חזרה לרשימה
על הזוכה
מקבל פרס ישראל לשנת תשפ"ד בתחום חקר הסטטיסטיקה.
פרופ' יעקב ריטוב הינו אחד החוקרים המובילים בעולם בתחום התאוריה הסטטיסטית. מחקריו הרבים מצטיינים בפיתוח שיטות סטטיסטיות חדשות, יחד עם פתרון סוגיות שלא הצליחו להתמודד איתן לפניו.
ריטוב הצליח בתחילת דרכו לפתור בעיות חשובות הקשורות במציאת אומדנים סטטיסטיים עמידים, ובהמשך הפך לאחד החלוצים בעולם בחקר אמידה סטטיסטית במודלים עם מרכיב לא־פרמטרי. תרומות מרכזיות נוספות נוגעות בתאוריה ובמתודולוגיות של הטיפול בנתוני־עתק, וכן בשורה של תחומים יישומיים, בהם הפעילות העצבית במוח, והקשר בין ביוכימיה, גנטיקה והתנהגות אנושית.
פרופסור ריטוב העמיד תלמידים הרבה, מהם חוקרים במוסדות מחקר מובילים בארץ ובעולם.
התכנים בעמוד
נימוקי השופטים
השופטים: פרופ' סרג'יו הרט – יושב ראש, פרופ' אליס ברזיס, פרופ' פאול פייגין
יעקב ריטוב, פרופסור אמריטוס לסטטיסטיקה באוניברסיטה העברית בירושלים, הינו אחד החוקרים המובילים בעולם בתחום התאוריה הסטטיסטית. אחרי שני תארים בהנדסת חשמל בטכניון, הוא השלים ב־1983 את הדוקטורט באוניברסיטה העברית בירושלים. רוב הקריירה המדעית שלו הייתה באוניברסיטה העברית בירושלים, שם קודם לדרגת פרופסור מן המניין כבר בשנת 1990.
מחקריו הרבים של יעקב ריטוב מצטיינים בפיתוח שיטות סטטיסטיות חדשות, יחד עם פתרון בעיות רבות־חשיבות שלא הצליחו להתמודד איתן לפניו. הוא לא רק שואל שאלות נוקבות, הוא גם מסביר בצורה ברורה את הבעיה ואת המניע לפתרון המוצע בעזרת דוגמאות מוכרות. במאמריו, מעבר לניתוחים המתמטיים המדויקים, ניתן להתרשם מעומק החשיבה ומהניסיון להתאים את התאוריה ליישומים סטטיסטיים אמיתיים.
הדוקטורט שלו עסק בנושא של יציבות (robustness) של שיטות סטטיסטיות בייסייניות (Bayesian), ובו פתר רשימה של בעיות פתוחות חשובות הקשורות במציאת אומדים אופטימליים העמידים לסטיות מהנחות המודל הסטטיסטי.
בהמשך, ריטוב הצליח להשיג תוצאות חלוציות בעניין אומדים אופטימליים כאשר במודל הסטטיסטי יש מרכיב לא־פרמטרי – דהיינו, כאשר חלק מהמאפיין הלא ידוע של הבעיה נמצא במרחב שלא ניתן לתיאור על ידי מספר סופי של ממדים. זה המצב, לדוגמה, כאשר רוצים ללמוד על הממוצע בלי להניח צורה ספציפית להתפלגות של התצפיות. מחקרים אלה סוכמו בספר פורץ דרך שפרסם יחד עם שותפיו למחקר בשנת 1993. הספר ממשיך להיות מקור התאוריה של אמידה במודלים פרמטריים למחצה (semi-parametric) וזכה לאלפי ציטוטים עד היום.
