stat.ME articles | Gist.Science

Nonparametric estimation of a state entry time distribution conditional on a "past" state occupation in a progressive multistate model with current status data

Cet article propose deux approches non paramétriques innovantes pour estimer la distribution du temps d'entrée dans un état et les probabilités d'occupation conditionnelles dans un modèle multistat progressif à partir de données d'état actuel sévèrement censurées, en s'appuyant sur des concepts de risques compétitifs et en validant leur efficacité par des simulations et une application sur des données de cancer du sein.

Samuel Anyaso-Samuel, Somnath DattaThu, 12 Ma📊 stat

Learning Robust Treatment Rules for Censored Data

Cet article propose deux critères robustes et un algorithme d'optimisation pour apprendre des règles de traitement optimales dans le contexte de données de survie censurées, en visant à maximiser le temps de survie tronqué et les probabilités de survie tamponnées, tout en validant ces méthodes par des simulations et une application sur des données cliniques du sida.

Yifan Cui, Junyi Liu, Tao Shen, Zhengling Qi, Xi ChenThu, 12 Ma📊 stat

Parametric multi-fidelity Monte Carlo estimation with applications to extremes

Cet article propose et illustre trois méthodes d'estimation paramétrique multi-fidélité, notamment pour l'analyse des valeurs extrêmes, afin d'améliorer l'efficacité de l'inférence sur des données de haute fidélité en exploitant des données de basse fidélité plus abondantes, comme le démontre une application à la quantification des mouvements extrêmes d'un navire.

Minji Kim, Brendan Brown, Vladas PipirasThu, 12 Ma📊 stat

Vecchia Gaussian Processes: on probabilistic and statistical properties

Cet article établit des fondements théoriques rigoureux pour l'approximation de Vecchia des processus gaussiens de Matérn en démontrant que le choix de parents comme ensembles de normalisation permet d'obtenir des propriétés probabilistes clés et une contraction optimale du posterior en régression non paramétrique.

Botond Szabo, Yichen ZhuThu, 12 Ma📊 stat

Impact of existence and nonexistence of pivot on the coverage of empirical best linear prediction intervals for small areas

Cet article démontre que l'existence d'un pivot est cruciale pour atteindre une erreur de couverture de l'ordre $O(m^{-3/2})$ dans les intervalles de prédiction des petites zones, propose une méthode pour détecter l'absence de pivot qui entraîne une surcouverture, et introduit une double bootstrap paramétrique pour corriger ce problème.

Yuting Chen, Masayo Y. Hirose, Partha LahiriThu, 12 Ma📊 stat

Network Cross-Validation and Model Selection via Subsampling

Cet article propose NETCROP, une procédure de validation croisée efficace et précise pour les grands réseaux, qui divise les données en sous-réseaux chevauchants afin de faciliter la sélection de modèles et le réglage des paramètres.

Sayan Chakrabarty, Srijan Sengupta, Yuguo ChenThu, 12 Ma📊 stat

Causal Meta-Analysis: Rethinking the Foundations of Evidence-Based Medicine

Cet article propose un cadre de méta-analyse causale qui, en reformulant l'agrégation des effets pour des mesures non linéaires, permet d'identifier des cas où les méthodes conventionnelles pourraient indiquer à tort qu'un traitement est bénéfique alors qu'il est en réalité nocif.

Clément Berenfeld, Ahmed Boughdiri, Bénédicte Colnet, Wouter A. C. van Amsterdam, Aurélien Bellet, Rémi Khellaf, Erwan Scornet, Julie JosseThu, 12 Ma📊 stat

Constructing Evidence-Based Tailoring Variables for Adaptive Interventions

Ce papier propose un cadre méthodologique pour déterminer empiriquement les variables de personnalisation des interventions adaptatives, en soulignant que bien que les données observationnelles secondaires puissent être utilisées, les essais randomisés d'optimisation fournissent les preuves causales les plus directes pour définir les mesures, les moments et les seuils de décision.

John J. Dziak, Inbal Nahum-ShaniThu, 12 Ma📊 stat

Two-sample comparison through additive tree models for density ratios

Cet article propose une méthode d'estimation du rapport de densités pour la comparaison de deux échantillons, basée sur des modèles d'arbres additifs optimisés via une nouvelle fonction de perte appelée « balancing loss », qui permet à la fois une inférence bayésienne pour la quantification de l'incertitude et une application efficace à l'évaluation de modèles génératifs sur des données microbiennes.

Naoki Awaya, Yuliang Xu, Li MaThu, 12 Ma📊 stat

Robust evaluation of treatment effects in longitudinal studies with truncation by death or other intercurrent events

Cet article propose une nouvelle méthode robuste, appelée PLOT (Pairwise Last Observation Time), pour évaluer les effets des traitements dans les études longitudinales en présence d'événements intercurrents, en comparant les patients appariés à leur dernière observation avant l'événement, ce qui permet d'éviter les hypothèses structurelles non vérifiables et les violations de positivité.

