stat.ME artículos | Gist.Science

Computationally efficient multi-level Gaussian process regression for functional data observed under completely or partially regular sampling designs

Este artículo presenta un modelo de regresión con procesos gaussianos multinivel que, al aprovechar diseños de muestreo regular o parcialmente regular, deriva expresiones analíticas exactas y computacionalmente eficientes para ajustar grandes conjuntos de datos funcionales, superando las limitaciones de escalabilidad de las implementaciones estándar.

Adam Gorm Hoffmann, Claus Thorn Ekstrøm, Andreas Kryger Jensen2026-03-10📊 stat

Causal generalized linear models via Pearson risk invariance

Este artículo presenta un método para identificar modelos causales en el marco de los modelos lineales generalizados utilizando la invariancia del riesgo de Pearson y la maximización de la verosimilitud, permitiendo la identificación causal incluso con datos de un solo entorno para ciertos casos como la regresión logística y Poisson.

Alice Polinelli, Veronica Vinciotti, Ernst C. Wit2026-03-10📊 stat

Metropolis--Hastings with Scalable Subsampling

Este artículo presenta un nuevo algoritmo Metropolis-Hastings con submuestreo que utiliza variables de control para garantizar un balance detallado y permitir una inferencia bayesiana exacta y eficiente en conjuntos de datos masivos, superando en rendimiento a los métodos estándar y existentes.

Estevão Prado, Christopher Nemeth, Chris Sherlock2026-03-10📊 stat

A Restricted Latent Class Model with Polytomous Attributes and Respondent-Level Covariates

Este artículo presenta un modelo exploratorio de clases latentes restringidas que integra atributos politómicos ordinales y covariables a nivel de individuo mediante una especificación probit multivariante, demostrando su eficacia para identificar la estructura latente de la depresión más allá de los enfoques de un solo factor.

Eric Alan Wayman, Steven Andrew Culpepper, Jeff Douglas + 1 more2026-03-10📊 stat

Intrinsic Geometry-Based Angular Covariance: A Novel Framework for Nonparametric Changepoint Detection in Meteorological Data

Este artículo presenta un nuevo marco no paramétrico basado en la geometría intrínseca para la detección de puntos de cambio en la dirección media de datos angulares toroidales y esféricos, validando su consistencia teórica y aplicándolo exitosamente a datos meteorológicos reales como la dirección del viento y la trayectoria de un ciclón.

Surojit Biswas, Buddhananda Banerjee, Arnab Kumar Laha2026-03-10📊 stat

Stable Survival Extrapolation via Transfer Learning

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.

Anastasios Apsemidis, Nikolaos Demiris2026-03-10📊 stat

Inferring the dynamics of quasi-reaction systems via nonlinear local mean-field approximations

Este artículo propone un método de aproximación de campo medio no lineal que, mediante una solución analítica basada en una aproximación de Taylor de primer orden, mejora la estimación de tasas cinéticas en sistemas de cuasi-reacciones estocásticos, ofreciendo mayor eficiencia computacional y robustez ante la rigidez en comparación con los enfoques existentes, especialmente cuando los intervalos de tiempo entre observaciones son grandes.

Matteo Framba, Veronica Vinciotti, Ernst C. Wit2026-03-10🧬 q-bio

Multi-Rank Subspace Change-Point Detection for Monitoring Robotic Swarms

Este artículo propone el procedimiento MRS-C para la detección en tiempo real de cambios de bajo rango en la estructura de covarianza de datos de alta dimensión, demostrando su optimalidad asintótica y eficacia en la monitorización de enjambres robóticos.

Jonghyeok Lee, Yao Xie, Youngser Park + 3 more2026-03-10📊 stat

Policy relevance of causal quantities in networks

El artículo argumenta que el resultado promedio esperado, al promediar tanto sobre las unidades como sobre las asignaciones de tratamiento, constituye un estimando que combina la interpretabilidad como resumen de efectos individuales con la suficiencia necesaria para la elección óptima de políticas en redes de interferencia.

Sahil Loomba, Dean Eckles2026-03-10📈 econ

Stabilizing Thompson Sampling with Null Hypothesis Bayesian Response-Adaptive Randomization

Este artículo presenta un método de aleatorización adaptativa de respuesta basado en la hipótesis nula bayesiana que estabiliza el muestreo de Thompson mediante la inducción de una contracción hacia la aleatorización igual, equilibrando así la eficiencia y la fiabilidad estadística en ensayos clínicos.

