222 Arbeiten
Die Autoren stellen ein rechnerisch effizientes Multi-Level-Gauß-Prozess-Regressionsmodell für funktionale Daten vor, das durch die Herleitung exakter analytischer Ausdrücke für regelmäßig oder teilweise regelmäßig abgetastete Beobachtungen die Anpassung an große Datensätze ermöglicht, die mit Standardimplementierungen nicht handhabbar wären.
Dieses Papier stellt eine Methode vor, die auf der Invarianz des Pearson-Risikos und der Maximierung der erwarteten Likelihood basiert, um kausale Generalisierte Lineare Modelle selbst bei nur einer Datenumgebung zu identifizieren, wobei die Ergebnisse im R-Paket `causalreg` implementiert sind.
Diese Arbeit stellt einen neuen Metropolis-Hastings-Algorithmus mit Subsampling und Kontrollvariablen vor, der eine exakte und recheneffiziente Bayesianische Inferenz für große Datensätze ermöglicht, indem er detaillierte Balance gewährleistet und deutlich kleinere Stichproben als bestehende Methoden benötigt.
Die Autoren stellen ein exploratives, eingeschränktes Latent-Class-Modell vor, das polytome Antwortdaten und kategoriale Attribute mit Kovariaten auf Individualebene kombiniert, um durch eine multivariate Probit-Spezifikation korrelierte latente Strukturen bei der Diagnose von Depressionen besser zu erfassen als herkömmliche Ein-Faktor-Ansätze.
Diese Arbeit stellt einen neuartigen, nichtparametrischen Rahmen zur Erkennung von Strukturbrüchen in den mittleren Richtungen toroidaler und sphärischer meteorologischer Daten vor, indem sie intrinsische Geometrie nutzt, um eine gekrümmte Streumatrix und Mahalanobis-Abstandsmaße zu definieren, was erfolgreich auf Windwellenrichtungen und die Zugbahn des Zyklons Biporjoy angewendet wurde.
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 Studie stellt eine neue Methode zur Parameterschätzung in stochastischen Quasi-Reaktionssystemen vor, die durch eine nichtlineare lokale Mittelwertnäherung und eine analytische Lösung der Hazard-Rate eine effizientere und robustere Schätzung kinetischer Raten ermöglicht, insbesondere bei großen Messintervallen und steifen biologischen Systemen.
Dieses Paper stellt das Multi-Rank Subspace-CUSUM (MRS-C)-Verfahren vor, ein effizientes Echtzeit-Verfahren zur Erkennung von Änderungen in der Kovarianzstruktur hochdimensionaler Roboter-Schwarmdaten, das asymptotisch optimale Leistung garantiert und auch bei unbekanntem Signalrang robust funktioniert.
Die Autoren argumentieren, dass der erwartete Durchschnittsergebniswert, der sowohl über Einheiten als auch über Behandlungszuweisungen mittelt, als Schätzer die notwendige Interpretierbarkeit als Zusammenfassung von Einzeleffekten und die Eignung für die optimale Politikwahl vereint, während andere gängige Schätzer oft nur eine der beiden Eigenschaften erfüllen.
Die Autoren stellen eine neue Response-Adaptive Randomization-Methode vor, die auf der Bayesianischen Hypothesenprüfung basiert, um die hohe Variabilität von Thompson Sampling zu stabilisieren und durch eine datengesteuerte Shrinking-Funktion zwischen gleichmäßiger Zuteilung und adaptiver Randomisierung zu balancieren.
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.
Diese Arbeit stellt einen Neyman-orthogonalen Schätzer für lineare Modelle mit mehrdimensionalen Paneldaten und unbeobachteten interaktiven Fixeffekten vor, der durch eine gewichtete Within-Transformation eine parametrische Konvergenzrate erreicht und asymptotisch normal ist, wobei die Methode zur Schätzung der Bier-Nachfrageelastizität angewendet wird.
Dieser Artikel bietet eine praxisorientierte Einführung in die Analyse multivariater und räumlicher Extremwerte mit dem R-Paket ExtremalDep, um Fachleuten aus verschiedenen Bereichen den Zugang zu diesen statistischen Methoden für die Risikobewertung seltener Ereignisse zu erleichtern.
Der Artikel stellt Schätzer für das relative Risiko, das Odds-Verhältnis und deren Logarithmen vor, die auf einem zweistufigen sequenziellen Stichprobenverfahren basieren, um für beliebige Populationsparameter eine garantierte Genauigkeit bei einer kontrollierten Verhältniszahl der Stichprobengrößen zu erreichen.
Die Studie stellt mit „CausalPitfalls" ein umfassendes Benchmark vor, das die Fähigkeit von Large Language Models zur zuverlässigen kausalen Inferenz unter Berücksichtigung statistischer Fallstricke wie Simpson-Paradoxon und Selektionsverzerrung rigoros evaluiert und dabei erhebliche Defizite aktueller Modelle aufzeigt.
Die Autoren stellen eine vollautomatische, vollständig Bayes'sche Methode zur Konstruktion unregelmäßiger Histogramme vor, die sowohl die Anzahl als auch die Position der Klassen basierend auf den Daten auswählt und dabei konsistente Schätzer mit minimax-optimalen Konvergenzraten liefert.
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.
Diese Arbeit stellt B-ODIL vor, eine bayessche Erweiterung der Methode zur Optimierung eines diskreten Verlustes (ODIL), die physikalische PDE-Modelle als Prior mit Daten-Likelihoods kombiniert, um Lösungen für inverse Probleme mit quantifizierten Unsicherheiten zu liefern, wie beispielsweise bei der Schätzung von Tumorwachstum aus MRT-Daten.
Diese Arbeit entwickelt ein prinzipielles statistisches Rahmenwerk für die Hypothesenprüfung übermäßig einflussreicher Datensubsets in der linearen Regression, indem sie exakte Einflussformeln und Extremwertverteilungen nutzt, um rigorose Tests durchzuführen und ad-hoc-Heuristiken zu ersetzen.
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.