באחד ממאמריו המצוטטים ביותר, מ־1997, מוצגת גישה חדשנית להערכה של אומדים כאשר המודל הוא פרמטרי למחצה ומספר התצפיות סופי, אם כי גדול. הנושא רלוונטי בהקשרים רבים של גילוי סיבתיות (causality), שבהם נעזרים במודל המנבא את הנטייה של נבדק להיות כלול במחקר (propensity score), וזאת על מנת לנטרל את ההשפעה של בחירת נבדקים לא שיטתית המושפעת מגורמים מתערבים. במחקרים רבים המודל איננו ידוע מראש, אלא חייבים לאמוד אותו מתוך הנתונים. ריטוב ושותפו הראו שיש חוסר התאמה בין ההנחות המקובלות לחלקוּת (smoothness) של הפונקציות שמתארות את ה־propensity וההתפלגות השולית של המשתנים המתערבים, לבין הבעיה שמעורר הממד הגבוה. בעיה זו, שזכתה לכינוי "קללת הממד הגבוה" (curse of dimensionality), מונעת ניצול יעיל מספיק של החלקות במדגמים סופיים, ובכך מטילה ספק ביעילות של שיטות האמידה שהיו מקובלות. כדי לטפל בדרך נכונה במצבים אלה המאמר מציע תאוריה אסימפטוטית חלופית, אשר עונה לצרכים העולים ממודלים של סיבתיות. זהו נושא אשר זוכה להתעניינות רבה בשנים האחרונות.
פרופסור ריטוב תרם תרומות מרכזיות נוספות לתיאוריה של שיטות אמפיריות בייסייניות ושל המתודולוגיות המתאימות להתמודדות עם נתוני־עתק (big data), גם הוא נושא רב חשיבות בימים אלו.
מעבר לתאוריה, פרופסור ריטוב תרם תרומות חשובות בתחומים יישומיים, וביניהם פעילות עצבית במוח, קשר בין ביוכימיה, גנטיקה והתנהגות אנושית, וקשר בין קו האורך הגאוגרפי לבין התחלואה בסרטן. במחקר חשוב זה, ריטוב ושותפיו למחקר משתמשים באוסף גדול של נתוני סרטן מארה"ב, יחד עם מודלים סטטיסטיים מתקדמים, כדי להפריך טענה שככל שהמקום מערבי יותר לקו האורך שלפיו נקבעת השעה, כך הסיכוי לחלות בסרטן גבוה יותר. טענה שגויה זו גם גרמה לדיון מחדש בהפעלת שעון קיץ.
פרופסור ריטוב הכשיר עשרות סטודנטים למחקר, וחלקם נקלטו במוסדות מחקר מובילים בארץ ובעולם. הוא חתן של שני כיבודים בינלאומיים יוקרתיים של האיגוד העולמי לסטטיסטיקה מתמטית: פרס והרצאת Medallion ב־2013 ופרס והרצאת Blackwell ב־2023.
על כל אלה ועוד מצאה הוועדה את פרופ' יעקב ריטוב ראוי לקבלת פרס ישראל בחקר הסטטיסטיקה לשנת תשפ"ד.
קורות חיים
יעקב ריטוב ואשתו אילנה מתגוררים בירושלים. להם שלושה בנים – מיכאל, אברהם (רמי) ועודד, ושלושה נכדים – איתמר, רועי וגיא.
לימודים
1969–1973 תואר ראשון, הנדסת חשמל, הטכניון – מכון טכנולוגי לישראל
1978–1980 תואר שני, הנדסת חשמל, הטכניון – מכון טכנולוגי לישראל
1980–1983 תואר שלישי, סטטיסטיקה, האוניברסיטה העברית בירושלים
1983–1984 בתר־דוקטורט, אוניברסיטת קליפורניה, ברקלי, ארצות הברית
תפקידים אקדמיים
1984–1988 מרצה, המחלקה לסטטיסטיקה, האוניברסיטה העברית בירושלים
1988–1990 פרופסור אורח, אוניברסיטת פנסליווניה, פילדלפיה
1990–2016 פרופסור מן המניין, המחלקה לסטטיסטיקה, האוניברסיטה העברית בירושלים
2016 חבר סגל קבוע, אוניברסיטת מישיגן, אן ארבור, ארצות הברית
לאורך השנים התארח והרצה בכמה מוסדות בעולם, בהם אוניברסיטת קליפורניה בברקלי, ארצות הברית; בית הספר ורטון של אוניברסיטת פנסילווניה, ארצות הברית; אוניברסיטת קולג', לונדון; המכון הטכנולוגי, ציריך; אוניברסיטת טרנטו, רוברטו, איטליה.