Samuel Pawel, Leonhard Held2026-03-10📊 stat

Bayesian Transfer Learning for High-Dimensional Linear Regression via Adaptive Shrinkage

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.

Parsa Jamshidian, Donatello Telesca2026-03-10📊 stat

Linear Multidimensional Regression with Interactive Fixed-Effects

Este artículo presenta un estimador de regresión multidimensional con efectos fijos interactivos no observados, que utiliza un enfoque ortogonal de Neyman y una transformación ponderada para lograr consistencia paramétrica y normalidad asintótica, aplicándose posteriormente a la estimación de la elasticidad de la demanda de cerveza.

Hugo Freeman2026-03-06💻 cs

Modeling extremal dependence in multivariate and spatial problems: a practical perspective

Este artículo ofrece una introducción práctica a la teoría de valores extremos multivariados y espaciales, proporcionando instrucciones detalladas para analizar riesgos de eventos extremos mediante el paquete R ExtremalDep a través de diversas aplicaciones del mundo real.

Boris Beranger, Simone A. Padoan2026-03-06📊 stat

Estimation of relative risk, odds ratio and their logarithms with guaranteed accuracy and controlled sample size ratio

El artículo propone estimadores de dos etapas secuenciales para la razón de riesgos, la razón de momios y sus logaritmos que garantizan un error cuadrático medio relativo controlado y una relación de tamaños de muestra cercana a un valor prescrito para cualquier par de probabilidades, manteniendo una alta eficiencia respecto al límite de Cramér-Rao.

Luis Mendo2026-03-06🔢 math

Ice Cream Doesn't Cause Drowning: Benchmarking LLMs Against Statistical Pitfalls in Causal Inference

Este artículo presenta CausalPitfalls, un nuevo benchmark diseñado para evaluar rigurosamente la capacidad de los modelos de lenguaje grandes para identificar y superar trampas estadísticas en la inferencia causal, revelando así sus limitaciones actuales y proporcionando métricas para desarrollar sistemas de razonamiento más confiables.

Jin Du, Li Chen, Xun Xian + 6 more2026-03-06💻 cs

Random irregular histograms

Los autores proponen un nuevo método bayesiano automático para construir histogramas irregulares que selecciona tanto el número como la ubicación de las barras basándose en los datos, demostrando consistencia y tasas de convergencia óptimas, con un rendimiento comparable a otros procedimientos en simulaciones.

Oskar Høgberg Simensen, Dennis Christensen, Nils Lid Hjort2026-03-06🔢 math

Identifying Treatment Effect Heterogeneity with Bayesian Hierarchical Adjustable Random Partition in Adaptive Enrichment Trials

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.

Xianglin Zhao, Shirin Golchi, Jean-Philippe Gouin + 1 more2026-03-06📊 stat

Bayesian Inference for PDE-based Inverse Problems using the Optimization of a Discrete Loss

Este trabajo presenta B-ODIL, una extensión bayesiana del método de optimización de una pérdida discreta (ODIL) para resolver problemas inversos basados en ecuaciones diferenciales parciales, permitiendo inferir soluciones con incertidumbre cuantificada y demostrando su eficacia en simulaciones multidimensionales y en la estimación de la concentración de tumores cerebrales a partir de resonancias magnéticas.

Lucas Amoudruz, Sergey Litvinov, Costas Papadimitriou + 1 more2026-03-06🔬 physics

Testing Most Influential Sets

Este artículo presenta un marco riguroso para probar estadísticamente si los conjuntos de datos más influyentes en modelos de mínimos cuadrados tienen un impacto excesivo, derivando fórmulas exactas y distribuciones de valores extremos que permiten realizar pruebas de hipótesis formales en lugar de depender de heurísticas ad hoc.

Lucas Darius Konrad, Nikolas Kuschnig2026-03-06🔢 math

Comparative e-backtests for general risk measures

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.

Zhanyi Jiao, Qiuqi Wang, Yimiao Zhao2026-03-06📊 stat

← Anterior Siguiente →