stat.ME Arbeiten | Gist.Science

Approximate Bayesian inference for cumulative probit regression models

Die Autoren stellen drei skalierbare Algorithmen auf Basis von Variational Bayes und Expectation Propagation vor, um die posterior-Verteilung in kumulativen Probit-Modellen für ordinale Daten effizient und präzise zu approximieren, und demonstrieren deren Überlegenheit gegenüber herkömmlichen MCMC-Methoden sowohl in der Rechengeschwindigkeit als auch in der Genauigkeit, unter anderem anhand einer Fallstudie zur Analyse krimineller Netzwerke.

Emanuele AlivertiFri, 13 Ma📊 stat

A systematic assessment of Large Language Models for constructing two-level fractional factorial designs

Diese Studie führt eine systematische Bewertung von GPT- und Gemini-Modellen durch und zeigt, dass diese Large Language Models durch gezieltes Prompting effektiv optimale zweistufige fraktionale Faktoriendesigns mit bis zu acht Faktoren und 8, 16 oder 32 Versuchen konstruieren können.

Alan R. Vazquez, Kilian M. Rother, Marco V. Charles-GonzalezFri, 13 Ma📊 stat

A Bayesian likely responder approach for the analysis of randomized controlled trials

Die Autoren schlagen einen bayesschen Zwei-Stufen-Ansatz vor, der die Unsicherheit der Subgruppenidentifikation in die Schätzung von Behandlungseffekten integriert, um in randomisierten kontrollierten Studien besser kalibrierte Konfidenzintervalle für personalisierte Medizin zu erhalten.

Annan Deng, Carole Siegel, Hyung G. ParkFri, 13 Ma📊 stat

Extracting useful information about reversible evolutionary processes from irreversible evolutionary accumulation models

Die Studie zeigt, dass irreversible EvAM-Modelle trotz der Vernachlässigung reversibler Dynamiken robuste Aussagen über die relative Reihenfolge und Kernstruktur evolutionärer Pfade liefern können, während Schätzungen von Unsicherheiten und Feature-Interaktionen anfälliger für Fehler sind.

Iain G. JohnstonFri, 13 Ma🧬 q-bio

Realizing Common Random Numbers: Event-Keyed Hashing for Causally Valid Stochastic Models

Die Arbeit zeigt, dass herkömmliche zustandsbehaftete Zufallszahlengeneratoren in agentenbasierten Modellen zu kausal inkonsistenten Gegenfaktoralvergleichen führen, wenn Eingriffe den Ausführungsfluss ändern, und schlägt als Lösung die Kombination von zählerbasierten Generatoren mit Ereignis-IDs vor, um eine kausal gültige Stochastik sicherzustellen.

Vince Buffalo, Carl A. B. Pearson, Daniel KleinFri, 13 Ma📊 stat

Interventional Time Series Priors for Causal Foundation Models

Die Arbeit stellt CausalTimePrior vor, ein Framework zur Generierung synthetischer zeitlicher struktureller kausaler Modelle mit Beobachtungs- und Interventionsdaten, das Prior-Data-Fitted-Netzwerke (PFNs) befähigt, kausale Effekte in Zeitreihen im Kontext zu schätzen.

Dennis Thumm, Ying ChenFri, 13 Ma🤖 cs.LG

Partition-Based Functional Ridge Regression for High-Dimensional Data

Diese Arbeit stellt einen partitionsbasierten Rahmen für die funktionale Ridge-Regression vor, der durch eine differenzierte Bestrafung von dominanten und schwächeren funktionellen Effekten Multikollinearität und Überanpassung in hochdimensionalen Modellen adressiert, wobei die Konsistenz der Schätzer theoretisch bewiesen und ihre überlegene Vorhersageleistung sowie Interpretierbarkeit durch Simulationen und eine Anwendung auf kanadische Wetterdaten empirisch untermauert wird.

Shaista Ashraf, Ismail Shah, Farrukh JavedFri, 13 Ma📊 stat

Continuous-time modeling and bootstrap for Schnieper's reserving

Die Autoren stellen ein kontinuierliches stochastisches Modell für Schnieper's Rückstellungsmethode vor, das auf einem Poisson-Maß und einer Brownschen Bewegung basiert, und entwickeln daraus eine Bootstrap-Methode zur Schätzung der vollständigen Vorhersageverteilung von Schadenrückstellungen, die Asymmetrie und Nicht-Negativität automatisch berücksichtigt.

Nicolas BaradelFri, 13 Ma📊 stat

Outrigger local polynomial regression

Die vorgestellte Arbeit führt den „Outrigger"-Schätzer für die lokale Polynomregression ein, der durch die Nutzung der bedingten Score-Funktion und einer stabilisierenden Erweiterung des Datenfensters eine Verteilungsadaptivität bei heteroskedastischen oder nicht-normalverteilten Fehlern erreicht und dabei die Minimax-Optimalität über Hölder-Klassen garantiert, ohne Annahmen über die Unabhängigkeit oder Symmetrie der Fehler zu benötigen.

Elliot H. Young, Rajen D. Shah, Richard J. SamworthFri, 13 Ma📊 stat

Worst-case low-rank approximations

Die Arbeit stellt einen unified Framework namens wcPCA vor, der robuste, worst-case-optimale Low-Rank-Approximationen für heterogene Datenbereiche entwickelt, deren Konsistenz und asymptotische Garantien theoretisch bewiesen und in Anwendungen wie Matrix Completion sowie realen Ökosystemdaten erfolgreich validiert werden.

