stat articles | Gist.Science

A New Pareto-Type Family via the Right-Sided Riemann–Liouville Fractional Integral: Properties and Applications

Cet article introduit une nouvelle famille flexible de distributions de type Pareto générée via l'opérateur d'intégrale fractionnaire de Riemann–Liouville à droite, qui offre un mécanisme théoriquement fondé pour réguler le comportement de la queue et démontre une performance supérieure dans la modélisation de données réelles à queue épaisse par rapport aux modèles existants.

Kamaldeen Olomoda ISIAK, AKEYEDE Imam, Yunus MUSA Olatunji, OYETAYO Oyebisi, Muhammad Abiodun SULAIMAN2026-07-01

📊 statistics

Real-world performance of large-scale propensity score adjustment strategies: Matching, weighting, and stratification

Cette étude évalue les stratégies d'ajustement par score de propension à grande échelle à travers quatre bases de données nationales de soins de santé et conclut que la pondération par l'inverse de la probabilité de traitement avec l'élagage de Crump et l'appariement 1:1 offre généralement la meilleure performance, bien qu'aucune stratégie ne soit universellement supérieure, ce qui nécessite l'utilisation de diagnostics et de calibration empirique pour guider la sélection.

Kelly M Li, Martijn J Schuemie, Patrick B Ryan, Linying Zhang, Yong Chen, Kashish Priyam, Nicole Pratt, George Hripcsak (…)2026-07-01

📊 statistics

A Probabilistic Framework for Reconstructing Sparse UAV-Based Radiation Monitoring Data Using Gaussian Process Regression and Uncertainty Quantification

Cette étude propose un cadre probabiliste sensible à l'incertitude qui utilise la régression par processus gaussiens pour reconstruire efficacement les données éparses de surveillance de la radiation par drones issues de la zone d'exclusion de Tchernobyl, surpassant les méthodes d'interpolation traditionnelles en termes de précision tout en fournissant des estimations d'incertitude spatiale essentielles pour une prise de décision environnementale éclairée.

Andrii Bondarchuk, Tetiana Nosenko, Yurii Zabulonov2026-06-30

📊 statistics

Robust Regularised M-Estimators for High-Dimensional Regression with Heavy-Tailed and Skewed Errors

Cet article introduit une classe d'estimateurs M régularisés et robustes pour la régression de haute dimension qui atteint des taux de convergence optimaux et une cohérence de sélection de variables sous des conditions de moments minimales ( $\alpha > 1$ fini), surpassant les méthodes existantes tant dans les simulations que dans les applications génomiques réelles lorsqu'on traite des erreurs à queues lourdes, asymétriques ou contaminées.

Mazona Victor, Vincent Odiaka, Gabriel O. Obadina2026-06-30✓ Author reviewed ⓘ

📊 statistics

Sparse Convex Biclustering

L'article propose le SpaCoBi (Sparse Convex Biclustering), une nouvelle méthode d'optimisation convexe dotée d'un critère de réglage basé sur la stabilité qui traite efficacement les défis liés au bruit et à la complexité computationnelle dans les ensembles de données de haute dimension, démontrant une précision et une robustesse supérieures par rapport aux techniques de biclustering de pointe existantes.

Jiakun Jiang, Dewei Xiang, Cheliang Gu, Wei Liu, Binhuan Wang2026-06-30

📊 statistics

Detecting and Quantifying Circularity Bias When Composite Quality Ratings Are Used as Covariates: A Methodological Demonstration Using CMS Hospital Excess Readmissions Data

Cet article démontre que l'inclusion de notations de qualité composites en tant que covariables dans les modèles de régression introduit un biais de circularité qui atténue systématiquement les effets estimés des prédicteurs structurels, un danger méthodologique confirmé par des données de réadmission hospitalière du CMS et des simulations de Monte Carlo.

Ali Akram2026-06-30

📊 statistics

Perceived scarcity and risky choice under high objective risk: Evidence from a hierarchical drift diffusion model

Cette étude démontre que la perception de la rareté des ressources augmente la prise de décision risquée, particulièrement sous un risque objectif élevé, en accélérant le taux de dérive vers l'option risquée tel que révélé par une modélisation hiérarchique de la diffusion de dérive.

Hongmin Luo, Junyu Liang, Jun Chen2026-06-30

📊 statistics

Explainable Medicare Payment Integrity Analytics using Rank-Aggregated Anomaly Ensembles and Conformal Cost Reference Bands

Ce document présente un cadre de données publiques explicable et reproductible pour l'intégrité des paiements de Medicare qui intègre des ensembles d'anomalies par agrégation de rangs et des bandes de référence de coût conformes afin de prioriser le triage des audits tout en distinguant les anomalies statistiques de la preuve de faute professionnelle.

Nassamon Bootwisas, Pasin Marupanthorn2026-06-29

📊 statistics

A median-based estimate of effect size - toward more intuitive comparisons in mathematics education research

Cet article introduit un indicateur de taille d'effet basé sur la médiane pour la recherche en éducation mathématique qui offre une alternative plus intuitive et robuste au d de Cohen en comparant les valeurs des groupes aux médianes, réduisant ainsi la sensibilité aux distributions asymétriques, aux valeurs aberrantes et aux petits échantillons, tout en s'alignant mieux sur les interprétations pratiques de la performance des élèves.

Gary Davis, Mercedes McGowen, Sara Dalton Bildik, Donghui Yan2026-06-29

📊 statistics

A Hybrid Machine Learning–Bayesian Framework for Correcting Measurement Error in Health Data

Cet article introduit le cadre HAIB-MEC, un système hybride combinant l'apprentissage automatique et l'approche bayésienne qui intègre la modélisation prédictive non linéaire à une correction hiérarchique de l'incertitude afin d'améliorer significativement la précision, de réduire le biais et de renforcer la fiabilité des ensembles de données de santé affectés par des erreurs de mesure.

Romuald Daniel BOY-NGBOGBELE2026-06-29

← Précédent Suivant →