14 articoli
Il paper sostiene che, sebbene la motivazione etica alla base di una funzione di utilità che discrimina tra vite salvate evitando trattamenti dannosi e vite salvate somministrando trattamenti sia valida, la sua applicabilità pratica risulti limitata da specifici controesempi.
Questo articolo propone un quadro unificato per il rilevamento delle anomalie basato sulla surprisal, che riduce il problema alla stima della coda di una distribuzione univariata attraverso stimatori empirici e di valori estremi, dimostrando efficacia anche in presenza di significativa specificazione errata del modello.
Il paper introduce gli Augmented Time Series Causal Models (ATSCM), un framework che integra l'analisi causale temporale e il ragionamento controfattuale per modellare le complesse relazioni nei mercati energetici e simulare scenari futuri, come l'impatto di diverse configurazioni di generazione rinnovabile sui prezzi dell'elettricità.
Il paper propone il TNCM-VAE, un modello generativo che combina autoencoder variazionali e modelli causali strutturali per produrre serie temporali finanziarie sintetiche capaci di preservare le dipendenze temporali e le relazioni causali, abilitando così analisi controfattuali e test di stress più accurati.
Il documento estende i giochi causali a scenari sequenziali per modellare agenti AI, dimostrando teoricamente la complessità computazionale ma rivelando empiricamente che tale approccio non offre alcun vantaggio di benessere rispetto all'equilibrio di Stackelberg classico, suggerendo così la necessità di nuovi framework teorici oltre la razionalità standard.
Questo articolo propone e descrive l'implementazione di una rappresentazione formale dell'analisi dei dati che, superando la semplice riproducibilità del codice, esternalizza il ragionamento logico dell'analista per valutarne la qualità, visualizzare le connessioni logiche e testare la sensibilità delle ipotesi senza necessariamente disporre dei dati originali.
Questo articolo propone un quadro bayesiano per la programmazione lineare che integra l'incertezza appresa dai dati attraverso garanzie di fattibilità posteriori, offrendo strategie computazionali e procedure di certificazione per decisioni più sicure e interpretabili rispetto ai metodi classici.
Il paper propone un gioco dinamico bayesiano gerarchico per la gestione competitiva di inventario e prezzi in condizioni di informazione incompleta, integrando l'apprendimento sulla domanda e sulle caratteristiche dei rivali con un criterio di "rischio credibile" che bilancia profitti attesi e dispersione predittiva, dimostrando la sua efficacia sia in simulazioni operative che in applicazioni su dati biologici reali.
Questo studio dimostra che, sebbene i metodi lineari siano superiori per rilevare interazioni lineari in meta-regressioni con pochi studi, gli alberi basati su metodi di selezione della stabilità (specialmente quelli con effetti casuali) offrono un'alternativa robusta e complementare per identificare interazioni non lineari e supportare analisi di sensibilità.
Questo articolo esamina il ruolo strategico, l'organizzazione e i fattori di successo dei gruppi dedicati alla metodologia statistica nell'industria farmaceutica, evidenziando come la loro capacità di sviluppare e integrare approcci quantitativi innovativi sia fondamentale per ottimizzare l'efficienza, la velocità e la probabilità di successo dei processi di sviluppo dei farmaci.
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.
Il paper sfida l'interpretazione tradizionale "o copre o non copre" degli intervalli di confidenza di Neyman, dimostrando attraverso argomenti informali e formali che le probabilità post-data per singoli eventi di copertura sono concettualmente legittime e coerenti con la stessa matematica che definisce i tassi di errore a lungo termine, proponendo invece una visione della confidenza come probabilità predittiva.
Il paper propone un'interpretazione decisionale degli intervalli di confidenza frequentisti, trattando la copertura come una previsione probabilistica ottimizzata tramite regole di scoring adeguate, il che permette di assegnare un significato di "confidenza" a un singolo intervallo senza ricorrere a priori bayesiani o credenze soggettive.
Uno studio sperimentale ha dimostrato che, sebbene la scelta del contesto dei dati non migliori i voti nei compiti di statistica, aumenta significativamente l'impegno, la motivazione e l'autonomia degli studenti, suggerendo agli educatori di utilizzare dati reali con contesti pertinenti e variabili offrendo agli studenti la possibilità di scegliere.