📊 Category

stat

110 Arbeiten

📊 statistics

Covariance-Aware Compromise Allocation in Multivariate Stratified sampling under Nonlinear Constraints

Diese Studie schlägt ein kovarianzbewusstes Kompromiss-Allokationsframework für die multivariate geschichtete Stichprobenziehung unter nichtlinearen Budget- und Zeitbeschränkungen vor und zeigt durch numerische Analysen auf, dass die Einbeziehung von Kovarianzinteraktionen im Vergleich zu traditionellen Methoden optimale Stichprobenallokationen und eine verbesserte Präzision liefert.

Shuaibu Idris Adam, Quazzafi Rabbani2026-07-09
📊 statistics

Markov-Switching Regime Dynamics of Maternal Mortality in Kenya: A State-Dependent Analysis of Health System Transitions with Bootstrap Uncertainty Quantification (2000-2023

Diese Studie verwendet ein Zwei-Zustands-Markov-Switching-Modell mit Bootstrap-Unsicherheitsquantifizierung auf Kenias Daten zur Müttersterblichkeit der Jahre 2000–2023, um ausgeprägte Regime hoher und niedriger Sterblichkeit aufzuzeigen, die durch strukturelle Veränderungen im Gesundheitssystem getrieben werden, und demonstriert damit, dass der Verlauf der mütterlichen Gesundheit des Landes durch persistente Regimewechsel anstatt durch einen kontinuierlichen linearen Trend gekennzeichnet ist.

ROBERT NYABWANGA2026-07-09
📊 statistics

A Dynamic Huber-Weighted Adaptive EWMA Max-M Statistic for Simultaneous Multivariate Process Monitoring

Diese Studie schlägt eine dynamische Huber-gewichtete adaptive EWMA-Max-M-Statistik vor, die durch die dynamische Anpassung der Glättungsparameter basierend auf der Abweichungsgröße herkömmliche Modelle bei der gleichzeitigen Erkennung sowohl geringfügiger als auch bedeutender multivariater Prozessverschiebungen übertrifft, wie durch Simulationen und industrielle Zementklinkerdaten validiert wurde.

Muhammad Ahsan, Latifatuz Zulfa, Muhammad Mashuri, Syafi’ Bariq’ Syihabuddin Hidayatullah, Muhammad Hisyam Lee2026-07-09
📊 statistics

Auxiliary-Enhanced Survey Calibration: A Novel Framework for Reject Inference under Sample Selection Bias

Dieses Paper schlägt ein neuartiges, durch Umfragen ergänztes Kalibrierungsframework für die Reject-Inference vor, das die Leistungsverschlechterung traditioneller Imputationsmethoden vermeidet, indem es akzeptierte Bewerber so umgewichtet, dass sie den Populationsgesamtheiten entsprechen, wodurch bewiesen wird, dass es konsistent und asymptotisch normal ist und gleichzeitig die Risiko-Kalibrierung der Population unter Modellfehlspezifikation signifikant verbessert sowie die Diskriminationsfähigkeit aufrechterhält.

Abderrahim EL AMRANI, Badreddine BENYACOUB, Mohammed EL HAJ TIRARI2026-07-08
📊 statistics

An Interpretable Statistical Learning Framework for Binary Classification: An Application to Student Stress Prediction

Diese Studie schlägt ein interpretierbares statistisches Lernframework vor und validiert dieses, welches die Methoden der penalisierten Regression, der Bootstrap-Stabilitätsselektion und des SHAP-basierten erklärbaren maschinellen Lernens integriert, um den Stress von Studierenden präzise vorherzusagen und dabei entscheidende Prädiktoren wie Prüfungsdruck und Schlafstunden zu identifizieren, während gleichzeitig Modelltransparenz und Reproduzierbarkeit gewährleistet werden.

Francis Okyere2026-07-08