📊 Category

stat

441 Arbeiten

📊 Statistik

Approximate Sampling for Randomization Tests: A Total-Variation Certification Framework

Diese Arbeit führt ein Framework zur Zertifizierung mittels der Totalvariation ein, um approximative Sampler für die kovariatenbeschränkte Cluster-Randomisierung zu bewerten, wobei an einem festen Benchmark und synthetischen Erweiterungen aufgezeigt wird, dass aktuelle Quanten- und klassische Approximationen oft signifikant von exakten Zielwerten abweichen, wodurch die Typ-I-Fehlerraten aufgebläht und p-Werte in Randomisierungstests verändert werden.

Mohamed Faisal Sindhi, Hammaz Buksh2026-10-13
📊 Statistik

Population-Aware Bayesian Fairness in AI under Complex Survey Designs

Dieses Paper schlägt ein bayesianisches, populationsbewusstes Fairness-Framework vor, das komplexe Stichprobengewichtung, hierarchisches Partial Pooling und Unsicherheitskalibrierung integriert, um Gruppenunterschiede in prädiktiven Systemen präzise zu schätzen und zu zertifizieren, wobei durch Simulationen und Realdaten nachgewiesen wird, dass das Ignorieren des Studiendesigns zu verzerrten Fairness-Schlussfolgerungen führt.

Debashis Chatterjee2026-10-13
📊 Statistik

Adaptive Functional Principal Component Forecasting of Cross-Sectional ETF Return Distributions in Wasserstein Space

Dieses Paper schlägt ein adaptives Framework zur Prognose mittels funktionaler Hauptkomponenten in der Wasserstein-Metrik für querschnittliche ETF-Renditeverteilungen vor und zeigt auf, dass die Kombination eines starken FPCA-autoregressiven Ankers mit entweder einer Quantils-Residuenkorrektur oder globalen Score-Dynamiken moderate, aber stabile Verbesserungen gegenüber Standardmodellen und instabilen Alternativen liefert.

Çağlar Sözen, Mervenur SÖZEN2026-10-13
📊 Statistik

Adaptive Mortality Drift for Short-Horizon Forecasting of Under-Five Mortality in West Africa: Model Development, Monte Carlo Validation, Robustness, and a 16-Country Application

Dieses Paper führt ein Adaptive Mortality Drift (AMD)-Modell ein und validiert dieses, welches verschiedene statistische und maschinelle Lern-Benchmarks bei der Prognose kurzfristiger Trends der Sterblichkeit unter Fünfjährigen in 16 westafrikanischen Ländern übertrifft, indem es die Mortalitätspersistenz dynamisch schätzt und Robustheit durch Monte-Carlo-Simulationen demonstriert.

Mumini Idowu Adarabioyo2026-10-12
📊 Statistik

Stress-testing post-market medical-device reporting signals: an empirical study of temporal, entity-label and comparator robustness in FDA MAUDE

Diese empirische Studie von FDA-MAUDE-Daten zeigt, dass breit angelegte positive Disproportionalitätssignale oft methodisch instabil sind, was zeitliche, entitätslabel- und komparatorbezogene Stresstests erforderlich macht, um robuste Meldemuster von Artefakten zu unterscheiden, bevor Schlussfolgerungen über die Sicherheit von Medizinprodukten gezogen werden.

Donglin Xu, Zhen Yu, Ang Li, Zengkun Liu, Qiduo Chen, Jing Liu, Hourong Sun2026-10-12
📊 Statistik

Disease spread in compartmental spaces: Markov and semi-Markov population models

Dieses Paper schlägt ein stochastisches Framework vor, das geschlossene Markov- und offene Semi-Markov-Populationsmodelle verwendet, um die Übertragung von Infektionskrankheiten in vernetzten Kompartimenträumen unter Berücksichtigung von räumlicher Struktur, individueller Mobilität und allgemeinen Verweildistributionsverteilungen zu analysieren.

Brenda Ivette García-Maya, Yehtli Morales-Huerta, Raúl Salgado-Garcia2026-10-12
📊 Statistik

When Better Writing Changes the Order: A Monte Carlo Study of Rank Reversals and Selection Instability in AI-Assisted L2 Writing Assessment

Diese Monte-Carlo-Studie zeigt, dass KI-gestützte Schreibverbesserungen zwar nicht automatisch die relativen Kompetenzranglisten der Lernenden bewahren, die daraus resultierenden Rangumkehrungen und Selektionsinstabilitäten jedoch je nach Unterstützungsmechanismus signifikant variieren, wobei auf Schwächen ausgerichtete Gewinne erhebliche Ordnungsfehler und Rückgänge der Selektionsgenauigkeit verursachen, die durch eine rein produktbezogene Score-Kalibrierung nicht vollständig korrigiert werden können.

Tan Nguyen Huynh Si2026-10-12
📊 Statistik

The Statistical Price of Unknown Geometry in In-Context Regression

Diese Arbeit stellt fest, dass bei der gaußschen In-Context-Regression mit einer gelabelten Beobachtung die statistischen Kosten für die Schätzung der unbekannten Aufgabengeometrie verschieden von und strikt positiv gegenüber den Kosten für die Auswahl einer geometrischen Aktion ohne Label-Feedback sind, was offenbart, dass Label-Feedback einen einzigartigen Vorteil bei der Reduzierung des Bayes-Approximations-Regrets bietet, selbst wenn das Gesamtrisiko mit mehr Referenzdaten abnimmt.

Jufeng Li, Wenjie Li2026-10-12