251 artículos
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.
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 artículo presenta un enfoque bayesiano no paramétrico para modelar mezclas finitas con componentes no paramétricos, estableciendo condiciones de identificación, demostrando tasas de contracción posterior casi polinómicas para las densidades de los componentes y desarrollando un algoritmo MCMC eficiente para inferencia en datos simulados y reales.
El artículo propone cc-Shapley, una modificación interventional de los valores de Shapley que incorpora conocimiento causal para corregir atribuciones de características engañosas causadas por sesgos de colisionador y supresión, demostrando teórica y empíricamente su superioridad sobre los métodos puramente observacionales.
Este artículo presenta un nuevo enfoque de inferencia causal proximal que utiliza datos de control externos y variables de control negativo para estimar la eficacia relativa al placebo de la profilaxis preexposición con cabotegravir en ensayos activos, superando desafíos como las diferencias no medidas en el riesgo de VIH y las bajas tasas de incidencia.
Este artículo presenta un marco metodológico completo para la selección de variables en la imputación por regresión lineal en encuestas, definiendo un modelo óptimo basado en una función de pérdida oráculo y demostrando la validez asintótica y optimalidad de los intervalos de confianza construidos tras la selección del modelo.
El artículo presenta KRAFTY, un marco basado en el producto de Khatri-Rao transpuesto que recupera la estructura de clusters conjuntos en datos multivista, ofreciendo una selección de modelo precisa y un rendimiento superior cuando el número de clusters conjuntos supera la suma de los clusters individuales.
Este artículo propone un nuevo método de regresión por mínimos cuadrados recortados que es robusto ante valores atípicos tanto casuales como por celda, maneja datos faltantes, permite distribuciones sesgadas y ofrece predicciones fuera de la muestra, validado mediante simulaciones y un conjunto de datos real.
Este artículo presenta un nuevo emulador multifidelidad basado en descomposición tensorial y procesos gaussianos que integra simulaciones de baja y alta fidelidad para predecir con precisión y bajo costo computacional la dinámica del hielo marino ártico, superando las limitaciones de los enfoques existentes al manejar grandes datos espacio-temporales.
Este artículo propone un método de estimación robusta para procesos de difusión con observaciones de alta frecuencia que contienen valores atípicos, utilizando la aproximación de Kessler y la divergencia para establecer las propiedades asintóticas del estimador y analizar su influencia condicional.
Este artículo propone un pipeline unificado que utiliza el Análisis de Componentes Simultáneas ANOVA (ASCA) para modelar y analizar la ciclicidad en series temporales multivariantes, superando las limitaciones de la ANOVA tradicional y demostrando su eficacia mediante estudios de caso sobre la temperatura del agua y los niveles de polen en España.
Este artículo propone un nuevo gráfico de control de covarianza para perfiles multicanal basado en modelos gráficos funcionales y una combinación no paramétrica de pruebas de razón de verosimilitud, diseñado para detectar cambios sutiles y dispersos en la estructura de covarianza que los métodos tradicionales no logran identificar.
Este artículo presenta TS-BOSS, un algoritmo escalable basado en puntuaciones que extiende el método BOSS al aprendizaje de estructuras causales en series temporales, ofreciendo garantías teóricas y un rendimiento superior, especialmente en regímenes de alta autocorrelación, en comparación con los métodos basados en restricciones estándar.
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.
El artículo presenta el Método Chi-Cuadrado Discreto (DCM), una técnica basada en el teorema de Gauss-Markov y robusta ante ventanas de muestra cortas, que supera las limitaciones de métodos tradicionales como la Transformada Discreta de Fourier para modelar y pronosticar series temporales complejas, demostrando su eficacia en la predicción de datos de El Niño desde 1870 hasta 2024.
Este artículo presenta un marco estadístico unificado que demuestra que la augmentación sintética en aprendizaje desequilibrado no siempre es beneficiosa, identificando condiciones teóricas para su utilidad y proponiendo el método VTSS para optimizar el tamaño de la muestra sintética mediante validación.
Este artículo propone un nuevo paradigma para el aprendizaje causal que integra plataformas de crowdsourcing, modelos de expertos y simulaciones con LLMs para sintetizar conocimientos fragmentados y recuperar estructuras causales globales que ningún agente individual podría descubrir por sí solo.
Este artículo propone una estrategia de selección de parámetros adaptativa para los algoritmos de descenso de gradiente basados en kernels, que integra el análisis de sesgo-varianza y la dimensión efectiva empírica para demostrar teóricamente que alcanza el límite óptimo de error de generalización y supera a los métodos existentes.
El artículo presenta CausalMix, un marco generativo variacional que cierra la brecha entre el realismo distribucional y el control causal en datos tabulares mixtos, permitiendo la manipulación independiente de mecanismos como el solapamiento, la confusión y la heterogeneidad del efecto del tratamiento para validar métodos y diseñar estudios en inferencia causal.
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.