜_Œ€‹†ƒ`[ƒ€j
[ˆä •üŽ÷ i—‰»ŠwŒ€‹†Š ”]‰ñ˜H‹@”\—˜_Œ€‹†ƒ`[ƒ€j
•ñW
4. ƒI[ƒXƒgƒ‰ƒŠƒA–k•”‚É‚š‚¯‚é‘å‹K–ÍŠC’ꐶ•š’²žƒf[ƒ^‚̉ðÍ
\ŒÂ‘̏d—Ê•ª•z‚Ì“¯’è‚Æ, ‚»‚̕ω»‚©‚猩‚Š‚éƒgƒ[ƒ‹‹™‚̉e‹¿\
’‡ ^‹|*iŒcœä‹`m‘å —Hj
ŽÄ“c —¢’ö iŒcœä‹`m‘å —Hj
•ñW
5.’PÜE•¹—p‚𔺂€—Տ°ŽŽŒ±‚̏d‚Ý•t‚¯ŒXŒüƒXƒRƒA–@‚É‚æ‚éŒðŒÝì—p‚Ì•]‰¿ “¡ˆä —z‰î*i“Œv”—Œ€‹†Š ƒŠƒXƒN‰ðÍí—ªŒ€‹†ƒZƒ“ƒ^[j
ˆíŒ© ¹”V i“Œv”—Œ€‹†Š ”—E„˜_Œ€‹†Œnj
“¡“c —˜Ž¡ i“Œv”—Œ€‹†Š ƒf[ƒ^‰ÈŠwŒ€‹†Œnj
•ñW

D‰ïê(–²ŠÙ MK301)@15:30`17:30@ƒ‚ƒfƒ‹‘I‘ð(1)

  • w * x‚̂‚¢‚Ä‚¢‚é–Œ‘O‚Ì•û‚ªg”­•\ŽÒh‚Æ‚È‚è‚Ü‚·D‚»‚êˆÈŠO‚Ì•û‚́g‹€“¯Œ€‹†ŽÒh‚É‚È‚è‚Ü‚·D

yÀ’·z “ì Oª i–kŠC“¹‘å î•ñŠî”ÕƒZƒ“ƒ^[j

1. •”•ª‹óŠÔ–@‚É‚š‚¯‚éŒoŒ±‰e‹¿ŠÖ”‚ð—˜—p‚µ‚œ•¡”ŠÏ‘ª’lf’f —Ñ –MD*i–kŠC“¹‘å î•ñ‰ÈŠwj
“ì Oªi–kŠC“¹‘å î•ñŠî”ÕƒZƒ“ƒ^[j
…“c ³Oi–kŠC“¹‘å î•ñŠî”ÕƒZƒ“ƒ^[j
•ñW
2. ¬‡•ª•zƒ‚ƒfƒ‹‚̐žŠmƒoƒCƒAƒX ’†‘º ‰i—F*iŽD–yŠw‰@‘å ŒoÏj
“y‰® ‚GiéŒ‘å —j
•ñW
3. ƒKƒ“ƒ}¬‡•ª•z‚̃Nƒ‰ƒXƒ^[”‚ÌŒˆ’è‚ɂ‚¢‚Ä ‹à“c ®‹v*iŠwK‰@‘å ŒoÏŒo‰cŒ€‹†Šj •ñW
4. —ÞŽ—“x‚ÌAlignment‚ÉŠî‚­ƒtƒ@ƒWƒBƒNƒ‰ƒXƒ^[”‚Ì‘I‘𠍲“¡ ”ü‰À*i’}”g‘å ƒVƒXƒeƒ€î•ñHŠwj
Œà 猁i’}”g‘å ƒVƒXƒeƒ€î•ñHŠwj
5.On parameter estimation based on the contact distance
for certain superposed Neyman-Scott spatial cluster fields
“c’† ’ª*i“Œv”—Œ€‹†Š —\‘ª”­Œ©í—ªŒ€‹†ƒZƒ“ƒ^[j •ñW
6.ŠÖ˜AƒxƒNƒ^[ƒ}ƒVƒ“‚ÉŠî‚­”ñüŒ`‰ñ‹Aƒ‚ƒfƒ‹‚ƕω»“_’Tõ —§Î ³•œ*i‹ãB‘å ”—j
¬Œ ’å‘¥ i‹ãB‘å ”—j
•ñW
Ú×”Å

P‰ïê(Œb“¹ŠÙ KD104)@15:30`17:30@Šé‰æƒZƒbƒVƒ‡ƒ“F‘åŠwE‘åŠw‰@‚É‚š‚¯‚铝Œv‹³ˆç

  • w * x‚̂‚¢‚Ä‚¢‚é–Œ‘O‚Ì•û‚ªg”­•\ŽÒh‚Æ‚È‚è‚Ü‚·D‚»‚êˆÈŠO‚Ì•û‚́g‹€“¯Œ€‹†ŽÒh‚É‚È‚è‚Ü‚·D

yƒI[ƒKƒiƒCƒU[z h‹v —m i“¯ŽuŽÐ‘å •¶‰»î•ñj
yÀ’·z ’|‘º ²’Ê i“Œ‹ž‘å î•ñ—Hj

1. ŒoÏŠw•”‚É‚š‚¯‚铝Œv‹³ˆç‚ÌŽÀ‘H`î•ñ‹³ˆç‚Ì’†‚Å‚Ì“Œv‹³ˆç` ’†Œ Š°Žq*i¬æü‘å ŒoÏj •ñW
2. •¶——Z‡Œ^‚Ì“Œv‹³ˆç`ƒf[ƒ^ƒTƒCƒGƒ“ƒX‚É‚æ‚镶‰»Ž–Û‚̉𖟁` h‹v —m*i“¯ŽuŽÐ‘å •¶‰»î•ñj
‘ºã ªŸi“¯ŽuŽÐ‘å •¶‰»î•ñj
•ñW
3. ŽÐ‰ï’²žŽmŽ‘Ši‚ƎЉï‰ÈŠwŒnŠw•”‚Å‚Ì“Œv‹³ˆç ŽRŒû ˜a”Í*i—§‹³‘å Œo‰cj •ñW
4. ƒoƒCƒI“Œv‹³ˆç`‹v—¯•Ä‘åŠwƒoƒCƒI“ŒvƒZƒ“ƒ^[‚Å‚ÌŽæ‚è‘g‚݁` ŠpŠÔ ’C”V*i‹v—¯•Ä‘å ƒoƒCƒI“ŒvƒZƒ“ƒ^[j •ñW
5.Šw•”E‘åŠw‰@ƒŒƒxƒ‹‚Ì“Œv‹³ˆç Žë–ì —T*i‘åã‘å Šî‘bHj •ñW
6.Œo‰cŒnê–åE‘åŠw‰@‚ň琬‚·‚ׂ«—Í—Ê‚Æ“Œv‹³ˆç‚Ì–ðŠ„ ’Ö LŒv*i“Œv”—Œ€‹†Š / ’}”g‘åj •ñW

Q‰ïê(Œb“¹ŠÙ KD106)@15:30`17:30@Šé‰æƒZƒbƒVƒ‡ƒ“FMachine learning

  • w * x‚̂‚¢‚Ä‚¢‚é–Œ‘O‚Ì•û‚ªg”­•\ŽÒh‚Æ‚È‚è‚Ü‚·D‚»‚êˆÈŠO‚Ì•û‚́g‹€“¯Œ€‹†ŽÒh‚É‚È‚è‚Ü‚·D

yƒI[ƒKƒiƒCƒU[z Byeong U. Park iSeoul National UniversityjCMing-Yen C‚ˆengiUniversity College LondonjC‘O‰€ ‹X•Fi‹ãB‘å ”—j

yÀ’·z ]Œû ^“§ i“Œv”—Œ€‹†Š ”—E„˜_Œ€‹†Œnj

1. A multi-class classification by ECOC ensemble and its extension Takashi Takenouchi*iGraduate School of Information Science,
Nara Institute of Science and Technologyj
•ñW
2. Sparse regression with incentive Yongdai Kim*iDepartment of Statistics, Seoul National Universityj •ñW
3. A Likelihood Ratio Test for Detection of Spatial Clusters with Covariates Pei-Sheng Lin*iDepartment of Mathematics, National Chung Cheng Universityj •ñW

R‰ïê(Œb“¹ŠÙ KD202)@15:30`17:30@Š¯’¡“Œv(3)E’²ž–@

  • w * x‚̂‚¢‚Ä‚¢‚é–Œ‘O‚Ì•û‚ªg”­•\ŽÒh‚Æ‚È‚è‚Ü‚·D‚»‚êˆÈŠO‚Ì•û‚́g‹€“¯Œ€‹†ŽÒh‚É‚È‚è‚Ü‚·D

yÀ’·z Œ‹œ _ i‘ˆî“c‘å ­Œoj

1. “Œv‚š‚æ‚яZ–¯ˆÓŽ¯’²ž‚Æ’nˆæ‘‡Œv‰æ “c‰Y Œ³*i‘ñB‘å ­Œoj •ñW
2. Œ§–¯ŒoÏŒvŽZ‚Ì—˜Šˆ—p ²“¡ ’qH*iˆ€•Q‘å –@•¶j •ñW
3. Measuring Inflation Expectations Using Interval-Coded Data ‘ºàV N—F*i‘åã•{—§‘å ŒoÏj •ñW
4. RDD“d˜b’²ž‚É‚š‚¯‚éƒR[ƒ‹ƒŒƒR[ƒh‚Ì•ªÍ
\Žs–¯ŽÐ‰ï’²žiCATIjƒf[ƒ^‚ð—p‚¢‚œ“ú•Ä’²ž–@”äŠr\
Œ–{ Â*i“Œv”—Œ€‹†Š ƒf[ƒ^‰ÈŠwŒ€‹†Œnj •ñW
5.’Šo‚̘g‚ª‚È‚¢ê‡‚̌l•W–{’Šo•û–@‚ÌŽÀ‘H“IlŽ@ “A –ôŒR*i“¯ŽuŽÐ‘å •¶‰»î•ñj •ñW
6.Doubly Protected Hot Deck Imputation Œ‹œ _*i‘ˆî“c‘å ­Œoj •ñW

S‰ïê(Œb“¹ŠÙ KD203)@15:30`17:30@ŽžŒn—ñ‰ðÍ

  • w * x‚̂‚¢‚Ä‚¢‚é–Œ‘O‚Ì•û‚ªg”­•\ŽÒh‚Æ‚È‚è‚Ü‚·D‚»‚êˆÈŠO‚Ì•û‚́g‹€“¯Œ€‹†ŽÒh‚É‚È‚è‚Ü‚·D

yÀ’·z Ž… ‘×—² i‘åã‘å Šî‘bHj

1. Long-Memory SV model‚̃Zƒ~ƒpƒ‰ƒƒgƒŠƒbƒN„’è ¶ì ‰ë‹I*i“Œ–k‘å ŒoÏj
Œ“c ˆÀ¹i“Œ–k‘å ŒoÏj
•ñW
2. ”ñÄ‹A“I‚n‚t‰ß’ö‚ɑ΂·‚é—£ŽUŠÏ‘ª„’è‚ɂ‚¢‚Ä Ž… ‘×—²*i‘åã‘å Šî‘bHj •ñW
3. Empirical Likelihood Ratio Test of the Change-Point Problem for Stationary Processes ¯Ži ’ŒŽj*i“Œ‹ž—‰È‘å Hj
¬•û _–ŸiŽñ“s‘å “sŽs‹³—{j
‹Ê’u Œ’ˆê˜Yi‘ˆî“c‘å ­Œoj
‰–à_ Œh”Vi“Œ‹ž—‰È‘å Hj
•ñW
4. ‹ts—ñ‹óŠÔ‚Å‚Ì‹€•ªŽUs—ñ‚̐³‘¥‰» ã–ì Œº‘Ÿ*i“Œv”—Œ€‹†Š ƒ‚ƒfƒŠƒ“ƒOŒ€‹†Œnj
“y’J —²i“Œv”—Œ€‹†Š ”—E„˜_Œ€‹†Œnj
•ñW
5. “¯ˆêl•š‚Ì•¡”–¬”gƒf[ƒ^‚ɑ΂·‚鎞Œn—ñƒ‚ƒfƒŠƒ“ƒO ˆ¢”g Šî•¶*i’†‰›‘å —Hj
“nç³ ‘¥¶i’†‰›‘å —Hj
•ñW
6. ‘̐ςЂž‚ÝŒv‚ž“x‹L˜^‚̃f[ƒ^ˆ— –kì Œ¹Žl˜Y*i“Œv”—Œ€‹†Šj
‚”g “S•viDepartment of Terrestrial Magnetism, Carnegie Institution of Washingtonj
•ñW

T‰ïê(Œb“¹ŠÙ KD204)@15:30`17:30@‘œ•Ï—ʉðÍ

  • w * x‚̂‚¢‚Ä‚¢‚é–Œ‘O‚Ì•û‚ªg”­•\ŽÒh‚Æ‚È‚è‚Ü‚·D‚»‚êˆÈŠO‚Ì•û‚́g‹€“¯Œ€‹†ŽÒh‚É‚È‚è‚Ü‚·D

yÀ’·z Ž… ¹•œ i‘åã‘å ŽY‹Æ‰ÈŠwŒ€‹†Šj

1. ‘œ•Ï—Ê•sŠ®‘Sƒf[ƒ^‚ɑ΂·‚鐳€‘ŠŠÖ•ªÍ‚É‚š‚¯‚鎟Œ³”‚ÌŒŸ’è‚ɂ‚¢‚Ä ŽR“c ’qÆ*iŽD–yŠw‰@‘å ŒoÏj •ñW
2. Žå¬•ª³€‘ŠŠÖ•ªÍ‚É‚š‚¯‚é•Ï”‚̏璷«‚ÌŒŸØ ¬–ž “§*i’†‰›‘å —Hj
™ŽR ‚ˆêi’†‰›‘å —Hj
•ñW
3. Age-Period-Cohort Decomposition Using Principal Components or Partial Least Squares:
A Simulation Study
•Ÿ“c Œö³*i“ú–{‘å ŒoÏj •ñW
Ú×”Å
4. Žå¬•ª‚ð—p‚¢‚œ‘w•Ê‰»‹t‰ñ‹A–@‚̉ü—Ç H“c ’q”V*iL“‡‘å —j
Žá–Ø G•¶iL“‡‘å —j
•ñW
5. ’萔€‚ð‚à‚‘œŒQ‚̐üŒ`ŠÖ”ŠÖŒW‚ÉŠÖ‚·‚铝Œv“I„‘ª ‘O“c N’q*i’†‰›‘å —Hj
ŸNˆä “N˜Ni’†‰›‘å —Hj
“¡‰z Nji’†‰›‘å —Hj
•ñW
6. ƒ}ƒ‹ƒ`ƒXƒP[ƒ‹Eƒu[ƒgƒXƒgƒ‰ƒbƒv‚ð—p‚¢‚œM—Š“xŒvŽZF
LiNGAM‚É‚æ‚éˆö‰Êƒ‚ƒfƒ‹’Tõ‚̏ꍇ
¬Œ —E‰î*i“Œ‹žH‹Æ‘å î•ñ—Hj
Ž… ¹•œi‘åã‘å ŽY‹Æ‰ÈŠwŒ€‹†Šj
‰º•œ ‰pŽõi“Œ‹žH‹Æ‘å î•ñ—Hj
•ñW

