222 Arbeiten
Dieser Artikel leitet eine einheitliche Formel für die effektiven Freiheitsgrade von Varianzschätzern mittels Balanced Repeated Replication (BRR) und gepaartem Jackknife in geschichteten Stichproben her, indem er die Unabhängigkeit der stratum-spezifischen Komponenten nutzt, um eine direkte Verbindung zur Welch-Satterthwaite-Approximation herzustellen.
Diese Arbeit stellt einen neuartigen, bestraften Kreuzvalidierungsansatz zur konsistenten Modellselektion bei bipartiten stochastischen Blockmodellen vor, der Über- und Unteranpassung auf den beiden Knotenseiten berücksichtigt und dabei bestehende Methoden in Simulationen sowie bei realen Datensätzen übertrifft.
Die vorgestellte Arbeit entwickelt ein semiparametrisches nichtlineares gemischtes Modell mit penalisierten Splines und automatischer Differentiation, das durch die gemeinsame Schätzung der Glattheit und Varianzkomponenten sowie die Laplace-Approximation eine verbesserte Inferenzleistung und einen geringeren Rechenaufwand im Vergleich zu bestehenden Verfahren bietet.
Die Studie schlägt dynamische Bayesianische Methoden zur Einbeziehung historischer Kontrolldaten in simultane Inferenzverfahren für präklinische Multigruppenstudien mit binären Endpunkten vor, um die Anzahl der Versuchstiere zu reduzieren und dabei die Fehlerkontrolle aufrechtzuerhalten.
Die Arbeit stellt CIM vor, ein zweistufiges Framework, das kausale Inferenz mit Netzwerkkompression und schätzungsbeschränkten Greedy-Strategien verbindet, um unter Budgetbeschränkungen eine Seed-Auswahl zu ermöglichen, die das langfristige Steady-State-Ergebnis mit theoretischen Garantien maximiert.
Die vorgestellte Arbeit entwickelt ein robustes Verfahren für sequenzielle Hypothesentests mit generalisierten Schätzgleichungen, das ohne einschränkende Modellannahmen auskommt, eine breitere Palette von Hypothesen abdeckt und durch die Berechnung präziserer Wirksamkeitsgrenzen sowie die Integration von Mehrfachimputation auch bei unvollständigen longitudinalen Daten anwendbar ist.
Diese Arbeit stellt ein neues Test-then-pool-Framework vor, das mithilfe von Kernel-Äquivalenztests und Bootstrap-Verfahren historische Kontrolldaten sicher in klinische Studien integriert, um die statistische Power zu erhöhen, ohne die Fehlerkontrolle zu gefährden.
Diese Arbeit stellt einen theoretisch fundierten Ansatz zur Schätzung individueller Behandlungseffekte bei komplexen, multiplen Interventionen vor, der durch eine neuartige Generalisierungsschranke und die skalierbare Behandlungsaggregation die Herausforderungen der Hyperparameterauswahl und der Dimensionsflucht löst.
Der Artikel stellt „Distributionally Balanced Designs" (DBD) vor, eine neue Klasse von Wahrscheinlichkeitsstichprobenplänen, die durch Minimierung der Energie-Distanz zwischen Hilfsverteilungen eine bessere Repräsentativität und geringere Varianz bei kostspieligen Feldstudien in Bereichen wie Ökologie und Forstwirtschaft gewährleisten.
Diese Arbeit stellt eine neuartige bayessche Kalibrierungsmethode vor, die den traditionellen Modellabweichungsansatz von Kennedy und O'Hagan durch die Integration von Gauß-Prozessen direkt in den Simulator ersetzt, um Inexact Dislocation Dynamics-Modelle effizient an Molecular Dynamics-Daten anzupassen.
