stat.ME

Validating Causal Message Passing Against Network-Aware Methods on Real Experiments

यह शोध पत्र प्रमाणित करता है कि कॉज़ल मैसेज पासिंग (causal message passing), जो नेटवर्क टोपोलॉजी के बजाय टेम्पोरल आउटकम डायनेमिक्स का लाभ उठाता है, उन वास्तविक दुनिया के फील्ड प्रयोगों में कुल उपचार प्रभावों (total treatment effects) का प्रभावी ढंग से अनुमान लगा सकता है जहाँ इंटरेक्शन डेटा अनुपलब्ध या अविश्वसनीय होता है, जो नेटवर्क-जागरूक विधियों के तुलनीय है।

Covariate Selection for Joint Latent Space Modeling of Sparse Network Data

यह शोध पत्र एक संयुक्त लेटेंट स्पेस मॉडलिंग फ्रेमवर्क प्रस्तावित करता है जिसमें ग्रुप लासो स्क्रीनिंग और मेजरमेंट-एरर-अवेयर स्टेबिलाइजेशन का उपयोग किया गया है ताकि स्पार्स डेटा में उच्च-आयामी कोवेरिएट्स को प्रभावी ढंग से चुनने और नेटवर्क संरचनाओं की भविष्यवाणी करने के साथ-साथ लेटेंट पोजीशन अनिश्चितता को ध्यान में रखा जा सके और आइसोलेटेड नोड्स से प्राप्त जानकारी का लाभ उठाया जा सके।

Species Sensitivity Distribution revisited: a Bayesian nonparametric approach

यह शोध पत्र प्रजाति संवेदनशीलता वितरण (SSD) के लिए एक नवीन बेयसियन नॉनपैरामीट्रिक ढांचे को प्रस्तुत करता है जो छोटे या सेंसर किए गए डेटासेट के मजबूत प्रबंधन, सिद्धांत-आधारित अनिश्चितता परिमाणीकरण और पारिस्थितिक जोखिम मूल्यांकन में सुधार के लिए अंतर्निहित क्लस्टरिंग क्षमताओं को प्रदान करके पारंपरिक पैरामीट्रिक धारणाओं की सीमाओं को दूर करता है।

Score-Based Change-Point Detection and Region Localization for Spatio-Temporal Point Processes

यह शोध पत्र एक लाइकलीहुड-फ्री (likelihood-free), स्कोर-आधारित ढांचे का प्रस्ताव करता है जो अंतर्निहित गतिकी के बारे में पैरामीट्रिक धारणाओं की आवश्यकता के बिना, स्थानिक-कालिक बिंदु प्रक्रियाओं (spatio-temporal point processes) में क्रमिक रूप से परिवर्तन-बिंदुओं (change-points) का पता लगाता है और साथ ही प्रभावित स्थानिक क्षेत्रों को स्थानीयकृत करता है।

Marginal Likelihood Inference for Fitting Dynamical Survival Analysis Models to Epidemic Count Data

यह शोध पत्र विवेकी रूप से प्रेक्षित महामारी गणना डेटा (epidemic count data) पर डायनामिकल सर्वाइवल एनालिसिस मॉडल्स को फिट करने के लिए एक गणनात्मक रूप से कुशल, क्लोज्ड-फॉर्म मार्जिनल लाइकलीहुड विधि प्रस्तुत करता है, जो इबोला और कोविड-19 डेटासेट के सिमुलेशन और वास्तविक दुनिया के अनुप्रयोगों के माध्यम से इसकी सटीकता और लचीलेपन को प्रदर्शित करता है।

Inference on Extreme Quantiles of Unobserved Individual Heterogeneity

Computationally Scalable Bayesian SPDE Modeling for Censored Spatial Responses

यह शोध पत्र एक गणनात्मक रूप से स्केलेबल बेयसियन ढांचे का प्रस्ताव करता है जो स्टोकेस्टिक पार्शियल डिफरेंशियल इक्वेशंस (SPDEs) के माध्यम से गॉसियन मार्कोव रैंडम फील्ड्स को एक नवीन मापन त्रुटि दृष्टिकोण के साथ जोड़ता है, ताकि बाएं-सेंसरित (left-censored) अवलोकनों के उच्च अनुपात वाले बड़े पैमाने के स्थानिक डेटासेट को कुशलतापूर्वक मॉडल किया जा सके, जैसा कि कैलिफोर्निया में PFOS भूजल सांद्रता के वास्तविक समय के विश्लेषण द्वारा प्रदर्शित किया गया है।

Conformal Prediction for Causal Effects of Continuous Treatments

यह शोध पत्र एक नवीन कॉन्फॉर्मल प्रेडिक्शन विधि प्रस्तुत करता है जो निरंतर उपचारों (continuous treatments) के संभावित परिणामों के लिए वैध परिमित-नमूना (finite-sample) पूर्वानुमान अंतराल प्रदान करता है, भले ही प्रोपेंसिटी स्कोर अज्ञात हो और उसे डेटा से अनुमानित करना आवश्यक हो।

Compatibility of Missing Data Handling Methods across the Stages of Producing Clinical Prediction Models

यह शोध पत्र प्रदर्शित करता है कि नैदानिक भविष्यवाणी मॉडल जीवनचक्र के दौरान निष्पक्ष भविष्य कहनेवाला प्रदर्शन और अनुकूलता सुनिश्चित करने के लिए, शोधकर्ताओं को विकास और सत्यापन के दौरान अपनी लुप्त डेटा प्रबंधन रणनीतियों को मॉडल परिनियोजन की विशिष्ट बाधाओं के साथ संरेखित करना चाहिए, जैसे कि जब लुप्त डेटा को बाहर रखा जाता है तो मल्टीपल इम्प्यूटेशन (multiple imputation) का उपयोग करना या जब लुप्त डेटा की अनुमति होती है तो सुसंगत इम्प्यूटेशन विधियों को बनाए रखना।

Bayesian Estimation of Causal Effects Using Proxies of a Latent Interference Network

यह शोध पत्र एक ब्लॉक गिब्स सैंपलर (Block Gibbs sampler) के साथ स्थानीय रूप से सूचित प्रस्तावों (Locally Informed Proposals) का उपयोग करने वाले एक बायेसियन अनुमान ढांचे (Bayesian inference framework) का प्रस्ताव करता है, ताकि वास्तविक हस्तक्षेप नेटवर्क (interference network) के केवल प्रॉक्सी माप उपलब्ध होने की स्थिति में नेटवर्क हस्तक्षेप की उपस्थिति में कारण प्रभावों (causal effects) का अनुमान लगाया जा सके।