9ŒŽ8“úi‰Îj@Œß‘Oi‚Pj

A‰ïê(–²ŠÙ MK102)@10:00`12:00@Šé‰æƒZƒbƒVƒ‡ƒ“F“ú–{Œv—ʐ¶•šŠw‰ï§—ãÜŽóÜŽÒu‰‰

  • w * x‚̂‚¢‚Ä‚¢‚é–Œ‘O‚Ì•û‚ªg”­•\ŽÒh‚Æ‚È‚è‚Ü‚·D‚»‚êˆÈŠO‚Ì•û‚́g‹€“¯Œ€‹†ŽÒh‚É‚È‚è‚Ü‚·D

yƒI[ƒKƒiƒCƒU[z ãâ _”V i“ú–{ƒC[ƒ‰ƒCƒŠƒŠ[(Š”)j
yÀ’·z Œˆä –ΔV i“Œv”—Œ€‹†Š ƒf[ƒ^‰ÈŠwŒ€‹†Œnj

1. –쐶¶•š‚Ì‹[Ž—”œ•œƒf[ƒ^‚ɑ΂·‚鎑Œ¹‘I‘𐫕ªÍ ‰ª‘º Š°*i‰“—m…ŽYŒ€‹†Š ŠO—mŽ‘Œ¹•”j
2. Utility of Generalized Hazards Model incorporating Cubic B-spline Function into the Baseline Hazard Function ’|“à ‹v˜N*i“c•ÓŽO•H»–òiŠ”j ŠJ”­–{•”j
3. Bounds on Direct Effects in the Presence of Confounded Intermediate Variables äï Žug*i“ú–{ƒC[ƒ‰ƒCƒŠƒŠ[iŠ”j —Տ°ŠJ”­•”j

B‰ïê(–²ŠÙ MK201)@10:00`12:00@‰uŠw“Œv

  • w * x‚̂‚¢‚Ä‚¢‚é–Œ‘O‚Ì•û‚ªg”­•\ŽÒh‚Æ‚È‚è‚Ü‚·D‚»‚êˆÈŠO‚Ì•û‚́g‹€“¯Œ€‹†ŽÒh‚É‚È‚è‚Ü‚·D

yÀ’·z ‘åX ’ i‹ž“s‘å ˆãj

1. ‹óŠÔ‚Ì”ñ‰~óƒNƒ‰ƒXƒ^[ŒŸo‚É‚š‚¯‚éULS Scan–@‚̉ü—Ç ˜aò Žu’ÃŒb*i‘啪‘å Hj
]“¡ ‘卋i‘啪‘å Hj
•ñW
2. “Œv“Iƒƒ^ƒ{ƒŠƒbƒNƒVƒ“ƒhƒ[ƒ€EƒVƒ~ƒ…ƒŒ[ƒ^‚ÌŠJ”­‚ÉŠÖ‚·‚錀‹† š€Žt œ*iiŠ”jƒcƒ€ƒ‰ ˆã–ò‰c‹Æ–{•”j
ŽR‰ª ˜aŽ}i•ÛŒ’ˆã—ÉȊw‰@ ‹Zp•]‰¿•”j
’OŒã r˜Yi•ÛŒ’ˆã—ÉȊw‰@ ‹Zp•]‰¿•”j
“n•Ó –ž—˜Žqiº˜a—Žq‘å ¶Šˆ‹@\j
•ñW
3. ŒŽ”š”픚ŽÒ‚ÌŒ’N•sˆÀ‚ÉŠÖ‚·‚é‰ðÍ ‘å’J ŒhŽq*iL“‡‘å ŒŽ”š•úŽËüˆã‰ÈŠwŒ€‹†Šj
ì–ì “¿KiL“‡‘å ŒŽ”š•úŽËüˆã‰ÈŠwŒ€‹†Šj
²“¡ Œ’ˆêiL“‡‘å ŒŽ”š•úŽËüˆã‰ÈŠwŒ€‹†Šj
•y“c “NŽ¡iL“‡‘å ŒŽ”š•úŽËüˆã‰ÈŠwŒ€‹†Šj
‘å‘ë ŽœiL“‡‘å ŒŽ”š•úŽËüˆã‰ÈŠwŒ€‹†Šj
•ñW
4. “ú–{‚ÌŠà‚ÌŽ€–S—Šƒf[ƒ^‚ɑ΂·‚éTransition model‚̉ž—p‚ÆŽ€–S—Š—\‘ª‚ɂ‚¢‚Ä —Îì Cˆê*iƒpƒŒƒNƒZƒ‹EƒCƒ“ƒ^[ƒiƒVƒ‡ƒiƒ‹iŠ”j DME“Œv‰ðÍEPMS•”j
‹{‰ª ‰x—ǁi“Œ‹ž—‰È‘å —j
•ñW
5.2ŒQ‚̐¶‘¶‹Èü‚Ì”äŠr‚ÉŠÖ‚·‚é‹€•Ï—Ê’²®•t‚«ƒƒOƒ‰ƒ“ƒNŒŸ’è ‘å‘ë Žœ*iL“‡‘å ŒŽ”š•úŽËüˆã‰ÈŠwŒ€‹†Šj
H“c ’q”ViL“‡‘å —j
•ñW
6.•W€‰»Ž€–S”ä\“Œv“IŽè•i‚̏¬“¹‹ï ŽÄ“c ‹`’å*i’·è‘å ˆãŽ•–òŠw‘‡j •ñW

C‰ïê(–²ŠÙ MK203)@10:00`12:00@“Œv•ªÍEƒf[ƒ^E‹³ˆçƒ\ƒtƒgƒEƒFƒAƒZƒbƒVƒ‡ƒ“(1)

  • w * x‚̂‚¢‚Ä‚¢‚é–Œ‘O‚Ì•û‚ªg”­•\ŽÒh‚Æ‚È‚è‚Ü‚·D‚»‚êˆÈŠO‚Ì•û‚́g‹€“¯Œ€‹†ŽÒh‚É‚È‚è‚Ü‚·D

yƒI[ƒKƒiƒCƒU[z “n•Ó ”ü’qŽq i“Œ—m‘å ŒoÏjC‹g‘º É i’·è‘å ƒAƒhƒ~ƒbƒVƒ‡ƒ“ƒZƒ“ƒ^[j
yÀ’·z V‘º Gˆê i¬æü‘å ŒoÏj

1. JMP 8‚ð—p‚¢‚œƒrƒWƒ…ƒAƒ‹“I‚È•ª•z‚Ì‚ ‚Ă͂߁C”äŠr ‘ì ’Œ—T*iSAS Institute Japan(Š”) JMPƒWƒƒƒpƒ“Ž–‹Æ•”j
2. S-PLUS‚̍ŐV‹@”\Ð‰î|ƒIƒ“ƒ‰ƒCƒ“ƒ‰ƒCƒuƒ‰ƒŠ‚È‚Ç‚ÌŠg’£‹@”\@‚»‚Ì‘Œ “càV Ži*i(Š”)”—ƒVƒXƒeƒ€j
3. ”—ƒVƒXƒeƒ€‚̃}ƒCƒjƒ“ƒOƒ\ƒŠƒ…[ƒVƒ‡ƒ“|‘åŠw‚É‚š‚¯‚铱“üŽ–—ႲÐ‰î ’†‰€ ”ü*i(Š”)”—ƒVƒXƒeƒ€j
4. ƒ‚ƒ“ƒeƒJƒ‹ƒƒVƒ~ƒ…ƒŒ[ƒVƒ‡ƒ“‚ð—˜—p‚µ‚œŽ–‹ÆƒŠƒXƒN•]‰¿‚Ì’è—ʉ»
|ƒŠƒXƒN•]‰¿ƒc[ƒ‹@Crystal Ball‚Ì‚²Ð‰î|
\‘¢Œv‰æŒ€‹†Š*
5. ŒoÏEŒo‰cEŽÐ‰ïŠwŒn‚ÌŽÀØ•ªÍ‚ðŽx‚Š‚é‹€•ªŽU\‘¢ƒ‚ƒfƒ‹•ªÍƒ\ƒtƒgƒEƒFƒA‚̏Љî
|ƒOƒ‰ƒtƒBƒJƒ‹ƒ‚ƒfƒŠƒ“ƒO•ªÍ‹@”\‚ňö‰Êƒ‚ƒfƒ‹‚̍\’z‚ց|
•y“c ^—Žq*i(Š”j“ú–{‰ÈŠw‹ZpŒ€CŠ ”—Ž–‹Æ•”j
6. ”—Œv‰æ–@‚Å‚Å‚«‚é–â‘è‰ðŒˆ‚̐V¢ŠE|‘å‹K–̓f[ƒ^‚ÉŠî‚­‚‘¬ƒpƒ^[ƒ“”FŽ¯| V‘º Gˆê*i¬æü‘å ŒoÏj
Žsì ‹ÏiLINDO Japanj
7. Excel‚Å‚Å‚«‚铝Œv‰ðÍ|¶‘¶•ªÍ‚ƃNƒ‰ƒXƒ^•ªÍ‚ÌŽÀ—á‚Ì‚²Ð‰î “ú–{ƒjƒ…[ƒƒŠƒJƒ‹ƒAƒ‹ƒSƒŠƒYƒ€ƒYƒOƒ‹[ƒviŠ”j*

D‰ïê(–²ŠÙ MK301)@10:00`12:00@“Œv‰ž—p

  • w * x‚̂‚¢‚Ä‚¢‚é–Œ‘O‚Ì•û‚ªg”­•\ŽÒh‚Æ‚È‚è‚Ü‚·D‚»‚êˆÈŠO‚Ì•û‚́g‹€“¯Œ€‹†ŽÒh‚É‚È‚è‚Ü‚·D

yÀ’·z ]“‡ L‹» i‘啪‘å ˆãj

1. —LŒÀƒTƒ|[ƒgƒ‚ƒfƒ‹ã‚Ì‘œ˜rƒoƒ“ƒfƒBƒbƒg–â‘è‚É‚š‚¯‚é‘Q‹ßÅ“Kí—ª –{‘œ ~–ç*i“Œ‹ž‘å î•ñ—Hj
’|‘º ²’ʁi“Œ‹ž‘å î•ñ—Hj
•ñW
2. Wicksell¬‹…–â‘è‚ł̍ő勅¡–@‚Ì—\‘ª ‚‹Ž —Ï–ç*i_ŒË‘å ŠCŽ–‰ÈŠwj
a’J ­ºiŒcœä‹`m‘å —Hj
•ñW
3. ƒeƒ“ƒvƒŒ[ƒg“K‡“xŒŸ’è‚É‚š‚¯‚éƒeƒ“ƒvƒŒ[ƒg‚Ì‘I‘ð‚ɂ‚¢‚Ä ’|“c —Tˆê*i_“ސìH‰È‘å Šî‘bE‹³—{‹³ˆçƒZƒ“ƒ^[j
“¡ˆä Œõºi’†‰›‘å —Hj
Š™‘q –«¬i’†‰›‘å —Hj
“nç³ ‘¥¶i’†‰›‘å —Hj
™ŽR ‚ˆêi’†‰›‘å —Hj
•ñW
4. –§“x”ä‚̐„’è‚É‚ ‚ç‚í‚ê‚éÅ“K‰»–â‘è‚ÌðŒ”‚̉ðÍ ‹àX Œh•¶*i–ŒŒÃ‰®‘å î•ñ‰ÈŠwj
—é–Ø ‘厜i“Œ‹ž‘å î•ñ—Hj
™ŽR «i“Œ‹žH‹Æ‘å î•ñ—Hj
•ñW
5. ƒŠƒTƒ“ƒvƒŠƒ“ƒO‚ªŽ‚•W–{‰ß•q«‚̊ɘaŒø‰Ê m–Ø ’Œl*i“Œ‹ž—‰È‘å Hj
ˆäã Éi“úŽYŽ©“®ŽÔj
¬–ì —zŽqiVŠƒ‘Ûî•ñ‘å î•ñ•¶‰»j
•ñW
6. ƒf[ƒ^‰ðÍ‚É‚š‚¯‚é—£ŽU‰»‚Æ‹t•ÏŠ· ”nê NˆÛ*iî•ñEƒVƒXƒeƒ€Œ€‹†‹@\ V—̈æ—Z‡Œ€‹†ƒZƒ“ƒ^[^“Œv”—Œ€‹†Šj •ñW

P‰ïê(Œb“¹ŠÙ KD104)@10:00`12:00@Šé‰æƒZƒbƒVƒ‡ƒ“FƒXƒ|[ƒc“Œv‰ÈŠw‚̐V‚œ‚È’§í

  • w * x‚̂‚¢‚Ä‚¢‚é–Œ‘O‚Ì•û‚ªg”­•\ŽÒh‚Æ‚È‚è‚Ü‚·D‚»‚êˆÈŠO‚Ì•û‚́g‹€“¯Œ€‹†ŽÒh‚É‚È‚è‚Ü‚·D

yƒI[ƒKƒiƒCƒU[z ŽðÜ •¶• i’†‰›‘å —HjC“c‘º ‹`•Û i“Œv”—Œ€‹†Šj
yÀ’·z ŽRŒû ˜a”Í i—§‹³‘å Œo‰cj

