219 artículos
Este artículo propone el filtro de Kalman de conjunto con autoencoder latente (LAE-EnKF), un método que reformula la asimilación de datos en un espacio latente con dinámicas lineales y estables para superar las limitaciones de los filtros de Kalman tradicionales en sistemas no lineales, logrando mayor precisión y estabilidad sin aumentar el costo computacional.
El artículo presenta CREDO, un método que combina la construcción de envolventes credales interpretables para capturar la incertidumbre epistémica con la calibración conformalizada para garantizar una cobertura válida, logrando intervalos de predicción en regresión que son tanto eficientes como interpretables.
Este artículo presenta un marco de aprendizaje por refuerzo (multi-armed bandit) para experimentos adaptativos que buscan demostrar que al menos una intervención tiene un efecto positivo en alguna subpoblación, desarrollando procedimientos de inferencia válidos en cualquier momento y un algoritmo de asignación adaptativa con límite de arrepentimiento logarítmico.
Este trabajo propone un nuevo enfoque de regresión Fréchet para respuestas de distribuciones multivariadas basado en la familia semiparamétrica no paranoormal y la métrica de transporte no paranoormal, la cual descompone el problema en regresiones marginales y de dependencia para lograr una estimación eficiente, interpretaciones granulares y garantías de convergencia que mitigan la maldición de la dimensionalidad.
Este artículo presenta un marco para la extrapolaación temporal de efectos de tratamiento mediante dos estrategias de identificación y estimadores doblemente robustos, demostrando su validez mediante simulaciones y su aplicación a pruebas A/B reales, donde se evidencia una compensación entre precisión y sesgo.
Este artículo propone un marco unificado de calibración que integra información heterogénea de múltiples fuentes en experimentos aleatorizados mediante un vector de proxy y pesos de calibración, garantizando la validez asintótica y una mejora en la eficiencia sin aumentar la varianza.
Este artículo presenta un nuevo método de regresión espacio-temporal generativa profunda que, mediante arquitecturas ligeras y ruido pre-aditivo, ofrece pronósticos probabilísticos precisos y confiables para epidemias, superando a los modelos existentes en múltiples conjuntos de datos y mejorando la toma de decisiones en salud pública.
Este artículo propone y valida un método mejorado de regresión rango-rango condicional (CRRR) mediante modelos de transformación condicional profundos (DCTM) y cross-fitting para estimar la movilidad intergeneracional con mayor precisión en escenarios no lineales y con resultados discretos, demostrando su eficacia tanto en simulaciones como en aplicaciones empíricas sobre ingresos en EE. UU. y movilidad educativa en la India.
Este artículo propone y analiza un estimador de densidad no paramétrico basado en un núcleo Dirichlet adaptativo y ponderación por probabilidad inversa para datos composicionales con valores faltantes, demostrando su superioridad frente a métodos de transformación log-ratio en simulaciones y su aplicabilidad en datos reales de composición de leucocitos.
Esta monografía ofrece una visión rigurosa de los aspectos teóricos y metodológicos de la inferencia probabilística y el aprendizaje mediante el método de Stein, abarcando desde la construcción de discrepancias y sus propiedades hasta su conexión con el descenso de gradiente variacional de Stein.
Este artículo propone un enfoque basado en modelos para aislar y cuantificar exclusivamente los efectos de ahorro energético derivados de algoritmos de control inteligente en edificios con calefacción urbana, superando las limitaciones de los métodos tradicionales para separar dichas mejoras de otros cambios en el edificio, y valida su eficacia mediante datos reales de una década de la plataforma Danfoss Leanheat.
Este artículo presenta la Descomposición Parcial de la Causalidad de Granger (PDGC), una herramienta basada en la descomposición de información parcial que permite disectar las interacciones causales redundantes y sinérgicas en redes fisiológicas, revelando patrones inéditos de disfunción autonómica en pacientes con síncope neurógeno mediante el análisis de series temporales cardiovasculares y cerebrovasculares.
El artículo propone TV-Select, un marco unificado que utiliza penalización doble y splines B para identificar simultáneamente qué covariables tienen efectos constantes o variables en el tiempo en modelos longitudinales, mejorando así la precisión estructural, la suavidad de la estimación y el rendimiento predictivo frente a métodos existentes.
Este artículo desarrolla una teoría de inferencia post-hoc en el régimen asintótico que permite generar conjuntos de confianza y valores-p válidos bajo niveles de significancia dependientes de los datos, superando las limitaciones de las metodologías no asintóticas al requerir supuestos más débiles y ofrecer resultados más precisos.
Este artículo establece una equivalencia formal entre los métodos de reducción de varianza utilizados en experimentación en línea y evaluación fuera de política, demostrando que los estimadores de diferencias de medias son idénticos a los de puntuación de propensión inversa con control variado óptimo, y que los ajustes de regresión son estructuralmente equivalentes a la estimación doblemente robusta.
Este artículo propone un estimador basado en series de Laguerre para los coeficientes funcionales de un modelo de coeficientes variables que alcanza tasas de convergencia óptimas minimax, establece su normalidad asintótica para la construcción de intervalos de confianza y pruebas de hipótesis, y valida su rendimiento mediante estudios de simulación y un análisis de datos reales.
Este artículo propone dos medidas probabilísticas, la Tasa de Reproducibilidad (RR) y la Tasa de Irreproducibilidad Falsa (FIR), para cuantificar y evaluar el comportamiento de las asociaciones positivas en estudios de replicación dentro de los estudios de asociación del genoma completo (GWAS).
Los autores proponen un nuevo método de análisis conjunto basado en el control de la tasa local de falsos descubrimientos conjunta (Jlfdr) que demuestra ser más potente y efectivo que los métodos tradicionales de metaanálisis para identificar variantes genéticas asociadas en estudios de asociación del genoma completo (GWAS), especialmente al analizar conjuntos de datos heterogéneos.
Este artículo estudia las distribuciones cortadas desde una perspectiva asintótica, demostrando un teorema de Bernstein-von Mises y proponiendo un algoritmo basado en el Posterior Bootstrap que ofrece regiones creíbles con cobertura asintótica frecuentista nominal, todo ello ilustrado mediante experimentos numéricos en diversos ejemplos, incluida la inferencia causal.
Este artículo proporciona una caracterización analítica de la flexibilidad del método de control sintético en términos de grados de libertad y criterios de información estimables, los cuales se demuestra que superan a la validación cruzada para la selección de modelos, como se ilustra en un estudio sobre el impacto del racionamiento de licencias de conducir en Tianjin.