2434 पेपर
यह शोध पत्र तर्क देता है कि बोनफेरोनी सुधार (Bonferroni correction) अपनी सरलता, नमूना आकार गणना के लिए सुगमता, और केवल सफलता मेट्रिक्स (success metrics) पर लागू होने पर फाल्स पॉजिटिव्स को प्रभावी ढंग से नियंत्रित करने की क्षमता के कारण, अधिक परिष्कृत विधियों की तुलना में शक्ति हानि (power loss) को कम करते हुए, ऑनलाइन प्रयोगों के लिए एक अल्प-मूल्यांकित किंतु श्रेष्ठ विकल्प है।
यह शोध पत्र बहुभिन्नरूपी K-नमूना वितरणों की तुलना करने के लिए एक मैक्सिमम-ऑफ-डिफरेंसेस (MOD) परीक्षण और इसके कोवेरिएंस-एडजस्टेड वेरिएंट (CA-MOD) को प्रस्तुत करता है, जो इन-सैंपल और बीट्वीन-सैंपल कनेक्शन संभावनाओं के बीच अधिकतम मानकीकृत वर्ग अंतरों का विश्लेषण करके किया जाता है, साथ ही उनके एसिम्प्टोटिक गुणों को स्थापित करता है और सिमुलेशन एवं वास्तविक दुनिया के अनुप्रयोगों के माध्यम से उनकी प्रभावशीलता को प्रदर्शित करता है।
यह शोध पत्र एक उन्नत बहु-चरणीय 'ड्रॉप-द-लूज़र' (हारने वाले को बाहर करने वाली) डिज़ाइन प्रस्तावित करता है जो मल्टी-आर्म ट्रायल्स में अधिकतम और अपेक्षित दोनों नमूनों के आकार को एक साथ कम करने के लिए श्रेष्ठता हेतु अर्ली स्टॉपिंग (समय पूर्व समाप्ति) को शामिल करता है, जिससे सांख्यिकीय कठोरता बनाए रखते हुए फंडिंग की बाधाओं का समाधान किया जा सके।
यह अध्ययन प्रदर्शित करता है कि लार्ज लैंग्वेज मॉडल्स (LLMs) से उत्पन्न लेबल नॉइज़, नैदानिक एआई (diagnostic AI) मॉडल्स के मूल्यांकन में व्यवस्थित, व्यापकता-निर्भर पूर्वाग्रह (prevalence-dependent bias) पेश करता है, जहाँ कम-व्यापकता वाले परिवेशों में LLM की विशिष्टता (specificity), संवेदनशीलता (sensitivity) अनुमानों को महत्वपूर्ण रूप से प्रभावित करती है और उच्च-व्यापकता वाले परिदृश्यों में LLM की संवेदनशीलता, विशिष्टता अनुमानों को प्रभावित करती है।
यह शोधपत्र कम-क्रम की अंतःक्रियाओं (low-order interactions) वाले पड़ोस संबंधी हस्तक्षेप (neighborhood interference) के तहत कुल उपचार प्रभावों के लिए सहचर-समायोजित अनुमानकों (covariate-adjusted estimators) के एक वर्ग का प्रस्ताव करता है जो कि अनिश्चित रूप से निष्पक्ष (asymptotically unbiased) हैं, अन-समायोजित अनुमानकों की तुलना में भिन्नता (variance) में वृद्धि न होने की गारंटी देते हैं, और वैध एवं सटीक अनुमान सक्षम करने के लिए कम रूढ़िवादी विचरण अनुमानक (variance estimator) का उपयोग करते हैं।
यह शोध पत्र पारंपरिक द्वि-आयामी जोखिम-उपयोगिता मानचित्रों की सीमाओं को दूर करने के लिए नवीन ब्लॉकवाइज़ और जॉइंट पीसीए (PCA) तकनीकों सहित छह बहुभिन्नीय विज़ुअलाइज़ेशन दृष्टिकोणों का प्रस्ताव करता है और उनका मूल्यांकन करता है, ताकि अधिक सूचित गुमनामी पद्धति चयन के लिए कई सहसंबंधित जोखिम और उपयोगिता संकेतकों का एक साथ मूल्यांकन सक्षम किया जा सके।
यह शोध पत्र दो नवीन बेयसियन नॉनपैरामेट्रिक मॉडलों का प्रस्ताव करता है जो रिग्रेशन ट्री के एंसेम्बल्स (BART) का उपयोग करते हैं ताकि ओवरडिस्पर्शन, अत्यधिक शून्य, क्रॉस-सैंपल विषमता और जटिल कोवेरिएट प्रभावों को एक साथ संबोधित करते हुए ज़ीरो-इन्फ्लेटेड काउंट-कंपोजिशनल डेटा का लचीले ढंग से विश्लेषण किया जा सके।
यह शोध पत्र एक बायेसियन डिरिचलेट ARMA मॉडल प्रस्तुत करता है जिसे एक दिशात्मक-परिवर्तन हस्तक्षेप तंत्र (directional-shift intervention mechanism) के साथ संवर्धित किया गया है जो संरचनात्मक परिवर्तनों को कम्पोजिशनल टाइम सीरीज़ में प्रभावी ढंग से कैप्चर करता है, सिमप्लेक्स पर जियोडेसिक मोशन (geodesic motion) के रूप में मोनोटोन ट्रांज़िशन को मॉडल करके, जिससे कम्पोजिशनल बाधाएं सुरक्षित रहती हैं और निरंतर संरचनात्मक बदलावों वाले परिवेश में मानक फिक्स्ड-इफेक्ट दृष्टिकोणों की तुलना में बेहतर संभाव्यता अंशांकन (probabilistic calibration) प्राप्त होता है।
यह शोध पत्र एक LASSO-पेनलाइज्ड अनुमान ढांचा प्रस्तावित करता है जो बहुभिन्नरूपी मेटरन सहसंबंध मैट्रिसेस (multivariate Matérn correlation matrices) के चोलेस्की कारक (Cholesky factor) में विरलता (sparsity) उत्पन्न करता है, जिससे उन अत्यधिक बहुभिन्नरूपी गाऊसी यादृच्छिक क्षेत्रों (highly multivariate Gaussian random fields) के लिए गणनात्मक रूप से व्यवहार्य और सटीक पैरामीटर अनुमान और स्थानिक भविष्यवाणी सक्षम होती है जहाँ मानक दृष्टिकोण विफल हो जाते हैं।
यह शोध पत्र MR-Quantile को प्रस्तुत करता है, जो भारित क्वांटाइल रिग्रेशन (weighted quantile regression) पर आधारित एक नवीन मेंडेलियन रैंडमाइजेशन पद्धति है, जो कई अमान्य इंस्ट्रूमेंटल वेरिएबल्स की उपस्थिति में भी सहसंबद्ध (correlated) और असंबद्ध (uncorrelated) दोनों प्रकार के प्लीओट्रॉपी (pleiotropy) के प्रति सुदृढ़ रहते हुए कारण प्रभावों (causal effects) का प्रभावी ढंग से अनुमान लगाती है।