2023年7月20日，世界计量经济学会“亚洲计量经济学和统计学暑期学校”的第三天，由普渡大学的林共进（Dennis Lin）教授为学员们带来主题为“Oder-of-addition Experiments: Design and Analysis”的知识分享。
林共进教授的研究领域包括质量保证（Quality Assurance）、工业统计（Industrial Statistics）、数据挖掘（Data Mining）和响应面（Response Surface）。发表了近 300 篇 SCI/SSCI 论文，获得过多个奖项，如优登演讲奖（Youden Address）、希威尔奖（Shewell Award）、唐·欧文奖（Don Owen Award）、洛蒂特演讲奖（Loutit Address）、亨特奖（Hunter Award）、舒哈特奖章（Shewhart Medal）、SPES 奖、周元新奖（Chow Yuan-Shin Award）和德明讲师奖（Deming Lecturer Award）等。他是多个学术组织的重要成员，并担任过十多个专业期刊的副主编。
20日上午，林共进教授的第一堂课围绕数据科学及数据质量的相关问题展开。他首先以ChatGPT和Research.Com为例，引出数据正确（Data are Right）和正确数据（Right Data）的概念，强调了数据质量的重要性，以及需要从问题出发，找到合适的数据去解决问题。接着，林共进教授以供应链为例，说明从系统性的角度研究问题的重要性，并讲授了人工智能、5G等前沿案例。之后，他以物联网（Internet Things）和慕课系统为例，介绍了数据科学研究中的关联性（Connective）概念，并举例介绍统计归纳（Induction）和推断（Deduction），捋清他们之间的区别和联系。进一步地，林共进教授强调了数据科学中距离的重要性。最后，林共进教授谈到了统计学家和计算机研究者之间的区别，并展望了数据科学的未来发展方向。
第二堂课聚焦于附加实验次序（Oder of Additional Experiment）。林共进教授介绍了该问题的背景，并通过几个简单有趣的案例，说明在实验设计中，次序的设定是非常重要的，同时阐明了选择最优次序设定的难点。接着，林共进教授从线性回归模型出发，介绍如何在实验设计框架下，比较不同测算方法下的结果。进一步地，林共进教授介绍了基于模型的学习（Model-Based Learning）方法，即构建模型，通过最小化损失确定最优的次序。林共进教授还详细介绍了成对次序模型（Pairwise-Order, PWO）的基本框架，并举例说明了模型的运用场景。同时介绍了基于PWO模型的前沿研究，即如何通过极小点PWO设计（Minimal-Point PWO Designs）找到最优的次序。
20日下午，接着第二堂课的内容，林共进教授围绕PWO模型展开了第三堂课。他首先比较了完全设计（Full Design）和部分设计（Partial Design）之间的联系和区别，通过对矩量矩阵（Moment Matrix）进行分析，在理论上讨论了部分设计的最优性，并给出了部分设计的算法。接着，林共进教授分享了他最新的研究工作——通过快速分类（Quick Sort）方法决定最优次序，并在作业调度问题（Job Scheduling Problem）上将所提出的模型与现有其他模型进行比较，得出该模型在速度上和准确度上的优势。最后，林共进教授提出了一些未来工作的展望，包括在模型中引入复数（Complex Number）、把原本快速分类方法中的三分法进一步扩展至多分法、解决NP-Hard问题等。他总结了第二和第三堂课的内容，并就如何写一篇好文章，如何找到好的研究方向，以及如何找到好的合作者等问题为学员们解答疑惑。
在第四堂课中，林共进教授介绍了计算机实验设计的前沿进展。首先，林共进教授通过讨论农业实验、工业实验以及服务业实验之间的联系与区别，并讨论统计和工程模型之间的区别以引出计算机实验的基本目的：通过计算机模拟模型去逼近一些重要的自然现象。接着，他介绍了计算机实验的主要研究方向，即如何在尽可能地简化计算量的同时，同样达到理想的效果。进一步地，林共进教授介绍了抽样设计（Sample Design）、拉丁方格设计（Latin Hypercube Design）等计算机实验设计方法，并讲解了旋转因子设计法（Rotated Factorial Design）、（希腊）拉丁方设计法（（Greco-）Latin Square Design）、均匀设计法（Uniform Design）以及架构拉丁方设计法（Latin Hypercube Design）。最后，林共进教授对四堂课讲授的内容进行了总结，并就知识细节和未来研究展望与学员们进行了深入交流。
（文/叶仕奇 图/张禹珩）
