219 Arbeiten
Die Autoren stellen einen vollständig nichtparametrischen Ansatz zur Konstruktion von Toleranzintervallen mittels eines kalibrierten Gibbs-Posterior vor, der durch die Anpassung der Lernrate eine zuverlässige frequentistische Abdeckung bei gleichzeitig kürzeren Intervallen im Vergleich zu klassischen Methoden gewährleistet.
Diese Arbeit untersucht partielle Copulas als nichtlineares Analogon zur partiellen Korrelation, um die Abhängigkeit zwischen Zufallsvariablen nach Adjustierung für Kovariaten zu charakterisieren, und zeigt deren Potenzial für die kausale Inferenz auf.
Die Studie entwickelt ein kausales Überlebensanalyse-Rahmenwerk für Plattformstudien, das zeigt, dass die Nutzung nur gleichzeitiger Kontrollen mit einem doppelt robusten Schätzer die zuverlässigste Methode ist, um Verzerrungen durch nicht-gleichzeitige Kontrollen zu vermeiden und gleichzeitig die Präzision zu erhöhen.
Diese Arbeit stellt eine Bayesianische synthetische Likelihood-Methode vor, die mithilfe von Hamiltonian Monte Carlo in Stan implementiert wird, um multilevel Netzwerk-Meta-Regressionen durch die Einbeziehung von Subgruppen-Zusammenfassungen bei fehlenden individuellen Kovariaten zu verbessern.
Dieser Artikel stellt einen hierarchisch-bayesschen Schätzer für die Varianz bei feiner Stratifizierung vor, der in Simulationen und empirischen Analysen die herkömmlichen Methoden wie das Zusammenfassen benachbarter Strata sowie nichtparametrische Bayessche und kernelbasierte Schätzer hinsichtlich Verzerrung und mittlerem quadratischen Fehler übertrifft.
Die Autoren stellen ein neuartiges bayessches nichtparametrisches Modell vor, das mithilfe eines Dirichlet-Prozess-Mischungsansatzes heterogene Netzwerkpopulationen in Cluster mit ähnlichen Verbindungsmustern gruppiert, dessen theoretische Konsistenz nachgewiesen, dessen effiziente Inferenz durch MCMC ermöglicht und dessen Leistungsfähigkeit sowohl in Simulationen als auch in der Analyse menschlicher Gehirnnetzwerke validiert wird.
Dieses Buch fasst die theoretischen Grundlagen und wichtigen Beweisstrategien der konformen Vorhersage zusammen, um verteilungsfreie Unsicherheitsquantifizierung für maschinelles Lernen in einer einheitlichen und pädagogischen Sprache zugänglich zu machen.
Diese Arbeit stellt effiziente Algorithmen zur schnellen Aktualisierung der R-Matrix in QR-Zerlegungen vor, die den Rechenaufwand für statistische Anwendungen wie Regression und Filterung bei sich ändernden Datenstrukturen erheblich reduzieren, ohne die Genauigkeit zu beeinträchtigen.
Diese Studie entwickelt einen doppelt robusten Schätzer für den Average Treatment Effect on the Treated (ATT) im Difference-in-Differences-Rahmen durch Kovariatenbalancierung und leitet ein neues Modellauswahlkriterium ab, das sich von herkömmlichen Informationskriterien unterscheidet und in Simulationen sowie einer Realdatenanalyse eine überlegene Leistung zeigt.
Basierend auf Kosoroks (1999) Test für Quantilgleichheit schlagen die Autoren neue Power-Formeln und ein Resampling-Verfahren zur Schätzung der Dichte vor, um klinische Studien mit zensierten Daten unter Verwendung einzelner oder mehrerer Quantile als Endpunkt zu planen und zu analysieren, insbesondere wenn die Proportional-Hazards-Annahme verletzt ist.
Die Autoren stellen einen neuen Omnibus-Test für die Anpassungsgüte univariater kontinuierlicher Verteilungen vor, der auf trigonometrischen Momenten basiert, die Kovarianzstruktur der Statistik voll ausnutzt und somit auch bei Vorliegen von Störparametern eine exakte asymptotische -Verteilung sowie eine hohe Teststärke bietet.
Diese Arbeit stellt einen korrekt zentrierten internen Instrumenten-Schätzer für lineare Clustermodelle mit hochdimensionalen Kontrollvariablen und komplexen Ausschlussrestriktionen vor, der eine robuste Inferenz ermöglicht und in einer Studie zu fiskalischen Interventionen in Kenia angewendet wird.
Diese Arbeit stellt einen sequenziellen, testbasierten Algorithmus namens „Clusters-of-Centres" vor, der auf multivariaten Cochran-Tests und einem Multi-Round-Bootstrap-Verfahren basiert, um heterogene Zentren in verteilten Studien automatisch zu gruppieren und dabei die wahre Partition mit hoher Wahrscheinlichkeit wiederherzustellen.
Dieser Beitrag stellt eine neuartige Oberflächenzerlegungsmethode vor, die die Sensitivitätsanalyse der Zuverlässigkeit beim Erstüberschreiten für lineare Systeme unter Gaußschen Zufallserregungen durch die Zerlegung der Ausfallwahrscheinlichkeit in eine Summe von Oberflächenintegralen ermöglicht und durch eine Importance-Sampling-Strategie sowie die Wiederverwendbarkeit von Funktionsauswertungen bei vielen Designparametern eine hohe Recheneffizienz gewährleistet.
Das Paper stellt das R-Paket `afttest` vor, das martingale-residuenbasierte Anpassungstests für semiparametrische beschleunigte Ausfallzeitmodelle implementiert und dabei eine neuartige, rechen-effiziente Resampling-Methode auf Basis einer linearen Einflussfunktionsnäherung einführt, die den iterativen Optimierungsbedarf herkömmlicher Multiplikator-Bootstrap-Verfahren überflüssig macht.
Diese Studie vergleicht 28 Methoden zur Variablenauswahl bei logistischen Regressionen und zeigt, dass Bayessche Modellmittelung mit g-Priors bei fehlender Separation sowie penalisierte Likelihood-Ansätze wie LASSO bei vorhandener Separation die beste Leistung bieten.
Diese Arbeit stellt eine Verbindung zwischen der robusten Bias-Korrektur und dem Bootstrap-Prepivoting her, um ein neues Verfahren zu entwickeln, das Konfidenzintervalle für nichtparametrische Regressionen und Regression-Discontinuity-Entwürfe um 17 % verkürzt, ohne die asymptotische Abdeckung zu beeinträchtigen.
Die Arbeit stellt eine intuitive algebraische Umformung der Yates-Kovarianzzerlegung des Brier-Scores vor, die die Bedingungen für perfekte probabilistische Vorhersagen als gleichzeitige Übereinstimmung von Varianz, perfekter positiver Korrelation und Mittelwert der Ergebnisse transparent macht.
Diese Arbeit stellt eine adaptive Zwei-Stufen-Design-Methode für cluster-randomisierte Studien vor, die eine Stichprobengrößenanpassung, ein frühes Abbruchkriterium und eine Pareto-Optimierung zur effizienten Berücksichtigung von Unsicherheiten bei Korrelationsparametern sowie zur Umgestaltung von Interventionsmustern ermöglicht.
Der vorgestellte Artikel stellt ein latentes Gaußsches Mixture-of-Experts-Modell vor, das mittels eines gruppenfusionsbasierten LASSO-Strafterms und des ADMM-Optimierungsverfahrens abrupte Änderungen in zytoometrischen Phytoplankton-Daten erkennt und so Übergangszonen zwischen marinen Provinzen identifiziert.