stat.ME articoli | Gist.Science

Computationally efficient multi-level Gaussian process regression for functional data observed under completely or partially regular sampling designs

Questo articolo presenta un modello di regressione a processo gaussiano multilivello per dati funzionali su griglie regolari, che deriva espressioni analitiche efficienti per la verosimiglianza e le distribuzioni posteriori, consentendo l'analisi di grandi dataset tramite l'implementazione in Stan con una velocità superiore di diversi ordini di grandezza rispetto ai metodi standard.

Adam Gorm Hoffmann, Claus Thorn Ekstrøm, Andreas Kryger Jensen2026-03-10📊 stat

Causal generalized linear models via Pearson risk invariance

Questo articolo propone un metodo per l'identificazione univoca di modelli lineari generalizzati causali sfruttando l'invarianza del rischio di Pearson e la massimizzazione della verosimiglianza, permettendo di scoprire le relazioni causali anche con un singolo ambiente di dati per distribuzioni come Poisson e logistica, e implementando tale strategia nel pacchetto R `causalreg`.

Alice Polinelli, Veronica Vinciotti, Ernst C. Wit2026-03-10📊 stat

Metropolis--Hastings with Scalable Subsampling

Questo articolo presenta un nuovo algoritmo Metropolis-Hastings basato su sottosampling e variabili di controllo che garantisce un'inferenza bayesiana esatta ed efficiente su grandi dataset, riducendo significativamente il costo computazionale rispetto ai metodi tradizionali.

Estevão Prado, Christopher Nemeth, Chris Sherlock2026-03-10📊 stat

A Restricted Latent Class Model with Polytomous Attributes and Respondent-Level Covariates

Questo articolo presenta un modello esplorativo di classi latenti ristrette che integra attributi politomici e covariate a livello del rispondente, dimostrando la sua efficacia nel rivelare la struttura latente multidimensionale della depressione attraverso l'analisi di un dataset specifico.

Eric Alan Wayman, Steven Andrew Culpepper, Jeff Douglas + 1 more2026-03-10📊 stat

Intrinsic Geometry-Based Angular Covariance: A Novel Framework for Nonparametric Changepoint Detection in Meteorological Data

Questo articolo presenta un nuovo framework non parametrico basato sulla geometria intrinseca per il rilevamento dei punti di cambiamento nella direzione media di dati angolari toroidali e sferici, applicandolo con successo all'analisi delle direzioni vento-onda e alla traiettoria del ciclone Biporjoy.

Surojit Biswas, Buddhananda Banerjee, Arnab Kumar Laha2026-03-10📊 stat

Stable Survival Extrapolation via Transfer Learning

Questo articolo propone un approccio robusto e flessibile per l'estrapolazione della sopravvivenza, basato su modelli parametrici polihazard e sull'uso del transfer learning per ancorare le proiezioni a dati demografici, al fine di stimare in modo stabile la sopravvivenza media in contesti clinici complessi come il cancro al seno, l'aritmia cardiaca e il melanoma avanzato.

Anastasios Apsemidis, Nikolaos Demiris2026-03-10📊 stat

Inferring the dynamics of quasi-reaction systems via nonlinear local mean-field approximations

Il paper propone un metodo di approssimazione locale non lineare basato su una soluzione analitica delle equazioni differenziali ordinarie per stimare con maggiore efficienza e precisione i tassi cinetici dei sistemi di reazione quasi-stocastici, specialmente in presenza di grandi intervalli temporali tra le misurazioni e di rigidità numerica, come dimostrato su dati biologici.

Matteo Framba, Veronica Vinciotti, Ernst C. Wit2026-03-10🧬 q-bio

Multi-Rank Subspace Change-Point Detection for Monitoring Robotic Swarms

Il paper propone la procedura MRS-C per il rilevamento in tempo reale di cambiamenti a basso rango nella struttura di covarianza di dati in streaming ad alta dimensionalità, con applicazioni al monitoraggio degli sciami robotici, dimostrando ottimalità asintotica e robustezza attraverso simulazioni e dati reali.

Jonghyeok Lee, Yao Xie, Youngser Park + 3 more2026-03-10📊 stat

Policy relevance of causal quantities in networks

Il paper sostiene che l'outcome medio atteso, che media sia sui singoli che sulle assegnazioni di trattamento, è l'unico stimatore che combina un'interpretabilità come somma degli effetti unitari con la sufficienza per la scelta di politiche ottimali in contesti di interferenza.

Sahil Loomba, Dean Eckles2026-03-10📈 econ

Stabilizing Thompson Sampling with Null Hypothesis Bayesian Response-Adaptive Randomization

Gli autori propongono un metodo di randomizzazione adattiva basato sull'ipotesi nulla che, integrando la mediazione dei modelli bayesiani, stabilizza il campionamento di Thompson riducendo la sua variabilità e mitigando i problemi inferenziali senza comprometterne l'efficacia.

