stat articles | Gist.Science

Quasi-average predictions and regression to the trend: an application the M6 financial forecasting competition

En se basant sur la compétition de prévision financière M6, cette étude démontre que les méthodes de prévision à faible dispersion, telles que les moyennes quasi-optimales et la régression vers la tendance, surpassent de manière cohérente les indices de référence et les approches à haute variabilité sujettes au surajustement, en privilégiant la prédiction des valeurs attendues plutôt que des valeurs réelles dans des conditions d'incertitude élevée.

Jose M. G. Vilar2026-03-13📊 stat

Photon-Efficient Computational 3D and Reflectivity Imaging with Single-Photon Detectors

Les auteurs proposent une méthode computationnelle robuste permettant de reconstruire des images de profondeur et de réflectivité à partir d'environ un seul photon par pixel, même en présence de forte lumière ambiante, surpassant ainsi les techniques traditionnelles en efficacité photonique et en réduction du bruit.

Dongeek Shin, Ahmed Kirmani, Vivek K Goyal + 1 more2026-03-12📊 stat

Bayesian analysis of 210Pb dating

Cet article présente un nouveau modèle bayésien pour la datation au 210Pb qui intègre les âges et les flux de plomb dans un cadre statistique rigoureux, permettant d'obtenir des estimations d'erreurs plus robustes et réalistes que les approches traditionnelles.

Marco A Aquino-López, Maarten Blaauw, J Andrés Christen + 1 more2026-03-12📊 stat

Logarithmic Regret for Online KL-Regularized Reinforcement Learning

Cet article propose un algorithme de bandit contextuel en ligne basé sur l'optimisme pour l'apprentissage par renforcement régularisé par KL, démontrant qu'il atteint une borne de regret logarithmique en exploitant le paysage d'optimisation favorable induit par la régularisation et l'estimation optimiste des récompenses, une analyse étendue ensuite aux problèmes d'apprentissage par renforcement complets.

Heyang Zhao, Chenlu Ye, Wei Xiong + 2 more2026-03-12📊 stat

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

Geopolitics, Geoeconomics, and Sovereign Risk: Different Shocks, Different Channels

Cet article établit que les chocs géopolitiques et géoéconomiques affectent le risque souverain par des canaux distincts, les premiers agissant directement sur le risque de défaut tandis que les seconds opèrent via la politique monétaire et le cycle financier mondial, créant ainsi un « motif de ciseaux » dans les spreads de CDS.

Alvaro Ortiz, Tomasa Rodrigo, Pablo Saborido2026-03-12📊 stat

A Bandit-Based Approach to Educational Recommender Systems: Contextual Thompson Sampling for Learner Skill Gain Optimization

Cet article propose une approche basée sur l'échantillonnage de Thompson contextuel pour optimiser l'apprentissage des compétences dans les systèmes de recommandation éducative, en générant des séquences d'exercices personnalisés qui maximisent le gain de savoir des apprenants à grande échelle.

Lukas De Kerpel, Arthur Thuy, Dries F. Benoit2026-03-12📊 stat

Normal Approximation in Large Network Models

Cet article établit un théorème central limite pour les modèles de formation de réseaux avec interactions stratégiques et agents homophiles en utilisant des conditions de stabilisation adaptées pour justifier des procédures d'inférence pratique dans le cadre d'un réseau unique de grande taille.

Michael P. Leung, Hyungsik Roger Moon2026-03-11📊 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

Overcoming Representation Bias in Fairness-Aware data Repair using Optimal Transport

Cet article propose une méthode de réparation de données équitable basée sur le transport optimal et un arrêt bayésien non paramétrique pour surmonter les biais de représentation et permettre l'application de ces corrections sur des données hors échantillon, tout en offrant un compromis contrôlable entre équité et intégrité des données.

Abigail Langbridge, Anthony Quinn, Robert Shorten2026-03-11📊 stat

New techniques to investigate the AGN-SF connection with integral field spectroscopy

En utilisant des données de spectroscopie à champ intégré sur 54 galaxies actives locales, cette étude propose une nouvelle méthode de décomposition des émissions pour établir une corrélation modérée entre le taux d'accrétion des noyaux actifs de galaxies et la formation d'étoiles nucléaires récente, ouvrant la voie à une meilleure compréhension des mécanismes physiques liant ces deux phénomènes.

Aman Chopra, Henry R. M. Zovaro, Rebecca L. Davies2026-03-11📊 stat

Bayes, E-values and Testing

Cet article propose un cadre typé distinguant représentation, validité et décision pour clarifier les liens entre les valeurs E et le raisonnement bayésien, démontrant que le rapport de vraisemblance est la représentation d'évidence unique optimale sous perte logarithmique tout en établissant des garanties de croissance pour les temps d'arrêt et la validité des codes préquentiels.

Nicholas G. Polson, Vadim Sokolov, Daniel Zantedeschi2026-03-11📊 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

Convergence and complexity of block majorization-minimization for constrained block-Riemannian optimization

Cet article établit la convergence asymptotique et la complexité en $\widetilde{O}(\epsilon^{-2})$ d'une famille d'algorithmes de majoration-minimisation par blocs pour l'optimisation non convexe sous contraintes sur des variétés de Riemann, tout en validant expérimentalement leur supériorité par rapport aux méthodes euclidiennes standards.

Yuchen Li, Laura Balzano, Deanna Needell + 1 more2026-03-10📊 stat

Bias- and Variance-Aware Probabilistic Rounding Error Analysis for Floating-Point Arithmetic

Cet article propose une analyse probabiliste des erreurs d'arrondi en virgule flottante qui intègre explicitement les biais et les variances pour obtenir des bornes plus précises et adaptées aux régimes de faible précision, dépassant ainsi les limites des modèles classiques à moyenne nulle.

Sahil Bhola, Karthik Duraisamy2026-03-10📊 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

Computationally efficient multi-level Gaussian process regression for functional data observed under completely or partially regular sampling designs

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.

Adam Gorm Hoffmann, Claus Thorn Ekstrøm, Andreas Kryger Jensen2026-03-10📊 stat

Causal generalized linear models via Pearson risk invariance

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.

Alice Polinelli, Veronica Vinciotti, Ernst C. Wit2026-03-10📊 stat

← Précédent Suivant →

stat