254 Arbeiten
Dieses Paper argumentiert, dass die Prognosegüte von Machine-Learning-Modellen für den städtischen Strombedarf primär durch die intrinsische Vorhersehbarkeit der historischen Lastmuster einer Stadt (speziell saisonale Varianz und Temperaturabhängigkeit) bestimmt wird, als durch deren strukturelle Merkmale oder geografische Lage.
Diese Studie etabliert den Top-Down Scale (TDS) Algorithmus als einen recheneffizienten und statistisch robusten Benchmark für die multiskalige geografisch und temporal gewichtete Regression, indem sie dessen Überlegenheit gegenüber bestehenden Methoden bei der Parameterrekonstruktion und Unsicherheitskalibrierung nachweist und gleichzeitig durch eine Längsschnittanalyse von 34.938 Zensusbeobachtungen distinkte multiskalige urbane Treiber in São Paulo aufzeigt.
Diese Studie entwickelt und validiert ein auf Stacking basierendes Ensemble-Machine-Learning-Modell unter Verwendung von 5,7 Millionen Viruslast-Datensätzen aus Uganda, um die Viruslast beim nächsten Besuch für ART-Klienten präzise vorherzusagen, wobei eine überlegene Leistung mit einem R² von 0,85 erzielt und LIME zur Modellinterpretierbarkeit genutzt wird.
Dieses Paper führt einen modellunabhängigen Workflow ein, um echte lokale Skalenabhängigkeit von künstlichen Trends zu unterscheiden, die durch regionale Mischung in urbanen Blockgrößenverteilungen verursacht werden, wobei durch eine umfassende Analyse von Tokio demonstriert wird, dass regionale Heterogenität zwar das Ende der Verteilung abflacht, kleinere Blöcke jedoch eine signifikante lokale Steilheit aufweisen, die nicht allein durch Kompositionseffekte erklärt werden kann.
Dieses Papier schlägt zwei Arten unsicherer Single-Index-Modelle vor und validiert diese mittels semiparametrischer Kleinste-Quadrate-Schätzung unter Verwendung von Kernel- und B-Spline-Methoden, um komplexe, unpräzise Daten effektiv zu handhaben, wie durch Simulationsstudien und eine praktische Wetteranwendung demonstriert wird.
Dieses Paper präsentiert die theoretische Entwicklung und Struktur der Practitioner Allegiance Risk Scale (PARS-6), eines neuen sechs Items umfassenden Instruments, das darauf ausgelegt ist, Merkmale im Zusammenhang mit der Investigator Allegiance während der Datenextraktion in systematischen Übersichtsarbeiten zur Interventionsforschung systematisch zu screenen und zu dokumentieren, wobei explizit klargestellt wird, dass es als deskriptiver Risikoindikator und nicht als definitives Maß für Bias dient.
Diese Studie nutzt bibliometrische Daten von SciVal und Prognosemodelle, um aufzuzeigen, dass philippinische staatliche Universitäten ihr Publikationsvolumen von 2015 bis 2025 zwar signifikant gesteigert haben, erhebliche und beständige regionale Disparitäten in der Forschungsleistung und deren Wirkung – angeführt von Region III – jedoch ohne gezielte Investitionen in den Kapazitätsaufbau statt einheitlicher Anreize auch über 2030 hinaus bestehen bleiben werden.
Dieses Papier schlägt einen statistischen Rahmen vor, um zulässige Allokationsgewichte zu identifizieren, die Pareto-Verbesserungen erzielen, ohne einen Teilnehmer zu benachteiligen, und demonstriert dessen praktischen Nutzen durch eine empirische Analyse der Ressourcenumverteilung in der RAND Health Insurance Experiment.
Dieses Paper schlägt eine Methode der bedingten Vorzeichenrandomisierung mit geschätzter Weißung für Gaußsche Verwandtschaftsmodelle vor, die durch die Nutzung von Vorzeichensymmetrie und wiederverwendbarer Kalibrierung über einen Vorzeichenorbit hinweg ein recheneffizientes, auf Stichproben-Ebene kontrolliertes Gen-Set-Assoziationstesten ermöglicht, während es sein globales Nullhypothesen-Inferenzziel explizit von konkurrierender Anreicherung oder kausaler Gendiskoverie unterscheidet.
Dieses Papier führt Laplacian-P-Splines (LPS) als eine rechnerisch effiziente, sampling-freie Bayes-Alternative zur Schätzung geteilter Gamma-Frailty-Modelle in gruppierten, rechtszensierten Zeit-bis-zum-Ereignis-Daten ein und demonstriert deren Leistungsfähigkeit durch Simulationen sowie Anwendungen auf drei biomedizinische Datensätze.