219 artículos
Este estudio propone un nuevo método de agrupamiento basado en grafos e informado por trayectorias que integra datos clínicos multimodales y evoluciones temporales para identificar subtipos de cáncer más precisos y clínicamente relevantes, superando las limitaciones de los enfoques estáticos tradicionales.
Este artículo propone un predictor lineal empírico pseudo-óptimo multivariado que incorpora los pesos de muestreo para estimar de manera consistente las medias de varias variables dependientes en áreas pequeñas bajo un modelo de regresión con errores anidados multivariado, incluyendo procedimientos de bootstrap para estimar sus errores cuadráticos medios.
Este artículo presenta dos nuevos algoritmos de g-cálculo que abordan simultáneamente el confusión dependiente del tiempo y los eventos semi-compitiendo, demostrando mediante simulaciones y una aplicación empírica sobre el tabaquismo y la hipertensión que superan a los estimadores existentes al ofrecer resultados sin sesgos en estudios longitudinales de envejecimiento.
Este artículo desarrolla una teoría general para el aprendizaje ponderado por resultados (OWL) que establece relaciones de riesgo y tasas de convergencia para una amplia clase de funciones de pérdida y núcleos (incluyendo Matern), proponiendo algoritmos de optimización que demuestran un alto rendimiento en la derivación de reglas de tratamiento individualizado.
Este artículo demuestra que, cuando la distribución previa condicional a los hiperparámetros es una distribución canónica de máxima entropía, la distribución marginal dependiente resultante también posee una propiedad de máxima entropía bajo una restricción diferente sobre la distribución marginal de una función de las cantidades desconocidas, aclarando así la información asumida al asignar un modelo jerárquico bayesiano.
Este artículo propone un nuevo marco ARCH a nivel de operador para datos en espacios de Hilbert que modela la evolución completa del operador de covarianza condicional, estableciendo condiciones de estacionariedad, derivando estimadores consistentes y validando su utilidad mediante simulaciones y una aplicación a retornos intradía de alta frecuencia.
Este artículo demuestra que una clase de combinaciones optimizadas de valores-e sigue siendo válida incluso cuando el parámetro de ajuste se optimiza a partir de los datos, tanto para valores-e independientes como para una nueva categoría llamada variables-e simultáneas, y propone además una prueba de combinación mejorada basada en polinomios simétricos elementales.
El artículo propone los Grafos Conceptuales Causales (CCG), un marco que combina autoencoders dispersos y aprendizaje de estructura diferenciable para mapear dependencias causales entre conceptos en el espacio latente de modelos de lenguaje, logrando una fidelidad causal significativamente superior en tareas de razonamiento paso a paso en comparación con métodos existentes.
El artículo presenta la Regresión Gimbal, un marco de regresión local determinista y consciente de la geometría diseñado para garantizar una estimación estable y auditable en presencia de heterogeneidad espacial, evitando así la inestabilidad numérica causada por vecindarios anisotrópicos o de baja dimensión.
El artículo propone un método de actualización robusta para modelos de predicción de riesgo que integra información de ranking externa mediante penalización de discrepancias, permitiendo aprovechar modelos pronósticos establecidos incluso cuando existen diferencias significativas entre las poblaciones de estudio o las puntuaciones de riesgo absolutas.
Este artículo presenta un estimador de pérdida mínima dirigido asistido por sustitutos que aborda la estimación semiparamétrica de efectos causales con resultados primarios retardados y censura administrativa, ofreciendo un enfoque doblemente robusto y estable que evita la inestabilidad de los pesos de probabilidad inversa mediante una representación de puente de sustitutos.
El artículo propone el método PATRO, un enfoque de ajuste independiente de los datos que corrige las estimaciones de experimentos aleatorios para optimizar simultáneamente las decisiones de implementación y las operaciones posteriores, logrando un rendimiento cercano al óptimo bayesiano con mayor transparencia y simplicidad computacional.
Este artículo establece una aproximación gaussiana fuerte para estadísticas U no degeneradas de alta dimensión con dimensiones divergentes, proporcionando un fundamento teórico unificado para la inferencia estadística bajo distribuciones de colas pesadas y permitiendo aplicaciones como la detección de cambios y pruebas auto-normalizadas.
Este artículo propone un enfoque agnóstico al modelo y libre de distribución mediante predicción conformada (dividida y secuencial) para cuantificar la incertidumbre en series temporales funcionales de alta dimensión, demostrando su eficacia mediante la construcción de intervalos de predicción para la mortalidad subnacional en Japón y Canadá.
Esta revisión metodológica de metaanálisis de precisión diagnóstica publicados en 2024 revela que, aunque los análisis de heterogeneidad son frecuentes y se asocian con un mayor número de estudios primarios, su reporte a menudo carece de claridad en la elección de modelos estadísticos y su prespecificación en protocolos.
Este artículo presenta PCID, un nuevo método basado en pruebas de permutación para la detección de múltiples puntos de cambio en señales circulares, el cual demuestra ser robusto frente a diversas distribuciones de ruido y se valida mediante simulaciones y aplicaciones en conjuntos de datos reales.
Este artículo propone un marco práctico de diseño y análisis bayesiano para ensayos clínicos de precisión que utiliza un modelo de ponderación individual para incorporar parcialmente datos externos en subgrupos escasos, optimizando así la estimación de efectos de interacción y la determinación de tamaños muestrales.
Este artículo explica en detalle y amplía un método de división del tiempo de riesgo que utiliza datos históricos y estimación de máxima verosimilitud para mejorar la precisión en la evaluación del efecto de los programas de cribado sobre la mortalidad posterior, demostrando mediante datos noruegos y daneses que produce intervalos de confianza más estrechos que los enfoques tradicionales.
Este artículo propone nuevos tests de equivalencia basados en núcleos que utilizan la discrepancia de Stein y la discrepancia máxima media para evaluar la ausencia de diferencias significativas entre distribuciones, superando las limitaciones de los métodos paramétricos tradicionales mediante aproximaciones asintóticas y de remuestreo.
Este artículo presenta un marco de meta-análisis adaptativo a la heterogeneidad que mejora la estimación y la inferencia mediante la contracción de las distribuciones específicas de cada conjunto de datos hacia una distribución "centroide" utilizando una penalización de divergencia de Kullback-Leibler, logrando un menor error cuadrático medio sin asumir homogeneidad de parámetros.