1. ”œŽ–ŽÀƒ‚ƒfƒ‹‚ð—p‚¢‚œƒXƒ|[ƒcƒf[ƒ^‚̉ðÍ ŽðÜ •¶•*i’†‰›‘å —Hj
‰ª“c —F•ãiƒf[ƒ^ƒXƒ^ƒWƒAƒ€iŠ”j ƒf[ƒ^EƒAƒiƒŠƒeƒBƒbƒNƒXƒOƒ‹[ƒvj
•ñW
2. “Á•Êu‰‰FExploring PITCH F/X Data Jim Albert*iDepartment of Mathematics and Statistics, Bowling Green State Universityj •ñW
3. ƒXƒ|[ƒc‚É‚š‚¯‚铝ŒvŠw‚̏d—v«‚Æ“ú–{‚Å‚ÌŒ»ó ‰ª“c —F•ã*iƒf[ƒ^ƒXƒ^ƒWƒAƒ€iŠ”j ƒf[ƒ^EƒAƒiƒŠƒeƒBƒbƒNƒXƒOƒ‹[ƒvj
¯ì ‘Ÿ•ãiƒf[ƒ^ƒXƒ^ƒWƒAƒ€iŠ”j ‰c‹Æ•”j
ŽðÜ •¶•i’†‰›‘å —Hj
•ñW
4. ‹£‹ZƒXƒ|[ƒc‚ÌŒ»ê‚É‚š‚¯‚éƒrƒfƒI•ªÍ‚ÌŒ»ó ` "Live"‚ł̏î•ñˆ—‚Æ‚»‚ÌŠˆ—p‚𒆐S‚É ` ‹k ”£*ii—LjƒtƒBƒbƒgƒlƒXƒAƒ|ƒ ADSSŽ–‹Æ•”j •ñW
5. ƒZƒCƒo[ƒƒgƒŠƒNƒX‚É‚š‚¯‚éWPA‚ÌŽZo‚ɂ‚¢‚Ä ’¹‰z ‹K‰›*i“ŒŠC‘å —j
‰ª“c —F•ãiƒf[ƒ^ƒXƒ^ƒWƒAƒ€iŠ”j ƒf[ƒ^EƒAƒiƒŠƒeƒBƒbƒNƒXƒOƒ‹[ƒvj
¯ì ‘Ÿ•ãiƒf[ƒ^ƒXƒ^ƒWƒAƒ€iŠ”j ‰c‹Æ•”j
•ñW
6. –ì‹…‚Ì“Ÿ“_—\‘ª‚Æ‚»‚ê‚ð—p‚¢‚œ‘IŽè‚̍vŒ£“xŽw•W ‘å—¢ —²–ç*i’†‰›‘å —Hj
ŽðÜ •¶•i’†‰›‘å —Hj
‰ª“c —F•ãiƒf[ƒ^ƒXƒ^ƒWƒAƒ€iŠ”j ƒf[ƒ^EƒAƒiƒŠƒeƒBƒbƒNƒXƒOƒ‹[ƒvj
•ñW

Q‰ïê(Œb“¹ŠÙ KD106)@10:00`12:00@Šé‰æƒZƒbƒVƒ‡ƒ“FS‚Ì’†‚Ì“ŒvŒŽ—

  • w * x‚̂‚¢‚Ä‚¢‚é–Œ‘O‚Ì•û‚ªg”­•\ŽÒh‚Æ‚È‚è‚Ü‚·D‚»‚êˆÈŠO‚Ì•û‚́g‹€“¯Œ€‹†ŽÒh‚É‚È‚è‚Ü‚·D

yƒI[ƒKƒiƒCƒU[z ‘«—§ _•œ i‘åã‘å lŠÔ‰ÈŠwj
yÀ’·z ‘«—§ _•œ i‘åã‘å lŠÔ‰ÈŠwj

1. S‚̐”—‚ƐS‚Ì“Œv |Mathematical Psychology‚ÆPsychometrics| ‹g–ì —ÈŽO*i“Œv”—Œ€‹†Š ƒf[ƒ^‰ÈŠwŒ€‹†Œnj •ñW
2. M†ŒŸo—˜_‚Æ“ŒvŠw ‰ª–{ ˆÀ°*i“ú–{—Žq‘å lŠÔŽÐ‰ïj •ñW
3. ƒxƒCƒY“ŒvŠw‚Ì”F’mS—Šw“IŠî”Õ ”É–‘ ŽZ’j*i’é‹ž‘å •¶j •ñW
4. •¡ŽG‚È’mŽ¯\‘¢‚Ɛ³‘¥‰»ŠwK‚ð—p‚¢‚œŠT”O¶¬ƒ‚ƒfƒ‹‚ÌŒŸØ Œ •q•F*iç—t‘å •¶j •ñW
5. \‘¢•û’öŽ®ƒ‚ƒfƒŠƒ“ƒO‚É‚æ‚éfMRIƒf[ƒ^‚̃lƒbƒgƒ[ƒN•ªÍ ™”ö •Žu*i“¯ŽuŽÐ‘å •¶‰»î•ñj •ñW
6. ƒp[ƒZƒvƒgƒƒ“‚Æ‚µ‚Ä‚ÌŽO‘ŠŽå¬•ª•ªÍ \ ŽhŒƒEŽå¬•ªE”œ‰ž‚̃lƒbƒgƒ[ƒN•\Œ» \ ‘«—§ _•œ*i‘åã‘å lŠÔ‰ÈŠwj •ñW

R‰ïê(Œb“¹ŠÙ KD202)@10:00`12:00@Œv—ÊŒoÏŠw

  • w * x‚̂‚¢‚Ä‚¢‚é–Œ‘O‚Ì•û‚ªg”­•\ŽÒh‚Æ‚È‚è‚Ü‚·D‚»‚êˆÈŠO‚Ì•û‚́g‹€“¯Œ€‹†ŽÒh‚É‚È‚è‚Ü‚·D

yÀ’·z ‘ºàV N—F i‘åã•{—§‘å ŒoÏj

1. Estimating Inefficiency in Online Auctions L£ —v•ã*i“Œ‹ž‘å ŒoÏj
‘åX —T_ i“Œ‹ž‘å ŒoÏj
•ñW
2. Bayesian Estimation of Entry Games with Multiple Player and Multiple Equilibria ‘同 —TŽq*i“Œ‹ž‘å ŒoÏj
‘åX —T_ i“Œ‹ž‘å ŒoÏj
•ñW
3. Determining the Number of Structural Breaks in Vector Autoregressive Processes
by Model Selection Criteria
•Z ‰pŽi*iˆê‹Ž‘å ŒoÏj •ñW
4. A Simple Test for Stationarity with Less Size Distortion “c’† W–î*iˆê‹Ž‘å ŒoÏj
•Z ‰pŽi iˆê‹Ž‘å ŒoÏj
•ñW
5. —¬’ʐłƎæˆø‚F“ú•ÄŽsê‚Å“¯Žž‚É”„”ƒ‚³‚ê‚銔Ž®–Á•¿‚ð—p‚¢‚œƒpƒlƒ‹•ªÍ —Ñ“c ŽÀ*i–k‹ãBŽs—§‘å ŒoÏj
‘å–ì —T”V i“Œ—m‘å ŒoÏj
•ñW
6. ’†‘‚ƕč‘‚̑ΊOŽ‘‹àzŠÂ‚É‚š‚¯‚é‹Ÿ‘œŠÖŒW|\‘¢•û’öŽ®ƒ‚ƒfƒŠƒ“ƒO| ’£ “ì*iL“‡C“¹‘å ŒoÏ‰ÈŠw•”j •ñW

S‰ïê(Œb“¹ŠÙ KD203)@10:00`12:00@•ª•z˜_(1)

  • w * x‚̂‚¢‚Ä‚¢‚é–Œ‘O‚Ì•û‚ªg”­•\ŽÒh‚Æ‚È‚è‚Ü‚·D‚»‚êˆÈŠO‚Ì•û‚́g‹€“¯Œ€‹†ŽÒh‚É‚È‚è‚Ü‚·D

yÀ’·z ¬ò ˜a”V i“Œ‹ž—‰È‘å —j

1. Šm—Š‚ÉŠÖ‚·‚é‹ßŽ—Ž®ŒQ‚ð‚à‚Æ‚É‚µ‚œ‚æ‚è—Ç‚¢‹ßŽ—Ž®‚Ì“±o•û–@ ’†‘º ’‰*i‰ªŽR—‰È‘å ‘‡î•ñj
•œˆä ˆÀ‹vi‰ªŽR‘å ‹³ˆçj
“n’J ^Œái‘q•~Œ|p‰ÈŠw‘å ŽY‹Æ‰ÈŠw‹Zpj
•ñW
2. ³‹K«ŒŸ’蓝Œv—Ê sample Pearson measure of skewness ‚Æ‚»‚̐³‹K‰»•ÏŠ· ’†ì d˜a*i‘q•~Œ|p‰ÈŠw‘å ŽY‹Æ‰ÈŠw‹Zpj
‹ŽŒû ”ŽŽ÷ié‹Ê‘å —HŠwj
•“c ³”Ži‰ªŽR—‰È‘å ‘‡î•ñj
m–Ø ’Œli“Œ‹ž—‰È‘å Hj
•ñW
3. ‘œ•Ï—ʐë“xC˜c“x‚É‚æ‚鐳‹K«ŒŸ’蓝Œv—ʂ̉ü—Ç ¬ò ˜a”V*i“Œ‹ž—‰È‘å —j
•º“ª ¹i“Œ‹ž—‰È‘å —j
•ñW
4. ƒƒWƒXƒeƒBƒbƒN‰ñ‹Aƒ‚ƒfƒ‹‚̐³ŠmŒŸ’è‚ƃ}ƒ‹ƒRƒtŠî’ê ŒŽ ®K*i“Œ‹ž‘å Hj
’|‘º ²’ʁi“Œ‹ž‘å î•ñ—Hj
•ñW
5. •¡‡•ª•zƒ‚ƒfƒ‹‚ƃxƒ‹‘œ€Ž® a’J ­º*iŒcœä‹`m‘å —Hj •ñW
6. Residual fractions of size-biased permutation of discrete prior associated with Gibbs partition ‘å˜a Œ³*iŽ­Ž™“‡‘åj •ñW

T‰ïê(Œb“¹ŠÙ KD204)@10:00`12:00@‰ñ‹A•ªÍ(1)

  • w * x‚̂‚¢‚Ä‚¢‚é–Œ‘O‚Ì•û‚ªg”­•\ŽÒh‚Æ‚È‚è‚Ü‚·D‚»‚êˆÈŠO‚Ì•û‚́g‹€“¯Œ€‹†ŽÒh‚É‚È‚è‚Ü‚·D

yÀ’·z ‰Á“¡ Œ«Œå iL“‡‘å —j

1. Conjugate analysis of a generalized linear mixed model ‘同 r˜Y*i“Œv”—Œ€‹†Š ƒf[ƒ^‰ÈŠwŒ€‹†Œnj
Peter DunniFaculty of Science, Health and Education, University of the Sunshine Coastj
•ñW
2. ƒmƒ“ƒpƒ‰ƒƒgƒŠƒbƒN‰ñ‹Aƒ‚ƒfƒ‹‚É‚š‚¯‚éƒxƒCƒY„’è ‹î–Ø •¶•Û*i“Œ‹ž‘å î•ñ—Hj
3. d‰ñ‹A‚̏d‚݂̍œK‰»‚É‚š‚¯‚éƒ_ƒuƒ‹EƒNƒƒXƒoƒŠƒf[ƒVƒ‡ƒ“‚̈Ӌ` ’|àV –M•v*i’†‰›”_‹Æ‘‡Œ€‹†ƒZƒ“ƒ^[ ƒf[ƒ^ƒ}ƒCƒjƒ“ƒOŒ€‹†ƒ`[ƒ€j
“ñ‹{ ³Žmi’†‰›”_‹Æ‘‡Œ€‹†ƒZƒ“ƒ^[ Œ€‹†ŠÇ—ŠÄj
‹g“c NŽqi’}”g‘å ¶–œŠÂ‹«‰ÈŠwj
–{‹œ çtiç—t‘å ŠÂ‹«ƒŠƒ‚[ƒgƒZƒ“ƒVƒ“ƒOŒ€‹†ƒZƒ“ƒ^[j
“¿ˆä ˜a‹vi‘S‘”_‹Æ‹€Ï‹Š‰ï Ž––±‹Ç’·j
ˆÉ“Œ –Ÿ•Fi‰F’ˆ‹ZpŠJ”­iŠ”j ‘æˆêŽ–‹Æ•”j
’|“‡ •q–Ÿi‰F’ˆq‹óŒ€‹†ŠJ”­‹@\ ’}”g‰F’ˆƒZƒ“ƒ^[j
4. “K‰žŒ^ƒ‚ƒfƒ‹‘I‘ðŠî€‚ð—p‚¢‚œˆê”ʉ»‰Á–@ƒ‚ƒfƒ‹‚̐„’è ‹{“c •q*iiàjŠàŒ€‹†‰ï ƒQƒmƒ€ƒZƒ“ƒ^[j •ñW
5. •ªˆÊ“_‰ñ‹A„’è—Ê‚Ì‘Q‹ß‹€•ªŽUs—ñ‚̐„’è‚ɂ‚¢‚Ä ‰Á“¡ Œ«Œå*iL“‡‘å —j •ñW
6. ‰ñ‹A‚É‚š‚¯‚鐮‡«‚Ì–â‘è‚ÆElemental Regression “c’† _Œõ*iˆ€’mŠw‰@‘å Œo‰cj •ñW

9ŒŽ8“úi‰Îj@ŒßŒãi‚Pj

A‰ïê(–²ŠÙ MK102)@13:10`15:10@Šé‰æƒZƒbƒVƒ‡ƒ“F“Œv‰ÈŠwCƒoƒCƒIƒCƒ“ƒtƒHƒ}ƒeƒBƒNƒXCƒVƒXƒeƒ€¶•šŠw‚Ì“—Z‡“I”­“W

