Un premio dell'ASA a due dottorandi della Bocconi
Filippo Ascolani (PhD candidate in Statistics) e Francesco Gaffi (PhD alumnus e ora post-doc all'Università di Notre Dame, negli Stati Uniti) sono tra i vincitori per il 2023 dello SBSS Student Paper Award, conferito dall'American Statistical Association per contributi innovativi nell'ambito della statistica bayesiana. I loro lavori riguardano modelli statistici per dati caratterizzati da una forma di dipendenza nota come parziale scambiabilità, che risulta appropriata quando si vogliono aggregare informazioni provenienti da fonti diverse o generate in condizioni sperimentali diverse. Un esempio classico è lo studio di pazienti affetti da una determinata patologia e trattati in diversi ospedali, i quali possono quindi presentare un certo livello di eterogeneità.
Il paper di Ascolani "Nonparametric Priors with Full Range Borrowing of Information", scritto insieme a Beatrice Franzolini (PhD alumna Bocconi e ora post-doc a Singapore), Antonio Lijoi e Igor Prünster (professori del Dipartimento di Scienze delle Decisioni della Bocconi), studia le implicazioni dei modelli statistici bayesiani in termini di relazioni fra gruppi di osservazioni. In particolare, viene introdotta una nuova misura di dipendenza, detta hypertie, che cattura associazioni sia positive che negative fra i gruppi. Questo consente di definire una classe di modelli più flessibile in grado di incorporare uno spettro molto ampio di forme di dipendenza tra le osservazioni. Ad esempio, classi diverse di strumenti finanziari, come le azioni e le obbligazioni, possono mostrare comportamenti opposti a seconda delle condizioni di mercato.
Nel lavoro di Gaffi "Partially exchangeable stochastic block models for multilayer networks", scritto insieme a Daniele Durante (Assistant Professor del Dipartimento di Scienze delle Decisioni), Antonio Lijoi e Igor Prünster, si utilizza la stessa ipotesi statistica di parziale scambiabilità per costruire un modello per dati di tipo relazionale. In queste strutture, il dato osservazionale è costituito dalle connessioni presenti tra i nodi di una rete: esempi tipici sono le reti che si creano sui social network, in cui i nodi rappresentano gli account, mentre le connessioni possono rappresentare amicizia, following, retweet e così via. Il modello nasce per trattare in particolare reti multilayer in cui i nodi sono naturalmente divisi in gruppi diversi, come ad esempio reti criminali divise per influenza geografica, o reti politiche divise per appartenenza partitica. Questa nuova metodologia permette di inferire un clustering dei nodi che tenga conto sia di tale divisione naturale che della connettività dei nodi, nonché di prevedere le connessioni di nuovi nodi che si uniranno alla rete nel futuro.
Il premio consentirà ad Ascolani e Gaffi di presentare i loro lavori al 2023 Joint Statistical Meeting il prossimo agosto a Toronto, in Canada.