stat.ME artículos | Gist.Science

Nonparametric estimation of a state entry time distribution conditional on a "past" state occupation in a progressive multistate model with current status data

Este artículo propone y evalúa dos enfoques no paramétricos para estimar la distribución de la entrada a un estado y las probabilidades de ocupación en modelos multieestado con datos de estado actual, abordando la complejidad de la censura por intervalos mediante la aplicación de conceptos de riesgos competitivos y validando su rendimiento mediante simulaciones y un estudio de caso con pacientes de cáncer de mama.

Samuel Anyaso-Samuel, Somnath DattaThu, 12 Ma📊 stat

Learning Robust Treatment Rules for Censored Data

Este artículo propone dos criterios robustos y un algoritmo de diferencia de convexos para aprender reglas de tratamiento óptimas en datos de supervivencia censurados, enfocándose en maximizar el tiempo de supervivencia truncado y las probabilidades de supervivencia bufferizadas, con validación teórica y empírica que demuestra un rendimiento superior frente a métodos existentes.

Yifan Cui, Junyi Liu, Tao Shen, Zhengling Qi, Xi ChenThu, 12 Ma📊 stat

Parametric multi-fidelity Monte Carlo estimation with applications to extremes

Este artículo presenta tres métodos de estimación paramétrica de múltiples fidelidades para ajustar modelos a datos de alta fidelidad utilizando información complementaria de baja fidelidad, con un enfoque especial en el análisis de valores extremos y su aplicación a la cuantificación de movimientos extremos de barcos.

Minji Kim, Brendan Brown, Vladas PipirasThu, 12 Ma📊 stat

Vecchia Gaussian Processes: on probabilistic and statistical properties

Este artículo establece fundamentos teóricos rigurosos para la aproximación Vecchia de los Procesos Gaussianos, demostrando que la selección de conjuntos de padres como conjuntos de normalización garantiza la contracción óptima del posterior en regresión no paramétrica y caracterizando sus propiedades probabilísticas y estadísticas mediante interpolaciones polinómicas.

Botond Szabo, Yichen ZhuThu, 12 Ma📊 stat

Impact of existence and nonexistence of pivot on the coverage of empirical best linear prediction intervals for small areas

Este artículo demuestra teóricamente que la existencia de un pivote es crucial para lograr un error de cobertura de orden $O(m^{-3/2})$ en los intervalos de predicción óptimos empíricos para áreas pequeñas, proponiendo un método de doble bootstrap paramétrico para corregir la sobre-cobertura que ocurre cuando dicho pivote no existe.

Yuting Chen, Masayo Y. Hirose, Partha LahiriThu, 12 Ma📊 stat

Network Cross-Validation and Model Selection via Subsampling

El artículo presenta NETCROP, un procedimiento de validación cruzada eficiente y preciso que divide las redes en subredes superpuestas para facilitar la selección de modelos y el ajuste de parámetros en redes complejas de gran escala.

Sayan Chakrabarty, Srijan Sengupta, Yuguo ChenThu, 12 Ma📊 stat

Causal Meta-Analysis: Rethinking the Foundations of Evidence-Based Medicine

Este artículo propone un marco de inferencia causal para la metaanálisis que supera las limitaciones de los modelos tradicionales al ofrecer estimaciones de efectos causales interpretables para políticas públicas, introduciendo nuevas fórmulas de agregación que revelan discrepancias críticas, como tratamientos que parecen beneficiosos pero resultan dañinos bajo una perspectiva causal.

Clément Berenfeld, Ahmed Boughdiri, Bénédicte Colnet, Wouter A. C. van Amsterdam, Aurélien Bellet, Rémi Khellaf, Erwan Scornet, Julie JosseThu, 12 Ma📊 stat

Constructing Evidence-Based Tailoring Variables for Adaptive Interventions

Este artículo propone un marco sistemático para desarrollar variables de adaptación basadas en evidencia causal, destacando que aunque los datos observacionales secundarios pueden utilizarse, los ensayos aleatorizados diseñados específicamente para la optimización ofrecen la evidencia más directa para determinar qué medir, cuándo y con qué umbrales en las intervenciones adaptativas.

John J. Dziak, Inbal Nahum-ShaniThu, 12 Ma📊 stat

Two-sample comparison through additive tree models for density ratios

Este artículo propone un nuevo método para la comparación de dos muestras mediante modelos de árboles aditivos que estiman la razón de densidades utilizando una función de pérdida de balanceo, lo que permite tanto un entrenamiento eficiente mediante algoritmos de aprendizaje supervisado como una inferencia bayesiana para cuantificar la incertidumbre, demostrando su eficacia en datos de microbioma.

Naoki Awaya, Yuliang Xu, Li MaThu, 12 Ma📊 stat

Robust evaluation of treatment effects in longitudinal studies with truncation by death or other intercurrent events

Este artículo propone los estimadores PLOT (Pairwise Last Observation Time), un enfoque novedoso y robusto que evalúa los efectos del tratamiento en ensayos longitudinales con eventos intercurrentes mediante la comparación de individuos emparejados en el último momento de observación previo al evento, eliminando así la necesidad de supuestos estructurales no verificables y ofreciendo una alternativa fiable frente a los métodos tradicionales.