Die Arbeit stellt die Lokale Adjazenz-Spektraleinbettung (LASE) vor, eine Methode, die durch gewichtete spektrale Zerlegung lokale, niedrigdimensionale Strukturen in Netzwerken aufdeckt und damit die Einschränkungen globaler Einbettungen überwindet, um sowohl die lokale Rekonstruktion als auch die globale Visualisierung zu verbessern.
Dieser Artikel entwickelt einen konvexen Schätzer für die Drift hochdimensionaler Lévy-getriebener Ornstein-Uhlenbeck-Prozesse, der eine niedrigrangige plus spärliche Struktur nutzt, um unter bestimmten Regularitätsbedingungen eine nicht-asymptotische Orakel-Ungleichung für das Risiko herzuleiten, die eine verbesserte Abhängigkeit von der Dimension gegenüber rein spärlichen Schätzern zeigt.
Diese Arbeit stellt einen neuen Ansatz für das Batch-Bayes'sche Optimal-Experiment-Design vor, der das Optimierungsproblem durch eine probabilistische Hebung in den Raum der Wahrscheinlichkeitsmaße transformiert und unter Verwendung von Wasserstein-Gradientenflüssen skalierbare, partikelbasierte Algorithmen entwickelt, um hochdimensionale und nicht-konvexe Nutzenfunktionen effizient zu optimieren.
Dieses Paper korrigiert die Verzerrungen und die zu starke Schmalheit der bisherigen Riemannschen Laplace-Approximation mit der Fisher-Metrik durch die Entwicklung zweier neuer Varianten, die im Grenzwert unendlicher Daten exakt sind und praktische Verbesserungen bieten.
Diese Arbeit entwickelt und erweitert zwei bayesianische Sensitivitätsanalyseansätze – einen mit latenten Störvariablen und einen mit einer Sensitivitätsfunktion – zur Schätzung zeitvariabler Behandlungseffekte bei longitudinalen Beobachtungsdaten mit zeitvariabler unbeobachteter Konfundierung, wobei die Methoden durch Simulationsstudien evaluiert und auf Daten aus einem pädiatrischen Krankheitsregister angewendet werden.
Dieser Artikel fasst verschiedene lineare Mischmodelle zusammen, die zur Modellierung der Genotyp-Umwelt-Interaktion und zur Vorhersage in unbekannten Umgebungen dienen, zeigt deren gemeinsame theoretische Grundlage auf und illustriert die Methoden sowie Unsicherheitsabschätzungen anhand eines Reisversuchsdatensatzes aus Bangladesch.
Die Autoren stellen einen neuen, robusten Schätzer für polychorische Korrelationen vor, der ohne Annahmen über Art oder Ausmaß von Modellmisspezifikationen auskommt, die Maximum-Likelihood-Methode verallgemeinert und insbesondere durch die Identifizierung von unachtsamen Befragten in Ratingdaten zuverlässigere Ergebnisse liefert.
Dieser Artikel stellt ein bayessches, diskretes stochastisches Epidemiemodell vor, das unter Berücksichtigung von Mobilitätsdaten und unvollständigen Fallzahlen die Gesamtzahl der SARS-CoV-2-Infektionen schätzt, Hamiltonian Monte Carlo als robuste Inferenzmethode gegenüber Variational Bayes empfiehlt und durch Phasenebenenanalysen sowie informative Prioris die Entscheidungsfindung während der Pandemie verbessert.
Diese Arbeit stellt ein einheitliches Rahmenwerk vor, das Hamiltonian Monte Carlo und stückweise deterministische Markov-Prozess-Sampler durch die Einführung von „bouncy" Hamilton-Dynamiken verbindet und so einen effizienten, ablehnungsfreien Sampler für hochdimensionale bayessche Inferenzprobleme ermöglicht.
Die Studie entwickelt eine innovative Stichprobenmethode für relationale Ereignismodelle, die es ermöglicht, globale Kovariaten wie Wetter und Tageszeit effizient zu schätzen und deren signifikanten Einfluss auf die Dynamik von Fahrradverleihsystemen in Washington D.C. nachzuweisen.