297 artículos
Este artículo presenta un método para identificar modelos causales en el marco de los modelos lineales generalizados utilizando la invariancia del riesgo de Pearson y la maximización de la verosimilitud, permitiendo la identificación causal incluso con datos de un solo entorno para ciertos casos como la regresión logística y Poisson.
Este artículo presenta un nuevo algoritmo Metropolis-Hastings con submuestreo que utiliza variables de control para garantizar un balance detallado y permitir una inferencia bayesiana exacta y eficiente en conjuntos de datos masivos, superando en rendimiento a los métodos estándar y existentes.
Este artículo presenta un modelo exploratorio de clases latentes restringidas que integra atributos politómicos ordinales y covariables a nivel de individuo mediante una especificación probit multivariante, demostrando su eficacia para identificar la estructura latente de la depresión más allá de los enfoques de un solo factor.
Este artículo presenta un nuevo marco no paramétrico basado en la geometría intrínseca para la detección de puntos de cambio en la dirección media de datos angulares toroidales y esféricos, validando su consistencia teórica y aplicándolo exitosamente a datos meteorológicos reales como la dirección del viento y la trayectoria de un ciclón.
Este artículo propone un enfoque robusto y flexible para la extrapolación de la supervivencia mediante aprendizaje por transferencia y modelos polihazard, utilizando datos de poblaciones de referencia como anclaje para estimar de manera estable la supervivencia media en contextos de evaluación económica sanitaria como el cáncer de mama, la arritmia cardíaca y el melanoma avanzado.
El artículo demuestra que una mezcla de distribuciones Wishart no centrales con los mismos grados de libertad resulta en una distribución Wishart no central, extendiendo resultados previos al contexto Wishart y aplicando este hallazgo para derivar la distribución de prueba de efectos aleatorios en diseños factoriales con datos normales multidimensionales.
Este artículo propone el procedimiento MRS-C para la detección en tiempo real de cambios de bajo rango en la estructura de covarianza de datos de alta dimensión, demostrando su optimalidad asintótica y eficacia en la monitorización de enjambres robóticos.
Este artículo presenta una extensión del modelo wgsLR para el análisis forense de secuenciación shotgun de ADN, que permite manejar probabilidades de error de genotipado asimétricas y desconocidas, demostrando su robustez frente a la sobredispersión y su implementación en el paquete R wgsLR.
Este artículo presenta un método de aleatorización adaptativa de respuesta basado en la hipótesis nula bayesiana que estabiliza el muestreo de Thompson mediante la inducción de una contracción hacia la aleatorización igual, equilibrando así la eficiencia y la fiabilidad estadística en ensayos clínicos.
El artículo presenta BLAST, un marco de aprendizaje por transferencia bayesiano para regresión lineal de alta dimensión que combina priores de contracción global-local y selección adaptativa de fuentes para mejorar la inferencia y la cuantificación de la incertidumbre mientras se mitiga la transferencia negativa.
Este artículo ofrece una introducción práctica a la teoría de valores extremos multivariados y espaciales, proporcionando instrucciones detalladas para analizar riesgos de eventos extremos mediante el paquete R ExtremalDep a través de diversas aplicaciones del mundo real.
Este artículo presenta el modelo BHARP, un marco bayesiano jerárquico autocontenido que utiliza particiones aleatorias ajustables y un muestreo MCMC reversible para identificar la heterogeneidad del efecto del tratamiento y optimizar el préstamo de información en ensayos clínicos de enriquecimiento adaptativo, superando a los métodos existentes en precisión y manejo de la incertidumbre del modelo.
Este artículo propone un marco no paramétrico secuencial basado en valores-e para realizar pruebas de retroceso comparativas de medidas de riesgo generales, ofreciendo inferencias válidas en cualquier momento y robustas frente a dependencias y especificaciones erróneas del modelo.
Este estudio presenta un modelo oculto de Markov penalizado con lasso que permite estimar umbrales de perturbación significativos, revelando que los narvales reaccionan a los buques hasta a 4 kilómetros de distancia al reducir su persistencia de movimiento y sumergirse más profundamente.
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.
Este artículo presenta un nuevo enfoque de inferencia causal proximal que utiliza datos de control externos y variables de control negativo para estimar la eficacia relativa al placebo de la profilaxis preexposición con cabotegravir en ensayos activos, superando desafíos como las diferencias no medidas en el riesgo de VIH y las bajas tasas de incidencia.
Este artículo presenta un marco metodológico completo para la selección de variables en la imputación por regresión lineal en encuestas, definiendo un modelo óptimo basado en una función de pérdida oráculo y demostrando la validez asintótica y optimalidad de los intervalos de confianza construidos tras la selección del modelo.
Este artículo propone un nuevo método de regresión por mínimos cuadrados recortados que es robusto ante valores atípicos tanto casuales como por celda, maneja datos faltantes, permite distribuciones sesgadas y ofrece predicciones fuera de la muestra, validado mediante simulaciones y un conjunto de datos real.