stat articles | Gist.Science

Two Localization Strategies for Sequential MCMC Data Assimilation with Applications to Nonlinear Non-Gaussian Geophysical Models

Cet article présente et évalue deux stratégies de localisation pour l'assimilation de données séquentielle par MCMC, une méthode robuste aux modèles géophysiques non linéaires et non gaussiens qui évite la dégénérescence des poids des filtres particulaires et surpasse le filtre de Kalman transformé local (LETKF) dans des scénarios à forte dimension et avec des bruits d'observation lourds.

Hamza Ruzayqat, Hristo G. Chipilski, Omar KnioMon, 09 Ma📊 stat

Modeling Animal Communication Using Multivariate Hawkes Processes with Additive Excitation and Multiplicative Inhibition

Cet article propose une nouvelle classe de processus de Hawkes multivariés combinant excitation additive et inhibition multiplicative pour modéliser la communication acoustique animale, une méthode validée par simulation et appliquée avec succès à des données de méerkats et de baleines à fanons.

Bokgyeong Kang, Erin M. Schliep, Alan E. Gelfand, Ariana Strandburg-Peshkin, Robert S. SchickMon, 09 Ma📊 stat

On parameter estimation for the truncated skew-normal distribution

Cet article propose une méthode d'estimation par grille (GRID-MOM) pour la distribution normale asymétrique tronquée, qui stabilise l'optimisation numérique en découplant l'estimation du paramètre de forme de ceux de la position et de l'échelle, démontrant ainsi sa supériorité et son applicabilité pratique sur des données réelles.

Kwangok Seo, Seul Lee, Johan LimMon, 09 Ma📊 stat

Simultaneously accounting for winner's curse and sample structure in Mendelian randomization: bivariate rerandomized inverse variance weighted estimator

Cet article propose l'estimateur BRIVW, une méthode novatrice qui corrige simultanément le biais de la malédiction du gagnant et les effets de structure d'échantillon dans la randomisation mendélienne en modélisant la distribution conjointe des associations SNP-exposition et SNP-résultat.

Xin Liu, Ping Yin, Peng WangMon, 09 Ma📊 stat

Clustering-Based Outcome Models for Clinical Studies: A Scoping Review

Cette revue de portée examine les modèles combinant le regroupement de patients basé sur leurs covariables et les modèles de résultats, en distinguant les approches où la formation des groupes intègre l'issue clinique de celles qui s'en affranchissent, pour identifier leurs applications dans la stratification des risques et l'estimation d'effets de traitement spécifiques à des sous-groupes.

Johannes Vilsmeier, Fabian Eibensteiner, Franz König, Francois Mercier, Robin Ristl, Nigel Stallard, Marc Vandemeulebroecke, Sarah Zohar, Martin PoschMon, 09 Ma📊 stat

Optimizing Complex Health Intervention Packages through the Learn-As-you-GO (LAGO) Design

Cet article présente la conception Learn-As-you-GO (LAGO), une méthodologie innovante qui optimise les paquets d'interventions de santé complexes en les adaptant dynamiquement au fil de l'étude pour garantir leur efficacité et leur puissance statistique tout en minimisant les coûts et les risques d'échec, comme l'illustrent les études BetterBirth et d'autres essais en cours.

Donna Spiegelman (Center on Methods for Implementation,Prevention Science,,Department of Biostatistics, Yale University), Dong Roman Xu (Southern Medical University Institute for Global Health), Ante Bing (Department of Mathematics,Statistics, Boston University), Guangyu Tong (Section of Cardiovascular Medicine, Department of Internal Medicine, Yale University), Mona Abdo (Center on Methods for Implementation,Prevention Science,,Department of Biostatistics, Yale University), Jingyu Cui (Center on Methods for Implementation,Prevention Science,,Department of Biostatistics, Yale University), Charles Goss (Center for Biostatistics,Data Science, Washington University School of Medicine), John Baptist Kiggundu (Infectious Diseases Research Collaboration), Chris T. Longenecker (Division of Cardiology,Department of Global Health, University of Washington), LaRon Nelson (Yale School of Nursing, Yale University), Drew Cameron (Department of Health Policy,Management, Yale University), Fred Semitala (Infectious Diseases Research Collaboration,,Department of Medicine, Makerere University,,Makerere University Joint AIDS Program), Xin Zhou (Center on Methods for Implementation,Prevention Science,,Department of Biostatistics, Yale University), Judith J. Lok (Department of Mathematics,Statistics, Boston University)Mon, 09 Ma📊 stat