הוקרות, מענקים ופרסים נבחרים
1984 מלגת אלון
2008 פרס הומבולדט
2013 הרצאת מדליון, IMS
2023 פרס בלקוול, IMS
לאורך השנים זכה במענקי מחקר מטעם ISF ו־NSF.
מפעל חיים
יעקב ריטוב נולד בשנת 1951 בירושלים. הוא בן הזקונים לאביו, אברהם, יליד בלרוס שעלה ארצה בשנת 1925, ולאימו קלרה (לבית פלוגר), ילידת פולין שעלתה לישראל בשנת 1939, שבוע לפני כיבוש פולין. יעקב גדל בירושלים, למד בתיכון שליד האונברסיטה והתעניין במיוחד במתמטיקה ובפיזיקה. הוא בוגר תנועת הנוער העובד והלומד, שכונתה אז התנועה המאוחדת. אימו הייתה עקרת בית ואביו עבד כפקיד בסוכנות בבניין סמוך לבית מגוריהם, וכך הוא גדל בבית שבו שני ההורים היו נוכחים רוב הזמן. אימו דחפה את ילדיה ללימודים אקדמיים. "מאבי, שגדל כבנו של רב הקהילה", מספר פרופ' ריטוב, "למדתי שאין סתירה בין כבוד לַמסורת ובין ההבנה שהעתיד כרוך בתפיסת עולם דמוקרטית וליברלית, בדגש על השכלה רציונלית".
בשנת 1969, מיד עם סיום לימודיו בבית הספר, החל בלימודיו האקדמיים כעתודאי לתואר ראשון בהנדסת חשמל בטכניון. את שירותו הצבאי עשה בחיל האוויר, הוא היה אחראי תחזוקה של מערכות מכ"ם ביחידות הבקרה של החיל, והשתחרר כקצין בדרגת סרן. לאחר מכן המשיך בלימודיו בהנדסת חשמל וקיבל תואר שני מהטכניון. בשנת 1975 נישא לאילנה (לבית ברש), לימים פרופסור לפסיכולוגיה במחלקה לחינוך באוניברסיטה העברית בירושלים, וברבות השנים נולדו להם שלושה בנים ושלושה נכדים. הזוגיות עם אילנה הפגישה את יעקב עם אביה, פרופ' משה ברש, היסטוריון ומי שהקים את המחלקה לתולדות האומנות באוניברסיטה העברית, ולימים זכה אף הוא בפרס ישראל לחקר תולדות האומנות. פרופ' ברש היה דמות מופת בעיני יעקב והעמיד בפניו מודל לחיקוי.
בתקופת לימודיו התעניין גם בלימודי פילוסופיה, ובהמשך ניסה את כוחו בכתיבת דוקטורט בחוג לפילוסופיה של האוניברסיטה העברית. הוא ביקש לעסוק בנושא הסיבתיות ובפילוסופים משפינוזה ועד קאנט. בד בבד למד גם סטטיסטיקה, "חשבתי שכדי להתפרנס בתור סטודנט הדרך הטובה ביותר היא ללמוד לדוקטורט בסטטיסטיקה וכך לקבל משרת הוראה במחלקה לסטטיסטיקה". זמן קצר לאחר מכן נזנח מחקרו הפילוסופי והוא עבר להתמקד בסטטיסטיקה. "המזל הגדול שהיה לי הוא שפרופ' יוסי יהב, המנחה שלי בדוקטורט, העביר אותי למסלול של דוקטורט בהנחיה משותפת עם פרופ' פיטר ביקל, שהגיע באותה העת לשבתון בישראל מברקלי שבקליפורניה. ביקל היה אדם משכמו ומעלה וממובילי מחקר הסטטיסטיקה בעולם, ואנו חברים טובים עד עצם היום הזה". עבודת הדוקטור של פרופ' ריטוב עסקה בהסקה עמידה כמו־בייסיינית (Bayesian). אם בתחילת דרכה הסתמכה הסקה סטטיסטית על נתונים ועל הנחות של החוקר לגביהם, עתה ביקש המחקר לבחון כיצד אפשר לערוך ניתוח סטטיסטי שאינו רגיש להנחות או לאמונות אפריוריות.
