【报告摘要】  受到制度变迁、技术进步、经济周期波动、黑天鹅等诸多因素影响，经济金融等复杂数据普遍存在结构性变化，模型的预测能力也随着时间变化。如何在结构性变化的情况下，降低模型不确定性，提高预测效果和政策评估的稳健性？结合机器学习，我们提出了一系列变权重模型平均方法与统计推断，允许权重随着时间或者状态变量发生改变，建立权重的最优性和相合性等渐近理论，并运用大量经济学和金融学中有代表性的实例探讨了变权重模型平均的实际应用。

【报告人简介】 孙玉莹，中国科学院数学与系统科学研究院副研究员、博士生导师。研究兴趣主要有计量经济学、经济预测理论与方法、机器学习等。在Journal of Econometrics等国际期刊上发表论文30余篇，30余篇政策研究报告和预测报告得到国家领导人批示或被中办、国办采用。主持国家自然科学基金青年项目（特优结题），面上项目，青年科学基金项目（B类）和中国科协青年人才托举工程项目等。先后获关肇直青年研究奖、陈景润未来之星、成思危基金优秀科研成果奖等。