97 Arbeiten
Der Artikel stellt einen stabilen, interpretierbaren und flexiblen Ansatz zur Überlebensextrapolation vor, der durch Transferlernen von Bevölkerungsdaten und polyhazard-Modelle die Mittelwertüberlebenszeit für gesundheitsökonomische Bewertungen in verschiedenen klinischen Kontexten verbessert.
Die Arbeit zeigt, dass eine Mischung nichtzentraler Wishart-Verteilungen mit gleichen Freiheitsgraden selbst eine nichtzentrale Wishart-Verteilung ergibt, und nutzt dieses Ergebnis, um die Verteilung von Teststatistiken für zufällige Effekte in faktoriellen Versuchsplänen mit mehrdimensionalen Normaldaten abzuleiten.
Die Autoren stellen CITS vor, ein nichtparametrisches Framework zur Inferenz kausaler Strukturen aus hochauflösenden neuronalen Zeitreihen, das durch theoretische Konsistenz, überlegene Genauigkeit in Benchmarks und die erfolgreiche Anwendung auf große Aufzeichnungen aus dem Mäusegehirn eine theoretisch fundierte und empirisch validierte Methode zur Entdeckung interpretierbarer kausaler Netzwerke bietet.
Diese Arbeit erweitert das wgsLR-Modell für die forensische Auswertung von Shotgun-DNA-Sequenzierdaten, indem sie asymmetrische und unbekannte Genotypisierungsfehlerwahrscheinlichkeiten zwischen Proben unterschiedlicher Qualität berücksichtigt, die Robustheit gegenüber Überdispersion bestätigt und die Implementierung in einem R-Paket bereitstellt.
Die Studie stellt BLAST vor, ein bayessches Transfer-Learning-Framework für hochdimensionale lineare Regression, das durch adaptive Schrumpfung und bayessche Quellenauswahl negative Übertragung vermeidet, eine effiziente Posterior-Simulation ermöglicht und sowohl präzisere Inferenz als auch überlegene Unsicherheitsquantifizierung im Vergleich zu bestehenden Methoden bietet.
Das Paper stellt das R-Paket „ForeComp" vor, das den Vergleich der Vorhersagegenauigkeit mittels Diebold-Mariano-Tests mit Standard- und Fixed-Smoothing-Asymptotik ermöglicht und dabei visuelle Diagnosewerkzeuge sowie Anwendungen auf Umfragedaten und Monte-Carlo-Simulationen bereitstellt.
Die Studie zeigt, dass eine einfache Umwandlung von Prädiktoren in binäre „Risikozustands"-Indikatoren die Vorhersagegenauigkeit von Rezessionen in den USA im Vergleich zu kontinuierlichen Variablen verbessert und lineare Modelle mit flexiblen Machine-Learning-Methoden konkurrenzfähig macht.
Diese Studie nutzt eine inverse Optimierungsansatz auf Basis von Markov-Entscheidungsprozessen, um zu zeigen, dass NFL-Trainer bei Fourth-Down-Entscheidungen tendenziell konservative Risikopräferenzen verfolgen, deren Toleranz jedoch mit fortschreitender Zeit und in der gegnerischen Feldhälfte zunimmt.
Die Studie stellt das Bayesian Hierarchical Adjustable Random Partition (BHARP)-Modell vor, einen selbstständigen Rahmen zur Identifizierung von Heterogenität von Behandlungseffekten in adaptiven Anreicherungstherapien, der durch die gemeinsame Schätzung von Subgruppen und die automatische Anpassung der Informationsübertragung eine höhere Genauigkeit und Präzision als herkömmliche Methoden erreicht.
Die Autoren entwickeln ein nicht-parametrisches, sequenzielles Rahmenwerk für vergleichende Backtests allgemeiner elitisierbarer Risikomaße unter Verwendung von E-Werten und E-Prozessen, das eine jederzeit gültige Inferenz ermöglicht und robust gegenüber Abhängigkeiten sowie Modellspezifikationsfehlern ist.
Diese Studie stellt ein neues, mit Lasso-Strafverfahren regularisiertes Hidden-Markov-Modell vor, das nicht nur die Reaktionsdistanzen von Narwalen auf Schiffsgeräusche auf bis zu 4 Kilometer quantifiziert, sondern auch sicherstellt, dass die geschätzten Schwellenwerte echte Verhaltensänderungen widerspiegeln.
Diese Arbeit stellt einen statistisch fundierten Schätzer für die „Segmentiertheit" von Netzwerken vor, der auf einer zufälligen Stichprobe von Knotenpaaren basiert und es ermöglicht, den Sicherheitsgrad eines Netzwerks unabhängig von seiner Größe präzise zu quantifizieren.
Diese Arbeit untersucht die Kollatz-Stop-Zeit über mittels eines bayesschen hierarchischen Negativ-Binomial-Modells und einer mechanistischen Generatormethode, wobei die Ergebnisse zeigen, dass die Berücksichtigung modularer Restklassen die Verteilungsanpassung erheblich verbessert und das NB2-GLM die höchste Vorhersagegüte erzielt.
Diese Studie stellt einen Deep-Learning-Ansatz vor, der auf einem Ensemble von ConvLSTM-Modellen basiert, um das Risiko wetterbedingter Verkehrsunfälle in North Carolina unter Verwendung heterogener räumlich-zeitlicher Daten präziser vorherzusagen als herkömmliche Methoden, insbesondere in hochriskanten Zonen.
Diese Studie stellt eine neuartige Strategie vor, die durch die analytische Fortsetzung der Kumulantenentwicklung mittels Padé-Approximation eine präzise Vorverzerrung des Eingangssignals ermöglicht, um Autoregressive-Prozesse zur effizienten und genauen Simulation nicht-gaußscher Radar-Clutter-Sequenzen wiederzubeleben.
Dieser Artikel stellt Lévy-getriebene Graph-supOU-Prozesse als sparsames parametrisches Modell für hochdimensionale Zeitreihen vor, das kurz- und langfristige Abhängigkeiten über eine Graphenstruktur abbildet, und entwickelt sowie validiert einen verallgemeinerten Momenten-Schätzer, der in einer empirischen Studie zu Windkraftfaktoren in einem europäischen Stromnetz angewendet wird.
Diese Arbeit leitet neue Eigenschaften der projizierten isotropen Normalverteilung her, entwickelt Approximationen für die Verteilung des mittleren Resultierenden und wendet diese Methoden zur Analyse von EEG-Phasendaten bei Blitzstimulation an.