Georgi Baklicharov, Kelly Van Lancker, Stijn VansteelandtThu, 12 Ma📊 stat

Nonparametric bounds for vaccine effects in randomized trials

Este artículo relaja la suposición de ausencia de causas comunes no medidas en los ensayos de vacunas para derivar límites causales no paramétricos sobre la eficacia de la vacuna mediante métodos de programación lineal y monotonicidad, ilustrando su desempeño con datos sintéticos y semi-sintéticos.

Rachel Axelrod, Uri Obolski, Daniel NevoThu, 12 Ma📊 stat

Causal Regime Detection in Energy Markets With Augmented Time Series Structural Causal Models

Este artículo presenta los Modelos Causales de Series Temporales Aumentados (ATSCM), un enfoque que integra la descubrimiento causal neuronal para modelar las relaciones causales dinámicas en los mercados energéticos y permitir el razonamiento contrafactual sobre escenarios de generación renovada sin depender de grafos causales predefinidos.

Dennis ThummThu, 12 Ma📊 stat

Towards Causal Market Simulators

El artículo presenta el TNCM-VAE, un modelo que combina autoencoders variacionales con modelos causales estructurales para generar series temporales financieras contrafactuales que preservan tanto las dependencias temporales como las relaciones causales, permitiendo así análisis de riesgo y pruebas de estrés más robustos.

Dennis Thumm, Luis Ontaneda MijaresThu, 12 Ma📊 stat

Sequential Causal Normal Form Games: Theory, Computation, and Strategic Signaling

Este artículo demuestra que, aunque la extensión de los juegos causales normales a entornos secuenciales es teóricamente elegante, no ofrece ninguna mejora en el bienestar social respecto al equilibrio de Stackelberg clásico bajo racionalidad, lo que sugiere la necesidad de nuevos marcos teóricos más allá del equilibrio de Nash para la inteligencia artificial agéntica.

Dennis ThummThu, 12 Ma📊 stat

Community detection in heterogeneous signed networks

Este artículo propone un modelo de bloques $\beta$ firmado que permite detectar comunidades y estimar probabilidades en redes con enlaces positivos y negativos, garantizando consistencia asintótica y validándose mediante experimentos numéricos y datos de relaciones internacionales.

Yuwen Wang, Shiwen Ye, Jingnan Zhang, Junhui WangThu, 12 Ma📊 stat

Maximum Risk Minimization with Random Forests

Este trabajo introduce variantes de bosques aleatorios basadas en el principio de minimización del riesgo máximo (MaxRM) para mejorar la generalización fuera de distribución, ofreciendo algoritmos eficientes, demostrando consistencia estadística y garantizando resultados en distribuciones de prueba no vistas.

Francesco Freni, Anya Fries, Linus Kühne, Markus Reichstein, Jonas PetersThu, 12 Ma📊 stat

Transfer learning for functional linear regression via control variates

Este artículo propone un método de aprendizaje transferido para regresión lineal funcional basado en variables de control que, al utilizar únicamente estadísticas resumidas para preservar la privacidad, establece por primera vez una conexión teórica con el aprendizaje transferido de offset y demuestra su eficacia al considerar explícitamente el error de suavizado en datos discretos.

Yuping Yang, Zhiyang ZhouThu, 12 Ma📊 stat

Online LLM watermark detection via e-processes

Este artículo presenta un marco unificado basado en procesos-e para la detección en línea de marcas de agua en modelos de lenguaje grande (LLM), ofreciendo garantías válidas en cualquier momento y mejorando el poder de detección mediante estadísticas pivote adaptativas empíricas.

Weijie Su, Ruodu Wang, Zinan ZhaoThu, 12 Ma📊 stat

Insights into the Relationship Between D- and A-optimal Designs

Este artículo demuestra que el criterio $A$ en diseños óptimos se descompone en un término de escala inverso a $D$ y un factor de esfericidad que depende de la dispersión de los valores propios, lo que explica las diferencias en el comportamiento de la varianza de los coeficientes entre diseños con valores $D$ similares y ofrece una herramienta para su selección y análisis.

Andrew T. Karl, Bradley JonesThu, 12 Ma📊 stat

The Epistemic Support-Point Filter: Jaynesian Maximum Entropy Meets Popperian Falsification

Este artículo presenta el Filtro de Punto de Soporte Epistémico (ESPF), un método óptimo único que sintetiza la máxima entropía de Jaynes y la falsificación de Popper para minimizar la ignorancia epistémica en el peor de los casos, demostrando su superioridad sobre los filtros bayesianos y su recuperación del filtro de Kalman en el límite gaussiano mediante validación numérica en seguimiento orbital.

Moriba Kemessia JahThu, 12 Ma🔢 math

← Anterior Siguiente →