Georgi Baklicharov, Kelly Van Lancker, Stijn VansteelandtThu, 12 Ma📊 stat

Nonparametric bounds for vaccine effects in randomized trials

Cet article propose des bornes causales non paramétriques pour l'efficacité des vaccins dans les essais randomisés où le masquage est rompu, en relaxant l'hypothèse forte d'absence de causes communes non mesurées entre le risque d'infection et la croyance des participants sur leur traitement.

Rachel Axelrod, Uri Obolski, Daniel NevoThu, 12 Ma📊 stat

Causal Regime Detection in Energy Markets With Augmented Time Series Structural Causal Models

Cet article présente les Modèles Causaux Temporels Augmentés (ATSCM), une approche intégrant la découverte causale neuronale pour modéliser les régimes dynamiques des marchés de l'énergie et permettre des raisonnements contrefactuels sur les prix de l'électricité.

Dennis ThummThu, 12 Ma📊 stat

Towards Causal Market Simulators

Cet article propose le modèle TNCM-VAE, une architecture combinant autoencodeurs variationnels et modèles causaux structurels pour générer des séries temporelles financières contrefactuelles respectant les dépendances causales, permettant ainsi des analyses de risque et des tests de stress plus fiables.

Dennis Thumm, Luis Ontaneda MijaresThu, 12 Ma📊 stat

Sequential Causal Normal Form Games: Theory, Computation, and Strategic Signaling

Bien que l'extension théorique des jeux normaux causaux aux interactions séquentielles (S-CMAS) soit élégante et prouvée PSPACE-complète, les simulations empiriques démontrent qu'elle n'apporte aucune amélioration du bien-être par rapport à l'équilibre de Stackelberg classique, révélant ainsi l'incompatibilité fondamentale entre les extensions de la théorie des jeux rationnelle et les avantages du raisonnement causal pour les agents IA.

Dennis ThummThu, 12 Ma📊 stat

Community detection in heterogeneous signed networks

Cet article propose un modèle de bloc signé $\beta$ capable de gérer simultanément les équilibres forts et faibles dans les réseaux hétérogènes, en établissant son identifiabilité, en développant un algorithme d'optimisation efficace et en démontrant la cohérence asymptotique pour l'estimation des probabilités et la détection de communautés.

Yuwen Wang, Shiwen Ye, Jingnan Zhang, Junhui WangThu, 12 Ma📊 stat

Maximum Risk Minimization with Random Forests

Cet article propose des variantes de forêts aléatoires basées sur le principe de minimisation du risque maximal (MaxRM) pour améliorer la généralisation hors distribution, en fournissant des algorithmes efficaces, des preuves de consistance statistique et des garanties théoriques pour divers risques, y compris le regret.

Francesco Freni, Anya Fries, Linus Kühne, Markus Reichstein, Jonas PetersThu, 12 Ma📊 stat

Transfer learning for functional linear regression via control variates

Cet article propose une méthode de transfert d'apprentissage pour la régression linéaire fonctionnelle basée sur des variables de contrôle, qui améliore l'estimation sans nécessiter le partage de données individuelles tout en établissant un lien théorique inédit avec les approches par offset et en tenant compte des erreurs de lissage inhérentes aux données discrètes.

Yuping Yang, Zhiyang ZhouThu, 12 Ma📊 stat

Online LLM watermark detection via e-processes

Cet article propose un cadre unifié pour la détection de filigranes dans les grands modèles de langage en ligne, basé sur les processus-e, offrant des garanties de validité à tout moment et améliorant la puissance de détection grâce à des méthodes adaptatives.

Weijie Su, Ruodu Wang, Zinan ZhaoThu, 12 Ma📊 stat

Insights into the Relationship Between D- and A-optimal Designs

Cet article démontre que le critère A se factorise en un terme d'échelle inverse-D et un facteur de sphéricité sans dimension dépendant de la dispersion des valeurs propres, révélant ainsi pourquoi des designs équivalents en D peuvent différer significativement en termes de variance des coefficients et de prédiction, tout en proposant une approche de post-sélection basée sur cette relation.

Andrew T. Karl, Bradley JonesThu, 12 Ma📊 stat

The Epistemic Support-Point Filter: Jaynesian Maximum Entropy Meets Popperian Falsification

Cet article démontre que le Filtre à Point de Support Épistémique (ESPF), qui synthétise le principe de maximum d'entropie de Jaynes et la falsification poppérienne pour minimiser l'ignorance épistémique pire cas sans recourir à des a priori, constitue le filtre optimal unique dont la validité est confirmée par des simulations de suivi orbital.

Moriba Kemessia JahThu, 12 Ma🔢 math

← Précédent Suivant →