stat.ME ورقة بحثية

DiPPER: A Bayesian approach to differential prevalence analysis with applications in microbiome studies

تقدم الورقة البحثية DiPPER، وهي طريقة نمذجة هرمية بايزية لتحليل الانتشار التفاضلي في دراسات الميكروبيوم، والتي تتفوق على الأساليب الحالية من خلال إظهار حساسية عالية، ومعدلات خطأ جيدة المعايرة، وقدرة فائقة على التكرار عبر الدراسات مع الضبط المتأصل للاختبارات المتعددة.

Juho Pelto, Kari Auranen, Janne V. Kujala, Leo Lahti2026-05-26

📊 statistics

PCA score regression: the art of losing power

تُبين هذه الورقة أن عملية ريجريشن درجات المكونات الرئيسية على المتغيرات المصاحبة (RPCS) تعاني من انخفاض القدرة الإحصائية، وتضخم معدلات الخطأ من النوع الأول، واستدلال غير صالح مقارنةً بأسلوب "الدالة على الانحدار القياسي" (FoSR)، وهو نهج متفوق تم التحقق من كفاءته من خلال عمليات المحاكاة وبيانات تسارع NHANES.

Yu Lu, Nidhi Pai, Erjia Cui, Ciprian Crainiceanu2026-05-26

📊 statistics

Modified treatment policies that depend on the natural history of treatment

تُطوّر هذه الورقة مُقدِّرات التعلّم المستهدف للسياسات العلاجية المعدلة الطولية التي تعتمد على تاريخ قيم العلاج الطبيعية، مما يُمكِّن من الاستدلال السببي المتسق بمعدل $\sqrt{n}$ للتدخلات المعقدة مثل تأخير بدء العلاج، وتُطبِّق هذه الطريقة لتقييم تأثير تأجيل علاج الألم الخطير على اضطراب استخدام الأفيونات.

Iván Díaz, Nicholas T. Williams, Paweł Morzywołek, Kara E. Rudolph2026-05-26

📊 statistics

Synthetic Heterogeneous-Effects LASSO: A Fixed-effects Estimation Approach for High-dimensional Mixed-effects Models

تقدم هذه الورقة البحثية نموذج "SHEL" (Synthetic Heterogeneous-Effects LASSO)، وهو إطار عمل جديد يعتمد على التأثيرات الثابتة والجزاء العقابي، صُمم لمعالجة الاختيارات الخاطئة للمتغيرات الناتجة عن التوزيعات غير المتجانسة للمتغيرات المصاحبة في البيانات العنقودية عالية الأبعاد، مما يتيح استدلالاً صالحاً لما بعد الاختيار وتقديراً هيكلياً للتأثيرات الثابتة.

Shangyuan Ye, Cong Zhang, Ying Chen, Ye Liang, Guanbo Wang2026-05-26

📊 statistics

Shared hidden-factor information framework for multiple behavioral tasks

تقترح الورقة البحثية إطار عمل المعلومات ذات العوامل الخفية المشتركة لمهام سلوكية متعددة (SHIFT)، وهو نهج نمذجة مشتركة يستفيد من العوامل الكامنة المشتركة عبر المهام لتحسين دقة التقدير والكشف عن أنماط سلوكية متميزة وعلامات علاجية محتملة في اضطراب الاكتئاب الجسيم.

Yuan Bian, Yuanjia Wang, Xingche Guo2026-05-26

📊 statistics

Spiking the training data to correct for test set contamination

تقترح هذه الورقة طريقة لتصحيح درجات الاختبار المتضخمة الناتجة عن تلوث البيانات عبر "حقن" بيانات التدريب عمدًا بأمثلة اختبار معروفة لمعايرة متنبئات الحفظ، والتي تُستخدم بعد ذلك إحصائيًا لضبط مقاييس أداء النموذج.

Johnny Tian-Zheng Wei, Jerry Li, Ameya Godbole, Robin Jia2026-05-26

📊 statistics

Adaptable High-Dimensional Change Point Detection via Ridge Regularization

تقترح هذه الورقة عائلة من إحصاءات "كوزم" (CUSUM) المنظمة بطريقة "ريدج" للكشف عن نقاط تغير متعددة في متجهات المتوسطات عالية الأبعاد تحت بدائل كثيفة، مما يوفر تطبيعاً مستقراً للتباين، وقابلية للتكيف مع هياكل المجتمع، وطريقة منهجية لاختيار المعلمات تم التحقق من صحتها من خلال المحاكاة والبيانات المالية.

Haoran Li, Haotian Xu2026-05-26

📊 statistics

Learning Treatment Effects during Resource Allocation via Priority-Queue Randomization

تقترح هذه الورقة إطار عمل لتصميم تجريبي يقوم بتوزيع المتقدمين عشوائياً إلى قوائم انتظار ذات أولوية بناءً على درجات المخاطر، وذلك بهدف تعلم آثار المعالجة السببية وتخصيص الموارد المحدودة لمن هم في أمس الحاجة إليها في آن واحد، مع توصيف استراتيجيات التحديد الناتجة وتحسين المقايضة بين الكفاءة الإحصائية والأولوية الأخلاقية.

JungHo Lee, Johnna Sundberg, Pim Welle, Bryan Wilder2026-05-26

📊 statistics

Rank-Based Tests for Mutual Independence of High-Dimensional Random Vectors via $L_q$ Norm

تقترح هذه الورقة إطار عمل اختباراً قوياً قائماً على الرتب للاستقلال المتبادل في المتجهات العشوائية عالية الأبعاد، والذي يتدرج بين حساسيات البدائل الكثيفة والمتفرقة عبر إدخال إحصاءات مجموع القوى ذات الـ $L_q$ المحدودة والثابتة، ودمج قيمها الاحتمالية مع إحصاء $L_\infty$ عبر قاعدة كوشي.

Ping Zhao, Hongfei Wang, Long Feng2026-05-26

📊 statistics

Different Statistical Perspectives for Understanding Generalisation in Graph Neural Networks

تستعرض هذه الورقة ثلاثة أطر إحصائية متميزة لفهم تعميم الشبكات العصبية الرسومية: الحدود القائمة على نظرية التعلم، والتقريبات التقاربية عبر حدود العرض اللانهائي أو الحجم اللانهائي، والتحليلات غير التقاربية تحت نماذج الرسوم البيانية العشوائية، مع تسليط الضوء على النتائج الرئيسية، والقيود، والأسئلة المفتوحة لكل منها.

Nil Ayday, Mahalakshmi Sabanayagam, Debarghya Ghoshdastidar2026-05-26

→ السابق التالي ←

stat.ME

DiPPER: A Bayesian approach to differential prevalence analysis with applications in microbiome studies

PCA score regression: the art of losing power

Modified treatment policies that depend on the natural history of treatment

Synthetic Heterogeneous-Effects LASSO: A Fixed-effects Estimation Approach for High-dimensional Mixed-effects Models

Shared hidden-factor information framework for multiple behavioral tasks

Spiking the training data to correct for test set contamination

Adaptable High-Dimensional Change Point Detection via Ridge Regularization

Learning Treatment Effects during Resource Allocation via Priority-Queue Randomization

Rank-Based Tests for Mutual Independence of High-Dimensional Random Vectors via LqL_qLq​ Norm

Different Statistical Perspectives for Understanding Generalisation in Graph Neural Networks

Rank-Based Tests for Mutual Independence of High-Dimensional Random Vectors via $L_q$ Norm