Un premio ai paper di Marta Catalano e Sirio Legramanti

I DUE DOTTORANDI DEL PHD IN STATISTICS SONO TRA I VINCITORI DEL DELL'SBSS 2021 STUDENT PAPER COMPETITION E VOLERANNO A SEATTLE PER IL JSM 2021, PANDEMIA PERMETTENDO

Marta Catalano e Sirio Legramanti, due dottorandi del PhD in Statistics della Bocconi, sono tra i dieci vincitori dell’SBSS 2021 Student Paper Competition, premio assegnato dalla Sezione di Statistica Bayesiana (SBSS) dell’American Statistical Association (ASA).
 
I paper selezionati saranno presentati al JSM 2021, la Conferenza ASA che si terrà a Seattle dal 7 al 12 agosto 2021, pandemia permettendo. I vincitori riceveranno un sostegno finanziario per le spese di viaggio. Inoltre, tra i dieci lavori, sarà scelto il vincitore del Laplace Award per il miglior paper scritto da uno studente.
 
"Congratulazioni a Marta e Sirio per un risultato così straordinario", dice Antonio Lijoi, direttore del PhD in Statistics della Bocconi. “È un riconoscimento importante all'ampiezza e alla novità della loro ricerca, ancor più se si tiene conto che solo i 15% degli studenti che hanno vinto la competition dal 2015 in poi proviene da università non americane e che Bocconi è l'unica università con due vincitori tra i dieci premiati per il 2021”.
 
Quando si modella un esperimento strutturato o un fenomeno composito, spesso sono disponibili dati provenienti da fonti diverse ma correlate. Questo accade, per esempio, quando si analizzano gli studi clinici di un vaccino per il COVID-19 in diversi paesi o gli effetti di una certa politica adottata da più regioni. Diversi modelli bayesiani sfruttano efficacemente questa preziosa conoscenza, ma necessitano di un'attenta calibrazione. La quantità di informazioni tratte da diverse fonti di dati equivale, in ultima analisi, ad una precisa comprensione della loro dipendenza. Nel suo articolo “Measuring Dependence in the Wasserstein Distance for Bayesian Nonparametric Models”, scritto con Antonio Lijoi e Igor Pruenster (Bocconi), Marta Catalano individua un quadro ideale (basato sulla distanza di Wasserstein) per dipanare la dipendenza tra insiemi di dati complessi.
 
Nel suo paper “Bayesian Cumulative Shrinkage for Infinite Factorizations”, scritto con Daniele Durante (Bocconi) e David B. Dunson (Duke), Sirio Legramanti propone una nuova distribuzione a priori, chiamata cumulative shrinkage process. Le distribuzioni a priori sono uno degli strumenti chiave della statistica bayesiana e permettono di codificare formalmente ciò che l'analista sa o si aspetta prima di elaborare i dati in entrata. In particolare, questa nuova distribuzione a priori favorisce modelli più parsimoniosi, facilitando così l'interpretazione e velocizzando i calcoli, e presenta vantaggi sia teorici che pratici rispetto agli attuali concorrenti.

di Fabio Todesco