  • w * x‚̂‚¢‚Ä‚¢‚é–Œ‘O‚Ì•û‚ªg”­•\ŽÒh‚Æ‚È‚è‚Ü‚·D‚»‚êˆÈŠO‚Ì•û‚́g‹€“¯Œ€‹†ŽÒh‚É‚È‚è‚Ü‚·D

yƒI[ƒKƒiƒCƒU[z ˆäŒ³ ŽÆ i“Œ‹ž‘å ˆã‰ÈŠwŒ€‹†ŠjC”óŒû ’m”V i“Œv”—Œ€‹†Š ƒ‚ƒfƒŠƒ“ƒOŒ€‹†Œnj
yÀ’·z ˆäŒ³ ŽÆ i“Œ‹ž‘å ˆã‰ÈŠwŒ€‹†ŠjC”óŒû ’m”V i“Œv”—Œ€‹†Š ƒ‚ƒfƒŠƒ“ƒOŒ€‹†Œnj

1. ƒZƒbƒVƒ‡ƒ“‚Ì‚Ë‚ç‚¢FŽŸ¢‘ã‚ÌŒv‘ª‚ÆŒvŽZ ˆäŒ³ ŽÆ*i“Œ‹ž‘å ˆã‰ÈŠwŒ€‹†Šj
”óŒû ’m”Vi“Œv”—Œ€‹†Š ƒ‚ƒfƒŠƒ“ƒOŒ€‹†Œnj
•ñW
2. µ‘ҍu‰‰F‘SƒQƒmƒ€ƒV[ƒNƒGƒ“ƒX‹Zp‚Ì“oê‚Å‘‘å‚·‚éƒQƒmƒ€‘œ—l«î•ñ‚ÆŒ`Ž¿‘œ—l«‚Ì
‚‚Ȃª‚è‚ðŒ©‚Â‚¯‚é‚œ‚ß‚É
ŽR“c —º*i“Œ‹ž‘å ˆã‰ÈŠwŒ€‹†Šj •ñW
3. Ž–ŒãƒGƒ“ƒgƒƒs[‚ð—˜—p‚µ‚œÄ‚«‚È‚Ü‚µ–@‚ƈâ“`Žq”­Œ»ƒf[ƒ^‚̃Xƒp[ƒXŠwK ‹g“c —º*i“Œv”—Œ€‹†Š ƒ‚ƒfƒŠƒ“ƒOŒ€‹†Œnj
Mike WestiStatistical Science, Duke Universityj
•ñW
4. ’Ž‘œ”—±ŽqƒtƒBƒ‹ƒ^‚É‚æ‚éˆâ“`Žqƒlƒbƒgƒ[ƒNƒf[ƒ^“¯‰» ’†‘º ˜aK*i–ŸŽ¡‘å Œ€‹†E’màí—ª‹@\j
‹g“c —ºi“Œv”—Œ€‹†Š ƒ‚ƒfƒŠƒ“ƒOŒ€‹†Œnj
’·è ³˜Ni“Œ‹ž‘å ˆã‰ÈŠwŒ€‹†Šj
‹{–ì Œåi“Œ‹ž‘å ˆã‰ÈŠwŒ€‹†Šj
”óŒû ’m”Vi“Œv”—Œ€‹†Š ƒ‚ƒfƒŠƒ“ƒOŒ€‹†Œnj
•ñW
5. µ‘ҍu‰‰Fƒ^ƒ“ƒpƒNŽ¿‘ŠŒÝì—pƒlƒbƒgƒ[ƒN‚©‚ç‚Ì–§Œ‹‡ƒ‚ƒWƒ…[ƒ‹‚Ì‘S—ñ‹“ ’Óc GŽ¡*iŽY‹Æ‹Zp‘‡Œ€‹†Š ¶–œî•ñHŠwŒ€‹†ƒZƒ“ƒ^[j •ñW

B‰ïê(–²ŠÙ MK201)@13:10`15:10@ˆãŠw“Œv(2)

  • w * x‚̂‚¢‚Ä‚¢‚é–Œ‘O‚Ì•û‚ªg”­•\ŽÒh‚Æ‚È‚è‚Ü‚·D‚»‚êˆÈŠO‚Ì•û‚́g‹€“¯Œ€‹†ŽÒh‚É‚È‚è‚Ü‚·D

yÀ’·z Œì ³Žq i•ÛŒ’ˆã—ÉȊw‰@ ‹Zp•]‰¿•”j

1. Œv—Ê“I—\ŒãˆöŽq‚ðŠÜ‚ÞƒxƒCƒY—¬Å¬‰»–@ ŽR–{ —ϐ¶*i¬–ì–ò•iH‹Æ(Š”) —Տ°ŠJ”­ŠÇ—•”j •ñW
2. —Տ°ŽŽŒ±‹y‚Ñ–òŒø•]‰¿‚É‚š‚¯‚é‘œd‰Œà‚̍\‘¢‰»‚Æ“Œv“I„‘ª ãâ _”V*i‘åã‘å —Õ°ˆãHŠw—Z‡Œ€‹†‹³ˆçƒZƒ“ƒ^[j
Xì •q•FiŒ³‹v—¯•Ä‘åj
•ñW
3. –³ìˆ×‰»”äŠrŽŽŒ±‚É‚š‚¯‚éŒoŽž“I‘ª’èƒf[ƒ^‚ÉŠî‚­Ž¡—ÃŒø‰Ê•]‰¿‚Ì‚œ‚ß‚Ì
”ä—áƒIƒbƒYƒ‚ƒfƒ‹‚ð‘g‚ݍž‚ñ‚Ÿ¬‡ƒ‚ƒfƒ‹
’†‘º —³Ž™*iiŠ”jƒCƒ“ƒNƒŠ[ƒXŒ€‹†Š —Տ°“Œv•”j
“cŒû “ޏŽqiˆ®‰»¬ƒtƒ@[ƒ}(Š”) —Տ°ŠÇ—•”j
’OŒã r˜Yi•ÛŒ’ˆã—ÉȊw‰@ ‹Zp•]‰¿•”j
”ò“c ‰p—Si•ÛŒ’ˆã—ÉȊw‰@ ‹Zp•]‰¿•”j
•ñW
4. ‘œ•Ï—ʃ}ƒ“ƒzƒCƒbƒgƒj[„’è—Ê‚ð—p‚¢‚œƒNƒƒXƒI[ƒo[ŽŽŒ±‚É‚š‚¯‚鎡—ÃŒø‰Ê‚Ì”äŠr ìŒû ~*i‹v—¯•Ä‘å ƒoƒCƒI“ŒvƒZƒ“ƒ^[j
Gary KochiDepartment of Biostatistics, The University of North Carolina at Chapel Hillj
•ñW
5. —Տ°ŽŽŒ±‚Ì“o˜^§“x‚ð—˜—p‚µ‚œƒƒ^EƒAƒiƒŠƒVƒX‚É‚š‚¯‚éŒö•\ƒoƒCƒAƒX‚ÌŒŸo–@‚̉ü‘P Œ‰ª L“Ä*i“Œ‹ž—‰È‘å Hj
–x”ö _Žji“Œ‹ž—‰È‘å Hj
•l“c ’m‹v”ni“Œ‹ž—‰È‘å Hj
•ñW
6. ƒvƒ‰ƒZƒ{ŒQ‚ðŠÜ‚Þ3ŒQ‚Å‚Ì”ñ—ò«ŽŽŒ±‚É‚š‚¯‚錟’è–@‚ɂ‚¢‚Ä ”ò“c ‰p—S*i•ÛŒ’ˆã—ÉȊw‰@ ‹Zp•]‰¿•”j
’OŒã r˜Yi•ÛŒ’ˆã—ÉȊw‰@ ‹Zp•]‰¿•”j
•ñW

C‰ïê(–²ŠÙ MK203)@13:10`15:10@“Œv•ªÍEƒf[ƒ^E‹³ˆçƒ\ƒtƒgƒEƒFƒAƒZƒbƒVƒ‡ƒ“(2)

  • w * x‚̂‚¢‚Ä‚¢‚é–Œ‘O‚Ì•û‚ªg”­•\ŽÒh‚Æ‚È‚è‚Ü‚·D‚»‚êˆÈŠO‚Ì•û‚́g‹€“¯Œ€‹†ŽÒh‚É‚È‚è‚Ü‚·D

yƒI[ƒKƒiƒCƒU[z “n•Ó ”ü’qŽq i“Œ—m‘å ŒoÏjC‹g‘º É i’·è‘å ƒAƒhƒ~ƒbƒVƒ‡ƒ“ƒZƒ“ƒ^[j
yÀ’·z “n•Ó ”ü’qŽq i“Œ—m‘å ŒoÏj

1. EXCELƒAƒhƒCƒ“öÝƒNƒ‰ƒX•ªÍ‚ðŽg‚Á‚œFinite Mixture Model‚Ì•ªÍ
@|Statistical InnovationsuLatent GOLDv‘Ήž|
ŽRŒû ˜a”Í*i—§‹³‘å Œo‰cj
’†ì ˆê¬iiŠ”jƒGƒXƒ~j
2. ƒCƒ“ƒ^[ƒlƒbƒg‚Å“Œv‚ª‚‚Ȃª‚é`­•{“Œv‚Ì‘‡‘‹Œûie-Statj‚Ì‚²Ð‰î` [–ì ~ˆê*i“ŒvƒZƒ“ƒ^[j
3. Šé‹Æà–±EØŒ”ƒf[ƒ^‚©‚çƒ}ƒNƒEŽY‹Æ“ŒvCPOSƒf[ƒ^‚܂Őæi‚ÌŒ€‹†‚𐶂ݏo‚·ƒqƒ“ƒg‚É
|“úŒo‚ÌŒoÏƒf[ƒ^ƒx[ƒXEƒT[ƒrƒX ‚m‚d‚d‚c‚r‚Ì‚²Ð‰î
“ú–{ŒoÏV•· ƒfƒWƒ^ƒ‹ƒƒfƒBƒANEEDSŽ–‹Æ–{•”*
4. ƒƒWƒƒ[ƒŠ[ƒO‚̐”—‰ÈŠw: Curve Ball|the motivation for writing and some of the key findings Jim Albert*iBowling Green State Universityj
5. “Œv‹³ˆç‚Ì‚œ‚߂̃\ƒtƒgƒEƒFƒAF Fathom Dynamic Data SoftwareC
Tinkerplots Dynamic Data Exploration‚̐݌vŽv‘z‚Æ‹@”\
William Finzer*iKey Curriculum Pressj
6. JST—‰È‚Ë‚Á‚Æ‚í[‚­‚Å”zM‚·‚铝Œv‹³ˆçŽx‰‡‹³Þ`‰ÈŠw‚Ì“¹‹ï” ` ŽðÜ •¶•*i’†‰›‘å —Hj
“c‘º ‹`•Ûi“Œv”—Œ€‹†Š ƒf[ƒ^‰ÈŠwŒ€‹†Œnj
’|“à Œõ‰xiŽÀ‘H—Žq‘å lŠÔŽÐ‰ïj

D‰ïê(–²ŠÙ MK301)@13:10`15:10@‹óŠÔ“Œv

  • w * x‚̂‚¢‚Ä‚¢‚é–Œ‘O‚Ì•û‚ªg”­•\ŽÒh‚Æ‚È‚è‚Ü‚·D‚»‚êˆÈŠO‚Ì•û‚́g‹€“¯Œ€‹†ŽÒh‚É‚È‚è‚Ü‚·D

yÀ’·z ‹g‘º É i’·è‘å ƒAƒhƒ~ƒbƒVƒ‡ƒ“ƒZƒ“ƒ^[j

1. ’n}‚ð—˜—p‚·‚éˆÊ’uî•ñŽæ“Ÿ‚Ì‚œ‚ß‚Ì“Œv’²ž‚̉”\«
@|‰ñ“š‹L†‚ÌŒ`ó‚ƃTƒCƒY‚Ì•ªÍ‚©‚ç|
ìŒü ”£*i•ºŒÉŒ§—§‘å ‰ž—pî•ñ‰ÈŠwj
—L”n ¹Gi•ºŒÉŒ§—§‘å ‰ž—pî•ñ‰ÈŠwj
•ñW
2. ƒzƒbƒgƒXƒ|ƒbƒgŒŸo–@‚̐«Ž¿•]‰¿‚ɂ‚¢‚Ä Î‰ª •¶¶*i‰ªŽR‘å –@–±Œ€‹†‰Èj
ŒIŒŽ lŽŸi‰ªŽR‘å ŠÂ‹«j
•ñW
3. ‘œŠpŒ`•ªŠ„ƒf[ƒ^‚ɑ΂·‚éMCMC‚É‚æ‚铝Œvƒ‚ƒfƒ‹ Ží‘º ³”ü*i“Œv”—Œ€‹†Š ƒ‚ƒfƒŠƒ“ƒOŒ€‹†Œnj •ñW
4. Kriging‚É‚š‚¯‚éÀ•W•ÏŠ·‚̉ž—p ‘¬ ŒhŽO*i‘ˆî“c‘å ŒoÏj •ñW
5. •À—ñŒvŽZ‹@‚ð—p‚¢‚œ’n—“Œv‰ðÍƒVƒ~ƒ…ƒŒ[ƒVƒ‡ƒ“‚Æ‚»‚̑Ó–«‚ÌŒŸØ‚ɂ‚¢‚Ä ‹v•Û“c ‹M•¶*i‰ªŽR‘å ŽÐ‰ï•¶‰»‰ÈŠwj
‚… ‹€”Vi‰ªŽR‘å ƒAƒhƒ~ƒbƒVƒ‡ƒ“ƒZƒ“ƒ^[j
•ñW
6. •Ï‰»“_‚̃‚ƒfƒŠƒ“ƒO‚É‚æ‚钍Ž‹—̈æ‚̐„’è ‘å‘ F‰î*i’†‰›‘å —Hj
‘ºã Gri’†‰›‘å —Hj
Š™‘q –«¬i’†‰›‘å —Hj
•ñW