לאחר סיום הדוקטורט נסע פרופ' ריטוב עם משפחתו להשתלמות בתר־דוקטורט באוניברסיטת קליפורניה בברקלי, ארצות הברית. שם המשיך לחקור עם פרופ' ביקל, הפעם נושא אחר – מודלים סמי־פרמטריים. עד אותה תקופה הדיון הסטטיסטי עסק או בפרמטרים פשוטים (כמו הממוצע) שאפשר לאמוד במדויק ובאופן אופטימלי, או בפרמטרים מורכבים, כפונקציית צפיפות, שאותם אפשר לאמוד הרבה יותר לאט. במודלים סמי־פרמטריים המטרה היא לנתח מודלים מורכבים ועם זאת לשאול שאלות שעליהן אפשר לענות במדויק ובצורה אופטימלית. "באותה העת המודלים האלה היו חדשים והצריכו ניתוח מתמטי מקורי ופיתוח שיטות אמידה חדשות לחלוטין", מספר פרופ' ריטוב. התחום הזה המשיך לעמוד במוקד מחקרו גם מששב לישראל כחבר סגל במחלקה לסטטיסטיקה של האוניברסיטה העברית בירושלים. עבודתו בנושא הניבה את הספר החשוב בתחום שחיבר עם שלושה מעמיתיו וראה אור בשנת 1993: Efficient and Adaptive Estimation in Semiparametric Models.
עוד קודם לכן, בשנת 1990, מונה לפרופסור חבר ואז לפרופסור מן המניין במחלקה לסטטיסטיקה באוניברסיטה העברית. כחמש שנים אחר כך עמד בראש המחלקה כארבע שנים, ובשנת 2021 מונה לנשיא האיגוד הישראלי לסטטיסטיקה ועמד בראשו כשנתיים.
"קל מאוד למצוא בנתונים אישוש לכאורה לכל טענה. כל מדען טוב בכך. תפקידו של הסטטיסטיקאי הוא להציב את הגבולות ולומר איזה סיפור הנתונים באמת מספרים, ולמצות בצורה מְרַבִּית את המידע שבנתונים".
במפנה המאה העשרים ואחת, בייחוד עם התפתחות הבינה המלאכותית, החל עניין הולך וגובר בניתוחים שבהם מספר המשתנים הפוטנציאלי שיכול להסביר את התוצאה גדול במיוחד. "בעבר טענו שהסטטיסטיקה לא יכולה לעבוד אם יש יותר משתנים מסבירים מנתונים. אולם משהחל להתפתח העולם של נתוני־עתק – שבו יש המון נתונים אבל הרבה יותר משתנים – התחלנו לחקור את התחום הזה. מטרת המחקר הסטטיסטי הייתה למצוא שיטה המבטיחה מתמטית בחירה טובה של משתנים לשם הסבר התוצאה". בתחום זה חקר פרופ' ריטוב בין השאר טכניקה המכונה לאסו. הטכניקה הזאת משמשת במודלים שבהם יש הרבה יותר משתנים ממה שהנתונים יכולים להסביר. "במקרה הזה אנחנו מניחים שהרבה מהמשתנים הם בעלי חשיבות מינימלית ועלינו למצוא אוטומטית את מעט המשתנים שיכולים להסביר את התוצאה בעזרת מודל פשוט יחסית". למידת המכונה מייצרת סיכונים חדשים לחברה, של מערכות מידע שאינן הוגנות ופוגעניות. פרופ' ריטוב, כאחרים, חוקר כיום כיצד להבטיח שכלים אלו יקדמו חברה ליברלית ולא אוטוקרטית.
