stat.ME articoli | Gist.Science

Effective Degrees of Freedom for Balanced Repeated Replication and Paired Jackknife Variance Estimates: A Unified Approach via Stratum Contrasts

Questo articolo presenta un approccio unificato per stimare i gradi di libertà effettivi nelle varianze ottenute tramite Balanced Repeated Replication e Jackknife accoppiato, dimostrando come le proprietà di indipendenza dei contrasti stratali permettano di derivare una formula pratica per l'approssimazione di Welch-Satterthwaite necessaria alla costruzione di intervalli di confidenza.

Matthias von DavierFri, 13 Ma📊 stat

Cross-Validation in Bipartite Networks

Questo articolo propone un approccio di convalida incrociata penalizzata per la selezione del modello nei modelli a blocchi stocastici bipartiti, fornendo la prima garanzia di consistenza teorica e superando i metodi tradizionali preservando l'asimmetria tra i due insiemi di nodi.

Bokai Yang, Yuanxing Chen, Yuhong YangFri, 13 Ma📊 stat

A Semiparametric Nonlinear Mixed Effects Model with Penalized Splines Using Automatic Differentiation

Questo articolo presenta un nuovo metodo di stima per modelli ad effetti misti non lineari che utilizza penalized splines e differenziazione automatica tramite Template Model Builder per migliorare le prestazioni inferenziali e ridurre il carico computazionale, come dimostrato sia in simulazioni che in uno studio di caso sulla crescita infantile.

Matteo D'Alessandro, Magne Thoresen, Øystein SørensenFri, 13 Ma📊 stat

Including historical control data in simultaneous inference for pre-clinical multi-arm studies

Il paper propone un approccio bayesiano dinamico che integra dati storici di controllo per ridurre il numero di animali nei gruppi di controllo negli studi tossicologici pre-clinici a bracci multipli, mantenendo il controllo del tasso di errore familiare e proteggendo contro le derive dei dati.

Max Menssen, Carsten Kneuer, Gyamfi Akyianu, Christian Röver, Tim Friede, Frank SchaarschmidtFri, 13 Ma📊 stat

Causal Influence Maximization with Steady-State Guarantees

Il documento presenta CIM, un framework a due stadi che combina inferenza causale e ottimizzazione di rete per selezionare un insieme di semi che massimizza l'esito causale a regime, offrendo garanzie teoriche sia sulla stima delle funzioni di risposta che sul rapporto di approssimazione.

Renjie Cao, Zhuoxin Yan, Xinyan Su, Zhiheng ZhangFri, 13 Ma📊 stat

Robust Sequential Hypothesis Testing with Generalized Estimating Equations

Questo articolo presenta un nuovo approccio robusto per il test di ipotesi sequenziale basato sulle equazioni di stima generalizzate, che amplia la gamma di ipotesi verificabili, fornisce una teoria asintotica per le matrici di covarianza e gestisce dati incompleti, come dimostrato da simulazioni e da un'applicazione reale su uno studio longitudinale sull'epatite C.

Nathan T. Provost, Abdus S. WahedFri, 13 Ma📊 stat

Data Fusion with Distributional Equivalence Test-then-pool

Il documento presenta un nuovo quadro metodologico di "test-then-pool" che fonde i dati dei gruppi di controllo storici e attuali utilizzando test di equivalenza basati sulla discrepanza massima del nucleo (MMD) e procedure di bootstrap parziale, garantendo un rigoroso controllo dell'errore di Tipo I e una maggiore potenza statistica rispetto ai metodi tradizionali.

Linying Yang, Xing Liu, Robin J. EvansFri, 13 Ma📊 stat

Causal Representation Learning with Optimal Compression under Complex Treatments

Questo articolo propone un nuovo limite di generalizzazione e un estimatore teorico per gli effetti del trattamento individuale in scenari multi-trattamento, introducendo la strategia di aggregazione dei trattamenti e l'architettura generativa Multi-Treatment CausalEGM per superare le sfide di selezione degli iperparametri e di scalabilità computazionale.

Wanting Liang, Haoang Chi, Zhiheng ZhangFri, 13 Ma📊 stat

Distributionally balanced sampling designs

Il paper propone i Disegni di Campionamento Bilanciati Distribuzionalmente (DBD), una nuova classe di disegni probabilistici che massimizzano la rappresentatività campionaria minimizzando la discrepanza tra le distribuzioni ausiliarie della popolazione e del campione, offrendo così stime più affidabili in contesti di raccolta dati costosi come l'ecologia e le scienze ambientali.

Anton Grafström, Wilmer PrentiusFri, 13 Ma📊 stat

Bayesian Model Calibration with Integrated Discrepancy: Addressing Inexact Dislocation Dynamics Models

Questo lavoro presenta un nuovo approccio di calibrazione bayesiana che integra la discrepanza del modello direttamente all'interno del simulatore tramite processi gaussiani, offrendo un'alternativa al metodo KOH per la calibrazione di modelli di dinamica delle dislocazioni inexacti rispetto ai dati della dinamica molecolare.