Large Wave Direction Data Modeling Using Wrapped Spatial Gaussian Markov Random Fields

Cet article propose un modèle de champ aléatoire gaussien spatial enroulé (WGMRF) pour traiter efficacement de grands ensembles de données directionnelles dépendantes, offrant des gains computationnels significatifs et une meilleure performance prédictive par rapport aux approches existantes, comme le démontrent des simulations et une application aux données de direction des vagues lors du tsunami de l'océan Indien de 2004.

Arnab HazraMon, 09 Ma📊 stat

Variable selection in linear mixed model meta-regression with suspected interaction effects -- How can tree-based methods help?

Cet article démontre que les méthodes arborescentes, en particulier leurs variantes avec sélection de stabilité, constituent des outils complémentaires robustes pour la détection d'effets d'interaction dans les méta-régressions à effets aléatoires, surpassant les approches linéaires traditionnelles lorsque les interactions ne sont pas strictement linéaires.

Jan-Bernd Igelmann, Paula Lorenz, Markus PaulyMon, 09 Ma📊 stat

Estimating Residential Displacement in the Central Puget Sound Region using Household Survey Data

Cet article propose une nouvelle méthode utilisant des modèles bayésiens spatiotemporels et des données d'enquêtes ménages pour estimer et cartographier les taux de déplacement résidentiel au niveau sous-comtal dans la région du Puget Sound central, révélant des disparités géographiques et une modération temporaire des déplacements durant la période 2020-2021.

Ameer Dharamshi, Mary Richards, Suzanne Childress, Brian Lee, Daniel CaseyMon, 09 Ma📊 stat

Bayesian Additive Distribution Regression

Cet article présente DistBART, une approche bayésienne non paramétrique pour la régression de distributions qui modélise la fonction de régression à l'aide d'ensembles d'arbres de décision (BART), offrant ainsi une méthode évolutive et théoriquement fondée pour prédire des réponses scalaires à partir de prédicteurs de distributions.

Antonio R. Linero, Soumyabrata Bose, Jared MurrayMon, 09 Ma📊 stat

Risk Prediction in Cancer Imaging Using Enriched Radiomics Features

Cette étude propose un cadre de radiomique enrichi intégrant des informations fonctionnelles dérivées de l'imagerie par résonance magnétique du foie, démontrant une performance supérieure à la radiomique classique pour la classification diagnostique et la stratification du risque dans les cancers hépatiques.

Alec Reinhardt, Tsung-Hung Yao, Raven Hollis, Galia Jacobson, Millicent Roach, Mohamed Badawy, Peter Park, Laura Beretta, David Fuentes, Newsha Nikzad, Prasun Jalal, Eugene Koay, Suprateek KunduMon, 09 Ma📊 stat

Balancing Efficiency and Feasibility: A Sensitivity Analysis of the Augmentation Parameter in the Finite Selection Model

Cette étude analyse par simulation l'impact du paramètre d'augmentation du modèle de sélection finie sur la performance des estimateurs, démontrant qu'un équilibre modéré améliore l'équilibre des covariables tout en maintenant l'efficacité, tandis qu'un excès dégrade la stabilité de l'estimation.