P‰ïê(Œb“¹ŠÙ KD104)@13:10`15:10@Šé‰æƒZƒbƒVƒ‡ƒ“FBayes“Œvƒ‚ƒfƒ‹‚Ì‚œ‚ß‚ÌŒvŽZ‹Z–@‚Æ‚»‚̉ž—pi“ú–{ŒvŽZ‹@“ŒvŠw‰ïj

  • w * x‚̂‚¢‚Ä‚¢‚é–Œ‘O‚Ì•û‚ªg”­•\ŽÒh‚Æ‚È‚è‚Ü‚·D‚»‚êˆÈŠO‚Ì•û‚́g‹€“¯Œ€‹†ŽÒh‚É‚È‚è‚Ü‚·D

yƒI[ƒKƒiƒCƒU[z â–{ ˜j i‘åã‘å Šî‘bHjC÷ˆä —Tm i–kŠC“¹‘å î•ñ‰ÈŠwj
yÀ’·z â–{ ˜j i‘åã‘å Šî‘bHjC÷ˆä —Tm i–kŠC“¹‘å î•ñ‰ÈŠwj

1. —Տ°ŒŸž’l‚É‚š‚¯‚éBayes—¬Ú‹ß–@ ‰ºì •q—Y*iŽR—œ‘å ˆãŠwHŠw‘‡Œ€‹†•”j
Œã“¡ ¹Žii“Á’è”ñ‰c—˜Šˆ“®–@l@ˆãŠw“ŒvŒ€‹†‰ï —Ž–’·j
•ñW
2. WinBUGS ‚ðŽg‚Á‚œ¶‘ÔŠwƒf[ƒ^‚̃xƒCƒY“Œv‰ðÍ ‹v•Û ‘ñ–í*i–kŠC“¹‘å ’n‹…ŠÂ‹«j •ñW
3. ƒmƒ“ƒpƒ‰ƒƒgƒŠƒbƒNƒxƒCƒY–@‚É‚æ‚鋳Žt‚È‚µŒ`‘Ô‘f‰ðÍ Ž‹Ž ‘å’n*i“ú–{“dM“d˜biŠ”j NTTƒRƒ~ƒ…ƒjƒP[ƒVƒ‡ƒ“‰ÈŠwŠî‘bŒ€‹†Šj •ñW
4. ƒxƒCƒWƒAƒ“Eƒlƒbƒgƒ[ƒNŠwK‚ÌŠî‘b“I«Ž¿‚Ì•ªÍ A–ì ^b*i“d‹C’ʐM‘å î•ñƒVƒXƒeƒ€j •ñW
Ú×”Å

Q‰ïê(Œb“¹ŠÙ KD106)@13:10`15:10@Šé‰æƒZƒbƒVƒ‡ƒ“F“ú–{“ŒvŠw‰ï‰ï’·u‰‰

  • w * x‚̂‚¢‚Ä‚¢‚é–Œ‘O‚Ì•û‚ªg”­•\ŽÒh‚Æ‚È‚è‚Ü‚·D‚»‚êˆÈŠO‚Ì•û‚́g‹€“¯Œ€‹†ŽÒh‚É‚È‚è‚Ü‚·D

yƒI[ƒKƒiƒCƒU[z Šâè Šw i¬æü‘å —Hj
yÀ’·z Šâè Šw i¬æü‘å —Hj

1. ŒoÏ‚Æ“Œv‚ÌŠÔ‚Å ”ü“Y ‘אl*iÂŽRŠw‰@‘å ŒoÏj •ñW

R‰ïê(Œb“¹ŠÙ KD202)@13:10`15:10@ŒoÏEŒo‰c“Œv(1)

  • w * x‚̂‚¢‚Ä‚¢‚é–Œ‘O‚Ì•û‚ªg”­•\ŽÒh‚Æ‚È‚è‚Ü‚·D‚»‚êˆÈŠO‚Ì•û‚́g‹€“¯Œ€‹†ŽÒh‚É‚È‚è‚Ü‚·D

yÀ’·z Æˆä L•F i“Œ–k‘å ŒoÏj

1. •¡”‚Ì臒l‚ðŽ‚Â’ZŠú‹à—˜ƒ‚ƒfƒ‹‚̃pƒ‰ƒ[ƒ^„’è•û–@‚Æ‚»‚Ì‘Q‹ß—LŒø« –{“c “NO*i“Œ‹ž—‰È‘å Hj
‰–à_ Œh”Vi“Œ‹ž—‰È‘å Hj
•ñW
2. –@lŠé‹Æ‚̍–±’Ž‰ßWŒv‚ÆŽž‰¿„ŒvŽŽŽZ ˆÉŒŽ ˆê*i‘–±È “ŒvŒ€CŠj •ñW
3. A Bayesian estimation of the residential gas demand function with nonlinear indirect utility ‹{˜e KŽ¡*i“ú–{‘å lŒûŒ€‹†Šj
‘åX —T_i“Œ‹ž‘å ŒoÏj
“úˆø ‘i‘—§ŠÂ‹«Œ€‹†Š ŽÐ‰ïŠÂ‹«ƒVƒXƒeƒ€Œ€‹†—̈æj
•ñW
4. ”ñ•‰s—ñ•ª‰ð‚ð—p‚¢‚œ‹âsƒfƒBƒXƒNƒ[ƒWƒƒ[‚̃eƒLƒXƒg‰ðÍ ˆÀì ••F*i‚ ‚ç‚œŠÄž–@l ‚ ‚ç‚œŠî‘bŒ€‹†Šj •ñW
5. “ú–{‚Ì‹âsŽY‹Æ‚É‚š‚¯‚鍇•¹E“‡‚ÌŒø—Š« \Œ‡‘ª‚ðl—¶‚µ‚œƒAƒvƒ[ƒ`\ ‹{–{ “¹Žq*iH“cŒ§—§‘å ƒVƒXƒeƒ€‰ÈŠw‹Zpj
ˆÀ“¡ ‰ë˜ai“Œv”—Œ€‹†Š ƒŠƒXƒN‰ðÍí—ªŒ€‹†ƒZƒ“ƒ^[j
ˆíŒ© ¹”Vi“Œv”—Œ€‹†Š ”—E„˜_Œ€‹†Œnj
•ñW
Ú×”Å
6. —£ŽUƒnƒU[ƒhƒ‚ƒfƒ‹‚̍¶‘Å‚¿Ø‚ƍìˆ×•W–{F“|ŽY•ªÍ‚ւ̉ž—p ÔŽi Œ’‘Ÿ˜Y*i“Œv”—Œ€‹†Š ƒŠƒXƒN‰ðÍí—ªŒ€‹†ƒZƒ“ƒ^[j •ñW

S‰ïê(Œb“¹ŠÙ KD203)@13:10`15:10@•ª•z˜_(2)

  • w * x‚̂‚¢‚Ä‚¢‚é–Œ‘O‚Ì•û‚ªg”­•\ŽÒh‚Æ‚È‚è‚Ü‚·D‚»‚êˆÈŠO‚Ì•û‚́g‹€“¯Œ€‹†ŽÒh‚É‚È‚è‚Ü‚·D

yÀ’·z ’|“à Gs i“Œ‹ž‘Û‘å ŒoÏj

1. Ä”­Ž–Û‚Ì‘œd•Ï‰»“_ŒŸo‚Ì‚œ‚߂̋ߎ—•ª•z‚ð—p‚¢‚œŒŸ’è–@ Œ“‡ Œ[“ñ*i’†‰›‘å —Hj
Š™‘q –«¬i’†‰›‘å —Hj
•ñW
2. ‘œ”‚̕Б€ŒŸ’è‚ÉŠÖ‚·‚éFalse Discovery Rate‚̃}ƒ‹ƒ`ƒXƒP[ƒ‹ŒvŽZ ‰º•œ ‰pŽõ*i“Œ‹žH‹Æ‘å î•ñ—Hj •ñW
3. Type 2 censored data ‚É‚š‚¯‚é臒l‚ðŽ‚Â•ª•z‚̐„’è–@‚ÉŠÖ‚·‚éˆêlŽ@ ’·’Ë ‹ŒÈ*iŽñ“s‘å ƒVƒXƒeƒ€ƒfƒUƒCƒ“j
Š™‘q –«¬i’†‰›‘å —Hj
4. ˆÆ“_—\‘ªŽq‚©‚猩‚œ informative Ž–‘O•ª•z‚Ì—˜—p –ö–{ •”ü*i’†‰›‘å —Hj •ñW
5. ˆÆ“_‹ßŽ—‚É‚š‚¯‚éˆÆ“_‚Æ•ª•zŠÖ”—ñ‚ÌŽãŽû‘©‚ɂ‚¢‚Ä ’|“à Gs*i“Œ‹ž‘Û‘å ŒoÏj •ñW
6. ‹…–ʏã‚ÌŒù”zŽÊ‘œ‚Å•\‚³‚ê‚镪•z‘° Ž ’q–ç*i“Œ‹ž‘å î•ñ—Hj •ñW

T‰ïê(Œb“¹ŠÙ KD204)@13:10`15:10@‰ñ‹A•ªÍ(2)

  • w * x‚̂‚¢‚Ä‚¢‚é–Œ‘O‚Ì•û‚ªg”­•\ŽÒh‚Æ‚È‚è‚Ü‚·D‚»‚êˆÈŠO‚Ì•û‚́g‹€“¯Œ€‹†ŽÒh‚É‚È‚è‚Ü‚·D

yÀ’·z “à“¡ ŠÑ‘Ÿ i“‡ª‘å ‘‡—Hj

1. The condition on which the variance-stabilizing nonparametric regression estimator
outperforms the conventional one
Œ“c Šì•œŽŸ*i’}”g‘å ƒVƒXƒeƒ€î•ñHŠwj
‹ààV —Yˆê˜Yi’}”g‘å ƒVƒXƒeƒ€î•ñHŠwj
•ñW
2. ‘o‘Εœ’R‹óŠÔ‚É‚š‚¯‚éLeast Angle Regression‚Əî•ñ—Ê‹K€ œA£ ‘P‘å*i“Œ‹ž‘å î•ñ—Hj
‹î–Ø •¶•Ûi“Œ‹ž‘å î•ñ—Hj
•ñW
3. üŒ`¬‡ƒ‚ƒfƒ‹‚É‚š‚¯‚镪ŽUƒpƒ‰ƒ[ƒ^‚Ì•s•Î„’è—ʂ̍\¬ ŸNˆä “N˜N*i’†‰›‘å —Hj
“¡‰z Nji’†‰›‘å —Hj
•ñW
4. Inference for Multivariate Spline Mixed Model ‘h “~Â*i“‡ª‘å ‘‡—Hj
“à“¡ ŠÑ‘Ÿi“‡ª‘å ‘‡—Hj
5. ƒ|ƒAƒ\ƒ“‰ñ‹Aƒ‚ƒfƒ‹‚̍Ŗސ„’è‚É‚š‚¯‚é”ñüŒ`Å“K‰»–@‚ðŽÀ‘•‚µ‚œ
ŠeŽí”’l‰‰ŽZƒ\ƒtƒgƒEƒFƒA‚Ì”äŠr
“y‹ Žå®*i•úŽËüˆãŠw‘‡Œ€‹†Š ‹K§‰ÈŠw‘‡Œ€‹†ƒOƒ‹[ƒvj
ìŒû —E•vi•úŽËüˆãŠw‘‡Œ€‹†Š ‹K§‰ÈŠw‘‡Œ€‹†ƒOƒ‹[ƒvj
‹g‰i MŽ¡i•úŽËüˆãŠw‘‡Œ€‹†Š ‹K§‰ÈŠw‘‡Œ€‹†ƒOƒ‹[ƒvj
•ñW
6. ƒ|ƒAƒ\ƒ“•ê•œ‹Ï‚̐V‚µ‚¢ƒ^ƒCƒv‚̏k¬„’è—Ê ’£ Œ³@*i–Ú”’‘å ŽÐ‰ïî•ñj
ŽÂè M—YiŒcœä‹`m‘å —Hj
•ñW

9ŒŽ8“úi‰Îj@ŒßŒãi‚Qj

A‰ïê(–²ŠÙ MK102)@15:30`17:30@Šé‰æƒZƒbƒVƒ‡ƒ“F‰ž—p“ŒvŠw‰ïŠw‰ïÜŽóÜŽÒu‰‰

  • w * x‚̂‚¢‚Ä‚¢‚é–Œ‘O‚Ì•û‚ªg”­•\ŽÒh‚Æ‚È‚è‚Ü‚·D‚»‚êˆÈŠO‚Ì•û‚́g‹€“¯Œ€‹†ŽÒh‚É‚È‚è‚Ü‚·D

yƒI[ƒKƒiƒCƒU[z ‰i“c –õ i‘ˆî“c‘å ‘n‘¢—HjCŠÝ–ì —m‹v i“Œ‹ž‘å ”_Šw¶–œ‰ÈŠwj
yÀ’·z ‰i“c –õ i‘ˆî“c‘å ‘n‘¢—Hj

1. –¢ŠÏ‘ªŒð—ˆöŽq‚ª‘¶Ý‚·‚éê‡‚Ì‘‡Œø‰Ê‚ÌŽ¯•Ê‰Â”\ðŒ •–Ø Šw*i‘åã‘å Šî‘bHj •ñW
2. The Generalized t-Distribution on the Circle Siew Hai-Yen*i“Œv”—Œ€‹†Š “Á”CŒ€‹†ˆõj
‰Á“¡ žŒái“Œv”—Œ€‹†Š —\‘ª”­Œ©í—ªŒ€‹†ƒZƒ“ƒ^[j
•ñW

B‰ïê(–²ŠÙ MK201)@15:30`17:30@ˆãŠw“Œv(3)

