Les membres du Research Center for Statistics publient des travaux scientifiques qui relèvent principalement de la statistique fondamentale (statistique mathématique) et se concentrent sur des domaines de recherche appliquée comme l’économétrie de la finance, les sciences économiques, les sciences de la santé, l’ingénierie, les sciences de l’environnement, la psychologie et les sciences sociales. Plus particulièrement, les chercheur-e-s du Centre fournissent leur expertise en ce qui concerne l’inférence robuste, l’inférence à partir d’un petit échantillon, l’inférence indirecte, la statistique semi-paramétrique ou non-paramétrique, le choix du modèle pour les données en grande dimension, l’analyse de séries chronologiques, les modèles linéaires à variables latentes et modèles de mélange, et l’analyse de données longitudinales.
Parmi ses membres, le Centre compte des personnes qui sont (ou ont été) membres du comité de rédaction de revues statistiques telles que le Journal of the American Statistical Association, TEST, Sankhya B, Computational Statistics & Data Analysis, et de revues relevant d’autres domaines, tel que The Journal of Income Inequality.
Le Centre organise également des conférences scientifiques internationales, ou participe à leur organisation. Parmi elles, figurent la 21ème International Conference on Computational Statistics (COMPSTAT 2014), organisée à Genève, en août 2014; et l'International Conference on Robust Statistics (ICORS 2016), organisée à Genève, en juin 2016.
Les membres du Centre participent à la recherche de financements externes en vue de réaliser des projets de recherche. Les postes de nombreux-ses doctorant-e-s du Centre sont financés grâce à ces projets. Le soutien financier provient principalement du Fonds national suisse, bien que certains financements proviennent d’autres fonds.
Sélection de publications
La Vecchia, D., Moor, A., & Scaillet, O. (2023). A higher-order correct fast moving-average bootstrap for dependent data. Journal of Econometrics, 235(1), 65–81.
https://doi.org/10.1016/j.jeconom.2022.01.008
Engelke, S., & Volgushev, S. (2022). Structure learning for extremal tree models. Journal of the Royal Statistical Society Series B: Statistical Methodology, 84(5), 2055–2087.
https://doi.org/10.1111/rssb.12556
Hallin, M., La Vecchia, D., & Liu, H. (2022). Center-outward R-estimation for semiparametric VARMA models. Journal of the American Statistical Association, 117(538), 925–938.
https://doi.org/10.1080/01621459.2020.1832501
Kramlinger, P., Krivobokova, T., & Sperlich, S. (2022). Marginal and Conditional Multiple Inference for Linear Mixed Model Predictors. Journal of the American Statistical Association.
doi.org/10.1080/01621459.2022.2044826
Lideikyte-Huber, G., & Pittavino, M. (2022). Who donates and how? New evidence on the tax incentives in the canton of Geneva, Switzerland. Journal of Empirical Legal Studies, 19(3), 758–797.
https://doi.org/10.1111/jels.12322
Mammen, E., & Sperlich, S. (2022). Backfitting tests in generalized structured model. Biometrika, 109(1), 137–152.
https://doi.org/10.1093/biomet/asaa108
Peñaranda, F., Rodríguez-Poo, J. M., & Sperlich, S. (2022). Nonparametric specification testing of conditional asset pricing models. Journal of Business & Economic Statistics, 40(4), 1455-1469.
https://doi.org/10.1080/07350015.2021.1933500
Gnecco N., Meinshausen, N., Peters, J., & Engelke, S. (2021). Causal discovery in heavy-tailed models. The Annals of Statistics, 49(3), 1755–1778.
https://doi.org/10.1214/20-AOS2021
Guerrier, S., Molinari, R., Victoria-Feser, M.-P., & Xu, H. (2021). Robust two-step wavelet-based inference for time series models. Journal of the American Statistical Association.
https://doi.org/10.1080/01621459.2021.1895176
Jiang, C., La Vecchia, D., Ronchetti, E., & Scaillet, O. (2021). Saddlepoint approximations for spatial panel data models. Journal of the American Statistical Association.
https://doi.org/10.1080/01621459.2021.1981913
Lalancette, M., Engelke, S., & Volgushev, S. (2021). Rank-based estimation under asymptotic dependence and independence, with applications to spatial extremes. The Annals of Statistics, 49(5), 2552–2576.
https://doi.org/10.1214/20-AOS2046
Reluga, K., Lombardía, M.-J., & Sperlich, S. (2021). Simultaneous inference for empirical best predictors with a poverty study in small areas. Journal of the American Statistical Association, 118(541), 583–595.
https://doi.org/10.1080/01621459.2021.1942014
> Pour une liste complète, veuillez consulter notre page web Savoir & publications
Thèses de doctorat récentes
Causal Inference for Extremes (Gnecco, N. 2022)
Contributions to higher-order correct and robust inference for dependent data (Moor, A. 2022)
Domain-Tailored Approaches to Statistical Learning (Bakalli, G. 2021)
Contributions to high-dimensional and semiparametric statistics for dependent data (Bodelet, J. 2021)
Statistical Inference on Network Data: Spatial Panel and Latent Variables (Jiang, C. 2021)
Topics in Statistics and Financial Econometrics: Penalized Estimators and Stochastic Discount Factors (Quaini, A. 2021)
Rare Events, Data Science and Climate Modeling (Vignotto, E. 2021)
Contributions to time series analysis (Xu, H. 2021)
Simultaneous and post-selection inference for mixed parameters (Reluga, K. 2020)
Contributions to simulation-based estimation models (Orso, S. 2019)
Permutation tests and multiple comparisons in the linear models and mixed linear models, with extension to experiments using electroencephalography (Frossard, J. 2019)
> Veuillez cliquer ici pour de plus amples informations sur le programme de doctorat en statistique.
