2446 पेपर
यह शोध पत्र मिश्रण प्रायर (mixture priors) का उपयोग करके प्रतिकृति अध्ययनों (replication studies) के विश्लेषण के लिए एक नवीन बेयसियन ढांचे (Bayesian framework) का प्रस्ताव करता है जो मूल अध्ययन के पोस्टीरियर को एक गैर-सूचनात्मक वितरण (non-informative distribution) के साथ संयोजित करता है, जो साक्ष्य को भारित करने और औपचारिक परिकल्पना परीक्षण के लिए लचीली रणनीतियाँ प्रदान करता है, जिसे ओपन-सोर्स आर पैकेज `repmix` में कार्यान्वित किया गया है।
यह शोध पत्र एक प्रस्तावित नैदानिक माप (diagnostic measure) के सटीक स्पर्शोन्मुखी वितरण (asymptotic distribution) को स्थापित करके उच्च-आयामी मॉडल चयन में कई प्रभावशाली अवलोकनों का पता लगाने के लिए अल्पविकसित विधियों को संबोधित करता है, जिससे सैद्धांतिक रूप से समर्थित थ्रेशोल्ड (thresholds) प्राप्त होते हैं, जिन्हें फिर सिमुलेशन के माध्यम से मान्य किया जाता है और रैखिक एवं लॉजिस्टिक प्रतिगमन मॉडल दोनों में पहले से अन détected आउटलेर्स की सफलतापूर्वक पहचान करने के लिए fMRI डेटा पर लागू किया जाता है।
यह शोध पत्र टू-साइडेड प्रायोरिटाइज्ड रैंकिंग (TSPR) का प्रस्ताव करता है, जो एक नवीन प्रयोगात्मक डिज़ाइन है जो ऑनलाइन मार्केटप्लेस में मूल्य परिवर्तनों के कुल औसत उपचार प्रभाव (total average treatment effect) का अनुमान लगाने के लिए रैंक की गई सूचियों में स्थिति पूर्वाग्रह (position bias) का लाभ उठाता है, जबकि प्लेटफॉर्म की सुसंगतता को बनाए रखता है और हस्तक्षेप पूर्वाग्रह (interference bias) को कम करता है।
यह शोध पत्र रैंडम-वेट न्यूरल नेटवर्क का उपयोग करते हुए एक गणनात्मक रूप से कुशल नॉनलीनियर मिक्सचर ऑफ एक्सपर्ट्स मॉडल प्रस्तुत करता है, जो यह सटीक रूप से अनुमान लगाने के लिए कि फाइटोप्लांकटन उप-जनसंख्या और उनकी प्रचुरता पर्यावरणीय स्थितियों के प्रति कैसे प्रतिक्रिया करती है, रैखिक विकल्पों की तुलना में बेहतर भविष्य कहनेवाला प्रदर्शन और अधिक यथार्थवादी व्यवहार संबंधी अनुमान प्रदर्शित करता है।
यह शोध पत्र बैंडिट इम्पॉर्टेंस सैंपलिंग (BIS) को प्रस्तुत करता है, जो एक नवीन ढांचा है जो मल्टी-आर्म्ड बैंडिट्स और गॉसियन प्रोसेस सरोगेट्स के माध्यम से नमूना चयन को सीधे अनुकूलित करके महंगे टार्गेट-डेंसिटी मूल्यांकन को कम करता है, जिससे जटिल वितरणों और वास्तविक दुनिया के बायेसियन इन्फरेंस कार्यों में सुसंगत मोंटे कार्लो अनुमान सुनिश्चित होता है।
यह शोध पत्र उच्च-आयामी मध्यस्थों (high-dimensional mediators) के अनुकूल, बहु-सुदृढ़ता (multiple robustness) प्रदान करने वाले और डेटा-अनुकूली उपद्रवी फलन अनुमान (data-adaptive nuisance function estimation) का समर्थन करने वाले अनुदैर्ध्य फ्रंट-डोर कार्यात्मक (longitudinal front-door functional) के लिए गैर-प्राचलिक कुशल अनुमानकों (nonparametric efficient estimators) का प्रस्ताव और सत्यापन करता है, जो सिमुलेशन और मूंगफली एलर्जी परीक्षण के एक अनुप्रयोग के माध्यम से अपनी उपयोगिता प्रदर्शित करता है।
यह शोध पत्र उच्च-आवृत्ति डेटा (high-frequency data) से अनुमानित उच्च-आयामी स्पॉट अस्थिरता मैट्रिसेस (spot volatility matrices) के लिए उनके सीमांत स्पेक्ट्रल वितरण (limiting spectral distribution) और केंद्रीय सीमा प्रमेय (central limit theorem) को स्थापित करके शास्त्रीय रैंडम मैट्रिक्स सिद्धांत का विस्तार करता है, जिन्हें फिर पहचान (identity) और गोलाकारता (sphericity) के व्यवहार्य परीक्षणों के निर्माण के लिए लागू किया जाता है।
यह अध्ययन ENROLL-HD डेटासेट और सेंसरिंग-उपयुक्त मेट्रिक्स का उपयोग करके हंटिंगटन रोग के लिए चार मौजूदा जोखिम स्तरीकरण मॉडलों को बाह्य रूप से मान्य और तुलना करता है, यह प्रदर्शित करते हुए कि जबकि मल्टीवेरिएट रिस्क स्कोर (MRS) मॉडल सर्वश्रेष्ठ प्रदर्शन करता है, सरल प्रोग्नोस्टिक इंडेक्स नॉर्मड (PIN) मॉडल कम चरों के साथ तुलनीय उपयोगिता प्रदान करता है, और यह भी रेखांकित करता है कि उच्च सेंसरिंग दरों को ध्यान में न रखने से नैदानिक परीक्षणों के डिजाइन कम शक्ति वाले (underpowered) हो जाते हैं।
यह शोध पत्र एन्सेम्बल SMC (eSMC) को प्रस्तुत करता है, जो सीक्वेंशियल मोंटे कार्लो स्क्वेयर्ड एल्गोरिदम का एक गणनात्मक रूप से कुशल संस्करण है, जो मूल पद्धति के समान सटीकता बनाए रखते हुए स्टेट-स्पेस महामारी मॉडलों के लिए तीव्र, वास्तविक समय के निकट बेयसियन अनुमान को सक्षम करने के लिए आंतरिक पार्टिकल फ़िल्टर को एक एन्सेम्बल कलमान फ़िल्टर से बदल देता है।
यह शोधपत्र ग्राफोन के लिए एक 'लीव-वन-आउट नेबरहुड स्मूथिंग' विधि प्रस्तुत करता है जो सशर्त स्वतंत्रता को बहाल करने के लिए नेबरहुड चयन को एज एवरेजिंग से अलग करती है, जिससे इष्टतम अनुमान दरों को बनाए रखते हुए बेरी-एसेन्स बाउंड्स (Berry-Esseen bounds), वैध कॉन्फिडेंस इंटरवल और ईमानदार ट्यूनिंग पैरामीटर चयन का निष्कर्षण सक्षम होता है।