9月8日，9778818威尼斯第十期午餐研讨会在红楼2号楼226学术报告厅举行。此次研讨会由保险精算系助理教授毕达宁做论文分享，共有二十余名师生参加本次午餐研讨会。

研讨会上，毕达宁老师做了主题为《Sieve Bootstrap for High-dimensional Time Series: A Factor Model Approach》的学术报告。在经济社会与日常生活中，高维时间序列数据是一种十分常见的数据类型，如一段时间内的PM₁₀的排放量、一段时间内的股价收益率，一定时期内不同年龄人口的死亡率数据等。然而在统计学上，随着数据集维数的增加，学者们总是会不可避免的遇到“维数祸根”的困境，即随着维数的增加，很多统计方法的有效性会降低甚至是直接失效；同时，由于时间序列数据大多具有自相关的性质，其有效样本量相对于其余数据量会偏低。如何在诸多问题的困扰下进行有效的统计推断，是一个非常重要的问题。AR sieve bootstrap是统计学中常用的抽样统计方法，能够帮助人们研究总体分布的性质。但对于高维时间序列数据，该方法也面临着前文所述的问题。毕达宁老师在总结前人研究的基础上，提出先用因子模型对模型进行降维，再利用sieve bootstrap方法构建新的样本，从而帮助我们进行高维数据的处理与统计推断。为了加深与会老师及同学们的理解，毕达宁老师以PM₁₀排放数据集为例，向大家展示了通过因子模型处理之后的数据集进行参数与非参数bootstrap抽样的结果以及相关的统计量。