  • w * x‚̂‚¢‚Ä‚¢‚é–Œ‘O‚Ì•û‚ªg”­•\ŽÒh‚Æ‚È‚è‚Ü‚·D‚»‚êˆÈŠO‚Ì•û‚́g‹€“¯Œ€‹†ŽÒh‚É‚È‚è‚Ü‚·D

yÀ’·z ”ò“c ‰p—S i•ÛŒ’ˆã—ÉȊw‰@ ‹Zp•]‰¿•”j

1. ’Tõ“I—Տ°ŽŽŒ±‚É‚š‚¯‚éƒxƒCƒY—¬•W–{ƒTƒCƒYŒˆ’è‚ɂ‚¢‚Ă̍lŽ@ Žè—ÇŒü ‘*i‹ž“s‘å ˆãŠw•”•‘®•a‰@j •ñW
2. ƒKƒ“ƒ}-ƒm[ƒ}ƒ‹ƒ‚ƒfƒ‹‚É‚š‚¯‚鐳Šm‚ȃxƒCƒY—¬„‘ª –ìŠÔ ‹vŽj*i‹ž“s‘å ˆãj •ñW
3. •ê”ä—Š‚̍·‚Ì”ñ—ò«ŒŸ’è ìè —m•œ*i“Œ‹ž—‰È‘å / “c•ÓŽO•H»–òiŠ”jj
’£ •ûgiƒOƒ‰ƒNƒ\EƒXƒ~ƒXƒNƒ‰ƒCƒ“(Š”)j
‹{‰ª ‰x—ǁi“Œ‹ž—‰È‘å —j
•ñW
4. Follow-upƒf[ƒ^‚ÉŠî‚­“ñ‚‚̐f’f–@‚ÌðŒ•t”äŠr Žº’J Œ’‘Ÿ*i‹v—¯•Ä‘å ˆãj
ÂŽR iŽqi‹v—¯•Ä‘å ƒoƒCƒI“ŒvƒZƒ“ƒ^[j
–öì ꟁi‹v—¯•Ä‘å ƒoƒCƒI“ŒvƒZƒ“ƒ^[j
•ñW
5. Radial Mapping‚É‚æ‚éƒqƒg‘ÙŽ™”­¶‰ß’ö‚Ì’²˜a“x‰ðÍ –ì’à º•¶*i“‡ª‘å ‘‡—Hj
“à“¡ ŠÑ‘Ÿi“‡ª‘å ‘‡—Hj
‰F“cì i“‡ª‘å ˆãj
‘å’J _i“‡ª‘å ˆãj
6. Procrustes Analysis‚Ƙc‹È“x |ƒqƒg‘ÙŽ™‚Ì’²˜a“I”­¶| “à“¡ ŠÑ‘Ÿ*i“‡ª‘å ‘‡—Hj
‰F“cì i“‡ª‘å ˆãj
‘å’J _i“‡ª‘å ˆãj

C‰ïê(–²ŠÙ MK203)@15:30`17:30@Œv—ʃtƒ@ƒCƒiƒ“ƒX(1)

  • w * x‚̂‚¢‚Ä‚¢‚é–Œ‘O‚Ì•û‚ªg”­•\ŽÒh‚Æ‚È‚è‚Ü‚·D‚»‚êˆÈŠO‚Ì•û‚́g‹€“¯Œ€‹†ŽÒh‚É‚È‚è‚Ü‚·D

yÀ’·z ‘åX —T_ i“Œ‹ž‘å ŒoÏj

1. ”ñ‘Ώ̍s—ñŽw”Šm—Š“Iƒ{ƒ‰ƒeƒBƒŠƒeƒB•Ï“®ƒ‚ƒfƒ‹ ÎŒŽ —f”Ž*i“Œ‹ž‘å ŒoÏj
‘åX —T_i“Œ‹ž‘å ŒoÏj
2. AUC‚ð—p‚¢‚œŠi•t—\‘ª•]‰¿Žw•W‚Əd‚Ý•t‚«Å“K‰» ŽO‰Y ãÄ*i‘‡Œ€‹†‘åŠw‰@‘å “Œv‰ÈŠwêUj
ŽR‰º ’qŽui“Œv”—Œ€‹†Š ƒf[ƒ^‰ÈŠwŒ€‹†Œnj
]Œû ^“§i“Œv”—Œ€‹†Š ”—E„˜_Œ€‹†Œnj
•ñW
3. Recovery Process Model for Two Companies ˆÉ“¡ —LŠó*iˆê‹Ž‘å ŒoÏj •ñW
4. ˆê”ʉ»ƒpƒŒ[ƒg•ª•z¬‡ƒ‚ƒfƒ‹‚ÌMCMCƒxƒCƒY„’èFƒoƒŠƒ…[EƒAƒbƒgEƒŠƒXƒNŒvŽZ‚ւ̉ž—p ‚ŽR r‘¥*i“Œ‹ž—‰È‘å Hj
‰–à_ Œh”Vi“Œ‹ž—‰È‘å Hj
‰Í‘º ’q”Vi“Œ‹ž—‰È‘å Hj
•ñW
5. “úŒo•œ‹ÏŠ”‰¿Žw”ƒIƒvƒVƒ‡ƒ“‚̃Cƒ“ƒvƒ‰ƒCƒhEƒ{ƒ‰ƒeƒBƒŠƒeƒB‚̃XƒvƒŒƒbƒh•ªÍ rˆä ƒ*i“Œ‹ž—‰È‘å Hj
‚ŽR r‘¥i“Œ‹ž—‰È‘å Hj
‰–à_ Œh”Vi“Œ‹ž—‰È‘å Hj
•ñW
6. “VŒóƒfƒŠƒoƒeƒBƒu‚Ì‚œ‚ß‚Ì“Œ‹ž‚É‚š‚¯‚é~…—Ê‚Ì“Œv“I•ªÍ Œ–{ Í–M*i“Œ‹ž‘å Hj
ŒŽ ®Ki“Œ‹ž‘å Hj
“ê“c ˜a–ži“Œ‹ž‘å Hj
•ñW

D‰ïê(–²ŠÙ MK301)@15:30`17:30@ŠÂ‹«“Œv

  • w * x‚̂‚¢‚Ä‚¢‚é–Œ‘O‚Ì•û‚ªg”­•\ŽÒh‚Æ‚È‚è‚Ü‚·D‚»‚êˆÈŠO‚Ì•û‚́g‹€“¯Œ€‹†ŽÒh‚É‚È‚è‚Ü‚·D

yÀ’·z ã–ì Œº‘Ÿ i“Œv”—Œ€‹†Š ƒ‚ƒfƒŠƒ“ƒOŒ€‹†Œnj

1. ”NÅ‘å“ú~…—ʂ̃gƒŒƒ“ƒh ‚‹Ž —Ï–ç*i_ŒË‘å ŠCŽ–‰ÈŠwj
a’J ­ºiŒcœä‹`m‘å —Hj
•ñW
2. ƒI[ƒXƒgƒ‰ƒŠƒA‹ßŠC‚É‚š‚¯‚éŽí‘¶Ý—ʂ̃‚ƒfƒŠƒ“ƒO “‡’à GN*iMarine and Coastal Environment Group, Geoscience Australiaj
Ross DarnelliMathematical and Information Sciences, CSIROj
•ñW
3. “Æ—§ˆÙ•ª•z•W–{‚ÌPP ƒvƒƒbƒg‚É‚æ‚镪•z‚Ì“K‡«‚ÌŒŸØ
\ŠC’ꐶ•šŒÂ‘̐”‚ɑ΂·‚éƒg[ƒ}ƒX•ª•z‚ð—á‚Ɂ\
ŽÄ“c —¢’ö*iŒcœä‹`m‘å —Hj
›’J —EŽ÷iŒcœä‹`m‘å —Hj
•ñW
4. ’ªˆÊƒf[ƒ^‚Ì“Œv‰ðÍ‚É‚æ‚é“ú–{Žü•ÓŠCˆæ‚Ì“Á’¥’Šo ’·”ö ‘哹*i“Œv”—Œ€‹†Š —\‘ª”­Œ©í—ªŒ€‹†ƒZƒ“ƒ^[j
”óŒû ’m”Vi“Œv”—Œ€‹†Š ƒ‚ƒfƒŠƒ“ƒOŒ€‹†Œnj
ŽO‰Y “Ni“Œ–k‘å —j
•ñW
5. Merging particle filter‚É‚æ‚éó‘Ԑ„’è \‰F’ˆ‰ÈŠw‚ւ̉ž—p\ ’†–ì T–ç*i“Œv”—Œ€‹†Š —\‘ª”­Œ©í—ªŒ€‹†ƒZƒ“ƒ^[j
ã–ì Œº‘Ÿi“Œv”—Œ€‹†Š ƒ‚ƒfƒŠƒ“ƒOŒ€‹†Œnj
ŠC˜VŒŽ —S•ãi–ŒŒÃ‰®‘å ‚“™Œ€‹†‰@j
Mei-Ching Foki•Ä‘q‹ó‰F’ˆ‹Ç ƒSƒ_[ƒh‰F’ˆq‹óƒZƒ“ƒ^[j
‘å’J WˆêiƒWƒ‡ƒ“ƒYEƒzƒvƒLƒ“ƒX‘å ‰ž—p•š—ŠwŒ€‹†Šj
Pontus BrandtiƒWƒ‡ƒ“ƒYEƒzƒvƒLƒ“ƒX‘å ‰ž—p•š—ŠwŒ€‹†Šj
”óŒû ’m”Vi“Œv”—Œ€‹†Š ƒ‚ƒfƒŠƒ“ƒOŒ€‹†Œnj
•ñW
6. “_‰ß’öƒ‚ƒfƒ‹‚É‚æ‚é’nkŠˆ“®ˆÙí‚̉ðÍ ŒFàV ‹M—Y*i‘‡Œ€‹†‘åŠw‰@‘å •¡‡‰ÈŠwj
”öŒ` —Ç•Fi“Œv”—Œ€‹†Š ƒ‚ƒfƒŠƒ“ƒOŒ€‹†Œnj
•ñW

P‰ïê(Œb“¹ŠÙ KD104)@15:30`17:30@Šé‰æƒZƒbƒVƒ‡ƒ“F“œ–Œƒf[ƒ^

  • w * x‚̂‚¢‚Ä‚¢‚é–Œ‘O‚Ì•û‚ªg”­•\ŽÒh‚Æ‚È‚è‚Ü‚·D‚»‚êˆÈŠO‚Ì•û‚́g‹€“¯Œ€‹†ŽÒh‚É‚È‚è‚Ü‚·D

yƒI[ƒKƒiƒCƒU[z ˆÀ“c ¹ iˆê‹Ž‘å ŒoÏŒ€‹†Šj
yÀ’·z ¬—Ñ —Ǎs iˆê‹Ž‘å ŒoÏŒ€‹†Šj

1. “Œv—˜—p‚̈ê‘w‚ÌŠg‘å‚ÉŒü‚¯‚œ“œ–Œƒf[ƒ^’ñ‹Ÿ“™‚ÌŽæ‘g‚ɂ‚¢‚Ä ŒIŒŽ ’ŒŽ÷*i‘–±È“Œv‹Ç “Œv’²ž•”j •ñW
2. “œ–Œƒf[ƒ^‚ÌŽí—Þ‹y‚Ñ“à—e‚ɂ‚¢‚Ä Šâ‰i ‘ô–*i‘–±È“Œv‹Ç “Œv’²ž•”j •ñW
3. ƒ~ƒNƒƒf[ƒ^—˜—p‚Ì‚œ‚ß‚Ì“ŒvƒZƒ“ƒ^[‚ÌŽæ‚è‘g‚Ý ŽRŒû KŽO*i“ŒvƒZƒ“ƒ^[ î•ñ‹Zp•”j •ñW
4. ˆê‹Ž‘åŠw‚ð’Ê‚¶‚œ“œ–Œƒf[ƒ^‚Ì—˜—pŽè‘±‚«‚ɂ‚¢‚Ä
@\—˜—p‘Š’k‚©‚ç—˜—pŽÀÑ‚Ì•ñ‚܂Ł\
¬—Ñ —Ǎs*iˆê‹Ž‘å ŒoÏŒ€‹†Šj •ñW

Q‰ïê(Œb“¹ŠÙ KD106)@15:30`17:30@Šé‰æƒZƒbƒVƒ‡ƒ“FƒAƒWƒA’nˆæ‚É‚š‚¯‚éŒvŽZ‹@“ŒvŠw - Modern Statistical Methods and Computing

  • w * x‚̂‚¢‚Ä‚¢‚é–Œ‘O‚Ì•û‚ªg”­•\ŽÒh‚Æ‚È‚è‚Ü‚·D‚»‚êˆÈŠO‚Ì•û‚́g‹€“¯Œ€‹†ŽÒh‚É‚È‚è‚Ü‚·D

yƒI[ƒKƒiƒCƒU[z ŒIŒŽ lŽŸ i‰ªŽR‘å ŠÂ‹«j
yÀ’·z ŒIŒŽ lŽŸ i‰ªŽR‘å ŠÂ‹«j

1. Computational Statistics in Asia “c’† –L*i“ìŽR‘å ”—î•ñj •ñW
2. Matrix visualization: EDA (exploratory data analysis) tools for the 21st century Chun-hou Chen*iAcademia Sinicaj •ñW
3. Bootstrap methods on variance components and mixed models Yonghee Lee*iThe University of Seoulj •ñW
4. Computational Statistics in Indonesia Hizir Soyfan*iSyiah Kuala Universityj •ñW
5. Computational Statistics and Data Analysis in Asian Regions Moon Yul Huh*iSungkyunkwan Universityj
Koji Kurihara*iOkayama Universityj
Heon Jin ParkiInha Universityj
Yuan-Chin Ivan ChangiAcademia Sinicaj
Cathy W. S. CheniFeng Chia Universityj
Masahiro MizutaiHokkaido Universityj
•ñW

R‰ïê(Œb“¹ŠÙ KD202)@15:30`17:30@ŒoÏEŒo‰c“Œv(2)

