161 articles
Cet article propose un cadre d'étalonnage unifié pour intégrer de manière cohérente des informations hétérogènes, telles que des données externes ou des prédictions d'apprentissage automatique, dans les expériences randomisées adaptatives, garantissant ainsi une estimation plus précise des effets de traitement sans compromettre la validité asymptotique.
Cet article établit la loi asymptotique des formes quadratiques de vecteurs auto-normalisés à queue lourde, démontrant que leur comportement limite est gouverné par la distribution des termes diagonaux et l'indice de stabilité , ce qui permet de caractériser la loi de Marčenko–Pastur -lourde pour les matrices de corrélation d'échantillons et de prouver l'absence d'atomes dans sa loi spectrale.
Cet article résout le problème de l'unicité des sous-σ-champs ancillaires maximaux en adoptant une perspective asymptotique de type Hájek-Le Cam, démontrant que les procédures semi-paramétriquement efficaces peuvent être rendues mesurables par rapport à des sous-σ-champs ancillaires localement maximaux qui éliminent les paramètres de nuisance sans les estimer, tout en atteignant les bornes d'efficacité grâce à des rangs et signes résiduels « du centre vers l'extérieur » dans le cadre des expériences localement asymptotiquement normales.
Cet article propose et analyse un estimateur de densité non paramétrique basé sur un noyau de Dirichlet adaptatif et un pondération par probabilité inverse pour estimer la densité de données compositionnelles sur le simplexe en présence de données manquantes, démontrant ainsi sa supériorité par rapport aux méthodes de transformation log-ratio et son applicabilité à des données réelles de composition leucocytaire.
Ce monographie offre un aperçu rigoureux des aspects théoriques et méthodologiques de l'inférence probabiliste et de l'apprentissage par la méthode de Stein, en détaillant la construction des écarts de Stein, leurs propriétés et leur lien avec la descente de gradient variationnelle de Stein.
Cet article propose TV-Select, un cadre unifié basé sur une pénalisation double (Lasso de groupe et lissage) pour identifier simultanément les variables pertinentes et déterminer si leurs effets dans les modèles longitudinaux sont constants ou variables dans le temps, surmontant ainsi les limites des modèles linéaires mixtes et des modèles à coefficients variables.
Cet article propose une méthode bayésienne fondée sur la vraisemblance empirique exponentiellement inclinée pour tester l'endogénéité dans les modèles de régression linéaire, démontrant la consistance fréquentiste de ce test et illustrant son application sur des données simulées et réelles concernant la demande automobile et le trafic aérien.
Cette article propose une analyse théorique et empirique des méthodes d'inférence parallèle pour les grands modèles de langage en les modélisant comme des algorithmes de filtrage particulaire, révélant à la fois des garanties de précision non asymptotiques et des limites fondamentales inhérentes à ces approches.
Cet article propose des estimateurs ponctuels et des intervalles de confiance améliorés pour l'entropie différentielle de deux populations normales sous des restrictions d'ordre et diverses fonctions de perte, en démontrant leur supériorité par rapport aux estimateurs classiques via des études numériques et une application sur des données réelles.
Cet article développe une théorie d'inférence post-hoc asymptotique qui permet d'utiliser des niveaux de signification dépendants des données tout en offrant des hypothèses plus faibles et des résultats plus précis que les approches non asymptotiques basées sur les valeurs-e.
Cet article introduit le coefficient de pied de règle , une mesure de contre-monotonie basée sur les copules, démontre sa relation avec le gamma de Gini et propose un estimateur robuste dont les propriétés asymptotiques sont validées par simulations.
Cet article établit que l'exposant d'erreur optimal pour le test d'hypothèses binaire sensible au contexte sous une fonction de poids multiplicative est donné par une information de Chernoff pondérée, obtenue en intégrant des mélanges géométriques pondérés dans une famille exponentielle.
Ce papier établit des critères pour déterminer l'identifiabilité du signe des effets causaux dans des systèmes dynamiques stochastiques linéaires stationnaires à temps continu, en relaxant l'hypothèse d'une matrice de diffusion connue et en se concentrant sur la détermination du signe des coefficients de dérive à partir de la matrice de covariance observationnelle.
Cet article propose un cadre variationnel fondé sur la décomposition paire-impair des fonctions de support pour analyser la corrélation entre la taille et la localisation des processus à valeurs ensemblistes, permettant d'établir des lois des grands nombres sous mélange et de définir des indices de dépendance géométriquement interprétables et invariants par translation.
Cet article établit la distribution spectrale limite des matrices de corrélation de Kendall dans un régime de haute dimension modérée avec des observations indépendantes mais non nécessairement identiquement distribuées, démontrant comment l'hétérogénéité distributionnelle influence le spectre et proposant un outil graphique pour détecter les dépendances tout en évitant les fausses détections causées par le non-respect de cette hétérogénéité.
Cet article propose un estimateur basé sur les séries de Laguerre pour les modèles à coefficients variables qui atteint des taux de convergence minimax optimaux, tout en établissant la normalité asymptotique et en permettant la construction d'intervalles de confiance et de tests d'hypothèses, comme le démontrent des études de simulation et une application sur données réelles.
Cet article établit que l'inférence bayésienne d'un couplage planté entre deux ensembles de points corrélés en dimension un admet une approximation locale et une limite infinie bien définie pour le couplage partiel grâce à la décroissance des corrélations, tandis que le cas du couplage exact nécessite un tri global et une indexation spécifique basée sur un flot pour définir sa limite asymptotique.
Cet article étudie les distributions coupées sous un angle asymptotique en établissant un théorème de Bernstein-von Mises et une approximation de Laplace, puis propose un algorithme basé sur le Posterior Bootstrap pour obtenir des régions de crédibilité avec une couverture fréquentiste asymptotique nominale, offrant ainsi une inférence modulaire robuste face aux erreurs de spécification du modèle.
Cet article propose un cadre théorique et un algorithme numérique pour résoudre le problème inverse continu des équations différentielles rugueuses, en construisant un chemin rugueux géométrique dont la réponse correspond à une trajectoire observée via la limite de solutions à des problèmes inverses discrets.
Cet article propose une méthode d'estimation des taux de défaillance dans les systèmes temps réel à priorité monotone de taux, en modélisant les temps de réponse par un mélange de distributions gaussiennes inverses et en utilisant un algorithme de maximisation de l'espérance adapté pour valider cette approche par simulation.