297 articles
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 démontre qu'un mélange de distributions de Wishart non centrales partageant les mêmes degrés de liberté reste une distribution de Wishart non centrale, un résultat qui permet d'étendre la théorie des tests d'effets aléatoires aux modèles de plans factoriels avec des données normales multidimensionnelles.
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 étend le modèle wgsLR pour intégrer des probabilités d'erreur de génotypage asymétriques et inconnues dans le séquençage shotgun d'ADN, démontrant la robustesse du modèle et fournissant une implémentation dans le package R wgsLR pour une évaluation plus précise de la force probante en génétique médico-légale.
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 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 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 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.
Cette étude propose un nouveau modèle statistique pénalisé pour évaluer les réponses comportementales à la perturbation et démontre que les narvals réagissent à la présence de navires jusqu'à 4 kilomètres en modifiant leur déplacement et leur profondeur.
Cet article remet en question l'interprétation binaire stricte de la couverture des intervalles de confiance en démontrant, par des arguments formels et informels, qu'une lecture purement comportementale est en tension avec la mécanique mathématique sous-jacente, et propose ainsi de reconsidérer la confiance comme une probabilité prédictive permettant des déclarations probabilistes post-données.
Cet article propose une interprétation décisionnelle des intervalles de confiance en les traitant comme des prévisions probabilistes optimales de couverture, démontrant que le niveau nominal 1-alpha constitue la meilleure prévision constante et que des raffinements conditionnels sont possibles sans recourir à des priors bayésiens.
Bien que le choix du contexte de données n'ait pas amélioré les notes aux devoirs, une étude menée auprès d'étudiants en statistiques a révélé qu'il augmentait leur engagement, leur motivation et leur sentiment d'autonomie, incitant les éducateurs à intégrer des contextes réels variés et pertinents pour les étudiants.
Cet article propose une application novatrice de l'inférence causale proximale pour estimer l'efficacité d'un traitement de prévention du VIH par rapport à un placebo en utilisant des données de contrôle externes, surmontant ainsi les défis liés aux différences de risque et aux faibles taux d'incidence.
Cet article propose un cadre méthodologique complet pour la sélection de variables dans l'imputation par régression linéaire en sondage, démontrant la convergence vers un modèle optimal et la validité asymptotique des intervalles de confiance qui en découlent.
Cet article propose une nouvelle méthode de régression par moindres carrés tronqués qui est robuste aux valeurs aberrantes casuelles et cellulaires, gère les données manquantes, s'adapte aux distributions asymétriques et permet des prédictions hors échantillon fiables.