82 पेपर
यह शोध पत्र सांख्यिकीय और गणितीय मॉडलिंग के लिए एक एकीकृत ढांचे का प्रस्ताव करता है, जो इन पारंपरिक रूप से भिन्न मात्रात्मक परंपराओं की व्याख्या, तुलना और एकीकरण को सुगम बनाने के लिए कारण अनुमान (कॉज़ल इन्फरेंस) की अवधारणाओं, विशेष रूप से पहचान (आइडेंटिफिकेशन) और सीमाओं (बाउंड्स) का लाभ उठाता है।
यह शोध पत्र यह तर्क देता है कि जबकि p-हैकिंगिंग (p-hacking) त्रुटि सांख्यिकीय दृष्टिकोण (error statistical approach) के भीतर वास्तविक फैमिलीवाइज़ त्रुटि दरों (actual familywise error rates) की नाममात्र दरों (nominal rates) से तुलना करके टाइप I त्रुटि दरों को बढ़ा देती है, लेकिन यह औपचारिक अनुमान दृष्टिकोण (formal inference approach) में ऐसा नहीं करती है क्योंकि विशिष्ट, चयनात्मक रूप से रिपोर्ट किए गए परिकल्पनाओं के बारे में निष्कर्ष निकालने के लिए वास्तविक फैमिलीवाइज़ त्रुटि दर अप्रासंगिक है।
इस अध्ययन ने इस पारंपरिक दृष्टिकोण को चुनौती देकर कि पृथ्वी का जीवन एक अनभिज्ञ डेटा बिंदु है और डैनियल व्हिटमायर के संशोधित मानवशास्त्रीय तर्क को लागू करके, उन परग्रही सभ्यताओं की संख्या की एक निराशावादी निचली सीमा स्थापित की है जो दृश्य ब्रह्मांड में मानवता के अकेले होने की संभावना को प्रभावी ढंग से बाहर करती है, जिससे यह 97.6% संभाव्यता प्राप्त होती है कि अन्य संचार करने वाली सभ्यताएं अस्तित्व में हैं।
यह शोध पत्र तर्क देता है कि पोहार परम (Pohar Perme) नेट सर्वाइवल एस्टीमेटर, बेसलाइन स्वास्थ्य या उपचार प्रभावों के कारण अन्य कारणों से बढ़े हुए जोखिमों का सामना करने वाले रोगियों के मामले में कैंसर-विशिष्ट मृत्यु दर को अलग करने में विफल रहता है, और फलस्वरूप इस मीट्रिक को एक कारणत्मक काउंटरफैक्चुअल (causal counterfactual) के बजाय सामान्य जनसंख्या मृत्यु दर को हटाने के रूप में पुनर्व्याख्या करने की सिफारिश करता है।
यह शोध पत्र पदानुक्रमित एकत्रीकरण क्लस्टरिंग एल्गोरिदम (hierarchical aggregation clustering algorithms) को द्वि-आंशिक उद्देश्य फलन (bi-partial objective function) से जोड़ने वाला एक सामान्य सैद्धांतिक ढांचा स्थापित करता है, जिससे इन विधियों को एक गहरा अनुकूलन-आधारित औचित्य, गुणवत्ता मूल्यांकन मीट्रिक और स्पष्ट रुकने के मानदंड प्राप्त होते हैं।
यह लेख विश्वविद्यालय सांख्यिकी शिक्षा में तीव्र तकनीकी विकास का परीक्षण करता है, जो प्रोग्रामिंग, डेटा प्रबंधन और मशीन लर्निंग के एकीकरण पर प्रकाश डालता है, साथ ही जनरेटिव एआई (generative AI) द्वारा प्रस्तुत उभरती चुनौतियों और अवसरों के लिए पाठ्यक्रमों को अनुकूलित करने की रणनीतियों का अन्वेषण करता है।
यह शोध पत्र विशेष रूप से छोटे नमूनों के साथ दुर्लभ घटनाओं का मॉडलिंग करते समय अनुमान संबंधी अस्थिरता को संबोधित करने और व्याख्यात्मकता में सुधार करने के लिए, जनरललाइज्ड एक्सट्रीम-वैल्यू, जनरललाइज्ड पारेटो और गुम्बेल वितरणों के लिए कई ऑर्थोगोनल रीपैरामीट्राइजेशन (orthogonal reparametrisations) का परिचय देता है और उनका मूल्यांकन करता है।
यह शोध पत्र जनरेटिव एआई मॉडलों का मूल्यांकन करने के लिए 40 एंड-टू-एंड डेटा साइंस प्रोजेक्ट्स के एक बेंचमार्क और एक स्वचालित ग्रेडिंग पाइपलाइन को प्रस्तुत करता है, जिसमें यह पाया गया है कि हालांकि हालिया मॉडल संरचित कार्यों पर अच्छा प्रदर्शन करते हैं, वे महत्वपूर्ण परिवर्तनशीलता प्रदर्शित करते हैं और निर्णय-प्रधान घटकों के लिए मानव सत्यापन की आवश्यकता होती है।
यह शोध पत्र डबल-मेट्रोपोलिस हैस्टिंग्स एल्गोरिदम के माध्यम से बेयज़ियन अनुमान (Bayesian inference) को लागू करके मल्टीकैटेगरी लैटिस डेटा के लिए ऑटो-मल्टीनोमियल मॉडल की कम्प्यूटेशनल चुनौतियों का समाधान करता है, जो सिमुलेशन और लैंड कवर डेटा अनुप्रयोग के माध्यम से इसकी लचीलेपन और स्थानिक सामान्यीकृत रैखिक मिश्रित मॉडल (spatial generalized linear mixed models) पर इसके लाभों को प्रदर्शित करता है।
यह शोध पत्र धारणाओं को स्पष्ट करने के लिए कारण आरेख (causal diagrams) का उपयोग करने और सभी संभावित पूर्वाग्रहों को एक साथ ठीक करने वाला एक एकल अनुमान प्राप्त करने की विधियों को विकसित करके, कारण अनुमान (causal inference) में कई पूर्वाग्रहों की पहचान करने और उनका विश्लेषण करने के लिए एक व्यवस्थित रोडमैप प्रस्तावित करता है।