161 Arbeiten
Diese Arbeit stellt einen einheitlichen Kalibrierungsrahmen vor, der durch eine konvexe Optimierungsproblemstellung heterogene Zusatzinformationen aus verschiedenen Quellen in randomisierten Experimenten integriert, um die Effizienz der Behandlungseffektschätzung zu steigern, ohne die asymptotische Validität zu beeinträchtigen.
Die Arbeit untersucht das asymptotische Verhalten quadratischer Formen selbstnormalisierter schwerer Verteilungen, zeigt, dass deren Grenzwertgesetze ausschließlich von der Diagonalverteilung der Matrix und dem Stabilitätsindex abhängen, und leitet daraus eine atomfreie Darstellung des -schweren Marčenko--Pastur-Gesetzes für Stichprobenkorrelationsmatrizen ab.
Dieses Papier löst das Problem der Nicht-Eindeutigkeit maximaler Ancillariäts-σ-Felder im semiparametrischen Kontext, indem es eine asymptotische Perspektive einführt, die es ermöglicht, störende Parameter durch bedingte Einschränkungen auf σ-Felder zu eliminieren, die auf zentral-auswärtsen Residuenrängen und Vorzeichen basieren, ohne dabei die semiparametrische Effizienzgrenze zu verletzen.
Dieser Beitrag stellt einen nichtparametrischen Dichteschätzer für kompositionelle Daten auf dem Simplex unter dem Vorhandensein zufällig fehlender Werte vor, der auf einer adaptiven Dirichlet-Kernel-Methode mit Inverse-Probability-Weighting basiert und in Simulationen sowie einer Anwendung auf NHANES-Daten eine überlegene Leistung gegenüber herkömmlichen Transformationen zeigt.
Diese Monografie bietet einen rigorosen Überblick über theoretische und methodische Aspekte der probabilistischen Inferenz und des Lernens mit Steinscher Methode, einschließlich der Konstruktion von Stein-Diskrepanzen, ihrer Eigenschaften sowie der detaillierten Verbindung zu Steinschem variationsbasiertem Gradientenabstieg.
Die Studie stellt TV-Select vor, ein einheitliches Rahmenwerk zur gleichzeitigen Variablenauswahl und Unterscheidung zwischen konstanten und zeitvariablen Effekten in longitudinalen Modellen durch eine doppelt bestrafte Schätzung mit Gruppensparsität und Glättung, das sowohl die Modellinterpretierbarkeit als auch die Vorhersagegenauigkeit verbessert.
Diese Studie entwickelt einen konsistenten Bayes-Faktor-Test auf Endogenität für lineare Regressionsmodelle mittels des Rahmens der exponentiell gekippten empirischen Likelihood, der die Exogenität der Regressoren überprüft und dabei sowohl durch Simulationen als auch durch empirische Anwendungen zu Automobil- und Flugticketpreisen validiert wird.
Diese Arbeit untersucht paralleles Schließen in Sprachmodellen durch die Anwendung von Partikelfilter-Algorithmen wie Sequential Monte Carlo, um theoretische Garantien und fundamentale Grenzen für den Trade-off zwischen Genauigkeit und Kosten bei der Stichprobenziehung zu identifizieren.
Diese Studie entwickelt und bewertet verbesserte Schätzer sowie verschiedene Konfidenzintervalle für die differentielle Entropie zweier normalverteilter Populationen unter Berücksichtigung von Ordnungsrestriktionen als Prior-Information, wobei die Ergebnisse durch numerische Simulationen und ein reales Anwendungsbeispiel validiert werden.
Diese Arbeit entwickelt eine Theorie der post-hoc Inferenz im asymptotischen Setting, die auf E-Werten basiert und asymptotische Konfidenzmengen sowie p-Werte bereitstellt, die bei schwächeren Annahmen schärfere Ergebnisse liefern als bisherige nicht-asymptotische Verfahren.