  • w * x‚̂‚¢‚Ä‚¢‚é–Œ‘O‚Ì•û‚ªg”­•\ŽÒh‚Æ‚È‚è‚Ü‚·D‚»‚êˆÈŠO‚Ì•û‚́g‹€“¯Œ€‹†ŽÒh‚É‚È‚è‚Ü‚·D

yÀ’·z •Z ‰pŽi iˆê‹Ž‘å ŒoÏj

1. “X•ÜƒŒƒxƒ‹ŽQÆ‰¿Ši‹y‚уvƒƒ‚[ƒVƒ‡ƒ“Šú‘Ò‚ðl—¶‚µ‚œ“®“I”„ã”œ‰žƒ‚ƒfƒ‹ ²“¡ ’‰•F*i’}”g‘å ƒrƒWƒlƒX‰ÈŠwj
Æˆä L•Fi“Œ–k‘å ŒoÏj
”óŒû ’m”Vi“Œv”—Œ€‹†Š ƒ‚ƒfƒŠƒ“ƒOŒ€‹†Œnj
•ñW
2. Á”ïŽÒƒpƒlƒ‹ƒf[ƒ^‚ð—p‚¢‚œ“®“IƒWƒ‡ƒCƒ“ƒgEƒXƒy[ƒXEƒ}ƒbƒv ’·’Jì ãĕœ*i“Œ–k‘å ŒoÏj
Æˆä L•Fi“Œ–k‘å ŒoÏj
•ñW
3. A Model for TV Advertising Management with Heterogeneous Consumer
by Using Single Source Data
”º ³—²*i–Ú”’‘å Œo‰cj
Æˆä L•Fi“Œ–k‘å ŒoÏj
ˆ¢•” œi“Œ–k‘å ŒoÏj
•ñW
4. ƒ}ƒCƒNƒEƒVƒ~ƒ…ƒŒ[ƒVƒ‡ƒ“ƒ‚ƒfƒ‹‚É‚æ‚élŒûE¢‘ѐ”‚̏«—ˆ„Œv ˆîŠ_ œˆê*iiàj”N‹àƒVƒjƒAƒvƒ‰ƒ“‘‡Œ€‹†‹@\ R‹c–ðj •ñW
5. Estimation of Dynamics for Income Inequality by Stochastic Volatility model Œ”W °‹v*iç—t‘å –@Œoj
‘勘 ’iç—t‘å –@Œoj
Še–± ˜a•Fiç—t‘å –@Œoj
6. “®Šwƒpƒlƒ‹ƒ‚ƒfƒ‹‚É‚æ‚éŠé‹Æ‚̉ïŒv—˜‰v‚Ì•Ï“®•ªÍ ‹g“c –õ*iç—t€‰È‘å ‰ïŒvƒtƒ@ƒCƒiƒ“ƒXj •ñW

S‰ïê(Œb“¹ŠÙ KD203)@15:30`17:30@•ª•z˜_(3)

  • w * x‚̂‚¢‚Ä‚¢‚é–Œ‘O‚Ì•û‚ªg”­•\ŽÒh‚Æ‚È‚è‚Ü‚·D‚»‚êˆÈŠO‚Ì•û‚́g‹€“¯Œ€‹†ŽÒh‚É‚È‚è‚Ü‚·D

yÀ’·z ‹ŽŒû ”ŽŽ÷ ié‹Ê‘å —Hj

1. ƒRƒ“ƒsƒ…[ƒ^ƒCƒ“ƒeƒ“ƒVƒuŽ©—R“x’²®‚ɂ‚¢‚Ä ŽR‰º ‘ñl*i‹v—¯•Ä‘å ˆãj
Žº’J Œ’‘Ÿi‹v—¯•Ä‘å ˆãj
–öì ꟁi‹v—¯•Ä‘å ƒoƒCƒI“ŒvƒZƒ“ƒ^[j
•ñW
2. ”ñSƒEƒBƒVƒƒ[ƒg•ª•z‚̃‚[ƒƒ“ƒg‚̃Oƒ‰ƒt•\Œ»‚Æ‚»‚̉ž—p ŒI–Ø “N*i“Œv”—Œ€‹†Š ”—E„˜_Œ€‹†Œnj
À“c ‘׉pi“Œ‹ž‘å@î•ñ—H / ‰ÈŠw‹ZpU‹»‹@\ CRESTj
•ñW
3. ƒ][ƒiƒ‹‘œ€Ž®ŒvŽZ‚ƌŗL’l•ª•z ‹ŽŒû ”ŽŽ÷*ié‹Ê‘å —Hj •ñW
4. ‹€•ªŽU\‘¢‚É‚š‚¯‚éADFƒJƒC‚Qæ“Œv—Ê‚Ì•ª•z‚ÉŠÖ‚·‚é”ñ³‹K•ª•z‚̉º‚Å‚Ì‘Q‹ß“WŠJ ¬Š}ŒŽ t•F*i¬’M€‰È‘å €j •ñW
5. Asymptotic expansions for a class of tests for a general covariance structure under a local alternative Ž… —T‹Å*iL“‡‘å —j
H“c ’q”ViL“‡‘å —j
Žá–Ø G•¶iL“‡‘å —j
•ñW
6. 1•W–{–â‘è‚É‚š‚¯‚é2-Step’P’²Œ‡‘ªƒf[ƒ^‚̉º‚Å‚Ì•œ‹ÏƒxƒNƒgƒ‹‚ÌŒŸ’蓝Œv—ʂɂ‚¢‚Ä ŽRè ²Žq*i“Œ‹ž—‰È‘å —j
£”ö —²i“Œ‹ž—‰È‘å —j
•ñW

T‰ïê(Œb“¹ŠÙ KD204)@15:30`17:30@”»•Ê•ªÍ

  • w * x‚̂‚¢‚Ä‚¢‚é–Œ‘O‚Ì•û‚ªg”­•\ŽÒh‚Æ‚È‚è‚Ü‚·D‚»‚êˆÈŠO‚Ì•û‚́g‹€“¯Œ€‹†ŽÒh‚É‚È‚è‚Ü‚·D

yÀ’·z •Ÿ… Œ’ŽŸ i“Œv”—Œ€‹†Š ƒ‚ƒfƒŠƒ“ƒOŒ€‹†Œnj

1. ‚ŽŸŒ³üŒ`”»•Ê–@‚Ì’ñˆÄ‚Æ‚»‚̌딻•ÊŠm—Š •º“ª ¹*i“Œ‹ž—‰È‘å —j •ñW
2. Statistical approaches for combining binary classifiers for multiclass classification ”’Î —Fˆê*i—‰»ŠwŒ€‹†Š ×–EƒVƒXƒeƒ€ƒ‚ƒfƒ‹‰»Œ€‹†ƒ`[ƒ€j
•Ÿ… Œ’ŽŸi“Œv”—Œ€‹†Š ƒ‚ƒfƒŠƒ“ƒOŒ€‹†Œnj
3. SpicyMKL: efficient multiple kernel learning method using dual augmented Lagrangian —é–Ø ‘厜*i“Œ‹ž‘å î•ñ—Hj
•y‰ª —º‘Ÿi“Œ‹ž‘å î•ñ—Hj
•ñW
4. ”»•Ê•ªÍ‚̐V¢‹I V‘º Gˆê*i¬æü‘å ŒoÏj •ñW
5. ”—ʉ»‚Q—Þ‚É‚š‚¯‚é’ljÁî•ñ‚ÌŒŸ’è‚ƑÓ–« “¡‰z Nj*i’†‰›‘å —Hj
› –¯˜YiiŠ”jƒGƒXƒ~j
•ñW
6. t’l‚ðÅ‘å‚É‚·‚é”»•ÊŠÖ”‚̃u[ƒXƒeƒBƒ“ƒO–@ ]Œû ^“§*i“Œv”—Œ€‹†Š ”—E„˜_Œ€‹†Œnj
¬X —i‘‡Œ€‹†‘åŠw‰@‘å •¡‡‰ÈŠwj
•ñW

9ŒŽ9“úi…j@Œß‘Oi‚Pj

A‰ïê(–²ŠÙ MK102)@09:30`11:10@ƒf[ƒ^ƒ}ƒCƒjƒ“ƒO(1)

  • w * x‚̂‚¢‚Ä‚¢‚é–Œ‘O‚Ì•û‚ªg”­•\ŽÒh‚Æ‚È‚è‚Ü‚·D‚»‚êˆÈŠO‚Ì•û‚́g‹€“¯Œ€‹†ŽÒh‚É‚È‚è‚Ü‚·D

yÀ’·z …“c ³O i–kŠC“¹‘å î•ñŠî”ÕƒZƒ“ƒ^[j

1. ˜_•¶ƒf[ƒ^ƒx[ƒX‚ÉŒ©‚铝Œv•ª–ì‚ÌŒ€‹†“®Œü ’†‘º ’q—m*iŽRŒ`‘å@ˆãj
‘ŠàV ²Žqi‘—§î•ñŠwŒ€‹†Š ƒRƒ“ƒeƒ“ƒc‰ÈŠwŒ€‹†Œnj
”nê NˆÛi“Œv”—Œ€‹†Š “Œv‰ÈŠw‹ZpƒZƒ“ƒ^[j
•ñW
2. Œg‘Ñ“d˜b‚Ì•¶–ʏî•ñ‚©‚珑‚«Žè‚ð’T‚é “c’† —ÊŽq*i“¯ŽuŽÐ‘å •¶‰»î•ñj
‹à –Ÿ“Ni“¯ŽuŽÐ‘å •¶‰»î•ñj
•ñW
3. “ú–{l‚ƉpŒê•êŒê˜bŽÒ‚Ƃ̐S“àŽ«‘\‘¢‚Ì‘Šˆá‚Ì“Œv“I‰ðÍ ¬—Ñ Œi*i“Œv”—Œ€‹†Š ”—E„˜_Œ€‹†Œnj
Ü“c [iŒF–{‘å ‘åŠw‹³ˆç‹@”\ŠJ”­‘‡Œ€‹†ƒZƒ“ƒ^[j
•ñW
4. ƒeƒLƒXƒg•ª—ނƃJ[ƒlƒ‹ŠÖ” ‹à –Ÿ“N*i“¯ŽuŽÐ‘å •¶‰»î•ñj •ñW
5. ‘œŒŸŒêƒeƒLƒXƒgƒ}ƒCƒjƒ“ƒO‚̊‹« \“ú–{ŒêA’†‘ŒêAŠØ‘Œê‚𒆐S‚Æ‚µ‚ā\ ‹à –Ÿ“N*i“¯ŽuŽÐ‘å •¶‰»î•ñj •ñW

B‰ïê(–²ŠÙ MK201)@09:30`11:10@Žž‹óŠÔƒf[ƒ^‰ðÍ

  • w * x‚̂‚¢‚Ä‚¢‚é–Œ‘O‚Ì•û‚ªg”­•\ŽÒh‚Æ‚È‚è‚Ü‚·D‚»‚êˆÈŠO‚Ì•û‚́g‹€“¯Œ€‹†ŽÒh‚É‚È‚è‚Ü‚·D

yÀ’·z “ì ”ü•äŽq iŒcœä‹`m‘å —Hj

1. ‰ä‚ª‘‚ÌPM2.5ŽžŒn—ñƒgƒŒƒ“ƒh ’Ö LŒv*i“Œv”—Œ€‹†Š ƒŠƒXƒN‰ðÍí—ªŒ€‹†ƒZƒ“ƒ^[j •ñW
2. •ª•z‚ɑ΂·‚éCARTi•ª—ށE‰ñ‹A–Ø)F‘Ì’·•ª•z‚ÌŽž‹óŠÔ‚É‚æ‚éƒpƒ^[ƒ“‰ðÍ “ì ”ü•äŽq*iŒcœä‹`m‘å —Hj •ñW
3. ŠK‘w\‘¢‚ðŽ‚ÂƒJƒEƒ“ƒgƒf[ƒ^‚Ì‘œ•Ï—ÊŽžŒn—ñƒ‚ƒfƒ‹ Šª Žõ•F*i“Œ–k‘å ŒoÏj
Æˆä L•Fi“Œ–k‘å ŒoÏj
•ñW
4. Weighted likelihoods and maximum local likelihood estimates for space-time point processes ¯ Œš‘q*i“Œv”—Œ€‹†Š ƒ‚ƒfƒŠƒ“ƒOŒ€‹†Œnj •ñW
5. —LŒü–؏ã‚̘A‚Ì•ª•z ˆäã Œ‰Ži*i¬æü‘å ŒoÏj
ˆÀŒ| d—YiŠÖŒ‘å ƒVƒXƒeƒ€—Hj
•ñW

C‰ïê(–²ŠÙ MK203)@09:30`11:10@Œv—ʃtƒ@ƒCƒiƒ“ƒX(2)

  • w * x‚̂‚¢‚Ä‚¢‚é–Œ‘O‚Ì•û‚ªg”­•\ŽÒh‚Æ‚È‚è‚Ü‚·D‚»‚êˆÈŠO‚Ì•û‚́g‹€“¯Œ€‹†ŽÒh‚É‚È‚è‚Ü‚·D

yÀ’·z ’Óc ”ŽŽj i“¯ŽuŽÐ‘å —Hj

1. ‹à—Z’‡‰îƒT[ƒrƒX‚Ì‘ª’è‚ɂ‚¢‚Ä ”‹–ì Šo*i“ú–{‹âs ’²ž“Œv‹Çj •ñW
2. ƒmƒ“ƒpƒ‰ƒƒgƒŠƒbƒNŠm—Š–§“x„Œv‚É‚æ‚郊ƒXƒN|ƒŠƒ^[ƒ“ŠÖŒW‚Ì•ª—Þ ‚“c ‹PŽq*i‘åãŽs—§‘å Œo‰cj •ñW
3. ¢ŠE“I‹à—ZŠë‹@‚ƐM—pƒŠƒXƒN“®ŒüFCDSŽsê‚©‚ç‚ÌŒŸØ “c–ì‘q —tŽq*i“Œv”—Œ€‹†Š ƒŠƒXƒN‰ðÍí—ªŒ€‹†ƒZƒ“ƒ^[j
’Óc ”ŽŽji“¯ŽuŽÐ‘å —Hj
²“¡ ®®i“Œv”—Œ€‹†Š ƒŠƒXƒN‰ðÍí—ªŒ€‹†ƒZƒ“ƒ^[j
–kì Œ¹Žl˜Yi“Œv”—Œ€‹†Šj
•ñW
4. ’·ŽõƒŠƒXƒN‚̃xƒCƒYEƒ‚ƒfƒŠƒ“ƒO‚Ə،”‰» ¬•é Œú”V*iŒcœä‹`m‘å ‘‡­ôj
‘q’m ‘Psi“Œ‹ž‘å ŒoÏiŒ»F“ú–{‹âs ‚’mŽx“X‹Æ–±‰Ûjj
•ñW
5. €•iæ•šŽsê‚̃‚ƒfƒ‹ Â–Ø ‹`[*iiŠ”jQUICK ƒz[ƒ‹ƒZ[ƒ‹Ž–‹Æ–{•”j
‰¡“à ‘å‰îiˆê‹Ž‘å ‘ÛŠé‹Æí—ªj
‰Á“¡ „iŽRŒ`‘å ’nˆæ‹³ˆç•¶‰»j
•ñW

