黃士峰教授
-
時間序列建模與預測：主要研究方向在於發展函數時間序列、網絡時間序列、與結構化向量 自迴歸模型的建模與參數估計等議題，以有效捕捉多維度、高頻率或多元化之時間序列資料的行為，同時提出良好的預測方法。
-
金融科技：主要透過結合時間序列分析與機器學習方法，討論最佳化投資組合、風險值估計、 與衍生性商品定價等議題，透過有效容納更多元的財務指標資訊，提升投資組合、風險控管、與衍生性商品定價的穩健度。
-
數據科學實務：結合機器學習與統計方法，對醫學影像、生醫訊號、基因序列、與感測器監測 等資料進行分類，同時辨識重要的分類特徵，透過數據驅動的分析與發現，提供相關領域專業人員高價值的分類依據與客觀解釋。
樊采虹教授
-
隨著環境及商品的多元化發展，近年來高科技產品迅速推陳出新。因應隨之衍生之高可靠度產品的研發，運用統計方法與統計計算技巧更有效率地對高可靠度品予以評估分析是除了實驗設計和品質管制外工業統計的一重要需求。近年 研究領域著重在關於產品壽命試驗 (life test) 和衰變試驗 (degradation test) 的最佳設計與資料分析中，包括加速壽命試驗與加速衰變試驗等，前者偏重競爭風險(competing risks) 之串聯系統，後者則以基於隨機過程之衰變模型為研究主軸。 除了傳統最大概似法外，並將工程師或實驗人員的專業知識與經驗以貝氏方法融入先驗資訊於模型中，尤其在資料訊息不足，如試驗時間過短或需經由破壞產品始能獲取資料之破壞性(或稱一次性)試驗中，可以對高可靠度產品提供更 準確的統計推論。目前主持工業統計可靠度分析之整合型計畫，與中研院、清華大學、交通大學和成功大學之統計、工業工程之師生同仁，為關於鋰電池可靠度試驗與資料分析之研究議題定期討論交流，期望能有新的突破。
曾議寬教授
-
聯合模型法已被廣泛運用在分析存活資料與長期追蹤過程,並研究二者之間的關係。以往研究的 注意力都集中在發展富有彈性及適應性的長期追蹤過程,而存活模型則都選擇乘法風險模型,其中Cox模型尤為大家所採用。但是Cox模型常常因比例風險假設不 合而不適用於資料,因此,一個更廣義的風險回歸模型有助於解決Cox模型所遭遇的問題。藉由合併Cox模型和Aalen加法風險模型,我們提出了半母數加乘法風險 模型用於聯合模型法，此廣義模型更能刻劃複雜的存何資料。
-
接受者特徵曲線為現存發展完善的統計工具，用來評估生物指標區別疾病與非疾病之能力。近 來相關研究已逐漸重視時間相依接受者特徵曲線，主要是為了增加估計效率及做動態預測。為了連結存活模型，文獻中已發展出以固定共變數的Cox模型為基礎 的時間相依接受者特徵曲線，不僅可用來做動態預測且平均曲線下面積(被證明為一致性測度)可用來評估模型預測精準度。然而,Cox模型需要比例風險的假設， 這在一些生物醫學的研究並無法成立。因此本我們將嘗試建立以加速失敗模型為基礎的時間相依接受者特徵曲線。此外並將固定共變數推廣到時間相依共變數。 藉由獲取Cox模型及加速失敗模型的一致性測度，我們可以較高的預測精準度做為模型選擇的依據。
-
臨床試驗評估等效性可藉由三臂試驗來執行。實際應用上，三臂等效試驗含三個假設檢定，其 中二個檢定考驗實驗用藥及參考用藥對安慰劑的優越性以及一個檢定考驗實驗用藥及參考用藥的等效性。文獻上針對研究目的為存活時間的試驗計算所需樣本數 的方法相當有限，因此本研究的目的在於彌補文獻上的不足針對蒐集設限存活時間的三臂臨床試驗開發新的樣本數計算方法。我們首先考量存活時間來自於廣義 的參數分布。此外,把組別視為獨立變數,則半母數風險回歸模型可用於樣本數之計算。我們主要考量非比例半母數風險模型包含了加速失敗時間模型及擴充風險 模型。本計畫所提之方法將應用在旅行者腹瀉臨床試驗並用模擬研究來確認計算方法的正確有效性。
陳春樹教授
研究主軸聚焦於空間統計理論與應用方法的發展，涵蓋以下四個主要方向：
-
空間模型選取準則的建立與應用
