219 articoli
Il paper propone un metodo non parametrico per la costruzione di intervalli di tolleranza basato su un posterior di Gibbs calibrato, che garantisce una copertura frequentista affidabile e intervalli più brevi rispetto alle tecniche tradizionali, risultando efficace in applicazioni pratiche come l'ecologia e il monitoraggio ambientale.
Questo articolo rivisita le copule parziali come strumento per rappresentare la dipendenza statistica aggiustata per una covariata, dimostrando il loro legame con la correlazione parziale, analizzando i vincoli sulle proprietà di dipendenza e illustrando il loro potenziale nell'inferenza causale attraverso uno studio di simulazione.
Basandosi sui dati del trial ACTT, questo studio sviluppa un framework causale per le analisi di sopravvivenza nei trial a piattaforma che dimostra come, per garantire robustezza ed evitare bias, sia preferibile utilizzare solo i controlli concorrenti con stimatori doppiamente robusti, piuttosto che fare affidamento sull'incrocio con controlli non concorrenti che richiede assunzioni parametriche spesso non verificabili.
Questo lavoro propone l'uso della Likelihood Sintetica Bayesiana (BSL) all'interno di una regressione di meta-analisi di rete multilivello (ML-NMR) per sfruttare dati di sintesi subgruppo e gestire covariate mancanti, superando le sfide computazionali dell'Hamiltonian Monte Carlo tramite tecniche di rilassamento continuo e campionamento per importanza, con l'obiettivo di migliorare significativamente le comparazioni di trattamento rispetto ai metodi standard.
Questo articolo propone un stimatore bayesiano gerarchico per la varianza nella stratificazione fine, dimostrando attraverso simulazioni e analisi di dati reali che esso supera le prestazioni degli stimatori esistenti riducendo sia il bias che l'errore quadratico medio.
Il paper propone un nuovo modello bayesiano non parametrico basato su un processo di Dirichlet a location-scale per identificare cluster di reti con pattern di connettività simili, dimostrando la sua consistenza e superiorità rispetto agli stati dell'arte attraverso simulazioni e l'analisi di dati di reti cerebrali umane.
Questo libro fornisce una trattazione pedagogica e unificata delle basi teoriche della previsione conforme e delle tecniche inferenziali correlate, presentando le dimostrazioni dei risultati più importanti della letteratura per offrire garanzie finite e senza assunzioni distributive nell'ambito dell'apprendimento automatico.
Questo articolo presenta algoritmi efficienti per l'aggiornamento della matrice R nelle decomposizioni QR, ottimizzando le prestazioni computazionali per applicazioni statistiche dinamiche come regressione, filtraggio e selezione del modello senza compromettere la precisione.
Questo studio propone un metodo di stima per l'approccio differenza-in-differenze semiparametrico che integra il bilanciamento delle covariate per garantire la doppia robustezza e introduce un nuovo criterio di selezione del modello basato su una correzione di asimptotica del rischio, dimostrando attraverso simulazioni e analisi reali una superiorità rispetto alle tecniche esistenti.
Il paper propone nuove formule di potenza e un metodo di ricampionamento per stimare la densità di probabilità, al fine di progettare e analizzare trial clinici con dati censurati a destra confrontando uno o più quantili di sopravvivenza, anche quando non è soddisfatta l'ipotesi di rischi proporzionali.
Il paper propone un nuovo test omnibus di bontà di adattamento per distribuzioni continue univariate basato sui momenti trigonometrici, che migliora il test LK sfruttando la struttura di covarianza per ottenere una distribuzione asintotica anche in presenza di parametri di disturbo, fornendo procedure plug-and-play validate su undici famiglie di distribuzioni e applicate a errori di previsione meteorologica.
Il documento propone un stimatore IV correttamente centrato per modelli di regressione lineare con dati in cluster e controlli ad alta dimensionalità, che gestisce restrizioni di esclusione complesse e dipendenze intra-cluster, fornendo procedure di inferenza robuste illustrate attraverso un intervento fiscale in Kenya.
Questo articolo propone un algoritmo sequenziale basato su test multivariati di tipo Cochran e una procedura bootstrap multi-round per identificare e aggregare gruppi di centri omogenei in studi multicentrici distribuiti, garantendo il recupero della partizione vera in condizioni asintotiche e dimostrando efficacia sia nelle simulazioni che nell'analisi dei dati reali.
Questo lavoro presenta un nuovo metodo di decomposizione superficiale per l'analisi di sensitività dell'affidabilità dinamica di primo passaggio di sistemi lineari soggetti a eccitazioni casuali gaussiane, che scompone la probabilità di fallimento in integrali di superficie valutati efficientemente tramite campionamento d'importanza e formule analitiche chiuse.
Il documento presenta `afttest`, un pacchetto R che implementa procedure diagnostiche basate sui residui martingala per i modelli semiparametrici di tempo accelerato di fallimento, introducendo una nuova strategia di ricampionamento basata sull'approssimazione lineare della funzione di influenza che riduce significativamente i tempi di calcolo rispetto al bootstrap moltiplicatore tradizionale mantenendo la validità asintotica.
Questo studio preregistrato confronta 28 metodi per la selezione delle variabili nella regressione logistica, concludendo che l'averaggio bayesiano dei modelli (BMA) con prior g-priors è la scelta migliore in assenza di separazione, mentre gli approcci a verosimiglianza penalizzata come LASSO offrono risultati più stabili in presenza di separazione.
Questo articolo stabilisce una nuova connessione tra la correzione robusta del bias e il prepivoting bootstrap per sviluppare un metodo di correzione che riduce la lunghezza degli intervalli di confidenza del 17% nella regressione non parametrica e nei disegni di discontinuità, mantenendo la copertura asintotica.
Il paper propone una semplice rielaborazione algebrica della decomposizione della covarianza di Yates per il punteggio di Brier, che esprime l'errore di previsione probabilistica come somma di tre termini non negativi (mismatch di varianza, deficit di correlazione e calibrazione globale), rendendo così trasparenti le condizioni necessarie per una previsione perfetta.
Questo articolo propone un approccio adattivo a due stadi per gli studi randomizzati a grappolo che combina test di combinazione, ri-stima della dimensione campionaria e criteri di arresto anticipato per ottimizzare costi ed efficienza, tenendo conto delle incertezze parametriche e delle strutture complesse come gli studi a scala a gradini.
Questo articolo propone un modello a mistura di esperti gaussiani nello spazio latente, regolarizzato tramite penalità LASSO fusa a gruppi, per rilevare punti di cambiamento nelle distribuzioni del fitoplancton misurate tramite citometria a flusso, identificando con successo una zona di transizione tra due province marine.