222 artículos
Este artículo propone tres algoritmos escalables basados en inferencia variacional y propagación de expectativas para aproximar la distribución posterior en modelos de regresión probit acumulativa, superando las limitaciones computacionales de los métodos MCMC tradicionales y demostrando su eficacia en un estudio de caso sobre redes criminales.
Este artículo presenta una evaluación sistemática de modelos de lenguaje grande (GPT y Gemini) que demuestra su capacidad para construir diseños factoriales fraccionados de dos niveles óptimos con hasta ocho factores en 8, 16 y 32 corridas, superando la necesidad de depender exclusivamente de catálogos tradicionales.
Este artículo propone un enfoque bayesiano de dos etapas que integra la incertidumbre del modelo en la identificación de subgrupos para mejorar la inferencia sobre los efectos del tratamiento en ensayos controlados aleatorizados, demostrando su superioridad mediante simulaciones y su aplicación en un ensayo internacional sobre COVID-19.
El estudio demuestra que, aunque los modelos de acumulación evolutiva asumen la irreversibilidad de las características, pueden proporcionar información fiable sobre el orden relativo de adquisición y la estructura dinámica de las vías evolutivas reales reversibles, a pesar de presentar errores en la estimación de interacciones e incertidumbre.
Este artículo demuestra que el uso de generadores de números aleatorios con estado en modelos basados en agentes distorsiona las comparaciones contrafactuales causales al vincular las semillas aleatorias al orden de ejecución en lugar de a los eventos, y propone una solución basada en identificadores de eventos y generadores basados en contadores para restaurar la coherencia causal.
El artículo presenta CausalTimePrior, un marco principista que genera modelos causales estructurales temporales sintéticos con datos observacionales e intervencionales para entrenar redes de ajuste previo a los datos (PFNs) y habilitar la estimación de efectos causales en series temporales mediante modelos fundamentales.
Este artículo propone un marco de regresión ridge funcional basado en particiones que descompone la función de coeficientes en efectos dominantes y más débiles para aplicar penalizaciones diferenciales, logrando así mejorar la estabilidad numérica, la interpretabilidad y el rendimiento predictivo en modelos de datos funcionales de alta dimensión.
Este artículo propone un modelo estocástico en tiempo continuo y un método de bootstrap para estimar la distribución predictiva de las reservas de siniestros bajo el enfoque de Schnieper, garantizando la asimetría, la no negatividad y el respeto de los límites intrínsecos sin necesidad de supuestos adicionales.
El artículo presenta el estimador "outrigger" de regresión polinómica local, un método adaptativo a la distribución de los errores que mejora la eficiencia frente a los estimadores estándar en escenarios no gaussianos, garantiza la optimalidad minimax bajo condiciones de suavidad y no requiere supuestos estructurales sobre la independencia o simetría de los errores.
Este trabajo presenta un marco unificado llamado wcPCA para aproximaciones de rango bajo que optimiza el rendimiento en el peor caso a través de dominios heterogéneos, demostrando optimalidad teórica y mejoras empíricas en aplicaciones de mundo real frente a métodos tradicionales como el PCA estándar.
Este artículo propone un estimador doblemente robusto con corrección de varianza tipo jackknife HAC para realizar inferencia estadística espacialmente robusta y con intervalos de confianza válidos en escenarios de datos con etiquetas faltantes al azar (MAR) y dependencia espacial, abordando la distorsión en la estimación de la varianza causada por el cross-fitting.
Este artículo propone un método de Análisis de Componentes Principales Funcionales Multivariados para datos mixtos (FPCA), basado en un modelo de cópula gaussiana semiparamétrico, que permite identificar patrones temporales compartidos en datos de salud móvil de diversos tipos para estratificar subtipos de trastornos del estado de ánimo.
Este artículo presenta un nuevo método de inferencia semimódular bayesiana para modelos de cópula que asigna un parámetro de influencia individual a cada marginal, permitiendo una robustificación flexible frente a la mala especificación mediante optimización bayesiana y superando las limitaciones de los enfoques de dos módulos existentes.
Este artículo propone un nuevo marco de aprendizaje por transferencia para el análisis de supervivencia que mejora las predicciones al transferir conocimiento predictivo en lugar de distribucional, eliminando la necesidad de acceder a datos individuales de origen y garantizando una convergencia más rápida que los métodos tradicionales cuando el conocimiento de origen es preciso.
Este artículo propone la síntesis de regresión cuantílica bayesiana dinámica (DRQS) y su extensión multivariada con factores (FDRQS), métodos que combinan información de múltiples modelos para mejorar la previsión de cuantiles económicos, demostrando una mayor resiliencia durante periodos de estrés extremo como la pandemia de COVID-19.
Este artículo propone un método secuencial para generar, enumerar y muestrear grafos bipartitos, dirigidos y no dirigidos con secuencias de grados prescritas, estableciendo condiciones de factibilidad global y demostrando una escalabilidad superior a métodos existentes en instancias grandes.
Este artículo propone un estimador de varianza conservador y asintóticamente válido para la suma de una matriz triangular de vectores aleatorios con medias heterogéneas y dependencia en racimo o débil, corrigiendo así la subestimación de la varianza y el tamaño excesivo de las pruebas que surgen al utilizar estimadores estándar diseñados para medias homogéneas.
Este artículo propone un nuevo marco de modelado conjunto robusto basado en la divergencia de potencia de densidad y regularización para datos con respuestas continuas y binarias, el cual ofrece estimadores dispersos, resistentes a valores atípicos y etiquetas erróneas, junto con un algoritmo eficiente y un criterio de información para la selección de parámetros.
Este artículo propone un método de estimación simultánea de múltiples distribuciones discretas unimodales bajo restricciones de orden estocástico, formulado como un problema de optimización cuadrática convexa mixta-entera que demuestra una reducción significativa en la divergencia Jensen-Shannon en escenarios con muestras pequeñas.
Este artículo amplía el estudio de la distribución Unit Teissier al derivar nuevas propiedades teóricas, como momentos y caracterizaciones, evaluar y comparar múltiples métodos de estimación mediante simulaciones, y demostrar su utilidad práctica mediante un conjunto de datos real.