- 發展能夠公平比較各種空間預測方法的模型選取準則，有助於從多種分析工具中選出最適合特定資料的方法，並可延伸應用至環境評估、資源規劃等實務領域的選擇問題。
-
空間回歸模型中估計偏誤與統計推論問題
- 探討當解釋變數與空間隨機效應項存在相關性時，傳統估計方法可能導致的回歸係數偏誤與推論不正確，運用半母數方法改善估計與推論的精確性。
-
高維空間資料的有效分析策略
- 面對大範圍研究區域與龐大空間資料，運用空間分塊為核心的建模與運算策略，不僅能有效近似空間隨機過程，也能降低高維矩陣計算的負擔，提升整體分析效率與預測準確度。
-
極端事件的空間建模與風險評估
- 聚焦於強降雨、極端氣溫等環境極端事件的統計建模，結合空間統計與極值理論，深入分析其空間分布特性與發生機制，作為極端事件風險管理、政策規劃與預警功能的依據。
孫立憲教授
研究的領域著重在財務工程主要包含財務數學與統計。
-
財務數學與應用機率。
1.隨機控制應用在投資組合最佳化或是系統性風險以及其他相關財務與經濟相關議題。
2.隨機分析應用在衍生性金融商品定價以及信用風險評價。
-
-
統計與計量經濟。
1.時間序列分析
2.線上即時與線下資料改變點偵測
3.統合分析
王紹宣教授
-
主要興趣為: 高維度資料分析，降維方法與選模問題，影像處理，存活分析。隨著電腦快速計算的演進，在大數據時代，古典的統計方法已經不夠解決。王博士主要其中一項 工作是開發新的統計推論來解決巨量資料帶來的新問題。例如在用交叉資料(cross-data)矩陣來弱化主成份分析(Principal Components Analysis)收斂的一致性所需要的條件；考慮三參數的貝式模型(three-parameter Bayesian models)方法， 來處理廣義線性模型的變數選擇問題, 並應用在生物資訊，醫學影像和存活分析等等。
-
影像處理是王博士的另一項感興趣的研究。主要工作是「處理模型偏差(Model Bias)」，「資料分群(clustering)」以及「資料可視化研究(data visualization)」。 在大量數據中，雜訊成為不可忽略的角色。在許多應用問題上，雜訊會帶來訊息的假象， 誤導科學家的判斷。例如在分子生物結構的3D重建中，大量的雜訊會誤導機器學習模式得到假式分子結構體。王博士提供極值理論判別法來解決這樣的問題，並在高度雜訊的資料下作資料分群 以及3D還原。在資料可視化方面，王博士貢獻為提出二階段流形學習法(manifold learning)來改善目前的技術。
鄭雅珊教授
-
衰變試驗之最佳試驗計畫:根據對應的模型假設及最佳化準則，理論推導衰變試驗之重要決策變數，包含樣本數、試驗終止時間及量測次數。
-
縱向門檻值迴歸分析:運用首次通過時間之門檻值迴歸模型 (first hitting time threshold regression model)，追蹤患者的高維度長期資料 (例如生理指標、生活習慣、家族病史)，以預測未來健康狀態與疾病事件發生時間。
吳柔瑾教授
-
異質資料整合與統計遷移學習：聚焦於跨領域、跨機構多源異質資料的融合分析。針對目標領域樣本不足的困境，研發統計遷移學習架構，在克服「負遷移」風險的同時，顯著提升模型在小樣本下的預測精準度。
-
高維度資料分析與精準選模：於高維度情境下的統計方法論開發。結合正規化技術與 Boosting 架構發展變數選取演算法，有效在巨量特徵中篩選關鍵因子並避免過度擬合。
-
測量誤差模型與資料修正：針對生物醫學、公共衛生及社會科學資料中常見的測量誤差問題，專注於誤差修正機制與統計方法論之發展，用以修正因檢測工具限制或回報偏誤所導致的估計偏誤，確保模型在面對含有雜訊或不確定性資料時，仍能維持精準的變數選取與推論品質。
-
複雜事件時間資料與存活分析：專注於時間至事件（Time-to-Event）資料的統計建模與推論，涵蓋半母數模型與競爭風險等架構。