Safaa K. KadhemMon, 09 Ma📊 stat

Predictive Distributions and the Transition from Sparse to Dense Functional Data

Cet article propose une représentation des données longitudinales éparses sous forme de distributions prédictives gaussiennes pour les scores de composantes principales fonctionnelles, démontrant leur convergence vers les scores réels lors du passage à un échantillonnage dense et établissant des taux de convergence pour les modèles linéaires fonctionnels avec prédicteurs épars.

Álvaro Gajardo, Xiongtao Dai, Hans-Georg MüllerFri, 13 Ma📊 stat

Bounds on Representation-Induced Confounding Bias for Treatment Effect Estimation

Cet article propose un cadre de réfutation agnostique aux représentations permettant d'estimer des bornes théoriques et pratiques sur le biais de confusion induit par la réduction de dimension dans l'estimation de l'effet causal moyen conditionnel (CATE).

Valentyn Melnychuk, Dennis Frauen, Stefan FeuerriegelFri, 13 Ma📊 stat

Geometry of Singular Foliations and Learning Manifolds in ReLU Networks via the Data Information Matrix

Cet article propose d'utiliser le Réseau de Neurones à Unités Linéaires Rectifiées (ReLU) et la Matrice d'Information des Données (DIM) pour révéler une structure de feuilletage singulier sur l'espace des données, démontrant que les points singuliers forment un ensemble de mesure nulle et que cette approche permet de mesurer les distances entre jeux de données pour le transfert de connaissances.

Eliot Tron, Rita FioresiFri, 13 Ma📊 stat

Are Bayesian networks typically faithful?

Cet article démontre que les réseaux bayésiens fidèles constituent un ensemble ouvert et dense (donc « typique ») dans diverses classes paramétriques et non paramétriques, y compris celles avec des variables latentes, garantissant ainsi la consistance des algorithmes de découverte causale comme PC et FCI sur un ensemble de paramètres de mesure de Lebesgue pleine.

Philip Boeken, Patrick Forré, Joris M. MooijFri, 13 Ma📊 stat

Quantifying Aleatoric Uncertainty of the Treatment Effect: A Novel Orthogonal Learner

Cet article propose un nouvel apprentissage orthogonal, l'AU-learner, qui quantifie l'incertitude aléatoire de l'effet de traitement en établissant des bornes précises sur sa distribution conditionnelle via une identification partielle, comblant ainsi un vide important dans l'apprentissage automatique causal.

Valentyn Melnychuk, Stefan Feuerriegel, Mihaela van der SchaarFri, 13 Ma📊 stat

Testability of Instrumental Variables in Additive Nonlinear, Non-Constant Effects Models

Cet article propose une condition de test d'indépendance auxiliaire (AIT) pour vérifier la validité des variables instrumentales dans des modèles à effets non linéaires et non constants, applicable aux traitements discrets ou continus, et démontre que cette condition est nécessaire et suffisante pour détecter les instruments invalides sous certaines hypothèses.

Xichen Guo, Zheng Li, Biwei Huang, Yan Zeng, Zhi Geng, Feng XieFri, 13 Ma📊 stat

Parameter-Specific Bias Diagnostics in Random-Effects Panel Data Models

Cet article présente une méthode de diagnostic de biais spécifique aux paramètres pour les modèles à effets aléatoires en données de panel, qui complète le test de spécification de Hausman en fournissant des estimations de biais et des valeurs p basées sur des permutations à partir d'un seul modèle ajusté.

Andrew T. KarlFri, 13 Ma📊 stat

Adaptive Prior Selection in Gaussian Process Bandits with Thompson Sampling

Cet article propose deux algorithmes, PE-GP-TS et HP-GP-TS, basés sur l'échantillonnage de Thompson pour les processus gaussiens, qui sélectionnent automatiquement les priors tout en minimisant le regret dans des problèmes d'optimisation de fonctions inconnues, avec des garanties théoriques et une validation expérimentale.

Jack Sandberg, Morteza Haghir ChehreghaniFri, 13 Ma📊 stat

← Précédent Suivant →