217 artículos
El artículo presenta un método escalable y eficiente para aproximar funciones de valoración estocástica mediante distribuciones discretizadas de tamaño logarítmico, garantizando una aproximación constante para subconjuntos de tamaño limitado y facilitando así la resolución de problemas de optimización como la selección de conjuntos y la maximización del bienestar.
Este artículo presenta un método de identificación robusto a la declaración estratégica de preferencias que permite derivar límites precisos sobre los efectos causales de la asignación escolar, demostrando mediante datos de Chile una heterogeneidad significativa en el éxito de graduación según las preferencias y la asignación real.
Los autores proponen un enfoque sencillo que logra una cuantificación precisa de la incertidumbre en inferencias bayesianas con modelos mal especificados o aproximados, sustituyendo la posterior habitual por una alternativa intuitiva que evita las aproximaciones gaussianas explícitas y los procedimientos de post-procesamiento.
Este artículo presenta un enfoque bayesiano robusto para la construcción de puntuaciones de riesgo poligénico (PRS) que resuelve el problema de la impropiedad posterior mediante una proyección de estadísticas resumen y propone un nuevo método, PRS-Bridge, basado en un prior de puente flexible que demuestra un rendimiento superior y consistente en diversos escenarios.
Este artículo presenta DELVE, un método espectral que utiliza filtros de grafos para aislar variables latentes específicas de cada modalidad en conjuntos de datos multimodales, atenuando las señales compartidas para revelar estructuras diferenciales únicas en dominios como la biología computacional.
Este artículo presenta un modelo para series temporales de redes que utiliza un "espejo euclidiano" para representar su evolución y demuestra que la estimación espectral de este espejo permite localizar eficazmente puntos de cambio de primer orden, incluso cuando la distribución del grafo evoluciona de forma continua pero con tasas variables.
Este artículo presenta un marco teórico y fórmulas de identificación no paramétricas para pronosticar los efectos causales de intervenciones futuras en una población futura, abordando los desafíos específicos de los confusores y modificadores de efecto que varían en el tiempo.
Este artículo desarrolla pruebas de ruptura estructural basadas en la auto-normalización para regresiones predictivas de CoVaR y cuantiles, las cuales son válidas tanto para predictores estacionarios como cercanos a la estacionariedad y permiten detectar cambios en el poder predictivo de las covariables en la gestión de riesgos financieros.
Este artículo presenta dos estimadores de submuestreo, Muestreo de Importancia Adaptativo (AIS) y Submuestreo Estratificado (SS), que logran tasas óptimas minimax para la regresión robusta de alta dimensión bajo ruido de cola pesada, contaminación y dependencia temporal, cerrando la brecha entre teoría y algoritmo mediante un marco teórico riguroso y validación empírica superior.
El artículo propone un marco robusto y eficiente para la predicción empírica óptima de indicadores de pobreza en áreas pequeñas mediante un modelo de regresión con errores anidados y parámetros de alta dimensión, el cual supera las limitaciones computacionales existentes, ofrece estimaciones sintéticas mejoradas para áreas no muestreadas y demuestra un rendimiento superior en sesgo y error cuadrático medio al aplicarse a datos de Albania.
Este artículo presenta un modelo oculto de Markov restringido de clases latentes para datos longitudinales con respuestas y atributos politómicos y covariables específicas del individuo, demostrando su identificabilidad, formulación bayesiana y eficacia mediante simulaciones y aplicaciones en datos de exámenes de matemáticas y estados emocionales.
Este artículo propone un marco de evaluación de clasificación binaria basado en la teoría de la decisión y el uso de reglas de puntuación propias como la puntuación Brier, respaldado por una herramienta práctica en Python y una variante técnica mejorada, para superar la dependencia actual de métricas de umbral fijo en la literatura de aprendizaje automático.
Este artículo presenta algoritmos paralelos basados en mapas de Picard para simular cadenas de Markov Metropolis de orden cero que aceleran la convergencia en distribuciones log-cóncavas mediante el uso de evaluaciones puntuales del logaritmo de la densidad, demostrando su eficacia en problemas de alta dimensión como regresión, modelos epidemiológicos y medicina de precisión.
El artículo propone un nuevo método intuitivo y fácil de implementar basado en el muestreo por rechazo para encontrar pruebas estadísticas en dimensiones arbitrarias, el cual demuestra un poder estadístico comparable a las pruebas óptimas en diversos ejemplos empíricos y de simulación.
Este artículo propone un nuevo enfoque semiparamétrico para modelos de cópulas condicionales que utiliza árboles de regresión bayesianos aditivos (BART) con un prior basado en la pérdida para reducir la complejidad del árbol y un algoritmo adaptativo de Reversible Jump MCMC, demostrando su eficacia para recuperar estructuras de árboles reales y aproximar parámetros complejos en aplicaciones como el análisis de la dependencia entre la esperanza de vida y las tasas de alfabetización influenciada por el PIB.
Este artículo presenta la modelización generativa bayesiana (BGM), un marco unificado que utiliza un algoritmo de actualización bayesiana estocástica iterativa para aprender un modelo generativo único capaz de realizar inferencias condicionales arbitrarias con cuantificación rigurosa de la incertidumbre, sin necesidad de reentrenamiento.
Este artículo presenta un marco general para construir profundidades de datos que se maximizan en un subespacio, definiendo así un ordenamiento de centro a exterior desde dicho subespacio para distribuciones simétricas respecto a él, y analiza sus propiedades teóricas, convergencia asintótica y aplicaciones en reducción de dimensionalidad y detección de fraudes.
Este artículo propone un método de estimación semiparamétrica eficiente que utiliza funciones de influencia óptimas para abordar la incertidumbre muestral en el uso de instrumentos genéticos dentro del marco de efectos marginales del tratamiento, revelando que las personas más propensas al consumo excesivo de alcohol experimentan efectos adversos más severos sobre la presión arterial.
Este artículo propone un marco para estimar e inferir efectos causales principales heterogéneos bajo el supuesto de ignorabilidad principal, desarrollando varios estimadores con diferentes propiedades de robustez (incluyendo uno doblemente robusto) y validando los métodos mediante el ensayo aleatorizado de Camden Coalition.
Este artículo presenta un método basado en BMW-GAM para cuantificar la incertidumbre de los impactos negativos en sistemas energéticos críticos durante eventos extremos compuestos, utilizando una copula gaussiana y modelos aditivos generalizados bayesianos para simular variables climáticas como temperatura, velocidad del viento e irradiación.