222 articles
Cet article propose une méthode de régression par processus gaussiens multi-niveaux pour l'analyse de données fonctionnelles, qui tire parti de grilles d'échantillonnage régulières pour dériver des expressions analytiques exactes permettant un calcul extrêmement rapide et l'ajustement de modèles à de grands jeux de données via le langage Stan.
Cet article propose une méthode pour identifier les modèles linéaires généralisés causaux en exploitant l'invariance du risque de Pearson et la maximisation de la vraisemblance, permettant une identification à partir d'un seul environnement pour des modèles comme la régression logistique ou de Poisson, et est implémentée dans le package R causalreg.
Cet article présente un nouvel algorithme Metropolis-Hastings basé sur le sous-échantillonnage et utilisant des variables de contrôle, qui garantit l'équilibre détaillé et permet une inférence bayésienne exacte et efficace sur de grands ensembles de données.
Cet article présente un modèle exploratoire de classes latentes restreintes intégrant des attributs polytomiques ordinaux corrélés et des covariables au niveau des répondants, démontrant son efficacité pour révéler la structure multidimensionnelle de la dépression au-delà des approches unifacteurs traditionnelles.
Cet article propose un nouveau cadre non paramétrique basé sur la géométrie intrinsèque pour détecter les changements de direction moyenne dans des données angulaires toriques et sphériques, validé par des applications sur les données météorologiques réelles telles que les directions du vent et la trajectoire du cyclone Biporjoy.
Cet article propose une méthode d'extrapolation de survie stable et interprétable, fondée sur l'apprentissage par transfert et des modèles polyhazards flexibles, pour améliorer les évaluations économiques en santé en intégrant des données démographiques à long terme comme ancre de référence.
Cet article propose une méthode d'estimation des paramètres cinétiques des systèmes de quasi-réactions basée sur une approximation locale non linéaire du taux de hasard, qui offre une solution explicite robuste aux raideurs et améliore la précision des estimations, notamment pour des données espacées dans le temps, comme démontré sur des données biologiques de macaques rhésus.
Cet article propose la procédure MRS-C pour détecter en temps réel des changements de faible rang dans la structure de covariance de données de flux haute dimension, destinée à la surveillance des essaims de robots, et démontre son optimalité asymptotique par rapport à un CUSUM oracle.
Cet article soutient que l'espérance de la moyenne des résultats, qui agrège les effets au niveau individuel et les affectations de traitement, constitue l'estimand le plus pertinent car il combine une interprétation claire des effets individuels avec la suffisance nécessaire pour l'optimisation des politiques publiques.
Cet article propose une méthode de randomisation adaptative bayésienne fondée sur un test d'hypothèse nulle qui stabilise l'algorithme de Thompson en introduisant un lissage vers une randomisation égale, offrant ainsi un compromis robuste entre l'efficacité et la fiabilité statistique.
Les auteurs proposent BLAST, un cadre d'apprentissage par transfert bayésien pour la régression linéaire de haute dimension qui combine des priors de rétrécissement global-local et une sélection adaptative de sources pour améliorer l'inférence et la quantification de l'incertitude tout en évitant le transfert négatif.
Cet article propose un estimateur Neyman-orthogonal pour les modèles de régression linéaire multidimensionnelle à effets fixes interactifs, combinant une estimation préliminaire par facteurs et une transformation intra pondérée pour atteindre une convergence paramétrique et une normalité asymptotique, méthode appliquée à l'estimation de l'élasticité de la demande de bière.
Cet article présente une introduction pratique aux méthodologies d'extremes multivariés et spatiaux et guide les utilisateurs dans l'application du package R ExtremalDep à travers plusieurs études de cas réels.
Cet article propose des estimateurs basés sur un échantillonnage séquentiel à deux étapes pour le risque relatif, le rapport de cotes et leurs logarithmes, garantissant une erreur quadratique moyenne relative inférieure à une valeur cible pour tout paramètre de probabilité tout en maintenant un rapport de taille d'échantillon proche d'une valeur prescrite.
Ce papier présente CausalPitfalls, un benchmark complet conçu pour évaluer rigoureusement les capacités des grands modèles de langage à surmonter les pièges statistiques de l'inférence causale, révélant ainsi leurs limitations actuelles dans ce domaine critique.
Les auteurs proposent une nouvelle méthode entièrement bayésienne et automatique pour construire des histogrammes irréguliers en sélectionnant à la fois le nombre et la position des intervalles, garantissant la consistance de l'estimation et un taux de convergence minimax pour les densités continues.
Cet article présente le modèle BHARP, une approche bayésienne hiérarchique innovante qui utilise des partitions aléatoires ajustables pour identifier l'hétérogénéité des effets du traitement et optimiser le partage d'information dans les essais cliniques d'enrichissement adaptatif, surpassant ainsi les méthodes existantes en précision et en flexibilité.
Cet article présente B-ODIL, une extension bayésienne de la méthode d'optimisation d'une perte discrète (ODIL) qui intègre des modèles d'équations aux dérivées partielles (EDP) pour résoudre des problèmes inverses avec une quantification rigoureuse des incertitudes, comme démontré par des benchmarks synthétiques et une application clinique à l'estimation de la concentration tumorale dans le cerveau.
Cet article propose un cadre statistique rigoureux pour tester la significativité des sous-ensembles de données les plus influents dans les modèles de moindres carrés linéaires, en dérivant des formules exactes et des distributions de valeurs extrêmes permettant de distinguer l'influence excessive du bruit naturel.
Cet article propose un cadre non paramétrique séquentiel basé sur les valeurs-e pour effectuer des backtests comparatifs de mesures de risque générales, offrant une inférence valide à tout moment et robuste face à la dépendance et aux erreurs de spécification du modèle.