לאורך השנים פרסם פרופ' ריטוב עשרות רבות של מאמרים העוסקים בסטטיסטיקה. לצד מחקרו הפורה, עסק במשך כל שנותיו במחלקה לסטטיסטיקה גם בהוראה והנחה תלמידי מחקר, חלקם ממשיכים לחקור באקדמיה. בשנת 2015 פרש לפנסיה מוקדמת מהאוניברסיטה העברית בירושלים ועבר לעבוד במשרה מלאה במחלקה לסטטיסטיקה באוניברסיטת מישיגן באן ארבור, שם הוא ממשיך לחקור, ללמד וללוות תלמידי מחקר.
פרסומים נבחרים
-
- P.J. Bickel, C.A.G. Klaassen, Y. Ritov & J.A. Wellner (1994). Efficient and Adaptive Estimation in Semiparametric Models. Johns Hopkins University Press. 2nd edition, Springer Verlag (1998)
- Abramovich & Y. Ritov (2013). Statistical Theory: A Concise Introduction. Chapman & Hall/CRC Texts in Statistical Science
-
- J. Bickel & Y. Ritov (1987). Efficient estimation in the error in variables models. The Annals of Statistics, 15, 513–540
- P.J. Bickel & Y. Ritov (1988). Estimating integrated squared density derivatives. Sankhya, A-50, 381–393
- Ritov (1990). Estimation of a linear regression model with censored data. The Annals of Statistics, 18, 303–328
- Ritov & P.J. Bickel (1990). Achieving information bounds in semi and non parametric models. The Annals of statistics, 18, 925–938
- J. Bickel & Y. Ritov (1994). Efficient estimation using both direct and indirect observations. Th. of Prob. and Appl., 38, 194–213
- P.J. Bickel, Y. Ritov & T. Ryden (1998). Asymptotic normality of the maximum-likelihood estimator for general hidden Markov models. The Annals of Statistics, 26, 1614–1635
- P.J. Bickel & Y. Ritov (2003). Non-Parametric Estimators Which Can Be ‘Plugged-In’. The Annals of Statistics, 31, 1033–1053
- Greenshtein & Y. Ritov (2004). Persistence in high dimensional linear predictor-selection and the virtue of over-parametrization. Bernoulli, 10, 971–988
- P.J. Bickel, Y. Ritov & T. Stoker (2005). Nonparametric testing of an index model: Identification and Inference for Econometric Models. In D.W.K. Andrews & J.H. Stock (Eds.), A Festschrift in Honor of Thomas J. Rothenberg, Cambridge University Press, Cambridge
- P.J. Bickel, Y. Ritov & T. Stoker (2006). Tailor-made Tests for Goodness-of-Fit to Semiparametric Hypotheses. The Annals of Statistics, 34, 721–741
- Douc, E. Moulines & Y. Ritov (2009). Forgetting of the initial condition for the filter in general state-space hidden Markov chain: a coupling approach. Electronic Journal of Probability, 14, 27–49
- Brown, E. Greenshtein, & Y. Ritov (2013). The Poisson Compound Decision Problem Revisited. Journal of The American Statistical Association, 108, 741–749
- Van de Geer, P. Buhlmann, Y. Ritov & R. Dezeure (2014). On asymptotically optimal confidence regions and tests for high-dimensional models. The Annals of Statistics, 42(3), 1166–1202
- Ritov, P.J. Bickel, A. Gamst & B.J.K. Kleijn (2014). The Bayesian Analysis of Complex, High-Dimensional Models: Can it be CODA? Statistical Science, 29(4), 619–639
- Law & Y. Ritov (2021). Inference without compatibility: Using exponential weighting for inference on a parameter of a linear model. Bernoulli, 27, 1467–1495
- Mukherjee, M. Banerjee & Y. Ritov (2021). Optimal linear discriminators for the discrete choice model in growing dimensions. The Annals of Statistics, 49(6), 3324–3357
- Niu, C. Brown, M. Law, J. Colacino & Y. Ritov (2024). Longitudinal position and cancer risk in the United States revisited. Cancer Research Communications, 7, 328–336