219 articoli
Questo studio propone un nuovo metodo di clustering basato su grafi e informato dalle traiettorie temporali per la sottomissione del cancro, che integra dati clinici multi-modali e l'evoluzione longitudinale della malattia per identificare sottotipi con profili prognostici distinti e migliorare la medicina oncologica personalizzata.
Questo articolo propone un predittore lineare empirico pseudo-best multivariato per stimare le medie di aree piccole di variabili dipendenti, integrando i pesi campionari in un modello di regressione a errori annidati, derivando un predittore unificato e fornendo procedure bootstrap per la stima dell'errore quadratico medio, come dimostrato da simulazioni e un'applicazione su dati abitativi.
Questo studio propone e valida tramite simulazioni e un'applicazione empirica su dati longitudinali due nuovi algoritmi di g-computazione per stimare gli effetti causali di azioni nel tempo in presenza di eventi semi-concorrenti e confondimento variabile nel tempo, offrendo una soluzione simultanea a sfide metodologiche chiave negli studi epidemiologici di lungo periodo.
Questo articolo sviluppa una teoria generale per l'apprendimento pesato per l'outcome (OWL) che estende l'analisi ai kernel Matern e a una vasta classe di funzioni di perdita surrogate, fornendo nuove garanzie teoriche di convergenza e algoritmi ottimizzati per la definizione di regole di trattamento individualizzate.
Il documento dimostra che, quando la prior condizionata agli iperparametri è una distribuzione canonica di massima entropia, anche la prior marginale risultante nei modelli gerarchici bayesiani conserva una proprietà di massima entropia, ma vincolata alla distribuzione marginale di una funzione delle quantità incognite, rivelando così la natura delle informazioni assunte in tali modelli.
Questo articolo propone un nuovo modello ARCH a livello di operatore per spazi di Hilbert che modella l'intera evoluzione dell'operatore di covarianza condizionale, fornendo condizioni di stazionarietà, stimatori coerenti e applicazioni pratiche su dati finanziari ad alta frequenza.
Il documento dimostra che una classe di combinazioni ottimizzate di valori-e rimane valida anche quando il parametro di sintonizzazione è selezionato in base ai dati, estendendo il risultato a una nuova categoria di variabili-e simultanee e proponendo un test di combinazione migliorato basato sui polinomi simmetrici elementari.
Il paper propone i Causal Concept Graphs (CCG), una struttura a grafo aciclico diretto che mappa le dipendenze causali tra concetti nel latente di un LLM tramite autoencoder sparsi e apprendimento strutturale, dimostrando su diversi benchmark di ragionamento una fedeltà causale significativamente superiore rispetto ai metodi di tracciamento esistenti.
Il documento presenta la "Gimbal Regression", un framework di regressione locale deterministico e consapevole della geometria che garantisce stime stabili e verificabili in presenza di eterogeneità spaziale, risolvendo i problemi di instabilità numerica tipici dei metodi tradizionali.
Questo articolo propone un metodo innovativo per aggiornare modelli di rischio integrando informazioni di ranking esterne, permettendo di sfruttare dati prognostici preesistenti anche quando i punteggi di rischio assoluti non sono direttamente trasferibili a causa di differenze tra le popolazioni di studio.
Il paper propone un nuovo stimatore target minimo di perdita assistito da surrogate per stimare funzioni causali con esiti ritardati e censura amministrativa, offrendo prestazioni stabili e robuste grazie a una rappresentazione di ponte che evita pesi di probabilità inversa instabili e rimuove termini di errore di secondo ordine senza richiedere la stima diretta della legge dei surrogate.
Il paper propone PATRO, un approccio semplice ed efficace che applica aggiustamenti indipendenti dai dati alle stime sperimentali per ottimizzare simultaneamente le decisioni di rollout e le operazioni a valle, riducendo le perdite dovute all'asimmetria dei costi di sovrastima o sottostima senza ricorrere a complesse regole decisionali bayesiane.
Questo lavoro stabilisce una forte approssimazione gaussiana per statistiche U non degeneri in dimensioni elevate e divergenti, fornendo una fondazione probabilistica unificata per l'inferenza statistica che rimane valida anche sotto distribuzioni a code pesanti.
Questo studio propone un approccio di previsione conformale, modello-indipendente e privo di assunzioni distributive, per quantificare l'incertezza nelle serie temporali funzionali ad alta dimensionalità, confrontando le prestazioni delle varianti "split" e "sequenziale" su dati di mortalità per età a livello subnazionale in Giappone e Canada.
Questa revisione metodologica del 2025 rivela che, sebbene le indagini sull'eterogeneità siano comuni nelle meta-analisi di accuratezza diagnostica, la loro esecuzione e segnalazione presentano spesso lacune riguardo alla prespecificazione nei protocolli, alla scelta dei modelli statistici e alla sufficienza dei dati per i sottogruppi.
Il paper propone PCID, un nuovo metodo basato su test di permutazione e isolamento per il rilevamento offline di multipli punti di cambiamento in segnali circolari, dimostrando la sua efficacia sia in simulazioni che su dati reali.
Questo articolo propone un quadro pratico di progettazione e analisi bayesiana per trial clinici di precisione che utilizza un modello a pesi individuali per integrare parzialmente dati esterni basati sulla somiglianza delle covariate, con l'obiettivo di migliorare la stima degli effetti nei sottogruppi e ottimizzare la dimensione campionaria.
Questo articolo spiega in dettaglio e amplia un metodo statistico innovativo per la valutazione dei programmi di screening, basato sulla suddivisione del tempo di rischio e sull'uso di offset di regressione di Poisson, che permette di ottenere stime più precise dell'impatto sulla mortalità rispetto alle tecniche tradizionali.
Il paper propone nuovi test basati su kernel, utilizzando la discrepanza di Stein e la discrepanza massima media, per valutare l'equivalenza tra distribuzioni e superare i limiti dei test di bontà di adattamento tradizionali che non possono confermare l'assenza di differenze significative.
Questo articolo propone un nuovo framework di meta-analisi adattivo all'eterogeneità che, attraverso una penalità basata sulla divergenza di Kullback-Leibler, ottimizza la condivisione delle informazioni tra dataset ottenendo stimatori con errore quadratico medio inferiore e procedure inferenziali valide senza assumere l'omogeneità dei parametri.