2447 ورقة بحثية
تقدم هذه الورقة نظرة عامة تعليمية حول طريقة "هاملتوني مونت كارلو" (HMC) لسد الفجوة بين أسسها النظرية في الفيزياء وتطبيقاتها العملية، مما يجعل الخوارزمية أكثر سهولة للباحثين التطبيقيين من خلال شرح مزاياها، وحدودها، ودورها في الاستدلال البايزي القابل للتوسع.
تجادل هذه الورقة بأن قاعدة السلسلة الرياضية تعمل كإطار توحيدي عبر تخصصات متنوعة —بما في ذلك البيولوجيا التطورية، والاقتصاد، والديموغرافيا، وتعلم الآلة— من خلال تفكيك التغييرات إلى أجزاء مكونة وتوفير رابط أساسي بين الأوصاف القائمة على الانحدار للتغيير والتحليل السببي الافتراضي الحديث.
تقدم هذه الورقة إطاراً لتحليل الحساسية يستنتج حدوداً دقيقة وفعالة حاسوبياً لتعميم آثار العلاج في ظل تحولات توزيع النتائج، وذلك عبر تقييد نسبة الاحتمالية بين مجتمعي الدراسة والهدف بمعلمة قياسية .
تقترح هذه الورقة توزيع "ويبل" الممتد الجديد ذو المعالم الثلاثة، والذي يوفر مرونة فائقة لنمذجة البيانات الصحية ذات الذيول الثقيلة، مبرهنةً على فعاليته من خلال اشتقاقات إحصائية شاملة، ودراسات محاكاة، وتحليل مقارن على مجموعة بيانات كسور حيث تفوق فيها على خمسة نماذج منافسة.
تقترح هذه الورقة إطار عمل جديد للتجميع المتوافق المنقسم (split conformal clustering) يولد مجموعات ثقة صالحة إحصائياً لتسميات المجموعات من خلال الاستفادة من التسميات الناعمة العشوائية للحفاظ على التبادلية، مما يتيح قياس عدم اليقين في تعيينات المجموعات بدقة مع ضمانات تغطية مثبتة في العينات المحدودة.
توسع هذه الورقة إطار انقطاع الانحدار أحادي المستوى باستخدام المتغيرات الكامنة ليشمل سياقات متعددة المستويات، مقترحةً نماذج لكل من التصميمات الهرمية ومتعددة المواقع التي تأخذ في الاعتبار هياكل البيانات العنقودية، وتثبت الاستعادة الدقيقة لمتوسطات آثار المعالجة، بما في ذلك التقديرات المستخرجة، من خلال محاكاة مونت كارلو.
تطور هذه الورقة إطاراً باستخدام التعلم الآلي المزدوج لقياس انحياز المتغيرات المغفلة في مقدرات المتغيرات الأداتية غير الخطية، مظهرةً من خلال تجربة تدريب مهني في الولايات المتحدة أنه بينما تكون تقديرات الامتثال في المرحلة الأولى متينة، فإن آثار المعالجة تكون أكثر حساسية للمربكات غير الملحوظة، لا سيما بالنسبة للذكور.
تقدم هذه الورقة مقياس تغاير النواة المعمم (GKCM)، وهو اختبار استقلال شرطي قائم على النواة ومستقل عن نموذج الانحدار، يتغلب على القيود الحسابية والمعايرة للطرق الحالية من خلال استيعاب مُقدِّرات انحدار متنوعة مع الحفاظ على ضمانات تقاربية صارمة وأداء تجريبي متفوق.
تُوفّق هذه الورقة بين منظور الممارس القائم على الاستدلال المنطقي ومنظور الإحصائي القائم على أقصى قدر من الاحتمالية لخوارزمية "إيلو" عبر إثبات أن فصل نموذج التصنيف عن نموذج التنبؤ لمراعاة ضجيج التقدير يحقق أداءً فائقاً، ويكشف أن تصنيف الفيفا للرجال قد فشل إلى حد كبير في تحقيق التقارب.
تقترح هذه الورقة إطار عمل للاحتمال التجريبي العام يدمج تنبؤات التعلم الآلي على مستوى الملخص في نموذج الانحدار اللوجستي متعدد الحدود لتعزيز الاستدلال الإحصائي والكفاءة، مع معالجة مشكلات جودة البيانات الشائعة مثل انزياح المتغيرات المصاحبة، وانزياح المفهوم، وعدم قابلية الملاحظة الجزئية بشكل قوي.