407 artículos
La categoría "Stat — Co" en Gist.Science explora la intersección vital entre la estadística y la computación, un campo donde los matemáticos diseñan algoritmos para extraer sentido de datos masivos. Estos estudios no solo perfeccionan los métodos teóricos, sino que también construyen las herramientas prácticas que impulsan la inteligencia artificial y el análisis de datos en la ciencia moderna.
Como parte de nuestra misión, procesamos cada nuevo preprint enviado a arXiv dentro de esta área, garantizando que la investigación más reciente sea accesible para todos. Ofrecemos tanto resúmenes en lenguaje llano para entender el impacto general como análisis técnicos detallados para los especialistas. A continuación, encontrará los últimos artículos en estadística computacional que hemos analizado recientemente.
El artículo presenta el paquete de R **bpvars**, una herramienta de alto rendimiento para la previsión de datos de panel dinámicos mediante vectores autorregresivos jerárquicos bayesianos flexibles con gestión coherente de datos faltantes, estructuras de prior robustas e implementación eficiente en C++ para apoyar un análisis económico preciso y reproducible.
Este artículo introduce cuatro nuevas funciones de verosimilitud no paramétricas no paranormales y un marco computacional para la estimación simultánea de parámetros, abordando la no convexidad del problema de optimización para mejorar la eficiencia e interpretabilidad en aplicaciones como el análisis discriminante de transformación y la correlación policórica en comparación con los métodos tradicionales de dos pasos.
Este artículo introduce un enfoque basado en Monte Carlo secuencial (SMC) para optimizar eficientemente funciones con gradientes intratables, ofreciendo ganancias computacionales significativas sobre los métodos tradicionales de aproximación estocástica al tiempo que establece la convergencia teórica y demuestra efectividad en el ajuste de modelos basados en energía.
Este artículo introduce un método de Monte Carlo Hamiltoniano con conmutación para el muestreo de distribuciones de Boltzmann-Gibbs de mezcla finita, utilizando integradores numéricos simétricos y simulaciones de saltos de Poisson para demostrar la ergodicidad geométrica y establecer un sesgo de segundo orden para el cálculo de promedios ergódicos.
Este artículo presenta el paquete de R HNPclassifier, el cual implementa algoritmos de paraguas de Neyman-Pearson jerárquico (H-NP) para construir clasificadores que controlen eficazmente los errores de infraclasificación en problemas multiclase ordenados utilizando diversas funciones de puntuación integradas y suministradas por el usuario.
Este artículo introduce la Regresión Tensorial Bayesiana Comprimida, un método que utiliza proyecciones aleatorias tensoriales generalizadas y un marco bayesiano jerárquico para abordar la alta dimensionalidad, logrando una mejora en la predicción fuera de la muestra y reduciendo significativamente los costos computacionales en comparación con los enfoques estándar.
GraphGP es un algoritmo escalable y acelerado por GPU que aprovecha la aproximación de Vecchia y un novedoso ordenamiento de árbol k-d de inversión de bits para permitir una inferencia de procesos gaussianos eficiente con complejidad de tiempo y memoria lineales para casi mil millones de parámetros.
Este artículo establece que la maximización de polinomios de segundo orden de mínimos cuadrados óptimamente ponderados y la maximización de polinomios de grado dos son estimadores poblacionales asintóticamente equivalentes para la regresión lineal con errores no gaussianos homocedásticos, al tiempo que demuestra que la maximización de polinomios de grado superior ofrece ganancias significativas de eficiencia sobre los métodos de segundo orden al explotar información de momentos superiores a la que los mínimos cuadrados de segundo orden no pueden acceder.
El artículo presenta ShrinkageTrees, un paquete de R que implementa modelos de árboles de regresión aditiva bayesiana con estrategias de regularización avanzadas, incluyendo el novedoso Bosque de Herradura (Horseshoe Forest), para permitir el análisis de supervivencia robusto y la inferencia causal en entornos de alta dimensionalidad.
Este artículo presenta **outstandR**, un paquete de R integral que unifica métodos avanzados de marginalización basados en regresión (incluyendo la G-computación y la Marginalización por Imputación Múltiple) para facilitar comparaciones indirectas de tratamientos ajustadas por población que sean robustas cuando los datos de pacientes individuales deben sintetizarse con datos de nivel agregado a través de diferentes poblaciones de ensayos.