97 artículos
Este artículo propone un enfoque robusto y flexible para la extrapolación de la supervivencia mediante aprendizaje por transferencia y modelos polihazard, utilizando datos de poblaciones de referencia como anclaje para estimar de manera estable la supervivencia media en contextos de evaluación económica sanitaria como el cáncer de mama, la arritmia cardíaca y el melanoma avanzado.
El artículo demuestra que una mezcla de distribuciones Wishart no centrales con los mismos grados de libertad resulta en una distribución Wishart no central, extendiendo resultados previos al contexto Wishart y aplicando este hallazgo para derivar la distribución de prueba de efectos aleatorios en diseños factoriales con datos normales multidimensionales.
El artículo presenta CITS, un marco no paramétrico para inferir estructuras causales en series temporales de alta resolución que supera a los métodos existentes en precisión y se valida tanto en simulaciones como en registros neuronales a gran escala del cerebro de ratón.
Este artículo presenta una extensión del modelo wgsLR para el análisis forense de secuenciación shotgun de ADN, que permite manejar probabilidades de error de genotipado asimétricas y desconocidas, demostrando su robustez frente a la sobredispersión y su implementación en el paquete R wgsLR.
El artículo presenta BLAST, un marco de aprendizaje por transferencia bayesiano para regresión lineal de alta dimensión que combina priores de contracción global-local y selección adaptativa de fuentes para mejorar la inferencia y la cuantificación de la incertidumbre mientras se mitiga la transferencia negativa.
El artículo presenta ForeComp, un paquete de R que facilita la comparación de la precisión predictiva mediante pruebas de tipo Diebold-Mariano utilizando inferencia de suavizado fijo, e incluye herramientas visuales para diagnosticar la sensibilidad al ancho de banda y el equilibrio entre tamaño y potencia, todo ello ilustrado con aplicaciones a las Encuestas de Pronósticos Profesionales y evidencia de simulación.
El artículo propone una transformación binaria de los predictores basada en umbrales de riesgo, demostrando que este enfoque mejora significativamente la predicción de recesiones en EE. UU. al capturar la naturaleza discreta de estos eventos y hacer que los modelos lineales sean competitivos frente a métodos de aprendizaje automático.
Este artículo utiliza un enfoque de optimización inversa en procesos de decisión de Markov para demostrar que las decisiones de los entrenadores de la NFL sobre el cuarto down reflejan preferencias de riesgo conservadoras que han aumentado con el tiempo, explicando así la discrepancia entre su comportamiento observado y los modelos estadísticos tradicionales.
Este artículo presenta el modelo BHARP, un marco bayesiano jerárquico autocontenido que utiliza particiones aleatorias ajustables y un muestreo MCMC reversible para identificar la heterogeneidad del efecto del tratamiento y optimizar el préstamo de información en ensayos clínicos de enriquecimiento adaptativo, superando a los métodos existentes en precisión y manejo de la incertidumbre del modelo.
Este artículo propone un marco no paramétrico secuencial basado en valores-e para realizar pruebas de retroceso comparativas de medidas de riesgo generales, ofreciendo inferencias válidas en cualquier momento y robustas frente a dependencias y especificaciones erróneas del modelo.
Este estudio presenta un modelo oculto de Markov penalizado con lasso que permite estimar umbrales de perturbación significativos, revelando que los narvales reaccionan a los buques hasta a 4 kilómetros de distancia al reducir su persistencia de movimiento y sumergirse más profundamente.
Este artículo presenta un estimador normalizado y estadísticamente fundamentado para medir el grado de segmentación de una red, demostrando que una muestra de 97 pares de nodos es suficiente para obtener una estimación precisa con un intervalo de confianza del 95%, independientemente del tamaño total de la red.
Este estudio analiza los tiempos de parada totales de la conjetura de Collatz mediante un enfoque de aprendizaje automático bayesiano, demostrando que un modelo de regresión binomial negativa jerárquica supera a los generadores mecánicos basados en descomposición de bloques, aunque la incorporación de la estructura modular baja mejora significativamente el ajuste de estos últimos.
Este estudio presenta un marco de aprendizaje profundo basado en un conjunto de modelos ConvLSTM que utiliza datos espaciotemporales heterogéneos para pronosticar con mayor precisión el riesgo de accidentes de tráfico relacionados con el clima en Carolina del Norte, superando significativamente a los modelos tradicionales, especialmente en zonas de alto riesgo.
Este estudio propone una estrategia de continuación analítica basada en series que revitaliza la simulación de procesos autorregresivos de desorden de radar no gaussiano mediante el uso de la expansión de cumulantes y la aproximación de Padé para predecir con precisión la pre-distorsión de la entrada, logrando así una reproducción exacta de la función de densidad de probabilidad y de la función de autocorrelación.
Este artículo introduce los procesos supOU en grafos impulsados por Lévy como un modelo paramétrico eficiente para series temporales de alta dimensión que abarcan dependencias de corto y largo alcance, desarrollando un estimador de momentos generalizados y validándolo mediante simulaciones y un estudio empírico sobre factores de capacidad eólica en una red eléctrica europea.
Este artículo introduce y analiza las propiedades de la distribución normal isotrópica proyectada, derivando expresiones cerradas para sus momentos trigonométricos y aproximaciones para su estadístico de resultante, con el fin de aplicar estos métodos al análisis de las fases de las señales de electroencefalograma (EEG) registradas bajo estimulación luminosa.