2434 पेपर
यह शोध पत्र एक संवेदनशीलता विश्लेषण ढांचे (sensitivity analysis framework) को प्रस्तुत करता है जो एक स्केलर पैरामीटर के साथ लक्ष्य और परीक्षण आबादी के बीच लाइकलीहुड रेशियो (likelihood ratio) को सीमित करके, परिणाम वितरण बदलावों (outcome distribution shifts) के तहत उपचार प्रभावों के सामान्यीकरण के लिए सटीक और गणनात्मक रूप से कुशल सीमाएं व्युत्पन्न करता है।
यह शोध पत्र एक नवीन तीन-पैरामीटर विस्तारित वेइबुल वितरण (Weibull distribution) प्रस्तावित करता है जो अत्यधिक पूंछ वाले (heavily tailed) स्वास्थ्य डेटा के मॉडलिंग के लिए बेहतर लचीलापन प्रदान करता है, और व्यापक सांख्यिकीय व्युत्पत्तियों, सिमुलेशन अध्ययनों और एक फ्रैक्चर डेटासेट पर तुलनात्मक विश्लेषण के माध्यम से अपनी प्रभावशीलता प्रदर्शित करता है जहाँ यह पांच प्रतिस्पर्धी मॉडलों से बेहतर प्रदर्शन करता है।
यह शोध पत्र एक नवीन स्प्लिट कॉन्फॉर्मल क्लस्टरिंग फ्रेमवर्क प्रस्तावित करता है जो विनिमय क्षमता (exchangeability) को बनाए रखने के लिए स्टोकेस्टिक सॉफ्ट लेबल्स का लाभ उठाकर क्लस्टर लेबल के लिए सांख्यिकीय रूप से वैध कॉन्फिडेंस सेट्स उत्पन्न करता है, जिससे सिद्ध परिमित-नमूना कवरेज गारंटी (finite-sample coverage guarantees) के साथ क्लस्टर असाइनमेंट में अनिश्चितता को कठोरता से मापा जा सकता है।
यह शोध पत्र विलुप्त चरों (latent variables) वाले एकल-स्तरीय रिग्रेशन डिसकंटीन्यूटी ढांचे को बहु-स्तरीय संदर्भों तक विस्तारित करता है, जो क्लस्टर्ड डेटा संरचनाओं को ध्यान में रखते हुए पदानुक्रमित (hierarchical) और बहु-स्थल (multisite) डिजाइनों के लिए मॉडल प्रस्तावित करता है और मोंटे कार्लो सिमुलेशन के माध्यम से औसत उपचार प्रभावों (average treatment effects), जिसमें एक्सट्रपलेटेड अनुमान भी शामिल हैं, की सटीक रिकवरी को प्रदर्शित करता है।
यह शोध पत्र नॉनलीन इंस्ट्रूमेंटल वेरिएबल एस्टिमेटर्स में ओमिटेड वेरिएबल बायस (छूटे हुए चर के पूर्वाग्रह) को मापने के लिए डबल मशीन लर्निंग का उपयोग करते हुए एक रूपरेखा विकसित करता है, और एक अमेरिकी जॉब ट्रेनिंग प्रयोग के माध्यम से यह प्रदर्शित करता है कि जबकि फर्स्ट-स्टेज कंप्लायंस अनुमान मजबूत हैं, ट्रीटमेंट इफेक्ट्स अनऑब्जर्व्ड कन्फाउंडिंग के प्रति अधिक संवेदनशील हैं, विशेष रूप से पुरुषों के लिए।
यह शोध पत्र जनरललाइज्ड कर्नेल कोवेरिएंस मेजर (GKCM) को प्रस्तुत करता है, जो एक रिग्रेशन-मॉडल-अग्नोस्टिक कर्नेल-आधारित कंडीशनल इंडिपेंडेंस टेस्ट है, जो कठोर एसिम्प्टोटिक गारंटियों और उत्कृष्ट अनुभवजन्य प्रदर्शन को बनाए रखते हुए विविध रिग्रेशन एस्टिमेटर्स को समायोजित करके मौजूदा विधियों की कम्प्यूटेशनल और कैलिब्रेशन सीमाओं को दूर करता है।
यह शोध पत्र अनुमान संबंधी शोर (estimation noise) को ध्यान में रखने के लिए रैंकिंग मॉडल को प्रेडिक्शन मॉडल से अलग करके बेहतर प्रदर्शन प्रदर्शित करते हुए और यह उजागर करते हुए कि फीफा (FIFA) पुरुष रैंकिंग काफी हद तक अभिसरण (convergence) करने में विफल रही है, एलो (Elo) एल्गोरिदम पर अभ्यासी के ह्यूरिस्टिक (heuristic) और सांख्यिकीविद् के अधिकतम संभावना (maximum likelihood) दृष्टिकोणों का सामंजस्य स्थापित करता है।
यह शोध पत्र एक सामान्य एम्पेरिकल-लाइकलीहुड फ्रेमवर्क प्रस्तावित करता है जो सांख्यिकीय अनुमान और दक्षता को बढ़ाने के लिए सारांश-स्तरीय बाहरी मशीन-लर्निंग भविष्यवाणियों को मल्टीनोमियल लॉजिस्टिक रिग्रेशन में एकीकृत करता है, जबकि कोवेरिएट शिफ्ट, कॉन्सेप्ट शिफ्ट और आंशिक अवलोकनीयता जैसे सामान्य डेटा-गुणवत्ता संबंधी मुद्दों को मजबूती से संबोधित करता है।
यह शोध पत्र R पैकेज `glmmTMB` में `equalto` कोवेरिएंस संरचना को प्रस्तुत करता है, जो ज्ञात सैंपलिंग वेरिएंस के साथ लचीली मेटा-एनालिटिकल मॉडलिंग को सक्षम बनाता है जो स्थापित `metafor` पैकेज की सटीकता से मेल खाती है और साथ ही हेटेरोसेडास्टिसिटी (heteroscedasticity) और आश्रित त्रुटियों (dependent errors) को संभालने के लिए उन्नत क्षमताएं प्रदान करती है।
यह शोध पत्र फे (Fay)-हेरियट सेटिंग के तहत लघु क्षेत्र अनुमान (Small Area Estimation) मॉडलों को मान्य करने के लिए एक नवीन डेटा थिनिंग फ्रेमवर्क प्रस्तावित करता है, जो बाहरी सत्यापन डेटा की कमी को दूर करने के लिए क्षेत्र-स्तरीय अनुमानों को प्रशिक्षण और परीक्षण घटकों में विभाजित करता है और मॉडल तुलना के लिए व्यावहारिक दिशा-निर्देश प्रदान करने हेतु परिणामी पूर्वाग्रह-विचरण (bias-variance) ट्रेडऑफ़ को औपचारिक रूप से चित्रित और संतुलित करता है।