217 articles
Cet article propose une méthode efficace et évolutive pour approximer les fonctions de valorisation stochastiques monotones sous-additives ou sous-modulaires via des distributions discrétisées à support réduit, permettant ainsi une évaluation rapide et garantie des valeurs pour des problèmes d'optimisation tels que la sélection de meilleurs ensembles ou la maximisation du bien-être.
Cet article propose une méthode d'identification robuste aux stratégies de déclaration des préférences pour estimer les effets causaux de l'affectation scolaire, en appliquant cette approche aux données du mécanisme d'admission universitaire au Chili afin de révéler une hétérogénéité significative dans la réussite des étudiants.
Cet article propose une méthode simple pour obtenir une quantification précise de l'incertitude dans les inférences bayésiennes sous modèles erronés ou approximations, en remplaçant le posterior usuel par une alternative intuitive applicable aussi bien aux modèles basés sur la vraisemblance que sur la perte.
Cet article propose une approche bayésienne robuste pour la construction de scores de risque génétique, intégrant une technique de projection des statistiques résumées pour garantir la compatibilité des données et un nouveau modèle à base de prior « bridge » flexible, démontrant ainsi des performances supérieures et cohérentes sur divers scénarios.
Ce papier présente DELVE, une méthode spectrale conçue pour extraire des variables latentes spécifiques à chaque modalité en exploitant les différences de connectivité des graphes afin d'atténuer les signaux partagés dans les ensembles de données multimodaux.
Cet article propose un modèle de séries temporelles de réseaux basé sur un « miroir euclidien » et démontre qu'une estimation spectrale permet de localiser précisément les points de rupture d'ordre un, même lorsque l'évolution du réseau est continue mais avec un taux de changement variable.
Cet article propose un cadre théorique et des formules d'identification non paramétriques pour prévoir les effets causaux d'interventions futures en tenant compte des défis spécifiques liés aux confondants et aux modificateurs d'effet variant dans le temps, en s'appuyant sur un exemple concret concernant l'impact des politiques publiques sur les décès liés au COVID-19.
Cet article développe des tests de rupture structurelle robustes pour les régressions de CoVaR prédictif et de quantiles, basés sur l'autonormalisation, afin de détecter les changements dans le pouvoir prédictif des covariables que ce soit avec des prédicteurs stationnaires ou quasi-stationnaires.
Ce papier propose et analyse théoriquement deux estimateurs par sous-échantillonnage, l'échantillonnage d'importance adaptatif et le sous-échantillonnage stratifié, pour réaliser une régression robuste en haute dimension sous des hypothèses de bruit à variance finie, de contamination et de dépendance temporelle, tout en fournissant des intervalles de confiance valides et démontrant des performances empiriques supérieures.
Cet article propose une extension du modèle de régression à erreurs imbriquées avec paramètres de haute dimension pour améliorer la prédiction empirique optimale des indicateurs de pauvreté dans les petites zones, en introduisant une procédure d'estimation efficace, une méthode pour les zones hors échantillon et une quantification robuste de l'incertitude, validée par des données albanaises.
Cet article propose un modèle de Markov caché à classes latentes restreintes pour des réponses et attributs polytomiques avec covariables, en démontrant son identifiabilité, sa formulation bayésienne et son efficacité via des simulations et des applications sur des données d'examen de mathématiques et d'états émotionnels.
Cet article propose une critique conséquentialiste des méthodes d'évaluation binaire en machine learning, démontrant par une revue empirique et un nouveau cadre théorique que les règles de score appropriées comme le score Brier sont supérieures aux métriques à seuil fixe, tout en fournissant l'outil logiciel `briertools` et une variante tronquée pour faciliter leur adoption pratique.
Cet article présente des algorithmes parallèles efficaces pour simuler des chaînes de Markov de Metropolis sans gradient, permettant d'accélérer la convergence d'un facteur pour les distributions log-concaves grâce à l'utilisation de cartes de Picard.
Cet article propose une nouvelle méthode intuitive et facile à implémenter, basée sur l'échantillonnage par rejet, pour construire des tests statistiques puissants et applicables en dimensions arbitraires, dont l'efficacité est démontrée par des exemples empiriques et des simulations comparables aux tests uniformément les plus puissants.
Cet article propose une nouvelle approche semi-paramétrique pour les modèles de copules conditionnelles en utilisant des arbres de régression bayésiens additifs (BART) avec une priorité basée sur la perte pour réduire la complexité des arbres et un algorithme MCMC réversible adaptatif, permettant ainsi de modéliser efficacement des dépendances complexes sous l'influence de variables externes, comme illustré par l'impact du PIB sur la corrélation entre l'espérance de vie et le taux d'alphabétisation.
Ce papier présente la modélisation générative bayésienne (BGM), un cadre unifié alimenté par l'IA qui permet d'effectuer des inférences conditionnelles sur n'importe quelle partition de variables avec quantification rigoureuse de l'incertitude, sans nécessiter de réentraînement du modèle.
Cet article propose un cadre général pour construire des profondeurs de données statistiques, appelées profondeurs de sous-espace central, qui maximisent la valeur de profondeur sur un sous-espace plutôt qu'en un point, offrant ainsi un outil robuste pour l'analyse de distributions symétriques par rapport à un sous-espace, la réduction de dimension et la détection de fraude.
Cette étude propose une méthode d'estimation semi-paramétrique efficace des effets marginaux du traitement en utilisant des instruments génétiques, démontrant que l'application de fonctions d'influence optimales permet de surmonter les incertitudes d'échantillonnage liées aux faibles proportions de « compliants » génétiques et révèle un effet néfaste de la consommation excessive d'alcool sur la pression artérielle plus marqué chez les individus les plus enclins à ce comportement.
Cet article propose un cadre d'estimation et d'inférence pour les effets causaux principaux hétérogènes sous l'hypothèse d'ignorabilité principale, en développant plusieurs estimateurs aux propriétés de robustesse variées (dont un doublement robuste) et en validant ces méthodes sur l'essai randomisé Camden Coalition.
Cet article présente une méthode d'incertitude quantification pour les systèmes énergétiques critiques face aux événements extrêmes composés, en utilisant le flux de travail BMW-GAM basé sur des copules gaussiennes et des modèles additifs généralisés bayésiens pour modéliser efficacement les variables climatiques.