219 articles
Cet article propose une nouvelle approche non paramétrique pour construire des intervalles de tolérance en utilisant un posterior de Gibbs calibré, qui offre une couverture fréquentielle fiable et des intervalles plus courts que les méthodes classiques, même avec de petits échantillons ou des distributions complexes.
Cet article réexamine la notion de copule partielle pour représenter la dépendance statistique ajustée aux covariables, démontrant qu'elle constitue un analogue non linéaire de la corrélation partielle dont les propriétés sont contraintes par les copules conditionnelles, avec des applications prometteuses pour l'inférence causale.
En s'inspirant de l'essai ACTT, cet article propose un cadre causal pour les essais de plateforme avec contrôles non concurrents, démontrant que l'estimation la plus robuste et efficace des effets de traitement sur la survie repose sur l'utilisation de contrôles concurrents uniquement avec des estimateurs doubles robustes ajustés aux covariables, plutôt que sur le regroupement de contrôles non concurrents qui peut introduire des biais.
Cet article propose une méthode d'inférence bayésienne par vraisemblance synthétique (BSL) intégrée à l'algorithme Hamiltonian Monte Carlo pour améliorer les régressions de méta-analyse en réseau multiniveau (ML-NMR) en exploitant des données de synthèse de sous-groupes afin de pallier l'absence de covariables individuelles, tout en surmontant les défis techniques liés aux gradients stochastiques et à la non-différentiabilité.
Cet article propose un estimateur bayésien hiérarchique pour la variance des strates fines en survey, démontrant par des simulations et des analyses de données réelles sa supériorité en termes de biais et d'erreur quadratique moyenne par rapport aux méthodes existantes comme le regroupement de strates, l'estimation non paramétrique bayésienne ou les estimateurs à noyau.
Cet article propose un nouveau modèle bayésien non paramétrique basé sur un mélange de processus de Dirichlet pour identifier des clusters de réseaux hétérogènes partageant des motifs de connectivité similaires, en démontrant sa consistance, son efficacité via des simulations et son application aux données de réseaux cérébraux humains.
Cet ouvrage propose une synthèse pédagogique des fondements théoriques et des preuves unifiées de la prédiction conforme, une méthode d'inférence distributionnelle offrant des garanties de quantification de l'incertitude pour l'apprentissage automatique sans hypothèse sur la distribution des données.
Cet article présente des algorithmes rapides de mise à jour de la matrice R, conçus spécifiquement pour les applications statistiques dynamiques comme la régression et la sélection de modèles, permettant de réduire considérablement les coûts de calcul tout en préservant la précision.
Cet article propose une méthode d'estimation du traitement moyen sur les traités dans le cadre des différences de différences semiparamétriques, combinant un équilibrage des covariables pour obtenir une double robustesse et un nouveau critère de sélection de modèle asymptotiquement sans biais qui diffère significativement des critères d'information classiques.
Cet article propose de nouvelles formules de puissance et une méthode de rééchantillonnage pour estimer la densité de probabilité, permettant ainsi de concevoir et d'analyser des essais cliniques comparant un ou plusieurs quantiles de survie entre deux groupes, même lorsque l'hypothèse des risques proportionnels n'est pas vérifiée.
Cet article propose un nouvel omnibus test d'adéquation pour les distributions continues univariées, fondé sur les moments trigonométriques des données transformées par intégrale de probabilité, qui améliore le test de Langholz et Kronmal en exploitant pleinement la structure de covariance pour garantir une convergence vers une loi même en présence de paramètres de nuisance, tout en offrant une procédure prête à l'emploi pour onze familles de distributions courantes.
Cet article propose un estimateur IV centré et robuste pour les modèles linéaires à données groupées avec contrôles de haute dimension et restrictions d'exclusion complexes, dont l'efficacité est démontrée par une application à une intervention fiscale au Kenya.
Cet article propose une méthode statistique innovante, baptisée « Clusters-of-Centres », qui utilise des tests de Cochran multivariés et un algorithme de bootstrap multi-tours sur des données résumées pour détecter l'hétérogénéité entre centres et identifier de manière fiable leurs regroupements naturels.
Cet article propose une nouvelle méthode de décomposition de surface, combinée à un échantillonnage préférentiel, pour analyser efficacement la sensibilité de la fiabilité dynamique de premier passage des systèmes linéaires soumis à des excitations aléatoires gaussiennes.
Ce papier présente le package R `afttest`, qui fournit des outils de diagnostic efficaces et évolutifs pour les modèles de temps accéléré semi-paramétriques en implémentant des procédures de bon ajustement basées sur les résidus de martingale, notamment une nouvelle méthode d'approximation linéaire par fonction d'influence qui réduit considérablement le temps de calcul par rapport aux méthodes de rééchantillonnage traditionnelles.
Cette étude de simulation préenregistrée compare 28 méthodes de sélection de variables et d'inférence pour la régression logistique, révélant que l'agrégation de modèles bayésienne (BMA) avec des priors g performe mieux en l'absence de séparation, tandis que les approches de vraisemblance pénalisée, notamment le LASSO, offrent les résultats les plus stables en cas de séparation.
Cet article établit un lien novateur entre la correction robuste du biais et le pré-pivoting par bootstrap pour proposer une procédure d'inférence non paramétrique qui réduit la longueur des intervalles de confiance de 17 % sans compromettre leur couverture asymptotique.
Cet article propose une réorganisation algébrique intuitive de la décomposition de la covariance de Yates pour le score de Brier, décomposant l'erreur de prévision probabiliste en trois termes non négatifs qui rendent transparentes les conditions d'optimalité : l'adéquation de la variance, la corrélation parfaite et la calibration globale.
Cet article propose une approche adaptative en deux étapes pour les essais randomisés par grappes, intégrant des réestimations de taille d'échantillon et des arrêts précoces tout en optimisant les coûts et les dimensions de l'échantillonnage via une approche de Pareto, comme illustré par des exemples de réanalyse de l'essai E-MOTIVE.
Cet article propose un modèle de mélange d'experts gaussiens dans un espace latent, régularisé par une pénalité LASSO fusionnée de groupe, pour détecter des points de rupture dans les distributions de phytoplancton mesurées par cytométrie en flux, identifiant ainsi une transition écologique significative entre deux provinces marines.