stat artículos | Gist.Science

Two Localization Strategies for Sequential MCMC Data Assimilation with Applications to Nonlinear Non-Gaussian Geophysical Models

Este artículo presenta y evalúa dos estrategias de localización para un esquema de asimilación de datos basado en MCMC secuencial (SMCMC) que, al evitar la degeneración de pesos y manejar eficazmente ruido no gaussiano y no linealidad, demuestra un rendimiento superior al filtro de Kalman transformado local (LETKF) en modelos geofísicos de alta dimensión, incluyendo aplicaciones con datos reales de las misiones SWOT y boyas oceánicas.

Hamza Ruzayqat, Hristo G. Chipilski, Omar KnioMon, 09 Ma📊 stat

Modeling Animal Communication Using Multivariate Hawkes Processes with Additive Excitation and Multiplicative Inhibition

Este artículo propone un modelo de procesos de Hawkes multivariados que combina excitación aditiva e inhibición multiplicativa para analizar la comunicación acústica animal, demostrando su eficacia mediante inferencia bayesiana en datos de suricatas y ballenas barbadas.

Bokgyeong Kang, Erin M. Schliep, Alan E. Gelfand, Ariana Strandburg-Peshkin, Robert S. SchickMon, 09 Ma📊 stat

On parameter estimation for the truncated skew-normal distribution

Este artículo propone el método GRID-MOM, una técnica de estimación basada en una cuadrícula que fija el parámetro de forma para mejorar la estabilidad numérica y la precisión en la estimación de la distribución normal sesgada truncada, demostrando su eficacia mediante estudios simulados y aplicaciones en datos reales.

Kwangok Seo, Seul Lee, Johan LimMon, 09 Ma📊 stat

Simultaneously accounting for winner's curse and sample structure in Mendelian randomization: bivariate rerandomized inverse variance weighted estimator

Este artículo propone el estimador bivalente RIVW (BRIVW), un método que corrige simultáneamente la maldición del ganador y la estructura de la muestra en la aleatorización mendeliana al modelar la distribución conjunta de las asociaciones SNP-exposición y SNP-resultado, demostrando mediante simulaciones y análisis de datos reales que ofrece estimaciones causales más precisas que los métodos existentes.

Xin Liu, Ping Yin, Peng WangMon, 09 Ma📊 stat

Clustering-Based Outcome Models for Clinical Studies: A Scoping Review

Esta revisión sistemática ofrece una visión general de los modelos que combinan el agrupamiento de pacientes basado en covariables con modelos de resultados en estudios clínicos, distinguiendo entre enfoques de agrupamiento informado y agnóstico, y destacando su utilidad para la estratificación de riesgos y la estimación de efectos de tratamiento en poblaciones heterogéneas con covariables de alta dimensión.

Johannes Vilsmeier, Fabian Eibensteiner, Franz König, Francois Mercier, Robin Ristl, Nigel Stallard, Marc Vandemeulebroecke, Sarah Zohar, Martin PoschMon, 09 Ma📊 stat

Optimizing Complex Health Intervention Packages through the Learn-As-you-GO (LAGO) Design

Este artículo presenta el diseño Learn-As-you-GO (LAGO) como una metodología innovadora para optimizar intervenciones de salud complejas y multi-componente mediante su adaptación continua durante el estudio, demostrando cómo este enfoque podría haber evitado el fracaso del estudio BetterBirth y mejorado la eficacia de ensayos futuros en diversos contextos globales.

