161 Arbeiten
Diese Arbeit stellt einen sequenziellen, testbasierten Algorithmus namens „Clusters-of-Centres" vor, der auf multivariaten Cochran-Tests und einem Multi-Round-Bootstrap-Verfahren basiert, um heterogene Zentren in verteilten Studien automatisch zu gruppieren und dabei die wahre Partition mit hoher Wahrscheinlichkeit wiederherzustellen.
Diese Arbeit untersucht die Lernbarkeit von Differentialgleichungen in zeitlichen Random Dot Product Graphs, identifiziert fundamentale geometrische und statistische Hindernisse wie Eichfreiheit und Realisierbarkeit, entwickelt einen Rahmen auf Basis von Hauptfaserbündeln zur Charakterisierung der Dynamik und zeigt, wie symmetrische Dynamiken die Eichambiguität auflösen können, während die endliche Stichprobengrenze eine offene Herausforderung bleibt.
Die Arbeit führt eine Transferfunktion ein, um die Minimax-Raten der nichtparametrischen Regression unter Kovariatenverschiebung zu charakterisieren, wobei sie zeigt, dass diese Raten je nach Eigenschaften des Definitionsgebiets der Transferfunktion klassische Grenzfälle oder schnellere Regime mit multiplikativen Interaktionen zwischen den Stichprobengrößen aufweisen können, und beweist die Erreichbarkeit dieser Raten durch einen design-adaptiven Schätzer auch für Kovariaten mit unbeschränktem Träger.
Die vorgestellte Arbeit schlägt das „Artificial Replay"-Verfahren vor, ein neues Experimentdesign, das durch Wiederverwendung aufgezeichneter Belohnungen die Anzahl notwendiger Nutzerinteraktionen zur Vergleichung von Multi-armed-Bandit-Algorithmen nahezu halbiert und dabei einen unverzerrten Schätzer mit sublinear wachsender Varianz liefert.
Die Arbeit zeigt, dass der auf dem integrierten Periodogramm basierende Whittle-Schätzer für Lévy-getriebene CARMA-Modelle unter erneuernder Abtastung unter sehr milden Bedingungen konsistent und asymptotisch normal ist.
Diese Arbeit entwickelt ein hierarchisches bayessches dynamisches Spiel für wettbewerbsfähige Lagerhaltung und Preisgestaltung unter unvollständiger Information, das durch einen glaubwürdigen Risiko-Kriterium eine konservative Gleichgewichtslösung ermöglicht, die Lernen, Wettbewerb und Anpassung simultan vereint.
Die Arbeit untersucht die sparse Schätzung der Driftmatrix hochdimensionaler Lévy-getriebener Ornstein-Uhlenbeck-Prozesse aus diskreten Beobachtungen, indem sie für Lasso- und Slope-Schätzer auf Basis approximierter Likelihoods scharfe nicht-asymptotische Oracle-Ungleichungen herleitet und damit die Theorie der hochdimensionalen Statistik auf einen breiteren Klassen von Sprungprozessen erweitert.
Die Arbeit zeigt, dass unter verschiedenen Parametrisierungen und Regularitätsbedingungen die Menge der faithfulness-erfüllenden Bayesian Networks in einem gegebenen DAG dicht und offen ist, was die Konsistenz von constraint-basierten Kausalitätsalgorithmen auf einer typischen Menge von Verteilungen begründet.
Diese Arbeit entwickelt arbitragefreie Prämien für Katastrophen-Rückversicherungsverträge mit einem zusammengesetzten dynamischen Kontagionsprozess, um die wachsenden Risiken durch Klimawandel, Cyberangriffe und Pandemien zu bewerten, und vergleicht diese numerisch mit anderen Modellen sowie durch Sensitivitätsanalysen.
Diese Arbeit leitet unter neuen Annahmen zur Kontrolle der Lipschitz-Konstante einen verbesserten Konvergenzraten für den Wasserstein-Abstand bei Flow Matching ab, der insbesondere hochdimensionale, nicht-log-konkave Verteilungen umfasst.
