297 Arbeiten
Diese Arbeit erweitert das wgsLR-Modell für die forensische Auswertung von Shotgun-DNA-Sequenzierdaten, indem sie asymmetrische und unbekannte Genotypisierungsfehlerwahrscheinlichkeiten zwischen Proben unterschiedlicher Qualität berücksichtigt, die Robustheit gegenüber Überdispersion bestätigt und die Implementierung in einem R-Paket bereitstellt.
Die Autoren stellen eine neue Response-Adaptive Randomization-Methode vor, die auf der Bayesianischen Hypothesenprüfung basiert, um die hohe Variabilität von Thompson Sampling zu stabilisieren und durch eine datengesteuerte Shrinking-Funktion zwischen gleichmäßiger Zuteilung und adaptiver Randomisierung zu balancieren.
Die Studie stellt BLAST vor, ein bayessches Transfer-Learning-Framework für hochdimensionale lineare Regression, das durch adaptive Schrumpfung und bayessche Quellenauswahl negative Übertragung vermeidet, eine effiziente Posterior-Simulation ermöglicht und sowohl präzisere Inferenz als auch überlegene Unsicherheitsquantifizierung im Vergleich zu bestehenden Methoden bietet.
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.
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.
Diese Studie stellt ein integriertes, zeitvariierendes Ornstein-Uhlenbeck-Prozess-Modell vor, das Telemetriedaten von Steinadlern mit eBird-Vorkommensdaten kombiniert, um die Populationsdynamik über das gesamte Jahr zu modellieren und präzisere Vorhersagen für Windkraft-Risiken sowie die Herkunftsbestimmung von Individuen zu ermöglichen.
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.
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.
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.
Diese Studie nutzt vier Jahre lang kontinuierliche Fitbit-Daten aus dem „All of Us"-Programm, um zu zeigen, dass Patienten vor einer Hüft- oder Kniegelenks-Endoprothese einen fortschreitenden Aktivitätsrückgang erleiden, der sich postoperativ in drei Phasen (schnelle Besserung, verlangsamter Anstieg und Stabilisierung) erholt, wobei ein höherer präoperativer Aktivitätsstand die Wahrscheinlichkeit einer Rückkehr zum gewohnten Niveau erhöht.
Dieses Papier stellt eine robuste Methode zur Schätzung von Lageparametern auf verschiedenen Matrix-Mannigfaltigkeiten vor, die auf dem projizierten Frobenius-Median basiert, und weist dabei sowohl theoretische Eigenschaften wie asymptotische Normalität als auch praktische Anwendbarkeit in Simulationen und realen Erdbeben-Datensätzen nach.
Diese Arbeit stellt zwei lokalisierte Strategien für sequentielle MCMC-Datenassimilation vor, die in hochdimensionalen, nichtlinearen und nicht-gaußschen geophysikalischen Modellen die Effizienz steigern und die Robustheit gegenüber schweren Ausreißern im Vergleich zu Ensemble-Kalman-Filtern verbessern.
Die Studie stellt ein flexibles multivariates Hawkes-Prozess-Modell mit additiver Erregung und multiplikativer Inhibition vor, das zur Analyse zeitlicher Abhängigkeiten in tierischen akustischen Kommunikationssystemen, wie bei Erdmännchen und Buckelwalen, eingesetzt wird, um sowohl erregende als auch hemmende Interaktionen präzise zu quantifizieren.