Donna Spiegelman (Center on Methods for Implementation,Prevention Science,,Department of Biostatistics, Yale University), Dong Roman Xu (Southern Medical University Institute for Global Health), Ante Bing (Department of Mathematics,Statistics, Boston University), Guangyu Tong (Section of Cardiovascular Medicine, Department of Internal Medicine, Yale University), Mona Abdo (Center on Methods for Implementation,Prevention Science,,Department of Biostatistics, Yale University), Jingyu Cui (Center on Methods for Implementation,Prevention Science,,Department of Biostatistics, Yale University), Charles Goss (Center for Biostatistics,Data Science, Washington University School of Medicine), John Baptist Kiggundu (Infectious Diseases Research Collaboration), Chris T. Longenecker (Division of Cardiology,Department of Global Health, University of Washington), LaRon Nelson (Yale School of Nursing, Yale University), Drew Cameron (Department of Health Policy,Management, Yale University), Fred Semitala (Infectious Diseases Research Collaboration,,Department of Medicine, Makerere University,,Makerere University Joint AIDS Program), Xin Zhou (Center on Methods for Implementation,Prevention Science,,Department of Biostatistics, Yale University), Judith J. Lok (Department of Mathematics,Statistics, Boston University)Mon, 09 Ma📊 stat

Large Wave Direction Data Modeling Using Wrapped Spatial Gaussian Markov Random Fields

Este artículo propone un modelo de campo aleatorio gaussiano espacial envuelto (WGMRF) para abordar los desafíos computacionales del modelado de datos direccionales a gran escala, demostrando mediante simulaciones y un caso de estudio sobre el tsunami de 2004 en el Océano Índico que este enfoque ofrece un rendimiento predictivo superior y una mayor escalabilidad en comparación con los métodos existentes.

Arnab HazraMon, 09 Ma📊 stat

Variable selection in linear mixed model meta-regression with suspected interaction effects -- How can tree-based methods help?

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.

Jan-Bernd Igelmann, Paula Lorenz, Markus PaulyMon, 09 Ma📊 stat

Estimating Residential Displacement in the Central Puget Sound Region using Household Survey Data

Este estudio propone un nuevo método basado en datos de encuestas a hogares y modelos bayesianos para estimar y analizar las tasas de desplazamiento residencial a nivel subcondal en la región del Puget Sound Central entre 2016 y 2023, revelando variaciones geográficas y una moderación temporal durante 2020-2021.

Ameer Dharamshi, Mary Richards, Suzanne Childress, Brian Lee, Daniel CaseyMon, 09 Ma📊 stat

Bayesian Additive Distribution Regression

Este artículo presenta DistBART, un enfoque bayesiano no paramétrico para la regresión de distribuciones que utiliza ensembles de árboles de decisión para modelar funcionales lineales y no lineales, ofreciendo tanto garantías teóricas de concentración del posterior como una aproximación eficiente mediante características aleatorias para escalar a grandes conjuntos de datos.

Antonio R. Linero, Soumyabrata Bose, Jared MurrayMon, 09 Ma📊 stat

Risk Prediction in Cancer Imaging Using Enriched Radiomics Features

Este estudio presenta un marco de radiómica enriquecido que integra características estructurales clásicas con nuevas características funcionales derivadas de mapas de patrones de realce en resonancia magnética hepática, logrando una superior clasificación diagnóstica y estratificación de riesgo de cáncer de hígado en comparación con los métodos tradicionales.

Alec Reinhardt, Tsung-Hung Yao, Raven Hollis, Galia Jacobson, Millicent Roach, Mohamed Badawy, Peter Park, Laura Beretta, David Fuentes, Newsha Nikzad, Prasun Jalal, Eugene Koay, Suprateek KunduMon, 09 Ma📊 stat

Balancing Efficiency and Feasibility: A Sensitivity Analysis of the Augmentation Parameter in the Finite Selection Model

Este artículo analiza mediante simulaciones de Monte Carlo cómo el parámetro de augmentación en el Modelo de Selección Finita afecta el rendimiento de los estimadores, concluyendo que un nivel moderado mejora el equilibrio de covariables sin sacrificar la eficiencia, mientras que un exceso aumenta la varianza y reduce la estabilidad.