Samuel Pawel, Leonhard Held2026-03-10📊 stat

Bayesian Transfer Learning for High-Dimensional Linear Regression via Adaptive Shrinkage

Il paper introduce BLAST, un framework di apprendimento trasferito bayesiano per la regressione lineare ad alta dimensionalità che combina shrinkage adattivo e selezione delle fonti per migliorare l'inferenza e la quantificazione dell'incertezza, riducendo al contempo il trasferimento negativo.

Parsa Jamshidian, Donatello Telesca2026-03-10📊 stat

Linear Multidimensional Regression with Interactive Fixed-Effects

Questo articolo propone un metodo di regressione lineare multidimensionale con effetti fissi interattivi non osservati, basato su un approccio ortogonale di Neyman che combina la stima preliminare dei fattori con una trasformazione "weighted-within" per ottenere stime coerenti e asintoticamente normali, applicando poi la metodologia per stimare l'elasticità della domanda della birra.

Hugo Freeman2026-03-06💻 cs

Modeling extremal dependence in multivariate and spatial problems: a practical perspective

Questo articolo fornisce una panoramica pratica delle metodologie per l'analisi delle dipendenze estreme multivariate e spaziali, illustrando come applicare tali concetti tramite il pacchetto R ExtremalDep attraverso esempi reali in ambiti come le scienze ambientali e la finanza.

Boris Beranger, Simone A. Padoan2026-03-06📊 stat

Estimation of relative risk, odds ratio and their logarithms with guaranteed accuracy and controlled sample size ratio

Il paper propone stimatori basati su un campionamento sequenziale a due stadi per il rischio relativo, l'odds ratio e i loro logaritmi, che garantiscono un errore quadratico medio relativo inferiore a un valore target per qualsiasi parametro e mantengono un rapporto tra le dimensioni campionarie delle due popolazioni vicino a un valore prescritto, raggiungendo un'efficienza prossima a quella del limite di Cramér-Rao.

Luis Mendo2026-03-06🔢 math

Ice Cream Doesn't Cause Drowning: Benchmarking LLMs Against Statistical Pitfalls in Causal Inference

Il paper introduce CausalPitfalls, un benchmark completo progettato per valutare rigorosamente le capacità di ragionamento causale statistico dei modelli linguistici di grandi dimensioni, evidenziando le loro attuali limitazioni nel superare errori comuni come la paradosso di Simpson e il bias di selezione.

Jin Du, Li Chen, Xun Xian + 6 more2026-03-06💻 cs

Random irregular histograms

Gli autori propongono un nuovo metodo bayesiano automatico per costruire istogrammi irregolari, che seleziona sia il numero che la posizione delle bin in base ai dati, garantendo consistenza e ottimalità asintotica.

Oskar Høgberg Simensen, Dennis Christensen, Nils Lid Hjort2026-03-06🔢 math

Identifying Treatment Effect Heterogeneity with Bayesian Hierarchical Adjustable Random Partition in Adaptive Enrichment Trials

Il documento presenta il modello BHARP, un approccio bayesiano gerarchico che utilizza partizioni casuali adattive per identificare l'eterogeneità dell'effetto del trattamento e stimare risposte specifiche per sottogruppo negli studi clinici di arricchimento adattivo, superando i limiti dei metodi esistenti in termini di flessibilità e gestione dell'incertezza del modello.

Xianglin Zhao, Shirin Golchi, Jean-Philippe Gouin + 1 more2026-03-06📊 stat

Bayesian Inference for PDE-based Inverse Problems using the Optimization of a Discrete Loss

Questo lavoro introduce B-ODIL, un'estensione bayesiana del metodo di ottimizzazione della perdita discreta (ODIL) per problemi inversi basati su equazioni differenziali alle derivate parziali, che integra modelli fisici e dati osservati per inferire soluzioni con incertezze quantificate, come dimostrato in benchmark sintetici e nell'applicazione clinica alla stima della concentrazione tumorale nel cervello.

Lucas Amoudruz, Sergey Litvinov, Costas Papadimitriou + 1 more2026-03-06🔬 physics

Testing Most Influential Sets

Questo articolo propone un quadro teorico rigoroso per identificare e testare statisticamente l'influenza eccessiva di sottoinsiemi di dati nei modelli a minimi quadrati, derivando distribuzioni estreme esatte che permettono di distinguere tra variazioni naturali e risultati distorti.

Lucas Darius Konrad, Nikolas Kuschnig2026-03-06🔢 math

Comparative e-backtests for general risk measures

Questo articolo propone un quadro non parametrico sequenziale basato su e-valori per condurre backtest comparativi di misure di rischio elicibili, offrendo inferenze valide in ogni momento e robuste rispetto alla dipendenza e alla specificazione errata del modello.

Zhanyi Jiao, Qiuqi Wang, Yimiao Zhao2026-03-06📊 stat

← Precedente Successivo →