Die Arbeit stellt den -Footrule-Koeffizienten als kopula-basiertes Maß für negative Abhängigkeit vor, das als -Abstand zur Gegenmonotonie-Kopula definiert ist, und leitet daraus eine Zerlegung von Ginis Gamma her, während sie gleichzeitig einen konsistenten Rangschätzer mit asymptotischer Normalität einführt und dessen Wirksamkeit durch Simulationen bestätigt.
Die Arbeit untersucht kontextsensitive Hypothesentests für i.i.d.-Beobachtungen unter einer multiplikativen Gewichtsfunktion und leitet den optimalen Verlustexponenten als gewichtete Chernoff-Information her, indem sie gewichtete geometrische Mischungen in eine Exponentialfamilie einbettet.
Die Arbeit untersucht die Identifizierbarkeit der Vorzeichen kausaler Effekte in stationären stochastischen Differentialgleichungen, indem sie die Annahme einer bekannten Diffusionsmatrix aufhebt und Kriterien für die Vorzeichenidentifizierbarkeit unter der Bedingung der Glaubwürdigkeit (Faithfulness) für allgemeine Graphen ableitet.
Die Arbeit stellt ein variationsbasiertes Rahmenwerk vor, das mithilfe einer kanonischen gerade-ungerade-Zerlegung der Stützfunktionen von konvexen Zufallsmengen neue Maße für Größe und Lage sowie zugehörige Mischungskoeffizienten definiert, um unter -Mischung Gesetze der großen Zahlen abzuleiten und Abhängigkeitsstrukturen geometrisch interpretierbar zu erfassen.
Die Arbeit leitet die Grenzspektralverteilung von Kendall-Korrelationsmatrizen im moderat hochdimensionalen Regime unter Berücksichtigung von Verteilungsheterogenität her und nutzt dieses Ergebnis, um ein graphisches Werkzeug zur zuverlässigen Erkennung von Abhängigkeiten in hochdimensionalen Daten vorzuschlagen, das Fehlschlüsse durch das Ignorieren von Heterogenität vermeidet.
Diese Arbeit entwickelt einen auf Laguerre-Reihen basierenden Schätzer für die funktionalen Koeffizienten von Variablen-Koeffizienten-Modellen, der minimax-optimale Konvergenzraten erreicht, asymptotische Normalität nachweist und damit Konfidenzintervalle sowie Hypothesentests ermöglicht.
Diese Arbeit untersucht die bayessche Inferenz von gepflanzten Matchings zwischen korrelierten Punktmengen in einer Dimension und zeigt, dass die Posterior-Verteilung im Fall partieller Matchings durch lokale Algorithmen approximiert werden kann, während für exakte Matchings eine globale Sortierung und eine spezielle Indexierung erforderlich sind, um ein wohldefiniertes unendliches Volumen-Limit zu erhalten.
Der Artikel untersucht die asymptotischen Eigenschaften von Schnittverteilungen zur Verhinderung der Propagierung von Modellfehlern, leitet ein Bernstein-von-Mises-Theorem her und stellt einen auf Posterior Bootstrap basierenden Algorithmus vor, der in numerischen Experimenten zuverlässige frequentistische Konfidenzbereiche liefert.
Dieser Artikel stellt einen theoretischen und numerischen Rahmen vor, um das inverse Problem für diskret beobachtete zufällige rauh-differenzielle Gleichungen zu lösen, indem ein geometrischer -rauer Pfad konstruiert wird, dessen Lösung die beobachtete Trajektorie approximiert, und zwar durch die Formulierung als Grenzwert diskreter Probleme sowie die Entwicklung eines konvergenten iterativen Algorithmus zur Schätzung der lokalen Gradienten.
Diese Arbeit stellt eine Methode zur Schätzung der Ausfallraten stationärer periodischer Rate-Monotonic-Echtzeitsysteme vor, die auf einer Approximation der Antwortzeitverteilung durch eine inverse Gaußsche Mischverteilung und einem angepassten Expectation-Maximization-Algorithmus basiert.