2434 पेपर
यह शोध पत्र डिफ्यूजन और फ्लो-आधारित ढांचों को पेश करता है जो कोपुला (copulas) के मॉडलिंग के लिए, जो क्रमिक रूप से अंतर-चर निर्भरताओं को भूलते हैं और फिर उन्हें पुनः प्राप्त करना सीखते हैं, जिससे मौजूदा अत्याधुनिक दृष्टिकोणों की तुलना में जटिल, उच्च-आयामी और बहुविध डेटा के बेहतर मॉडलिंग में सक्षम होते हैं।
यह शोध पत्र यह प्रदर्शित करके अर्नोल्ड ज़ेलनर के बेयज़ प्रमेय पर मौलिक कार्य का पुनरावलोकन करता है कि सूचना को हटाने का इष्टतम नियम—एक पोस्टीरियर (posterior) को एंटीडेटा (antedata) वितरण में अपडेट करना बिना किसी सूचना को बनाए या नष्ट किए—बेयज़ प्रमेय से प्राप्त 'लीव-डेटा-आउट' (leave-data-out) पोस्टीरियर के साथ मेल खाता है।
यह ट्यूटोरियल विश्वसनीय पैरामीटर अनुमान सुनिश्चित करने के लिए सात विविध केस स्टडीज के माध्यम से शोधकर्ताओं को सैद्धांतिक अवधारणाओं और व्यावहारिक वर्कफ़्लो के माध्यम से मार्गदर्शन करते हुए, ODE मॉडलों पर प्रतीकात्मक संरचनात्मक पहचान विश्लेषण (symbolic structural identifiability analysis) करने के लिए Julia पैकेज StructuralIdentifiability.jl का उपयोग करके एक आधुनिक, पुनरुत्पादनीय (reproducible) कम्प्यूटेशनल फ्रेमवर्क प्रस्तुत करता है।
यह शोध पत्र एक टेंसर अपघटन-आधारित अनुमान पद्धति प्रस्तावित करके प्रॉक्सिमल कॉज़ल इन्फरेंस और मल्टीपल ट्रीटमेंट सेटिंग्स, दोनों के लिए श्रेणीगत अवलोकित न होने वाले कन्फाउंडर्स (unobserved confounders) की उपस्थिति में कारण प्रभावों (causal effects) की पहचान क्षमता (identifiability) स्थापित करता है, जो गैर-एसिम्प्टोटिक गारंटी के साथ अंतर्निहित मिश्रण वितरण (mixture distribution) को पुनः प्राप्त करता है।
यह शोध पत्र **ldmppr** को प्रस्तुत करता है, जो एक R पैकेज है जिसे स्थान-निर्भर चिह्नित स्थानिक बिंदु प्रक्रियाओं (location-dependent marked spatial point processes) का अनुमान लगाने, अनुकरण करने, मूल्यांकन करने और दृश्यमान बनाने के लिए डिज़ाइन किया गया है, जिससे वानिकी जैसे अनुप्रयोगों में मार्क-स्थान स्वतंत्रता (mark-location independence) मानने की सीमाओं को दूर किया जा सके।
यह शोध पत्र नैदानिक भविष्यवाणी मॉडल विकसित करने और तैनात करने के लिए एक व्यावहारिक बेयसियन वर्कफ़्लो का प्रस्ताव करता है जो व्यक्तिपरकता और जटिलता की पारंपरिक बाधाओं को दूर करने के लिए श्रिंकेज प्रायर्स (shrinkage priors) और पोस्टीरियर मीन एप्रोक्सिमेशन्स (posterior mean approximations) का उपयोग करता है, जिससे मानक नियतात्मक विधियों की तुलना में बेहतर भविष्य कहनेवाला प्रदर्शन और आवश्यक अनिश्चितता परिमाणीकरण प्राप्त होता है।
यह शोध पत्र स्थिर रैंडम फील्ड्स में पॉलिनोमियलal -मिक्सिंग डिपेंडेंस के तहत स्वतंत्रता के स्थानिक क्रैमर-वॉन मिसेस (Cramér–von Mises) परीक्षण के लिए एसिम्प्टोटिक थ्योरी स्थापित करता है और एक पायथन कार्यान्वयन प्रदान करता है जो पारंपरिक विधियों जैसे कि मेंटल (Mantel) और क्रॉस- परीक्षणों की तुलना में, विशेष रूप से एंडरसन-डार्लिंग (Anderson–Darling) वेट्स के साथ, इस परीक्षण की श्रेष्ठ शक्ति का प्रदर्शन करता है।
यह शोध पत्र अवलोकन ऑपरेटरों को पेश करके वितरण-कर्नेल युग्मों को अवलोकन स्थानों में मैप करने के माध्यम से अनुमान फलनों (inference functions) को वितरण सांख्यिकीय मॉडलों तक सामान्यीकृत करता है, जिससे उन मॉडलों के लिए स्थिरता और स्पर्शोन्मुख सामान्यता (asymptotic normality) परिणामों के साथ एक व्यापक इष्टतमता सिद्धांत स्थापित होता है जिनमें शास्त्रीय घनत्व या परिमित क्षणों का अभाव होता है।
यह शोध पत्र प्रतिस्पर्धी घटनाओं (competing events) की उपस्थिति में समय-से-घटना (time-to-event) परिणामों पर उपचार प्रभावों के एक नवीन चार-तरफा कारण विखंडन (four-way causal decomposition) का प्रस्ताव करता है, जो विशिष्ट तंत्रों को अलग करने और दो यादृच्छिक परीक्षणों (randomized trials) के माध्यम से प्रमाणित अंतर्दृष्टि प्रदान करने के लिए क्रॉस-वर्ल्ड एस्टिमेंड्स (cross-world estimands) का उपयोग करता है।
यह शोध पत्र छोटे-नमूने वाले नैदानिक परीक्षणों में सहचर-समायोजित जोखिम अंतरों (covariate-adjusted risk differences) का अनुमान लगाने वाली विधियों का मूल्यांकन करता है, जिसमें यह पाया गया है कि जबकि मानक g-कंप्यूटेशन दृष्टिकोण अक्सर अनुमानित लक्ष्यों (estimands) और विचरण अनुमान (variance estimation) के बीच बेमेल होने के कारण बढ़े हुए टाइप-I त्रुटि (Type-I error) से ग्रस्त होते हैं, मजबूत वेरिएंट और मेंटल-हेन्ज़ल (Mantel-Haenszel) जैसे शास्त्रीय तरीके बेहतर त्रुटि नियंत्रण प्रदान करते हैं, जिससे अनुमानित लक्ष्यों को उपयुक्त सांख्यिकीय तकनीकों के साथ संरेखित करने के लिए व्यावहारिक सिफारिशें प्राप्त होती हैं।