441 artículos
Este artículo introduce una familia de modelos de mezcla parsimoniosos para distribuciones sesgadas matriciales que utilizan mezclas de varianza-media de distribuciones normales con restricciones de parámetros para reducir la complejidad y permitir la agrupación efectiva de datos de alta dimensión utilizando un algoritmo de Esperanza-Maximización Condicional.
Este artículo introduce un algoritmo EM de estilo límite de producto, rápido y estable, combinado con un paso de menor convexo iterativo modificado para computar eficientemente el estimador de máxima verosimilitud no paramétrico para funciones de supervivencia utilizando datos truncados a la izquierda e intervalocensurados, demostrando una convergencia y escalabilidad superiores sobre los métodos existentes.
Este artículo propone una prueba de permutación robusta para un coeficiente de correlación de rango de Spearman modificado que utiliza residuos de martingala univariantes para manejar eficazmente los datos censurados por la derecha, asegurando un control asintóticamente correcto del error de Tipo I y reduciéndose a la prueba clásica cuando la censura está ausente.
Este artículo demuestra que los contrastes escalares de línea de base a final del estudio en ensayos longitudinales crónicos a menudo no logran capturar de manera única la estabilización multidominio debido a mapeos no inyectivos, argumentando a favor de la adopción de estimandos basados en trayectorias para alinearse mejor con objetivos clínicos complejos.
Este artículo presenta DriftGuard, un marco de auditoría de dos etapas que establece límites teóricos de detectabilidad para el cambio de distribución y proporciona un protocolo riguroso, con presupuesto de etiquetas, para diagnosticar la falla de cobertura y recalibrar los modelos de predicción conformal bajo cambios tanto de covariables como de concepto.
Este estudio demuestra que el registro diferencial de resultados continuos vinculados a la exposición, tales como la pérdida de sangre estimada visualmente, puede fabricar efectos de tratamiento grandes y de apariencia robusta en la evidencia del mundo real a través de un error de medición sistemático en lugar de diferencias clínicas reales, lo que requiere controles diagnósticos específicos y la dependencia de medidas objetivas para evitar conclusiones espurias.
Este artículo presenta un modelo de mezcla con conciencia de la incertidumbre e información espacial, con mecanismos de contracción y ponderación de clases que mejora significativamente la clasificación de los estados desequilibrados de las plumas de CO₂ en el banco de pruebas de Sleipner mediante la identificación de regímenes interpretables organizados por profundidad y la provisión de estimaciones de incertidumbre posterior.
Este artículo propone la metarregresión de máquinas de núcleo bayesianas (BKMMR, por sus siglas en inglés), un marco de modelado de segunda etapa flexible que supera las limitaciones de la metarregresión lineal convencional al capturar automáticamente no linealidades e interacciones en datos de epidemiología ambiental multilocación, mejorando así la precisión de la estimación, la predicción y las capacidades de reducción de escala, tal como se demuestra mediante simulaciones y un estudio de contaminación del aire en Corea del Sur.
Este estudio demuestra que el modelo de Picos por Encima del Umbral con Truncamiento a la Derecha (RT-POT) supera a los enfoques tradicionales de Valor Extremo Generalizado y de Distribución Pareto Generalizada al proporcionar estimaciones de parámetros más precisas y extremos superiores más realistas para la gestión de niveles de agua extremos en la presa de Akosombo en Ghana bajo un truncamiento natural.
Este artículo propone estrategias de Heurística de Umbral Bayesiano Adaptativo para el problema del secretario de información parcial mediante la integración de la teoría de parada óptima de información completa con la actualización bayesiana a través de una distribución conjugada Normal-Gamma, demostrando un rendimiento superior sobre los métodos de estimación de máxima verosimilitud, particularmente bajo tamaños de muestra pequeños e información previa débil.