Anya Fries, Markus Reichstein, David Blei, Jonas PetersFri, 13 Ma📊 stat

Spatially Robust Inference with Predicted and Missing at Random Labels

Diese Arbeit stellt einen doppelt robusten Schätzer mit Kreuzvalidierung und einer speziellen Jackknife-HAC-Varianzkorrektur vor, der zuverlässige statistische Inferenz unter räumlicher Abhängigkeit und fehlenden, zufällig verteilten Labels ermöglicht, indem er die durch Kreuzvalidierung verursachte Verzerrung der Varianzschätzer korrigiert.

Stephen Salerno, Zhenke Wu, Tyler McCormickFri, 13 Ma📈 econ

Multivariate Functional Principal Component Analysis for Mixed-Type mHealth Data: An Application to Mood Disorders

Diese Studie stellt eine multivariate funktionale Hauptkomponentenanalyse für gemischte mHealth-Daten ( $M^2$ FPCA) vor, die auf einem semiparametrischen Gaußschen Copula-Modell basiert, um latente zeitliche und intervariable Abhängigkeiten zu schätzen und als digitale Biomarker zur Stratifizierung von Stimmungsstörungs-Subtypen zu nutzen.

Debangan Dey, Rahul Ghosal, Kathleen Merikangas, Vadim ZipunnikovFri, 13 Ma📊 stat

Bayesian Modular Inference for Copula Models with Potentially Misspecified Marginals

Diese Arbeit entwickelt eine neuartige semi-modulare Bayes'sche Inferenzmethode für Copula-Modelle, die durch die Zuweisung individueller Einflussparameter an jede Randverteilung und deren Optimierung mittels Bayesian Optimization eine robuste Schätzung bei potenziell fehlerhafter Spezifikation der Randverteilungen ermöglicht.

Lucas Kock, David T. Frazier, Michael Stanley Smith, David J. NottFri, 13 Ma📈 econ

Prediction-Oriented Transfer Learning for Survival Analysis

Der Artikel stellt ein neuartiges Transfer-Learning-Framework für die Überlebensanalyse vor, das durch den Transfer von prädiktivem statt distributionellem Wissen und die Verwendung flexibler semiparametrischer Transformationsmodelle die Vorhersagegenauigkeit bei begrenzten Ziel-Daten verbessert, ohne auf individuelle Quell-Daten angewiesen zu sein.

Yu Gu, Donglin Zeng, D. Y. LinFri, 13 Ma📊 stat

Dynamic Bayesian regression quantile synthesis for forecasting outlook-at-risk

Diese Arbeit stellt die dynamische bayessche Regressionsquantilsynthese (DRQS) und ihre multivariate Erweiterung (FDRQS) vor, die durch die Kombination von Quantilinformationen mehrerer Agentenmodelle mittels asymmetrischer Laplace-Verteilung und latenter Faktoren eine überlegene Prognose von Risikoquantilen, insbesondere in Krisenzeiten wie der COVID-19-Pandemie, ermöglichen.

Genya Kobayashi, Shonosuke Sugasawa, Yuta Yamauchi, Dongu HanFri, 13 Ma📊 stat

Graph Generation Methods under Partial Information

Die vorgestellte Arbeit entwickelt ein sequenzielles Verfahren zur Generierung, Enumeration und Stichprobenziehung von bipartiten, gerichteten und ungerichteten Graphen mit vorgegebenen Gradfolgen, das durch eine notwendige und hinreichende Intervallbedingung die globale Durchführbarkeit garantiert und sich durch hohe Skalierbarkeit bei großen Instanzen auszeichnet.

Tong Sun, Jianshu Hao, Michael C. Fu, Guangxin JiangFri, 13 Ma📊 stat

Variance Estimation with Dependence and Heterogeneous Means

Dieser Artikel stellt einen einfachen, konservativen Varianzschätzer vor, der bei heterogenen Mittelwerten und zwei-Wege-Cluster-Abhängigkeit asymptotisch gültig ist und so die Unterschätzung der Varianz sowie die daraus resultierende Übergröße von Tests verhindert.

Luther YapFri, 13 Ma📈 econ

Robust Joint Modeling for Data with Continuous and Binary Responses

Dieses Papier stellt ein robustes Framework zur gemeinsamen Modellierung von kontinuierlichen und binären Antworten vor, das auf der Dichte-Power-Divergenz und $\ell_1$ -Regularisierung basiert, um in hochdimensionalen Szenarien sowohl Ausreißer zu widerstehen als auch eine spärliche Schätzung zu ermöglichen.

Yu Wang, Ran Jin, Lulu KangFri, 13 Ma📊 stat

Simultaneous estimation of multiple discrete unimodal distributions under stochastic order constraints

Der Beitrag stellt eine Methode zur gleichzeitigen Schätzung mehrerer diskreter unimodaler Verteilungen unter Berücksichtigung stochastischer Ordnungsbeschränkungen vor, die durch Formulierung als gemischt-ganzzahliges konvexes quadratisches Optimierungsproblem insbesondere bei kleinen Stichprobengrößen die Genauigkeit im Vergleich zu bestehenden Verfahren verbessert.

Yasuhiro Yoshida, Noriyoshi Sukegawa, Jiro IwanagaFri, 13 Ma📊 stat

On the Unit Teissier Distribution: Properties, Estimation Procedures and Applications

Dieser Artikel erweitert die theoretischen und inferenzstatistischen Ergebnisse der Unit-Teissier-Verteilung durch die Herleitung geschlossener Ausdrücke für Ordnungsstatistiken und L-Momente, die Untersuchung verschiedener Parameterschätzverfahren sowie die Validierung mittels Simulationen und realer Daten.

Zuber Akhter, Mohamed A. Abdelaziz, M. Z. Anis, Ahmed Z. AfifyFri, 13 Ma📊 stat

← Zurück Weiter →