Liam Myhill, Enrique Martinez Saez, Sez RusscherFri, 13 Ma📊 stat

Uncovering Locally Low-dimensional Structure in Networks by Locally Optimal Spectral Embedding

Il paper introduce il Local Adjacency Spectral Embedding (LASE), un metodo che supera i limiti dell'embedding spettrale globale catturando strutture localmente a bassa dimensionalità nelle reti attraverso una decomposizione spettrale pesata, garantendo così migliori prestazioni nella ricostruzione locale e nella visualizzazione.

Hannah Sansford, Nick Whiteley, Patrick Rubin-DelanchyFri, 13 Ma📊 stat

Low-Rank and Sparse Drift Estimation for High-Dimensional Lévy-Driven Ornstein--Uhlenbeck Processes

Questo lavoro propone e analizza un metodo di stima convesso basato sulla decomposizione in componenti a basso rango e sparse per la matrice di deriva di processi di Ornstein-Uhlenbeck ad alta dimensione guidati da rumore di Lévy, dimostrando che tale approccio migliora la dipendenza dalla dimensione rispetto agli stimatori puramente sparsi attraverso una disuguaglianza oracolo non asintotica.

Marina PalaistiFri, 13 Ma📊 stat

Wasserstein Gradient Flows for Batch Bayesian Optimal Experimental Design

Questo articolo propone un nuovo approccio al disegno ottimale bayesiano degli esperimenti in batch basato sui flussi gradiente di Wasserstein, che trasforma il problema di ottimizzazione non convesso in uno spazio di misure probabilistiche per derivare algoritmi scalabili in grado di gestire efficacemente paesaggi di ottimizzazione multimodali.

Louis SharrockFri, 13 Ma📊 stat

Riemannian Laplace Approximation with the Fisher Metric

Questo lavoro corregge le limitazioni dell'approssimazione di Laplace riemanniana basata sulla metrica di Fisher, introducendo due varianti alternative che garantiscono l'esattezza asintotica e migliorano le prestazioni pratiche nelle inferenze bayesiane.

Hanlin Yu, Marcelo Hartmann, Bernardo Williams + 2 more2026-03-12🤖 cs.LG

Bayesian Sensitivity Analysis for Causal Estimation with Time-varying Unmeasured Confounding

Questo articolo sviluppa ed estende due approcci di analisi di sensibilità bayesiana, basati su variabili di confondimento latenti e su funzioni di sensibilità, per stimare gli effetti dei trattamenti temporali variabili in presenza di confondimento non misurato variabile nel tempo, valutandone le prestazioni tramite simulazioni e applicandole a dati reali di un registro pediatrico.

Yushu Zou, Liangyuan Hu, Amanda Ricciuto + 2 more2026-03-12📊 stat

Regression approaches for modelling genotype-environment interaction and making predictions into unseen environments

Questo articolo esamina e unifica nell'ambito di un comune quadro di previsione basato su modelli lineari misti le diverse approcci di regressione per modellare l'interazione genotipo-ambiente e stimare l'incertezza delle previsioni in ambienti non osservati, illustrando i metodi con un dataset di varietà di riso in Bangladesh.

Maksym Hrachov, Hans-Peter Piepho, Niaz Md. Farhat Rahman + 1 more2026-03-12📊 stat

Robust Estimation of Polychoric Correlation

Questo articolo propone un nuovo stimatore robusto per la correlazione policonica che, minimizzando una funzione di perdita basata sulla divergenza tra frequenze osservate e teoriche, supera i limiti della massima verosimiglianza di fronte a violazioni delle assunzioni di normalità latente e alla presenza di rispondenti negligenti, garantendo consistenza, distribuzione asintotica normale e costi computazionali equivalenti.

Max Welz, Patrick Mair, Andreas Alfons2026-03-11📊 stat

Bayesian Evidence Synthesis for Modeling SARS-CoV-2 Transmission

Questo articolo presenta un approccio bayesiano per sintetizzare dati pubblici e modellare la trasmissione di SARS-CoV-2, permettendo di stimare il numero totale di infezioni, valutare l'impatto della mobilità e confrontare metodi di inferenza come Hamiltonian Monte Carlo rispetto alla variational Bayes per supportare le decisioni durante la pandemia.

Anastasios Apsemidis, Nikolaos Demiris2026-03-10📊 stat

MCMC using $\textit{bouncy}$ Hamiltonian dynamics: A unifying framework for Hamiltonian Monte Carlo and piecewise deterministic Markov process samplers

Questo articolo presenta un quadro unificante che collega l'HMC e i processi stocastici deterministici a tratti (PDMP) attraverso dinamiche hamiltoniane "rimbalzanti", permettendo la costruzione di proposte Metropolis senza rifiuto che combinano le proprietà di entrambi gli approcci e offrono prestazioni competitive su problemi Bayesiani su larga scala.

Andrew Chin, Akihiko Nishimura2026-03-10📊 stat

Relational event models with global covariates

Questo studio propone un innovativo approccio di campionamento basato su eventi non verificatisi temporalmente spostati per stimare l'effetto di covariate globali nei modelli di eventi relazionali, applicandolo con successo all'analisi di oltre 350.000 noleggi di biciclette a Washington D.C. per rivelare l'influenza significativa di fattori come il meteo e l'ora del giorno sulla dinamica del bike sharing.

Melania Lembo, Rūta Juozaitienė, Veronica Vinciotti + 1 more2026-03-10📊 stat

← Precedente Successivo →

stat.ME