D‰ïê(–²ŠÙ MK301)@09:30`11:10@ƒ‚ƒfƒ‹‘I‘ð(2)

  • w * x‚̂‚¢‚Ä‚¢‚é–Œ‘O‚Ì•û‚ªg”­•\ŽÒh‚Æ‚È‚è‚Ü‚·D‚»‚êˆÈŠO‚Ì•û‚́g‹€“¯Œ€‹†ŽÒh‚É‚È‚è‚Ü‚·D

yÀ’·z ú匎 G˜a iL“‡‘å —j

1. ‚ŽŸŒ³‘œ•Ï—ʐüŒ`‰ñ‹A‚Ì‚œ‚߂̕ϐ”‘I‘ð ŽR‘º –ƒ—Žq*i–k—¢‘å –òj
ú匎 G˜aiL“‡‘å —j
Muni Srivastava iDepartment of Statistics, University of Torontoj
•ñW
2. î•ñ—Ê‹K€‚ÉŠî‚­Œø—Š“I‚Ȑ³‘¥‰»ƒpƒ‰ƒ[ƒ^‘I‘ð r–Ø —R•zŽq*i‹v—¯•Ä‘å ƒoƒCƒI“ŒvƒZƒ“ƒ^[j
•ž•” ‘i‹v—¯•Ä‘å ƒoƒCƒI“ŒvƒZƒ“ƒ^[j
3. ‚ŽŸŒ³‘œŒQ”»•Ê•ªÍ‚É—v‚·‚é•Ï”‚Ì•]‰¿ •º“ª ¹*i“Œ‹ž—‰È‘å —j
ŽR“c —²si’†‰›‘å ‹€“¯Œ€‹†ˆõj
•ñW
4. ANOVAƒ‚ƒfƒ‹‚Ő…€”‚ª‘‚Š‚éê‡‚̃xƒCƒYŒ^ƒ‚ƒfƒ‹‘I‘ð‹K€‚̈ê’v«‚ɂ‚¢‚Ä ŠÛŽR —S‘¢*i“Œ‹ž‘å ‹óŠÔî•ñj •ñW
5. Sufficient Dimension Reduction via Squared-loss Mutual Information Estimation —é–Ø ‘厜*i“Œ‹ž‘å î•ñ—Hj
™ŽR «i“Œ‹žH‹Æ‘å î•ñ—Hj
•ñW

9ŒŽ9“úi…j@Œß‘Oi‚Qj

A‰ïê(–²ŠÙ MK102)@11:20`13:00@ƒf[ƒ^ƒ}ƒCƒjƒ“ƒO(2)

  • w * x‚̂‚¢‚Ä‚¢‚é–Œ‘O‚Ì•û‚ªg”­•\ŽÒh‚Æ‚È‚è‚Ü‚·D‚»‚êˆÈŠO‚Ì•û‚́g‹€“¯Œ€‹†ŽÒh‚É‚È‚è‚Ü‚·D

yÀ’·z ‹à –Ÿ“N i“¯ŽuŽÐ‘å •¶‰»î•ñj

1. W‡’m‚ð—˜—p‚µ‚œŒiŠÏ‰ðÍ ‘åX G*i“Œ‹ž‘å ”_Šw¶–œ‰ÈŠwj •ñW
2. ’ʐM—Ê‚ðl—¶‚µ‚œƒvƒ‰ƒCƒoƒV[•ÛŒì“Æ—§¬•ª•ªÍ ²–ì ‰ÄŽ÷*i“Œv”—Œ€‹†Š ƒŠƒXƒN‰ðÍí—ªŒ€‹†ƒZƒ“ƒ^[j
ŽÂŒŽ –õŽui“d—Í’†‰›Œ€‹†Š ƒVƒXƒeƒ€‹ZpŒ€‹†Š@î•ñ”——̈æj
•ñW
3. ƒXƒp[ƒX\‘¢ŠwK‚É‚æ‚éƒ{ƒbƒgƒlƒbƒgŒŸo ìŠì“c ‰ë‘¥*i‹ãBæ’[‰ÈŠw‹ZpŒ€‹†Š î•ñƒZƒLƒ…ƒŠƒeƒBŒ€‹†Žºj
à_è _‹Pi‹ãBæ’[‰ÈŠw‹ZpŒ€‹†Š î•ñƒZƒLƒ…ƒŠƒeƒBŒ€‹†Žºj
‘ºã T‘Ÿ˜Yi‹ãBæ’[‰ÈŠw‹ZpŒ€‹†Š î•ñƒZƒLƒ…ƒŠƒeƒBŒ€‹†Žºj
’|“à ƒˆêi‹ãBæ’[‰ÈŠw‹ZpŒ€‹†Š î•ñƒZƒLƒ…ƒŠƒeƒBŒ€‹†Žºj
‹g‰ª Ž¬i‰¡•l‘—§‘å ŠwÛƒvƒƒWƒFƒNƒgŒ€‹†ƒZƒ“ƒ^[j
ˆäã ‘å‰îiî•ñ’ʐMŒ€‹†‹@\ ƒCƒ“ƒVƒfƒ“ƒg‘΍ôƒOƒ‹[ƒvj
‰q“¡ «Žjiî•ñ’ʐMŒ€‹†‹@\ ƒCƒ“ƒVƒfƒ“ƒg‘΍ôƒOƒ‹[ƒvj
’†”ö N“ñiî•ñ’ʐMŒ€‹†‹@\ ƒCƒ“ƒVƒfƒ“ƒg‘΍ôƒOƒ‹[ƒvj
•ñW
4. ŠñÈ‹»s‚©‚猩‚é—ŽŒê‰Æ‚̐š—Í•ª•z|‰Çè‚Ɛ¢‘ãŒð‘ã| â•” —T”üŽq*iiàj“Œvî•ñŒ€‹†ŠJ”­ƒZƒ“ƒ^[ Œ€‹†ŠJ”­–{•”j •ñW
5. “ŒvƒOƒ‰ƒtƒBƒbƒNƒX‚ƏWŒv ŽR–{ —R˜a*i“¿“‡•¶—‘å —Hj
’†–ì ƒŽii“Œv”—Œ€‹†Š ƒf[ƒ^‰ÈŠwŒ€‹†Œnj
•ñW

B‰ïê(–²ŠÙ MK201)@11:20`13:00@‰ñ‹A•ªÍ(3)

  • w * x‚̂‚¢‚Ä‚¢‚é–Œ‘O‚Ì•û‚ªg”­•\ŽÒh‚Æ‚È‚è‚Ü‚·D‚»‚êˆÈŠO‚Ì•û‚́g‹€“¯Œ€‹†ŽÒh‚É‚È‚è‚Ü‚·D

yÀ’·z ’†‘º ‰i—F iŽD–yŠw‰@‘å ŒoÏj

1. ‘œ•Ï—ʈê”ʉ»ƒŠƒbƒW‰ñ‹Aƒ‚ƒfƒ‹‚É‚š‚¯‚郊ƒbƒWƒpƒ‰ƒ[ƒ^Å“K‰»–@‚Ì”äŠr ‰iˆä —E*iL“‡‘å —j
ú匎 G˜aiL“‡‘å —j
²“¡ Œ’ˆêiL“‡‘å ŒŽ”š•úŽËüˆã‰ÈŠwŒ€‹†Šj
•ñW
2. ‘w•Ê‚³‚ê‚œ•œ‹ÏŒn—ñƒf[ƒ^‚ɑ΂·‚éüŒ`‰ñ‹Aƒ‚ƒfƒ‹ “y‰® ‚G*iéŒ‘å —j
’†‘º ‰i—FiŽD–yŠw‰@‘å ŒoÏj
3. ƒJ[ƒlƒ‹ƒƒWƒXƒeƒBƒbƒN‰ñ‹A‚ÌBIC‚ð—˜—p‚·‚éƒTƒ|[ƒgƒxƒNƒ^[ƒ}ƒVƒ“‚̕ϐ”‘I‘ð ›I ‰p*i‹v—¯•Ä‘å ˆãj
–öì ꟁi‹v—¯•Ä‘å ƒoƒCƒI“ŒvƒZƒ“ƒ^[j
•ñW
4. ƒƒWƒXƒeƒBƒbƒNƒ‚ƒfƒ‹‚É‚š‚¯‚é‰ñ‹Adepth “¡–Ø ”ü]*i‘åã‘å Šî‘bHj
”’Šø TŒái‘åã‘å Šî‘bHj
•ñW
5. —v–ñ‚³‚ê‚œî•ñ‚É‚æ‚郍ƒWƒXƒeƒBƒbƒN‰ñ‹A•ªÍ‚̋ߎ— Œˆä Ž*i“Œ‹žCROiŠ”j “Œv‰ðÍ•”j
Šâè ˆê˜Yi–kŠC€‰È‘å €j
•ñW

C‰ïê(–²ŠÙ MK203)@11:20`13:00@Œv—ʃtƒ@ƒCƒiƒ“ƒX(3)

  • w * x‚̂‚¢‚Ä‚¢‚é–Œ‘O‚Ì•û‚ªg”­•\ŽÒh‚Æ‚È‚è‚Ü‚·D‚»‚êˆÈŠO‚Ì•û‚́g‹€“¯Œ€‹†ŽÒh‚É‚È‚è‚Ü‚·D

yÀ’·z ¬•é Œú”V iŒcœä‹`m‘å ‘‡­ôj

1. What can we do for portfolio selection with hedge funds? ŽO‰Y —Ç‘¢*iˆê‹Ž‘å ‘ÛŠé‹Æí—ªj
‰¡“à ‘å‰îiˆê‹Ž‘å ‘ÛŠé‹Æí—ªj
Â–Ø ‹`[iiŠ”jQUICK ƒz[ƒ‹ƒZ[ƒ‹Ž–‹Æ–{•”j
•ñW
2. ˆÙŽ¿“IŠú‘Ò‰Œà‚ÉŠî‚­—\‘zŠ”‰¿Šm—Š•ª•z‚ÌŠú‘Ò’l‚Ì‘ª’è Vˆä Œ[*i–ŸŠC‘å ŒoÏj •ñW
3. ƒXƒ^ƒCƒ“ƒ^ƒCƒv‚̐„’è—Ê‚ð—p‚¢‚œ•œ‹Ï•ªŽUÅ“Kƒ|[ƒgƒtƒHƒŠƒIƒEƒGƒCƒg‚̐„’è ‹ß‰Í ‘ñ–ç*iŒcœä‹`m‘å —Hj
ŽÂè M—YiŒcœä‹`m‘å —Hj
•ñW
4. “ŠŽ‘–@lÂ(REITÂ)‚̉¿Ši•]‰¿ƒ‚ƒfƒ‹‚̐„’è ˆÀ“¡ ‰ë˜a*i“Œv”—Œ€‹†Š ƒŠƒXƒN‰ðÍí—ªŒ€‹†ƒZƒ“ƒ^[j
’Óc ”ŽŽji“¯ŽuŽÐ‘å —Hj
•ñW

D‰ïê(–²ŠÙ MK301)@11:20`13:00@‘œd”äŠr

  • w * x‚̂‚¢‚Ä‚¢‚é–Œ‘O‚Ì•û‚ªg”­•\ŽÒh‚Æ‚È‚è‚Ü‚·D‚»‚êˆÈŠO‚Ì•û‚́g‹€“¯Œ€‹†ŽÒh‚É‚È‚è‚Ü‚·D

yÀ’·z ’†‘º ’q—m iŽRŒ`‘å ˆãj

1. ƒTƒ“ƒvƒ‹ƒTƒCƒY‚ªˆê’è‚Å‚È‚¢ê‡‚Ì•ÛŽç“IƒEƒBƒŠƒAƒ€ƒY–@‚̍l‚Š•û ˆî—t ‘Ÿˆê*i_ŒË‘å lŠÔ”­’BŠÂ‹«Šwj •ñW
2. AdaptiveŒQ’€ŽŸƒfƒUƒCƒ“‚ÌŒŸ“¢‰Û‘è ’†‘º ’q—m*iŽRŒ`‘å ˆãj
ŽR–{ ‹`˜Yi“ŒŠC‘å —j
“¹‰Æ óKi“ŒŠC‘å —j
•ñW
3. ƒAƒ“ƒuƒŒƒ‰ˆ—ŒQ‚ƑΏƌQ‚̃Xƒeƒbƒvƒ_ƒEƒ“Œ^‘ΔäŠr–@ ¯–ì ’Œl*i‘«—˜H‹Æ‘å Hj •ñW
4. ‡˜§–ñ‰º‚̐³‹K•ê•œ‹Ï—ñŠÔ‚̍·‚ðŒ©‚Â‚¯‚éƒXƒeƒbƒvƒ_ƒEƒ“Ž®‘œd”äŠr–@‚ÌŒŸo—Í‚ÌŒvŽZ ¡“c P‹v*i“ŒŠC‘å ‘‡Œo‰cj •ñW
5. •ªŠ„•\‚̍s‚̃Nƒ‰ƒXƒ^ƒŠƒ“ƒO|ˆã–ò•i•›ì—pŽ©”­•ñƒf[ƒ^‚ւ̉ž—p| L’à çq*i–Ÿ¯‘å —Hj
Œˆä ˜a_iˆã–ò•iˆã—Ë@Ší‘‡‹@\ ˆÀ‘S•”j
ŒŒŽ Œ’Ž©iiŠ”jMPI —Տ°‰ðÍ•”j
•ñW