262 Arbeiten
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.
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.
Diese Arbeit untersucht die Konvergenz von prädiktiven Verteilungen für funktionale Hauptkomponenten-Scores von spärlich zu dicht abgetasteten longitudinalen Daten, zeigt unter der Annahme von Normalverteilung das Schrumpfen dieser Verteilungen auf die wahren Scores und leitet asymptotische Konvergenzraten für funktionale lineare Modelle ab.
Diese Arbeit stellt ein representationsagnostisches Refutationsframework vor, das theoretische Bedingungen für die Nicht-Identifizierbarkeit des kausalen Behandlungseffekts bei dimensionsreduzierten Repräsentationen herleitet und ein neuronales Verfahren zur Schätzung von Obergrenzen für den daraus resultierenden Verzerrungseffekt entwickelt.
Die Arbeit zeigt, wie ein mit ReLU-Netzwerken trainierter Klassifikator über die Dateninformationsmatrix eine singuläre Foliationsstruktur auf dem Datenraum offenbart, die fast überall regulär ist und sich für die Analyse von Datenkorrelationen sowie für den Wissenstransfer zwischen Datensätzen nutzen lässt.
Die Arbeit zeigt, dass unter verschiedenen Parametrisierungen und Regularitätsbedingungen die Menge der faithfulness-erfüllenden Bayesian Networks in einem gegebenen DAG dicht und offen ist, was die Konsistenz von constraint-basierten Kausalitätsalgorithmen auf einer typischen Menge von Verteilungen begründet.
Diese Arbeit stellt einen neuen orthogonalen Lernalgorithmus namens AU-learner vor, der mithilfe partieller Identifikation scharfe Schranken für die bedingte Verteilung des Behandlungseffekts berechnet, um die aleatorische Unsicherheit in der Kausalanalyse zu quantifizieren.
Diese Arbeit stellt eine auf Hilfsvariablen basierende Unabhängigkeitsprüfung (AIT) vor, um die Gültigkeit von Instrumentvariablen in additiven nichtlinearen Modellen mit nicht-konstanten Effekten und unbeobachteten Störgrößen zu testen, wobei sowohl diskrete als auch kontinuierliche Behandlungen berücksichtigt werden.
Dieser Beitrag stellt eine neue, parametterspezifische Bias-Diagnose für Random-Effects-Panel-Datenmodelle vor, die den Hausman-Test ergänzt, indem sie interne Schätzer der Verzerrung und Permutations-p-Werte aus einem einzigen angepassten Modell liefert.
Die Autoren stellen zwei Algorithmen (PE-GP-TS und HP-GP-TS) vor, die eine theoretisch fundierte, gemeinsame Auswahl des GP-Priors und Minimierung des Regrets im Rahmen von Thompson Sampling ermöglichen, um die in der Praxis häufig fehlende Kenntnis der Prior-Hyperparameter zu überwinden.