441 articoli
Questo articolo propone una metodologia CUPAC a potenza ottimale per esperimenti switchback con dimensioni dei cluster disuguali che migliora la potenza statistica bilanciando specificamente la predizione del rumore tra e all'interno delle unità di randomizzazione, piuttosto che limitarsi a mirare all'accuratezza predittiva complessiva.
Questo studio ha valutato psicometricamente il Disaster Preparedness Evaluation Tool (DPET) tra 152 studenti paramidici sauditi, perfezionando lo strumento originale da 36 item in una struttura robusta a quattro fattori e 24 item con una forte coerenza interna per valutare meglio la preparazione ai disastri nelle popolazioni dei servizi medici di emergenza.
Questo studio propone un framework di analisi dell'incertezza e della sensibilità globale (UA-GSA) per valutare come le incertezze nella domanda, nell'offerta e nell'impedenza del viaggio influenzino le stime dell'accessibilità ai parchi urbani basate sul metodo 2SFCA a Seul, rivelando che, sebbene i modelli spaziali rimangano coerenti, le fonti dominanti di incertezza variano significativamente nello spazio e nel tempo.
Questo studio valuta quantitativamente il calcolo distribuito, il sottocampionamento e l'ottimizzazione tramite minibatch per l'analisi statistica su larga scala, riscontrando che mentre i metodi distribuiti aumentano la potenza ad alto costo e il sottocampionamento risparmia risorse con limiti di scalabilità, l'ottimizzazione tramite minibatch offre il miglior equilibrio complessivo tra velocità, efficienza delle risorse e accuratezza.
Questo articolo introduce un framework di affidabilità ispirato alla cosmologia che impiega limiti di perturbazione deterministici e gate di ammissione multilivello per certificare l'accuratezza del clustering spettrale su Laplaciani di grafi, dimostrando che i certificati direzionali e i gate ad ampiezza uniforme superano i residui scalari nella validazione della stabilità degli autovettori sotto rumore discreto.
Questo articolo propone un'approssimazione Semi-Berry che partiziona le variabili casuali scala-omogenee in gruppi aggregati gaussianamente e mirati alla simulazione in base al rapporto di Lyapunov, riducendo significativamente gli errori dei quantili di coda e i costi computazionali rispetto alle approssimazioni Normali standard o alle simulazioni Monte Carlo complete.
Questo articolo propone un test bootstrap robusto per la causalità di Granger bidirezionale in modelli VAR gaussiani che utilizza l'informazione mutua non spiegata, una procedura intersezione-unione e la stima M di Huber per affrontare le lacune nella validità in campioni finiti, nella distinzione della direzionalità causale e nella sensibilità agli outlier.
Questo articolo introduce la Topological Causal Data Analysis (TCDA), un framework che integra riassunti topologici stabili con l'inferenza causale per analizzare esiti strutturati come immagini e reti, fornendo risultati di identificazione, stima e consistenza sia per gli effetti causali individuali che a livello di distribuzione, chiarendo al contempo i limiti della topologia nella scoperta causale.
Il documento introduce DiSAH, un algoritmo federato non iterativo e comunicativamente efficiente che consente la stima multi-sito delle differenze di rischio per l'analisi della sopravvivenza senza condividere dati a livello di paziente, raggiungendo un'accuratezza paragonabile ai modelli centralizzati e superando i tradizionali approcci di meta-analisi e quelli locali.
Questo articolo propone un framework bayesiano consapevole delle regole che ricostruisce le preferenze latenti della folla nei sistemi ibridi esperto-folla attraverso la modellazione delle utilità latenti tramite problemi di preferenza inversa dinamica, consentendo l'audit dei compromessi di aggregazione e la valutazione di protocolli decisionali controfattuali attraverso 33 stagioni di dati di competizioni televisive.