stat.ME articles | Gist.Science

Effective Degrees of Freedom for Balanced Repeated Replication and Paired Jackknife Variance Estimates: A Unified Approach via Stratum Contrasts

Cet article propose une approche unifiée démontrant que les estimateurs de variance par répliques équilibrées (BRR) et par jackknife appariée dans les échantillons stratifiés à deux unités primaires peuvent tous deux être décomposés en composantes indépendantes, permettant ainsi de dériver une formule pratique pour estimer les degrés de liberté effectifs via l'approximation de Welch-Satterthwaite.

Matthias von DavierFri, 13 Ma📊 stat

Cross-Validation in Bipartite Networks

Cet article propose une approche de validation croisée pénalisée pour la sélection de modèles dans les réseaux bipartis, offrant la première garantie de cohérence théorique et surpassant les méthodes traditionnelles tout en préservant l'asymétrie potentielle entre les deux ensembles de nœuds.

Bokai Yang, Yuanxing Chen, Yuhong YangFri, 13 Ma📊 stat

A Semiparametric Nonlinear Mixed Effects Model with Penalized Splines Using Automatic Differentiation

Cet article propose une procédure d'estimation pour les modèles non linéaires à effets mixtes utilisant des splines pénalisées et la différenciation automatique via Template Model Builder, offrant une meilleure performance inférentielle et une charge computationnelle réduite, comme démontré par une étude sur la croissance de la taille des nourrissons.

Matteo D'Alessandro, Magne Thoresen, Øystein SørensenFri, 13 Ma📊 stat

Including historical control data in simultaneous inference for pre-clinical multi-arm studies

Cet article propose des approches bayésiennes dynamiques intégrant des données de contrôles historiques pour réduire la taille des groupes témoins dans les études de toxicologie préclinique à plusieurs bras, tout en maintenant un contrôle satisfaisant du taux d'erreur familiale et en protégeant contre les dérives potentielles.

Max Menssen, Carsten Kneuer, Gyamfi Akyianu, Christian Röver, Tim Friede, Frank SchaarschmidtFri, 13 Ma📊 stat

Causal Influence Maximization with Steady-State Guarantees

Ce papier propose CIM, un cadre à deux étapes qui combine l'inférence causale et l'optimisation de réseaux pour maximiser les résultats causaux à l'état stationnaire sous contraintes budgétaires, en offrant des garanties théoriques sur l'estimation des fonctions de réponse et le ratio d'approximation.

Renjie Cao, Zhuoxin Yan, Xinyan Su, Zhiheng ZhangFri, 13 Ma📊 stat

Robust Sequential Hypothesis Testing with Generalized Estimating Equations

Cet article propose une nouvelle méthode de test d'hypothèses séquentielles robuste pour les données longitudinales et groupées, qui élargit la gamme des hypothèses testables sans compromettre la robustesse des estimateurs, tout en fournissant une théorie asymptotique pour les matrices de covariance et en permettant l'application à des données incomplètes via l'imputation multiple.

Nathan T. Provost, Abdus S. WahedFri, 13 Ma📊 stat

Data Fusion with Distributional Equivalence Test-then-pool

Cet article propose un nouveau cadre de test-then-pool pour la fusion de données d'essais cliniques, qui utilise le test d'équivalence et la divergence maximale de moyenne (MMD) pour emprunter des données de contrôle historiques tout en garantissant un contrôle rigoureux du taux d'erreur de type I et une puissance accrue par rapport aux méthodes standard.

Linying Yang, Xing Liu, Robin J. EvansFri, 13 Ma📊 stat

Causal Representation Learning with Optimal Compression under Complex Treatments

Ce papier propose une nouvelle borne de généralisation et un estimateur théorique pour les effets de traitement individuels dans des scénarios multi-traitements, introduisant une stratégie d'agrégation des traitements qui garantit une précision optimale et une évolutivité constante tout en évitant le réglage coûteux des hyperparamètres.

Wanting Liang, Haoang Chi, Zhiheng ZhangFri, 13 Ma📊 stat

Distributionally balanced sampling designs

Cet article propose les plans d'échantillonnage équilibrés distributionnellement (DBD), une nouvelle méthode probabiliste qui maximise la représentativité de l'échantillon en minimisant la distance énergétique entre les distributions auxiliaires de l'échantillon et de la population, offrant ainsi une précision supérieure aux méthodes existantes pour les études coûteuses en écologie et en sciences environnementales.

Anton Grafström, Wilmer PrentiusFri, 13 Ma📊 stat

Bayesian Model Calibration with Integrated Discrepancy: Addressing Inexact Dislocation Dynamics Models

Cet article propose une nouvelle approche de calibration bayésienne qui intègre le terme de discordance directement dans le simulateur via des processus gaussiens, offrant une alternative à la méthode de Kennedy et O'Hagan pour calibrer un modèle de dynamique de dislocations discrète à partir d'observations de dynamique moléculaire.

