220 artículos
Este artículo propone un enfoque no paramétrico totalmente flexible para construir intervalos de tolerancia mediante un posterior de Gibbs calibrado con una función de pérdida asimétrica, logrando una cobertura frecuentista nominal y longitudes de intervalo más cortas que los métodos clásicos en diversas aplicaciones prácticas.
Este artículo revisa y amplía la teoría de las cópulas parciales, demostrando que actúan como un análogo no lineal de la correlación parcial para representar la dependencia estadística ajustada por covariables, lo que las convierte en una herramienta prometedora para la inferencia causal y la recuperación del signo verdadero de los efectos causales.
Este artículo propone un marco causal de supervivencia que prioriza estimandos concurrentes en ensayos de plataforma, demostrando que el uso de controles no concurrentes puede introducir sesgos y que la estimación más robusta y eficiente se logra mediante un enfoque doblemente robusto ajustado por covariables que utiliza únicamente controles concurrentes.
Este artículo propone un enfoque de Verosimilitud Sintética Bayesiana (BSL) para la Meta-regresión de Red Multinivel (ML-NMR) que, mediante la imputación de covariables faltantes y el uso de estadísticos de resumen subgrupales dentro del marco de Hamiltonian Monte Carlo, mejora significativamente las comparaciones indirectas de tratamientos al aprovechar información ancilar que los métodos estándar no pueden utilizar.
Este artículo propone un estimador bayesiano jerárquico para la varianza en estratificación fina que, mediante estudios de simulación y análisis de datos reales, demuestra superar a los métodos existentes al ofrecer un menor sesgo y error cuadrático medio.
Este artículo propone un modelo bayesiano no paramétrico basado en mezclas de procesos de Dirichlet para identificar y agrupar poblaciones heterogéneas de redes según sus patrones de conectividad, demostrando su consistencia teórica, eficacia en simulaciones y aplicabilidad en datos de redes cerebrales humanas.
Este libro presenta una guía pedagógica unificada sobre las bases teóricas de la predicción conforme y técnicas de inferencia sin distribución, reuniendo y demostrando resultados clave dispersos en la literatura para ofrecer garantías de incertidumbre finitas en sistemas de aprendizaje automático sin asumir distribuciones de datos específicas.
Este artículo presenta algoritmos rápidos de actualización de la matriz R diseñados para aplicaciones estadísticas con estructuras de datos dinámicas, logrando una reducción significativa en el tiempo computacional sin comprometer la precisión en modelos de regresión, filtrado y selección.
Este artículo propone un estimador de doble robustez para el efecto promedio del tratamiento en los tratados (ATT) dentro del enfoque de diferencias en diferencias semiparamétricas mediante el equilibrio de covariables, y deriva un nuevo criterio de selección de modelo con un término de penalización distinto al AIC tradicional, demostrando su superioridad mediante experimentos numéricos y análisis de datos reales.
Este artículo propone nuevas fórmulas de potencia y un método de remuestreo para estimar la densidad de probabilidad, permitiendo diseñar y analizar ensayos clínicos que comparan uno o múltiples cuantiles de supervivencia en datos censurados a la derecha, incluso cuando no se cumple la hipótesis de riesgos proporcionales.
Este artículo propone un nuevo test omnibus de bondad de ajuste para distribuciones continuas univariadas basado en momentos trigonométricos que, al aprovechar la estructura de covarianza de los estadísticos, garantiza una distribución asintótica bajo la hipótesis nula incluso con parámetros de molestia, ofreciendo un procedimiento preciso y de fácil implementación para 11 familias de distribuciones.
Este artículo propone un estimador de variables instrumentales centrado internamente para modelos de regresión lineal con datos agrupados, controles de alta dimensión y restricciones de exclusión complejas, demostrando su validez teórica y aplicándolo a un estudio sobre intervenciones fiscales en zonas rurales de Kenia donde la interferencia espacial genera dichos patrones de exclusión.
Este artículo presenta un algoritmo secuencial basado en pruebas de tipo Cochran y un método de remuestreo múltiple para agrupar centros en estudios multicéntricos, demostrando teóricamente y validando empíricamente su capacidad para recuperar la partición verdadera de heterogeneidad de parámetros a partir de estadísticas resumidas.
Este trabajo presenta un nuevo método de descomposición superficial que, combinado con una estrategia de muestreo de importancia, permite realizar un análisis eficiente de la sensibilidad de la fiabilidad dinámica de primer paso en sistemas lineales bajo excitaciones aleatorias gaussianas, requiriendo un número reducido de evaluaciones de función y permitiendo reutilizar los cálculos para múltiples parámetros de diseño.
El artículo presenta el paquete de R `afttest`, que implementa procedimientos de ajuste basados en residuos de martingala para modelos semiparamétricos de tiempo acelerado de falla, introduciendo una nueva estrategia de remuestreo basada en aproximación lineal que reduce significativamente el tiempo de cálculo en comparación con el método de bootstrap multiplicador tradicional.
Este estudio compara 28 métodos de selección de variables y promediado de modelos en regresión logística mediante simulaciones y datos empíricos, concluyendo que el promediado bayesiano con priores g es superior cuando no hay separación, mientras que los enfoques de verosimilitud penalizada como LASSO ofrecen mayor estabilidad ante la separación.
Este artículo establece una conexión novedosa entre la corrección robusta de sesgo y el *pre-pivoting* de *bootstrap* para desarrollar un procedimiento de corrección de sesgo que genera intervalos de confianza un 17% más cortos en regresiones no paramétricas y diseños de discontinuidad, sin comprometer su cobertura asintótica.
Este artículo propone una reordenación algebraica intuitiva de la descomposición de la covarianza de Yates para la puntuación Brier, que expresa el error de pronóstico probabilístico como la suma de tres términos no negativos (desajuste de varianza, déficit de correlación y error de calibración global), haciendo así transparentes las condiciones de optimalidad para un pronóstico perfecto.
Este artículo presenta un diseño adaptativo de dos etapas para ensayos aleatorizados por conglomerados que permite la reestimación del tamaño muestral y el cese temprano, optimizando la eficiencia y los costos mediante un enfoque de optimalidad de Pareto que considera la incertidumbre en los parámetros de correlación y las decisiones de diseño multidimensionales.
Este artículo propone un modelo de mezcla gaussiana de expertos en un espacio latente, optimizado mediante el método de multiplicadores de dirección alternada y regularizado con una penalización LASSO fusionada por grupos, para detectar puntos de cambio en distribuciones de fitoplancton obtenidas por citometría de flujo que coinciden con zonas de transición entre provincias marinas.