Safaa K. KadhemMon, 09 Ma📊 stat

Predictive Distributions and the Transition from Sparse to Dense Functional Data

Este artículo presenta un enfoque basado en distribuciones predictivas gaussianas para estimar las puntuaciones de componentes principales funcionales a partir de datos longitudinales escasos, demostrando cómo estas distribuciones convergen hacia los valores verdaderos a medida que aumenta la densidad de las observaciones y aplicando este marco para abordar la inconsistencia de las predicciones puntuales en modelos lineales funcionales.

Álvaro Gajardo, Xiongtao Dai, Hans-Georg MüllerFri, 13 Ma📊 stat

Bounds on Representation-Induced Confounding Bias for Treatment Effect Estimation

Este artículo propone un marco de refutación agnóstico a la representación que establece condiciones teóricas para la no identificabilidad del efecto causal condicional (CATE) y ofrece un método neuronal para calcular cotas de sesgo inducido por la reducción de dimensionalidad, permitiendo así la identificación parcial del CATE en escenarios donde la validez de la estimación se ve comprometida.

Valentyn Melnychuk, Dennis Frauen, Stefan FeuerriegelFri, 13 Ma📊 stat

Geometry of Singular Foliations and Learning Manifolds in ReLU Networks via the Data Information Matrix

El artículo propone utilizar la Matriz de Información de Datos (DIM) en redes neuronales ReLU entrenadas como clasificadores para revelar una estructura geométrica de foliación singular en los datos, demostrando que esta estructura existe casi en todas partes y que su espectro permite medir distancias entre conjuntos de datos para la transferencia de conocimiento.

Eliot Tron, Rita FioresiFri, 13 Ma📊 stat

Are Bayesian networks typically faithful?

El artículo demuestra que, bajo diversas parametrizaciones y condiciones de regularidad, las redes bayesianas fieles constituyen un conjunto abierto y denso (es decir, son "típicas"), lo que garantiza la consistencia de algoritmos de descubrimiento causal basados en restricciones como PC y FCI en la mayoría de los casos.

Philip Boeken, Patrick Forré, Joris M. MooijFri, 13 Ma📊 stat

Quantifying Aleatoric Uncertainty of the Treatment Effect: A Novel Orthogonal Learner

Este artículo presenta el AU-learner, un nuevo método de aprendizaje ortogonal que utiliza identificación parcial para cuantificar la incertidumbre aleatoria del efecto del tratamiento mediante la estimación de límites precisos para su distribución condicional en datos observacionales.

Valentyn Melnychuk, Stefan Feuerriegel, Mihaela van der SchaarFri, 13 Ma📊 stat

Testability of Instrumental Variables in Additive Nonlinear, Non-Constant Effects Models

Este artículo propone una condición de prueba de independencia basada en auxiliares (AIT) para validar variables instrumentales en modelos de efectos no constantes y no lineales aditivos con confusores no medidos, demostrando su validez teórica y eficacia práctica en datos sintéticos y reales.

Xichen Guo, Zheng Li, Biwei Huang, Yan Zeng, Zhi Geng, Feng XieFri, 13 Ma📊 stat

Parameter-Specific Bias Diagnostics in Random-Effects Panel Data Models

Este artículo presenta una nueva herramienta de diagnóstico que complementa la prueba de especificación de Hausman al ofrecer estimaciones internas de sesgo específicas para cada parámetro y valores p basados en permutaciones dentro de modelos de efectos aleatorios, demostrando su utilidad práctica en aplicaciones de datos de panel mediante paquetes de R.

Andrew T. KarlFri, 13 Ma📊 stat

Adaptive Prior Selection in Gaussian Process Bandits with Thompson Sampling

Este trabajo propone dos algoritmos basados en Thompson sampling (PE-GP-TS y HP-GP-TS) para la selección adaptativa de priores en banditos de procesos gaussianos, estableciendo límites teóricos de arrepentimiento y demostrando su eficacia mediante experimentos sintéticos y del mundo real.

Jack Sandberg, Morteza Haghir ChehreghaniFri, 13 Ma📊 stat

← Anterior Siguiente →