Liam Myhill, Enrique Martinez Saez, Sez RusscherFri, 13 Ma📊 stat

Uncovering Locally Low-dimensional Structure in Networks by Locally Optimal Spectral Embedding

Cet article propose l'Embedding Spectral Adjacency Local (LASE), une méthode qui révèle la structure localement de faible dimension des réseaux en surmontant les limites des hypothèses globales de l'ASE grâce à une décomposition spectrale pondérée, offrant ainsi de meilleures performances de reconstruction et de visualisation.

Hannah Sansford, Nick Whiteley, Patrick Rubin-DelanchyFri, 13 Ma📊 stat

Low-Rank and Sparse Drift Estimation for High-Dimensional Lévy-Driven Ornstein--Uhlenbeck Processes

Cet article propose un estimateur convexe combinant pénalités de norme nucléaire et $\ell_1$ pour estimer la dérive de processus d'Ornstein-Uhlenbeck de haute dimension pilotés par un bruit de Lévy, en exploitant une structure décomposée en composante de bas rang et composante creuse afin d'obtenir une inégalité oracle non asymptotique qui améliore la dépendance en la dimension ambiante par rapport aux estimateurs purement creux.

Marina PalaistiFri, 13 Ma📊 stat

Wasserstein Gradient Flows for Batch Bayesian Optimal Experimental Design

Cet article propose une nouvelle approche pour la conception optimale d'expériences bayésienne par lots en relevant le problème d'optimisation vers l'espace des mesures de probabilité, où l'optimisation d'une régularisation entropique de l'utilité attendue mène à des algorithmes basés sur des particules dérivés des flots de gradient de Wasserstein.

Louis SharrockFri, 13 Ma📊 stat

Riemannian Laplace Approximation with the Fisher Metric

Cet article propose deux variantes corrigées de l'approximation de Laplace riemannienne utilisant la métrique de Fisher, éliminant ainsi les biais et les approximations trop étroites observés dans les travaux précédents pour garantir l'exactitude asymptotique et améliorer les performances pratiques.

Hanlin Yu, Marcelo Hartmann, Bernardo Williams + 2 more2026-03-12🤖 cs.LG

Bayesian Sensitivity Analysis for Causal Estimation with Time-varying Unmeasured Confounding

Cet article développe et évalue deux approches bayésiennes de sensibilité, l'une à variables latentes et l'autre par fonction de sensibilité, pour estimer les effets de traitements variables dans le temps en présence de facteurs de confusion non mesurés également variables dans le temps, en s'appuyant sur des simulations et l'application à des données réelles de registre pédiatrique.

Yushu Zou, Liangyuan Hu, Amanda Ricciuto + 2 more2026-03-12📊 stat

Regression approaches for modelling genotype-environment interaction and making predictions into unseen environments

Cet article passe en revue et unifie divers modèles de régression linéaire mixte pour modéliser les interactions génotype-environnement et améliorer les prédictions dans des environnements non observés, en illustrant ces méthodes sur des données de riz au Bangladesh et en proposant une nouvelle approche pour évaluer l'incertitude des prédictions.

Maksym Hrachov, Hans-Peter Piepho, Niaz Md. Farhat Rahman + 1 more2026-03-12📊 stat

Robust Estimation of Polychoric Correlation

Cet article propose un nouvel estimateur robuste de la corrélation polychorique, conçu pour résister aux erreurs de spécification du modèle (comme les réponses négligentes) sans hypothèses préalables sur leur nature, tout en conservant les propriétés statistiques et le coût computationnel de l'estimation par vraisemblance maximale.

Max Welz, Patrick Mair, Andreas Alfons2026-03-11📊 stat

Bayesian Evidence Synthesis for Modeling SARS-CoV-2 Transmission

Cet article propose une synthèse bayésienne de données publiques via un modèle stochastique discret pour estimer le nombre total d'infections de SARS-CoV-2, en évaluant l'efficacité de l'inférence par Hamiltonian Monte Carlo, en intégrant des données de mobilité et en enrichissant l'analyse décisionnelle grâce à une approche vectorielle des dynamiques épidémiques.

Anastasios Apsemidis, Nikolaos Demiris2026-03-10📊 stat

MCMC using $\textit{bouncy}$ Hamiltonian dynamics: A unifying framework for Hamiltonian Monte Carlo and piecewise deterministic Markov process samplers

Cet article propose un cadre unificateur rigoureux reliant les méthodes de Monte Carlo par chaîne de Markov basées sur la dynamique hamiltonienne et les processus de Markov déterministes par morceaux, en introduisant une dynamique hamiltonienne « rebondissante » qui permet de concevoir des échantillonneurs sans rejet performants pour l'inférence bayésienne à grande échelle.

Andrew Chin, Akihiko Nishimura2026-03-10📊 stat

Relational event models with global covariates

Cet article propose une méthode d'échantillonnage innovante combinant des cas-témoins imbriqués et des non-événements temporellement décalés pour estimer les effets de covariables globales dans les modèles d'événements relationnels, permettant ainsi d'analyser l'influence de facteurs tels que la météo et l'heure sur les systèmes de vélopartage à Washington D.C.

Melania Lembo, Rūta Juozaitienė, Veronica Vinciotti + 1 more2026-03-10📊 stat

← Précédent Suivant →

stat.ME