219 articoli
Il paper dimostra che per funzioni di valutazione stocastiche monotone e subadditive o submodulari, è possibile costruire efficientemente delle distribuzioni discretizzate con supporto limitato che forniscono una stima approssimata costante del valore reale per qualsiasi sottoinsieme di elementi, facilitando così l'ottimizzazione in scenari complessi come la selezione dei migliori insiemi e la massimizzazione del benessere.
Questo studio propone un metodo di identificazione robusto alla segnalazione strategica delle preferenze per derivare limiti precisi sugli effetti causali dell'assegnazione scolastica, applicandolo ai dati del meccanismo di ammissione universitaria in Cile per rivelare significative eterogeneità nel successo di laurea.
Il paper propone un approccio semplice e intuitivo che, sostituendo il posteriore usuale con un'alternativa equivalente, garantisce una quantificazione accurata dell'incertezza per inferenze bayesiane in modelli errati o approssimati, superando le limitazioni delle attuali soluzioni basate su approssimazioni gaussiane o procedure di post-processing.
Questo articolo presenta un approccio bayesiano robusto per la costruzione di punteggi di rischio genetico, introducendo una tecnica di proiezione delle statistiche riassuntive per garantire la correttezza della posterior e un nuovo metodo basato su un prior ponte flessibile che supera le prestazioni dei metodi esistenti in scenari diversi.
Il paper presenta DELVE, un metodo spettrale basato su filtraggio grafico progettato per estrarre variabili latenti specifiche di ciascuna modalità dai dati multimodali, attenuando i segnali condivisi per isolare le caratteristiche uniche osservabili solo in singole modalità.
Il paper presenta un modello per serie temporali di reti basato su un "specchio euclideo" che permette di localizzare i punti di rottura del primo ordine attraverso stime spettrali, anche quando l'evoluzione della distribuzione del grafo è continua ma con tasso variabile, come dimostrato su dati simulati e reali di reti di organoidi.
Questo articolo sviluppa un quadro teorico e nuove formule di g-computazione non parametriche per identificare e prevedere gli effetti causali di interventi futuri su una popolazione futura, affrontando le sfide poste dai confondenti e dagli effetti modificatori variabili nel tempo, come illustrato attraverso un esempio relativo ai decessi legati al COVID-19.
Questo paper sviluppa test di rottura strutturale basati sulla normalizzazione autonoma per rilevare cambiamenti nella capacità predittiva delle regressioni di CoVaR e quantili, garantendo validità sia per predittori stazionari che quasi-stazionari e dimostrando la loro efficacia empirica nel contesto del premio azionario e del rischio sistemico.
Questo articolo presenta due stimatori di subsampling, Adaptive Importance Sampling e Stratified Sub-sampling, che garantiscono una regressione robusta ad alta dimensionalità in presenza di rumore pesante, contaminazione e dipendenza temporale, colmando il divario tra teoria e algoritmo e fornendo intervalli di confidenza validi con prestazioni empiriche superiori rispetto ai metodi tradizionali.
Questo articolo propone un'estensione del modello di regressione con errori nidificati ad alta dimensionalità (NERHDP) per la previsione empirica ottimale degli indicatori di povertà su piccola area, introducendo procedure di stima efficienti, metodi per le aree non campionate e una valutazione dell'incertezza tramite bootstrap, dimostrando prestazioni superiori rispetto agli approcci esistenti su dati reali albanesi.
Questo articolo introduce un modello di Markov nascosto a classi latenti ristrette per dati longitudinali con risposte e attributi politomici e covariate, ne dimostra l'identificabilità, ne formula una versione bayesiana e ne valida l'efficacia attraverso studi di simulazione e applicazioni su dati di esami matematici e stati emotivi.
Questo articolo propone una critica consequenzialista alle pratiche di valutazione della classificazione binaria, sostenendo l'adozione di regole di scoring adeguate come il punteggio Brier attraverso un nuovo framework decisionale e il pacchetto Python `briertools`, che colmano il divario tra teoria e pratica dominata da metriche a soglia fissa.
Il paper presenta algoritmi paralleli basati sulle mappe di Picard per simulare catene di Markov Metropolis senza gradienti, che accelerano la convergenza verso distribuzioni log-concave di un fattore utilizzando processori e si dimostrano efficaci in applicazioni ad alta dimensionalità come la regressione, i modelli epidemici e la medicina di precisione.
Il paper propone un nuovo metodo basato sul campionamento per rifiuto per la costruzione di test statistici, che si dimostra intuitivo, semplice da implementare, applicabile in dimensioni arbitrarie e con potenza statistica paragonabile a quella dei test uniformemente più potenti.
Questo articolo propone un nuovo approccio semi-parametrico per i modelli di copula condizionale basato su alberi di regressione bayesiani additivi (BART) che, integrando un prior basato sulla perdita per ridurre la complessità degli alberi e un algoritmo adattivo Reversible Jump MCMC, permette di modellare efficacemente relazioni complesse e non lisce, come dimostrato nell'analisi dell'impatto del PIL sulla dipendenza tra aspettativa di vita e tassi di alfabetizzazione.
Il documento presenta la Modellazione Generativa Bayesiana (BGM), un quadro unificato basato sull'aggiornamento bayesiano stocastico iterativo che permette di inferire qualsiasi distribuzione condizionale arbitraria da un unico modello addestrato, garantendo al contempo stime di incertezza rigorose e solide basi teoriche.
Questo articolo introduce un nuovo quadro teorico per le "central subspace data depths", generalizzando la profondità statistica dei dati per ordinare le osservazioni rispetto a un sottospazio invece che a un singolo punto, garantendo che il valore massimo di profondità coincida con il centro di simmetria del sottospazio e dimostrando la convergenza asintotica delle stime campionarie con applicazioni pratiche nel rilevamento delle frodi.
Questo studio propone un metodo semiparametrico efficiente basato su variabili strumentali genetiche per stimare gli effetti marginali del trattamento, dimostrando come l'uso di funzioni di influenza ottimali migliori la robustezza delle stime e riveli un effetto di selezione inversa in cui gli individui più propensi all'abuso di alcol subiscono un impatto maggiore sulla pressione sanguigna.
Questo articolo propone un quadro metodologico per stimare e costruire intervalli di confidenza per effetti causali principali eterogenei in presenza di variabili intermedie binarie, sviluppando stimatori con diverse proprietà di robustezza (doppia e intermedia) sotto l'ipotesi di ignorabilità principale e validandoli empiricamente tramite un trial randomizzato.
Questo articolo presenta un metodo basato su BMW-GAM per quantificare l'incertezza degli impatti negativi sui sistemi energetici critici durante eventi estremi composti, utilizzando modelli additivi generalizzati bayesiani e una copula gaussiana per simulare probabilisticamente variabili meteorologiche come temperatura, velocità del vento e irradiazione solare.