14 artículos
El autor acepta la motivación ética de la función de utilidad propuesta, que prioriza salvar vidas al no imponer tratamientos dañinos sobre salvarlas mediante tratamientos, pero argumenta que su alcance de aplicabilidad es limitado.
Este artículo propone un marco unificado para la detección de anomalías basado en los valores de sorpresa (surprisals) y sus distribuciones de cola, ofreciendo estimadores empíricos y de valores extremos que permiten identificar anomalías en datos complejos incluso bajo una especificación de modelo incorrecta.
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.
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.
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.
Este artículo propone e implementa una representación formal de los análisis de datos que, al externalizar su construcción lógica, permite evaluar la razonabilidad del análisis y la sensibilidad de sus supuestos sin necesidad de los datos originales ni de ejecutar el código.
Este artículo presenta un marco bayesiano para la programación lineal que integra la incertidumbre aprendida de los datos mediante garantías de factibilidad posterior, ofreciendo estrategias computacionales y procedimientos de certificación que mejoran la seguridad y la interpretabilidad de las decisiones en comparación con los enfoques tradicionales.
Este artículo presenta un juego dinámico bayesiano jerárquico para la gestión competitiva de inventarios y precios bajo información incompleta, que integra el aprendizaje sobre la demanda y las características del rival con un criterio de riesgo creíble para lograr un equilibrio conservador robusto ante la incertidumbre.
Este artículo demuestra que, aunque los métodos lineales son superiores para detectar interacciones lineales en meta-regresiones con pocos estudios, los árboles basados en estabilidad seleccionada (especialmente los de efectos aleatorios) ofrecen una alternativa robusta y complementaria cuando las interacciones son no lineales o el tamaño muestral es mayor.
Este manuscrito explora la configuración, el alcance y el valor estratégico de los grupos dedicados a la metodología estadística en la industria farmacéutica, destacando los factores organizacionales clave necesarios para maximizar su impacto en la eficiencia, la velocidad y la probabilidad de éxito del desarrollo de medicamentos.
Este artículo propone un nuevo estimador robusto para la correlación policórica que, al minimizar una función de pérdida basada en la divergencia entre frecuencias observadas y teóricas sin asumir el tipo de error, ofrece una alternativa consistente y computacionalmente eficiente al método de máxima verosimilitud tradicional para manejar datos contaminados por respuestas descuidadas o violaciones de la normalidad latente.
Este artículo desafía la interpretación estrictamente comportista de los intervalos de confianza de Neyman, argumentando que es posible y coherente asignar probabilidades post-data a la cobertura de un intervalo individual mediante un enfoque basado en modelos predictivos.
Este artículo propone interpretar los intervalos de confianza desde una perspectiva de pronóstico probabilístico, argumentando que el nivel nominal (1-α) constituye la predicción óptima y única de cobertura para un intervalo específico bajo reglas de puntuación estrictamente propias, ofreciendo así una interpretación frecuentista que resuelve paradojas interpretativas sin recurrir a priores subjetivos.
Aunque la elección de contextos de datos reales no mejoró significativamente las calificaciones en tareas de estadística, un estudio cuasi-experimental demostró que aumentó la motivación, la autonomía y la percepción de valor del aprendizaje entre los estudiantes, quienes prefirieron contextos alineados con sus intereses personales y profesionales.