stat.ME Arbeiten | Gist.Science

Die Kategorie „Stat — Me" widmet sich statistischen Methoden, die speziell für die Analyse metabolischer Daten entwickelt wurden. Diese Forschung liefert entscheidende Werkzeuge, um komplexe Stoffwechselprozesse zu verstehen und neue Erkenntnisse in der Biomedizin zu gewinnen. Da diese Studien oft hochtechnisch sind, macht Gist.Science sie für ein breiteres Publikum zugänglich, indem sie die neuesten Vorveröffentlichungen von arXiv systematisch erfasst und aufbereitet.

Wir bearbeiten jede neue Vorveröffentlichung in diesem Bereich, die auf arXiv erscheint, und bieten dazu sowohl eine verständliche Zusammenfassung für Laien als auch eine detaillierte technische Analyse für Experten an. So erhalten Sie einen umfassenden Überblick über den aktuellen Stand der Forschung, ohne sich durch komplizierte Fachsprache quälen zu müssen.

Im Folgenden finden Sie die neuesten Publikationen aus diesem spannenden Forschungsfeld, sortiert nach Erscheinungsdatum.

📊 statistics

Causal Mediation Analysis for Network Data with Graph Neural Network

Dieses Paper schlägt ein nichtparametrisches Framework für die kausale Mediationsanalyse in Netzwerkdaten vor, das Graph Neural Networks nutzt, um hochdimensionale Konfundierung sowie simultane Treatment- und Mediator-Spillovers zu handhaben, wodurch die Identifikation von direkten und indirekten Effekten mittels doppelt robuster Schätzer und asymptotischer Normalität unter approximativer Nachbarschaftsinterferenz ermöglicht wird.

Peikai Wu, Zhiguo Xiao2026-08-14

📊 statistics

Doubly Robust Targeted Estimation of Subgroup Average Treatment Effects for Time-to-event Outcomes with Competing Risks

Dieses Paper schlägt ein neuartiges, doppelt robustes Targeted Maximum Likelihood Estimation (TMLE)-Framework zur Schätzung von Subgruppen-Durchschnittseffekten der Behandlung in Zeit-bis-Ereignis-Daten mit konkurrierenden Risiken vor, welches neu abgeleitete Maße der Variablenwichtigkeit enthält, um Präzisionsmedizinstrategien zu optimieren.

Runjia Li, Victor B. Talisa, Chung-Chou H. Chang2026-08-13

📊 statistics

Debiased Causal Mediation Analysis in Ultra-High-Dimensional Settings in the Presence of Interaction Effects

Dieses Paper schlägt einen neuartigen mehrstufigen Debiasing-Schätzer für die kausale Mediationsanalyse in ultra-hochdimensionalen Settings vor, der komplexe Interaktionseffekte berücksichtigt und dessen $\sqrt{n}$ -Konsistenz sowie asymptotische Normalität etabliert werden, um eine valide Inferenz für natürliche direkte und indirekte Effekte zu ermöglichen.

Shi Bo, AmirEmad Ghassami, Debarghya Mukherjee2026-08-13

📊 statistics

Graphical Models for Multivariate Count Data

Dieses Paper führt ein einheitliches parametrisches Framework zur Modellierung multivariater Zähldaten ein, indem es klassische Stichprobenverfahren auf dekomponierbare Graphen durch die Hinzufügung von graphischen hypergeometrischen und negativ-hypergeometrischen Verteilungen erweitert und dadurch eine handhabbare Bayessche Inferenz für Daten ermöglicht, die Ausschluss- oder Inkompatibilitätsbeschränkungen unterliegen.

Iza Danielewska, Bartosz Kołodziejek2026-08-13

📈 economics

Coarsening Latent-Class Probabilities: Directional Distortion and Coverage Loss

Diese Arbeit zeigt auf, dass das Vergröbern kalibrierter Wahrscheinlichkeitsvektoren zu harten Labels eine anisotrope Richtungsverzerrung und einen schweren Abdeckungsverlust in Regressionsschätzungen einführt, bietet jedoch eine Methode, um diesen Bias unter Verwendung beobachtbarer Daten zu quantifizieren und zu approximieren, bevor die Inferenz berichtet wird.

Marcell T. Kurbucz2026-08-13

📊 statistics

Efficient Response-Adaptive Randomization for Multi-arm Trials with Prioritized Composite Endpoints

Diese Arbeit erweitert die effiziente reaktionsadaptive Randomisierung auf Multi-Arm-Studien mit priorisierten zusammengesetzten Endpunkten durch die Nutzung verallgemeinerter paarweiser Vergleiche für den Netto-Behandlungsvorteil, wobei sie rigorose asymptotische Eigenschaften etabliert und eine verbesserte Allokationseffizienz unter Wahrung der statistischen Validität in konfirmatorischen Settings demonstriert.

Ayon Mukherjee2026-08-13

🧬 biology

Testing the limits of past-adapted explanations by post-endpoint randomisation: anticipatory EEG as a worked case

Dieses Paper führt Level II-A ein, ein neues designbasiertes Inferenzframework, das Post-Endpoint-Randomisierung und synthetische EEG-Benchmarks nutzt, um rigoros zu testen, ob die an die Vergangenheit angepasste Information ausreicht, um ein feststehendes Ergebnis zu erklären, wodurch die Annahme, dass „die Vergangenheit es erklärt“, in eine größenqualifizierte, testbare Behauptung transformiert wird.

George Sopasakis (Research and Development Department, Ximantis AB, Onsala, Sweden), Alexandros Sopasakis (Department of (…)2026-08-13

📈 economics

Donut Regression Discontinuity Designs

Diese Arbeit liefert einen theoretischen Rahmen für Donut-Regressions-Diskontinuitäts-Designs, indem sie aufzeigt, wie der Ausschluss von Beobachtungen nahe des Cutoffs Bias und Varianz beeinflusst, zeigt, dass bestehende bias-bewusste Inferenzmethoden weiterhin gültig bleiben, und formalisiert Spezifikationstests für den Vergleich von konventionellen und Donut-Schätzern.

Cladia Noack, Chistoph Rothe2026-08-12

📊 statistics

Pairwise Target Rotation for Factor Models

Dieses Papier schlägt einen neuen Interpretierbarkeitsindex und eine entsprechende „Priormax“-Rotationsmethode vor, die a priori verfügbare semantische Informationen nutzt, um die Rotationsunbestimmtheit in der explorativen Faktorenanalyse aufzulösen und dadurch die Rekonstruktion latenter Strukturen sowie die Sinnhaftigkeit von Faktormodellen zu verbessern.

Justin Philip Tuazon, Gia Mizrane Abubo, Joemari Olea2026-08-12

📊 statistics

What is estimated in cluster randomized crossover trials with informative sizes? -- A survey of estimands and common estimators

Diese Arbeit definiert und evaluiert die Konsistenz verschiedener Schätzer für multiple Behandlungseffekt-Estimanden in 2-Perioden-Cluster-Randomized-Crossover-Studien mit informativen Zensierungen und zeigt auf, dass während ungewichtete und gewichtete Unabhängigkeits-Schätzgleichungen (sowie spezifische feste oder austauschbare Modelle) unverzerrte Ergebnisse liefern, ungewichtete und gewichtete geschachtelte austauschbare Mixed-Effects-Modelle inkonsistent sind und zu Verzerrungen neigen.

Kenneth M. Lee, Andrew B. Forbes, Jessica Kasza, Andrew Copas, Brennan C. Kahan, Paul J. Young, Michael O. Harhay, Fan L (…)2026-08-12

← Zurück Weiter →