297 Arbeiten
Die vorgestellte Arbeit entwickelt ein stabiles und genaues Gitter-basiertes Schätzverfahren namens GRID-MOM für die Parameter der abgeschnittenen schiefen Normalverteilung, das durch die Entkopplung der Formparameterschätzung von den Lage- und Skalierungsparametern numerische Instabilitäten überwindet und sich in umfangreichen Simulationen sowie praktischen Anwendungen bewährt hat.
Die Studie stellt den bivariaten RIVW-Schätzer (BRIVW) vor, der durch die gleichzeitige Berücksichtigung von Winner's Curse und Stichprobenstruktur mittels gemeinsamer Modellierung von SNP-Expositions- und SNP-Outcomes-Assoziationen präzisere kausale Effektschätzungen in der Mendelschen Randomisierung ermöglicht.
Diese Übersichtsarbeit fasst systematisch Methoden zusammen, die eine Clusterbildung von Patienten auf Basis von Kovariaten mit Ergebnismodellen kombinieren, um in klinischen Studien insbesondere bei heterogenen Populationen und hochdimensionalen Daten eine präzisere Risikostratifizierung und Subgruppenanalyse zu ermöglichen.
Dieses Paper stellt das Learn-As-you-GO (LAGO)-Design vor, einen adaptiven Ansatz zur schrittweisen Optimierung komplexer Gesundheitsinterventionen während der Studie, um die Wirksamkeit zu maximieren und das Risiko des Scheiterns von klinischen Studien zu verringern, wie am Beispiel der BetterBirth-Studie und weiterer laufender Projekte demonstriert wird.
Die Studie stellt ein skalierbares statistisches Modell auf Basis von gewickelten Gauß-Markov-Zufallsfeldern vor, das die effiziente Analyse großer räumlicher Richtungsdaten ermöglicht und sich in einer Anwendung auf die Wellenrichtungen des Tsunamis 2004 im Indischen Ozean als überlegen gegenüber bestehenden Methoden erwies.
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.
Diese Studie entwickelt eine neue Methode zur Schätzung von Wohnverdrängung im zentralen Puget-Sound-Gebiet unter Verwendung von Haushaltsbefragungsdaten und einem bayesschen spatiotemporalen Modell, um sub-county-spezifische Unterschiede zu identifizieren und die Ergebnisse mit dem American Housing Survey zu validieren.
Die Arbeit stellt DistBART vor, einen bayesschen nichtparametrischen Ansatz für die Verteilungsregression, der BART-Prioritäten nutzt, um sowohl theoretische Konvergenzgarantien als auch skalierbare Inferenz durch Random-Feature-Approximation zu ermöglichen.
Die Studie stellt einen neuen, angereicherten Radiomics-Ansatz vor, der strukturelle Merkmale mit funktionalen Daten aus der Leber-MRT kombiniert und durch die Nutzung von EPM-Mustern sowie bayesscher Tensor-Regression eine überlegene Genauigkeit bei der Diagnose und Risikostratifizierung von Leberkrebs im Vergleich zu klassischen Methoden erreicht.
Diese Studie untersucht mittels einer Monte-Carlo-Simulation, wie der Augmentierungsparameter im Finite Selection Model die Schätzerleistung beeinflusst, und zeigt, dass moderate Werte die Kovariatenbalance verbessern, während übermäßige Werte die Varianz erhöhen und die Stabilität verringern können.
Dieser Artikel bietet eine praxisorientierte Einführung in die Analyse multivariater und räumlicher Extremwerte mit dem R-Paket ExtremalDep, um Fachleuten aus verschiedenen Bereichen den Zugang zu diesen statistischen Methoden für die Risikobewertung seltener Ereignisse zu erleichtern.
Die Studie stellt das Bayesian Hierarchical Adjustable Random Partition (BHARP)-Modell vor, einen selbstständigen Rahmen zur Identifizierung von Heterogenität von Behandlungseffekten in adaptiven Anreicherungstherapien, der durch die gemeinsame Schätzung von Subgruppen und die automatische Anpassung der Informationsübertragung eine höhere Genauigkeit und Präzision als herkömmliche Methoden erreicht.
Die Autoren entwickeln ein nicht-parametrisches, sequenzielles Rahmenwerk für vergleichende Backtests allgemeiner elitisierbarer Risikomaße unter Verwendung von E-Werten und E-Prozessen, das eine jederzeit gültige Inferenz ermöglicht und robust gegenüber Abhängigkeiten sowie Modellspezifikationsfehlern ist.
Diese Studie stellt ein neues, mit Lasso-Strafverfahren regularisiertes Hidden-Markov-Modell vor, das nicht nur die Reaktionsdistanzen von Narwalen auf Schiffsgeräusche auf bis zu 4 Kilometer quantifiziert, sondern auch sicherstellt, dass die geschätzten Schwellenwerte echte Verhaltensänderungen widerspiegeln.
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.
Diese Studie stellt eine neue Anwendung proximaler kausaler Inferenzmethoden vor, die es ermöglichen, die absolute Wirksamkeit von Cabotegravir im Vergleich zu einem Placebo in aktiven HIV-Präventionsstudien durch die Nutzung externer Kontrolldaten und spezieller Schätzer für niedrige Inzidenzraten zu quantifizieren.
Dieser Artikel stellt einen methodischen Rahmen für die Variablenselektion bei der linearen Regressionsimputation in Umfragen vor, der die Konsistenz und asymptotische Varianz misspezifizierter Modelle analysiert und asymptotisch gültige sowie optimale Konfidenzintervalle nach der Modellauswahl liefert.
Die vorgestellte Arbeit entwickelt eine neue Regressionsmethode, die sowohl kaskaden- als auch zellenweise Ausreißer sowie fehlende Werte robust handhabt, schiefen Verteilungen standhält und erstmals robuste Vorhersagen für neue Stichproben ermöglicht.