252 artículos
El artículo propone el método PATRO, un enfoque de ajuste independiente de los datos que corrige las estimaciones de experimentos aleatorios para optimizar simultáneamente las decisiones de implementación y las operaciones posteriores, logrando un rendimiento cercano al óptimo bayesiano con mayor transparencia y simplicidad computacional.
Este artículo establece una aproximación gaussiana fuerte para estadísticas U no degeneradas de alta dimensión con dimensiones divergentes, proporcionando un fundamento teórico unificado para la inferencia estadística bajo distribuciones de colas pesadas y permitiendo aplicaciones como la detección de cambios y pruebas auto-normalizadas.
Este artículo propone un enfoque agnóstico al modelo y libre de distribución mediante predicción conformada (dividida y secuencial) para cuantificar la incertidumbre en series temporales funcionales de alta dimensión, demostrando su eficacia mediante la construcción de intervalos de predicción para la mortalidad subnacional en Japón y Canadá.
Esta revisión metodológica de metaanálisis de precisión diagnóstica publicados en 2024 revela que, aunque los análisis de heterogeneidad son frecuentes y se asocian con un mayor número de estudios primarios, su reporte a menudo carece de claridad en la elección de modelos estadísticos y su prespecificación en protocolos.
Este artículo presenta una implementación en Python de herramientas geométricas para el espacio de formas de Kendall en 3D, diseñadas para superar las limitaciones de la biblioteca Geomstats y facilitar el análisis de formas independiente de escala, posición y orientación en aplicaciones prácticas.
Este artículo compara la aproximación bayesiana mediante Dropout de Monte Carlo y el marco de Predicción Conformal para la estimación de incertidumbre en redes neuronales convolucionales, demostrando que, aunque algunos modelos logran mayor precisión, la evaluación de la calibración y la validez estadística es fundamental para desarrollar sistemas de aprendizaje profundo más fiables y seguros.
Este artículo presenta PCID, un nuevo método basado en pruebas de permutación para la detección de múltiples puntos de cambio en señales circulares, el cual demuestra ser robusto frente a diversas distribuciones de ruido y se valida mediante simulaciones y aplicaciones en conjuntos de datos reales.
El artículo presenta ReTabSyn, un pipeline de síntesis de datos tabulares basado en aprendizaje por refuerzo que, al priorizar la distribución condicional y ofrecer retroalimentación directa sobre la preservación de correlaciones, supera a los métodos actuales en escenarios con datos limitados, desequilibrados o con cambios de distribución, mejorando así la utilidad de los modelos downstream.
Este artículo propone un marco práctico de diseño y análisis bayesiano para ensayos clínicos de precisión que utiliza un modelo de ponderación individual para incorporar parcialmente datos externos en subgrupos escasos, optimizando así la estimación de efectos de interacción y la determinación de tamaños muestrales.
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 explica en detalle y amplía un método de división del tiempo de riesgo que utiliza datos históricos y estimación de máxima verosimilitud para mejorar la precisión en la evaluación del efecto de los programas de cribado sobre la mortalidad posterior, demostrando mediante datos noruegos y daneses que produce intervalos de confianza más estrechos que los enfoques tradicionales.
Este artículo propone nuevos tests de equivalencia basados en núcleos que utilizan la discrepancia de Stein y la discrepancia máxima media para evaluar la ausencia de diferencias significativas entre distribuciones, superando las limitaciones de los métodos paramétricos tradicionales mediante aproximaciones asintóticas y de remuestreo.
Este artículo examina cómo la elección del estimando en ensayos de no inferioridad, particularmente bajo el marco ICH E9(R1), influye críticamente en la determinación del margen de no inferioridad, demostrando mediante simulaciones y ejemplos en gestión de peso que los márgenes históricos deben adaptarse a la estrategia específica de eventos intercurrentes para garantizar la validez de la constancia y la sensibilidad del ensayo.
Este artículo presenta un marco de meta-análisis adaptativo a la heterogeneidad que mejora la estimación y la inferencia mediante la contracción de las distribuciones específicas de cada conjunto de datos hacia una distribución "centroide" utilizando una penalización de divergencia de Kullback-Leibler, logrando un menor error cuadrático medio sin asumir homogeneidad de parámetros.
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 trabajo propone un método práctico basado en estimadores de densidad de núcleo (KDE) para cuantificar el riesgo de divulgación de pertenencia en datos sintéticos tabulares, demostrando mediante evaluaciones empíricas que supera a enfoques anteriores al permitir una caracterización precisa del riesgo sin necesidad de modelos sombra computacionalmente costosos.
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 presenta un marco de predicción selectiva para la recuperación de estructuras moleculares a partir de espectros de masas que, mediante la cuantificación de incertidumbre a nivel de recuperación, permite a los modelos abstenerse de hacer predicciones dudosas para garantizar un control riguroso de la tasa de error en aplicaciones de alto riesgo.
El artículo presenta Scorio, una biblioteca de código abierto que formaliza y evalúa métodos estadísticos para clasificar modelos de lenguaje de razonamiento bajo escalado de tiempo de prueba, demostrando que ciertas técnicas logran concordancia casi perfecta con un estándar de referencia bayesiano tanto en regímenes de múltiples intentos como de intento único.
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.