Diese Arbeit leitet neue asymptotische Ergebnisse für den adaptiven LASSO-Schätzer in Kointegrationsregressionen mit regressoren nahe der Einheitswurzel her und schlägt praktikable Konfidenzbereiche vor, die eine zuverlässige Abdeckung über den gesamten Parameterraum gewährleisten, während die herkömmliche „Oracle"-Eigenschaft in endlichen Stichproben oft zu ungenauen und zu kleinen Intervallen führt.
Die Arbeit bestimmt nahezu scharfe informationstheoretische Schwellenwerte für die Detektierbarkeit latenter Geometrie in bipartiten zufälligen geometrischen Graphen unter verrauschten Beobachtungen und zeigt mittels eines neuartigen Fourier-Analyse-Rahmens, dass das Problem bei bekannter Maske deutlich einfacher ist als bei versteckter Maske, wodurch optimale Schwellenwerte identifiziert und computergestützte-statistische Lücken ausgeschlossen werden.
Diese Arbeit schließt die Lücke zwischen der Gaußschen Approximation und dem Konzentrationsgrenzwert, indem sie eine explizite asymptotische Entwicklung für hochdimensionale Laplace-Integrale herleitet, die quantitative Restgliedabschätzungen liefert und sowohl analytische Approximationen von Erwartungswerten als auch effiziente Stichprobenverfahren mittels polynomialer Transporte ermöglicht.
Diese Arbeit stellt einen partitionsbasierten Rahmen für die funktionale Ridge-Regression vor, der durch eine differenzierte Bestrafung von dominanten und schwächeren funktionellen Effekten Multikollinearität und Überanpassung in hochdimensionalen Modellen adressiert, wobei die Konsistenz der Schätzer theoretisch bewiesen und ihre überlegene Vorhersageleistung sowie Interpretierbarkeit durch Simulationen und eine Anwendung auf kanadische Wetterdaten empirisch untermauert wird.
Dieser Beitrag erweitert die konforme e-Vorhersage auf Fälle mit beobachteter Verwechslung (Confounding) zwischen den Zufallsobjekten und ihren Labels, wobei sowohl unabhängige und identisch verteilte Daten als auch Szenarien mit Abhängigkeiten zwischen den Beobachtungen betrachtet werden.
Diese Arbeit stellt nichtparametrische Regressionsmethoden auf Basis von tiefen neuronalen Netzen unter dem Prinzip der minimalen Fehlerentropie für stark mischende Beobachtungen vor und zeigt, dass sowohl nicht- als auch sparse-gestraffte Schätzer die minimax-optimalen Konvergenzraten erreichen.
Die vorgestellte Arbeit führt den „Outrigger"-Schätzer für die lokale Polynomregression ein, der durch die Nutzung der bedingten Score-Funktion und einer stabilisierenden Erweiterung des Datenfensters eine Verteilungsadaptivität bei heteroskedastischen oder nicht-normalverteilten Fehlern erreicht und dabei die Minimax-Optimalität über Hölder-Klassen garantiert, ohne Annahmen über die Unabhängigkeit oder Symmetrie der Fehler zu benötigen.
Diese Studie zeigt, dass die auf Stichproben basierende Zulassung von Prozessfähigkeitsindizes an festen Schwellenwerten (wie ) bei moderaten Stichprobengrößen zu einer inhärenten Entscheidungsinstabilität führt, bei der selbst bei idealen Verteilungsannahmen eine wahre Fähigkeit genau am Schwellenwert zu einer Annahmewahrscheinlichkeit von nur 50 % führt.
Diese Arbeit entwickelt eine neuartige semi-modulare Bayes'sche Inferenzmethode für Copula-Modelle, die durch die Zuweisung individueller Einflussparameter an jede Randverteilung und deren Optimierung mittels Bayesian Optimization eine robuste Schätzung bei potenziell fehlerhafter Spezifikation der Randverteilungen ermöglicht.
Dieser Artikel erweitert die theoretischen und inferenzstatistischen Ergebnisse der Unit-Teissier-Verteilung durch die Herleitung geschlossener Ausdrücke für Ordnungsstatistiken und L-Momente, die Untersuchung verschiedener Parameterschätzverfahren sowie die Validierung mittels Simulationen und realer Daten.