14 Arbeiten
Der Autor kritisiert, dass die Anwendbarkeit der vorgeschlagenen „hippokratischen Nutzenfunktion", die zwischen durch Unterlassung und durch Behandlung geretteten Leben unterschiedlich gewichtet, durch ein Gegenbeispiel eingeschränkt wird.
Der Artikel stellt ein einheitliches Framework zur Anomalieerkennung vor, das Anomalien als Beobachtungen mit ungewöhnlich niedriger Wahrscheinlichkeit definiert und deren Erkennung durch die Schätzung der oberen Schwänze einer Surprisal-Verteilung mittels robuster empirischer oder Extremwert-Methoden auf komplexe Daten anwendbar macht.
Die Arbeit stellt Augmented Time Series Causal Models (ATSCM) vor, ein Framework, das neuronale kausale Entdeckung mit Gegenfaktischen Schlussfolgerungen kombiniert, um die komplexen, zeitlich variierenden kausalen Zusammenhänge in Energiemärkten zu modellieren und Szenarioanalysen für Strompreise zu ermöglichen.
Die vorgestellte Arbeit führt das TNCM-VAE-Modell ein, das Variational Autoencoder mit strukturellen Kausalmodellen kombiniert, um synthetische Finanzzeitreihen zu generieren, die sowohl zeitliche Abhängigkeiten als auch kausale Zusammenhänge bewahren und somit verlässliche Gegenfakten für Risikoanalysen und Stresstests ermöglichen.
Die Arbeit zeigt, dass die Erweiterung von kausalen Normalformspielen auf sequenzielle Szenarien trotz theoretischer Eleganz und PSPACE-Vollständigkeit in der Praxis keine Wohlfahrtsverbesserung gegenüber klassischen Stackelberg-Gleichgewichten bietet, da rationale Rückwärtsinduktion kausale Vorteile eliminiert und somit neue theoretische Rahmenwerke jenseits des Nash-Gleichgewichts für KI-Agenten erforderlich macht.
Dieser Artikel stellt eine formale Repräsentation von Datenanalysen vor, die über die reine Reproduzierbarkeit hinausgeht, indem sie die logische Konstruktion und die zugrunde liegenden Annahmen des Analysten explizit macht, um eine datenunabhängige Bewertung, Visualisierung der Schlussfolgerungen und eine Sensitivitätsanalyse zu ermöglichen.
Diese Arbeit entwickelt einen Bayes'schen Rahmen für die lineare Optimierung unter Unsicherheit, der gelernte Daten in posteriori-Feasibility-Garantien integriert und durch robuste Methoden sowie Szenario-Ansätze datenbasierte, interpretierbare Entscheidungen mit expliziten Unsicherheitsdiagnosen ermöglicht.
Diese Arbeit entwickelt ein hierarchisches bayessches dynamisches Spiel für wettbewerbsfähige Lagerhaltung und Preisgestaltung unter unvollständiger Information, das durch einen glaubwürdigen Risiko-Kriterium eine konservative Gleichgewichtslösung ermöglicht, die Lernen, Wettbewerb und Anpassung simultan vereint.
Die Studie zeigt, dass stabilitätsselektierte, baumbasierte Methoden eine robuste Ergänzung zu klassischen linearen Verfahren für die Variablenselektion von Interaktionseffekten in Meta-Regressionen darstellen, insbesondere bei nichtlinearen Zusammenhängen oder zur Vorselektion, wobei lineare Verfahren bei strikt linearen Effekten überlegen bleiben.
Dieser Artikel untersucht den Aufbau, den Auftrag und den strategischen Wert dedizierter Methodengruppen in der pharmazeutischen Industrie, die durch die Entwicklung und Integration innovativer quantitativer Methoden die Effizienz und Erfolgsaussichten von Arzneimittelentwicklungen steigern sollen.
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.
Die Arbeit argumentiert gegen die strikte Neyman'sche Interpretation, wonach ein Konfidenzintervall den Parameter entweder trifft oder nicht, und schlägt stattdessen eine modellbasierte Sichtweise vor, die Konfidenz als prädiktive Wahrscheinlichkeit für die Abdeckung eines einzelnen Intervalls neu definiert.
Dieser Artikel argumentiert, dass Konfidenzniveaus als optimale, designbasierte Wahrscheinlichkeitsvorhersagen für die Abdeckung eines Parameters interpretiert werden können, was eine frequentistische Deutung einzelner Konfidenzintervalle ermöglicht, ohne auf subjektive Priors zurückzugreifen.
Eine Quasi-Experiment-Studie zeigt, dass die Wahlmöglichkeit von Datenkontexten bei Statistik-Hausaufgaben zwar keine signifikanten Leistungssteigerungen bewirkt, aber das Engagement, die Motivation und die Autonomie der Studierenden sowie deren Wertschätzung für den praktischen Nutzen der Statistik deutlich erhöht.