219 Arbeiten
Die Studie stellt eine neuartige, trajectorienbasierte Graph-Clustering-Methode vor, die longitudinale klinische Daten und Bildgebungsmerkmale integriert, um bei Lebermetastasen dynamische Krebs-Subtypen mit unterschiedlichen Prognoseverläufen zu identifizieren und so die personalisierte Onkologie zu verbessern.
Diese Arbeit stellt einen multivariaten pseudo-empirischen besten linearen unverzerrten Prädiktor vor, der unter einem MNER-Modell Stichprobengewichte berücksichtigt, um verzerrungsfreie Schätzungen für abhängige Zielvariablen in kleinen Bereichen zu ermöglichen, und ergänzt dies durch Bootstrap-Verfahren zur Schätzung des mittleren quadratischen Fehlers.
Die Studie stellt zwei neue g-Komputationsalgorithmen vor, die Zeit-abhängige Confounding und halb-konkurrierende Ereignisse (wie Tod und Hypertonie) gleichzeitig adressieren, und zeigt in Simulationen sowie einer Anwendung auf die NLAHS-Daten, dass diese Methode verzerrungsfrei ist und eine Reduktion von Hypertonie und Sterblichkeit bei vollständiger Verhinderung des Rauchens im jungen und mittleren Erwachsenenalter vorhersagt.
Diese Arbeit entwickelt eine allgemeine Theorie für das outcome-weighted learning zur Bestimmung individueller Behandlungsregeln, die eine breite Klasse von Surrogatverlusten und Matern-Kerneln umfasst, um Konvergenzraten zu etablieren und die Leistung in Simulationen sowie bei der Anwendung auf die ACTG 175-Studie nachzuweisen.
Die Arbeit zeigt, dass die abhängige Randverteilung in bayesschen hierarchischen Modellen, bei denen die bedingte Prior-Verteilung eine kanonische Maximum-Entropie-Verteilung ist, ebenfalls eine Maximum-Entropie-Eigenschaft bezüglich einer anderen Randverteilungsbedingung aufweist, was die impliziten Annahmen solcher Modelle verdeutlicht.
Diese Arbeit stellt ein neues ARCH-Framework für Daten in separablen Hilbert-Räumen vor, das die vollständige Entwicklung des bedingten Kovarianzoperators modelliert, und leitet für eine vereinfachte Variante stationäre Lösungen sowie konsistente Schätzer her, deren praktische Relevanz durch Simulationen und eine Anwendung auf hochfrequente intraday-Renditen demonstriert wird.
Die Arbeit zeigt, dass eine Klasse optimierter e-Wert-Kombinationen auch dann gültig bleibt, wenn der Tuning-Parameter datenbasiert gewählt wird, und führt zudem einen verbesserten Kombinationstest auf Basis elementarer symmetrischer Polynome für unabhängige und simultane e-Variablen ein.
Die Arbeit stellt Causal Concept Graphs (CCG) vor, eine Methode, die sparse Autoencoder mit differentiablem Struktur-Lernen kombiniert, um kausale Abhängigkeiten zwischen Konzepten im latenten Raum von Sprachmodellen zu identifizieren und nachzuweisen, dass graphenbasierte Interventionen die reasoning-Fähigkeiten signifikant effektiver verbessern als bestehende Ansätze.
Dieses Papier stellt die Gimbal-Regression (GR) vor, ein deterministisches, geometriebewusstes lokales Regressionsverfahren, das durch explizite Orientierungsobjekte und geschlossene Lösungen numerische Instabilitäten bei der Schätzung räumlicher Heterogenität vermeidet und stabile, überprüfbare Ergebnisse liefert.
Die vorgestellte Studie entwickelt eine Methode zur robusten Aktualisierung von Risikovorhersagemodellen, indem sie externe Ranking-Informationen anstelle direkter Risikoscores nutzt, um die Übertragbarkeit zwischen unterschiedlichen Studienpopulationen zu verbessern und gleichzeitig die Vorhersagegenauigkeit zu steigern.
Die Studie stellt einen surrogate-assistierten, gezielten Minimum-Loss-Schätzer vor, der stabile und doppelt robuste kausale Schätzungen für verzögerte Endpunkte unter administrativer Zensierung ermöglicht, indem sie eine Surrogat-Brücken-Darstellung nutzt, die auf inverse Wahrscheinlichkeitsgewichte verzichtet.
Die Studie stellt PATRO vor, einen einfachen und transparenten Ansatz, der durch datenunabhängige Anpassungen von Schätzwerten für Rollout- und Optimierungsentscheidungen die durch Asymmetrien bei der Fehlerkosten verursachten Verluste reduziert und dabei nahezu die Leistung eines komplexen Bayes-Optimums erreicht.
Dieser Artikel stellt eine starke gaußsche Approximation für hochdimensionale nicht-degenerierte U-Statistiken mit divergierender Dimension bereit, die auf einer scharfen Martingal-Maximalungleichung basiert und eine einheitliche theoretische Grundlage für Inferenzverfahren wie Change-Point-Tests und selbstnormalisierte Tests unter schweren Verteilungsschwänzen liefert.
Diese Studie wendet modellunabhängige und verteilungsfreie konforme Vorhersagemethoden (sowohl aufgeteilt als auch sequenziell) an, um Vorhersageintervalle für hochdimensionale funktionale Zeitreihen zu erstellen, und evaluiert deren Leistung anhand von subnationalen altersspezifischen Sterblichkeitsdaten aus Japan und Kanada.
Diese methodische Übersichtsarbeit zeigt, dass zwar häufig Heterogenitätsuntersuchungen in Meta-Analysen diagnostischer Testgenauigkeit durchgeführt werden, die Berichterstattung über statistische Modelle jedoch oft unklar ist und eine stärkere Vorab-Planung in Protokollen die Transparenz und Validität der Forschung verbessern könnte.
Dieses Paper stellt PCID vor, eine neue Methode zur Erkennung mehrerer Change-Points in kreisförmigen Signalen, die auf Isolation und Permutationstests basiert und sich durch Robustheit gegenüber verschiedenen Verteilungen sowie durch erfolgreiche Anwendungen auf reale Datensätze auszeichnet.
Dieses Papier stellt einen Bayes'schen Rahmen für das Design und die Analyse von Präzisionsstudien vor, der externe Daten durch eine individuell gewichtete Modellierung basierend auf der Kovariatenverteilung teilweise in die Inferenz einbezieht, um Subgruppeneffekte präziser zu schätzen.
Die Arbeit stellt eine detaillierte Erklärung und Weiterentwicklung einer statistischen Methode zur Risikotrennung vor, die durch die Nutzung aller verfügbaren Daten und Maximum-Likelihood-Schätzung die Präzision der Wirksamkeitsbewertung von Krebs-Screening-Programmen im Vergleich zu herkömmlichen Ansätzen erheblich steigert.
Dieser Beitrag stellt neuartige Kernel-basierte Tests vor, die unter Verwendung der Kernel-Stein-Diskrepanz und der Maximum-Mean-Diskrepanz die Äquivalenz von Verteilungen überprüfen und damit die Grenzen traditioneller Anpassungstests überwinden, indem sie das Fehlen statistisch relevanter Unterschiede mit kontrollierten Fehlerquoten nachweisen.
Diese Arbeit stellt ein heterogenitätsadaptives Meta-Analyse-Framework vor, das durch eine Kullback-Leibler-Divergenz-Strafe die Informationsverteilung zwischen Datensätzen anpasst und so effizientere Schätzer mit geringerem mittleren quadratischen Fehler als herkömmliche Methoden liefert.