441 Arbeiten
Dieses Paper bietet ein strukturiertes Operations-Research-Tutorial, das verschiedene Fairness-Metriken, Allokationsschemata und Effizienz-Fairness-Abwägungen innerhalb homogener Ressourcenumgebungen operationalisiert und vergleicht, wobei ein Cloud-Computing-Proof-of-Concept genutzt wird, um die Eigenschaften und strategischen Schwachstellen verschiedener Paradigmen der gerechten Aufteilung zu illustrieren.
Diese Studie entwickelt einen hochauflösenden, nicht-kompensatorischen geostatistischen Index des multidimensionalen Zugangs zur stationären pädiatrischen Notfallversorgung in Kenia, der signifikante Disparitäten aufdeckt, die durch traditionelle Reisezeitmetriken maskiert werden, und eine stärkere protektive Assoziation mit der Überlebensrate von Kindern demonstriert, wodurch ein überlegener Rahmen für die gezielte Steuerung von Gesundheitsinvestitionen geboten wird.
Dieses Paper führt einen effizienten Ansatz der marginalen Likelihood ein, der in Stan für die Bayes'sche Schätzung des univariaten ACE-Modells mit ordinalen Daten implementiert ist und die frequentistischen Einschränkungen hinsichtlich kleiner Stichproben und Zellen mit Nullfrequenz überwindet, während gleichzeitig die Rechenkosten von der Stichprobengröße entkoppelt werden.
Dieses Papier schlägt ein einheitliches statistisches Framework vor, das zwei duale, maximal ignorante Prior-Zweige identifiziert – heavy-tailed und compact-support „Droplet“ –, die aus der Informationsvolumen-Geometrie hervorgehen und beobachtbare Phänomene über einen Tail-Shape-Footprint klassifizieren, der von Molekülbindungsverteilungen bis hin zu Bildrepräsentationen reicht.
Diese Arbeit zeigt auf, dass in räumlich heterogenen Systemen wie der Urbanisierung die aus dem maschinellen Lernen abgeleiteten Rankings der Merkmalswichtigkeit über verschiedene Entwicklungsstadien hinweg instabil sind und nicht von Natur aus die Richtung oder Gleichmäßigkeit des Einflusses eines Prädiktors offenbaren, was eine separate räumliche Validierung für politische Anwendungen erforderlich macht.
Dieses Paper führt das Finite-Evidence Decision Identification Procedure (FEDIP) ein, ein modulares Audit-Framework, das aufzeigt, wie endliche Validierungsdaten oft daran scheitern, eine einzige optimale Aktion unter konkurrierenden Verteilungsmodellen eindeutig zu identifizieren, und damit die Notwendigkeit expliziter ökonomischer Verlustfunktionen demonstriert, um jene Aktionsdispersion aufzulösen, die eine standardmäßige score-basierte Selektion übersieht.
Diese Studie führt einen auf der Gauß-Verteilung basierenden Verfeinerungsalgorithmus ein und validiert diesen, welcher die Verteilungen der üblichen Energieaufnahme der Bevölkerung aus Nahrungsmittelbilanzen erfolgreich schätzt, indem er die gemeldeten Werte als obere Schranken behandelt, und demonstriert dabei im Vergleich zu nationalen Ernährungserhebungen in sechs Ländern eine signifikant verbesserte Genauigkeit gegenüber bestehenden FAO-Methoden.
Diese Studie vergleicht empirisch lineare gemischte Effekte, verallgemeinerte äquivalente Gleichungen und zweiteilige gemischte Modelle zur Schätzung von EQ-5D-Utility-Werten in Studien zur rheumatoiden Arthritis und stellt fest, dass zweiteilige gemischte Modelle zwar niedrigere Utility-Schätzungen liefern, die Wahl der Methode jedoch nur minimale Auswirkungen auf die allgemeinen Kosten-Effektivitäts-Schlussfolgerungen hat.
Dieses Paper schlägt einen vereinheitlichten methodischen Rahmen vor, der eine globale normativ-ankerbasierte übersetzte CES-Funktion mit einem Äquivalenz-Mechanismus zur Vorprüfung kombiniert, um den Kollaps des Rechenbereichs zu lösen und die „epistemische Abschirmungsfalle“ in nicht-kompensatorischen zusammengesetzten Indikatoren zu verhindern, wodurch präzise longitudinale Datenqualitätsaudits ermöglicht werden, während gleichzeitig explizit vor der Verwendung des sanktionierten Index für die querschnittliche Mittelallokation gewarnt wird.
Dieses Papier führt ein bayesianisches Modellierungsframework ein, das Fehlklassifikations- und Selektionsfehler in mehrquellenbasierten binären Daten gemeinsam adressiert, wobei durch Simulationen und empirische Analysen aufgezeigt wird, dass der zusammengesetzte Fehler zwar robust identifiziert werden kann, eine genaue Dekomposition in spezifische Komponenten jedoch valide Indikatoren, Hilfsvariablen und informative Priors erfordert.