張明中Ming-Chung Chang

國立中央大學統計研究所助理教授

鑽研統計科學實驗設計 有效收集高品質資料

本人主要研究方向為統計科學領域的實驗設計。現在是一個巨量資料的時代，統計科學是一門擷取資料中資訊進而推論、歸納的科學。然而資料品質時常良莠不齊，品質差的資料不但無法提供有用的訊息，亦會增加統計分析的困難。實驗設計就是一門探索如何有效率收集高品質資料的學問，其應用層面相當廣泛，舉凡農業、工業、醫學、社會科學等都是實驗設計可以發揮的學門。


本人的研究分為兩部分：複雜結構因子設計之理論探索與巨量資料下的子樣本選取。因子設計是工業界研發產品時很常使用的一種實驗手法，其特性在於可在相對少的實驗次數下，來探索大量的實驗因子。因子實驗在上個世紀就已經被廣泛使用，然而隨著實驗環境的複雜化，必須用複雜的數學來刻畫一個因子設計的結構。


本人研究主軸的第一部分就是探討在具備如此複雜結構的實驗環境之下，如何精準地挑選出資訊量涵蓋最多的因子設計。本人所提出的挑選準則與理論結果充分地涵蓋了大部分的實驗情境，且具備完善的統計性質，不像多數文獻上只能針對單一實驗情境作探討而缺乏統整性。


本人研究主軸的第二部分是因應大數據的時代而產生，巨量的資料雖然含有大量資訊，但在執行統計分析時，常常因為資料量過大導致電腦運算過久，甚至是無法執行統計分析。一個解決手法是從巨量資料中抽取一個最具代表性的子樣本，進而針對子樣本進行分析，這個抽取的過程，即可將實驗設計的思維引入。


本人提出的子樣本抽樣方法，充分使用原始數據的資訊，並經由數值模擬觀察到，我們只需使用相對於文獻上類似方法較少的子樣本個數，即可達到相當優異的預測準確率。此研究成果可助益於各種統計分析的手法，使得巨量資料不再成為統計分析的負擔。

得獎感言

首先我想感謝科技部對基礎科學研究與年輕學者的支持與鼓勵，以及吳大猷先生紀念獎評審委員們的推薦，這個獎項對我是個很大的肯定。我也感謝中央大學校方與系所前輩對於年輕教師的支持。此外，我也要謝謝Georgia Tech 的Jeff Wu 院士，在我訪問的一年期間給我的指導與關心。


我特別感謝我的博士班指導教授鄭少為博士，在我求學期間給我很大的思考空間與提供充滿創見的觀點。已從UC Berkeley 與中研院統計科學研究所退休的鄭清水院士，也是我念茲在茲的學術前輩，除了學術上的辛勤指導以外，鄭院士有原則、公正不阿的做人處事態度，對我有很大的影響，我一直以他為模範並虛心學習。最後要謝謝我的家人，尤其是我的太太，總是在背後默默的支持與包容，並理解我對科學研究的投入。

個人勵志銘

學術上力求突破、教學上與時俱進。