441 articoli
Questo articolo propone un framework di infusione adattiva dell'errore di misurazione che quantifica l'importanza del mediatore valutando il degrado del percorso sotto perturbazioni controllate, offrendo un metodo robusto per la selezione dei mediatori sia in sistemi lineari che non lineari dove i segnali sono deboli o sono presenti interazioni.
Questo articolo dimostra attraverso un'analisi pan-cancerica preregistrata che un'ipotesi riguardante l'accoppiamento matematico negli studi prognostici sull'espressione genica è stata confermata ampiamente per costruzione, poiché i criteri di test sono stati soddisfatti anche quando applicati a dati nulli con esiti permutati, evidenziando la critica necessità di validare le pipeline analitiche rispetto agli esiti permutati per evitare conclusioni di falso confondimento.
Questo studio utilizza simulazioni controllate e dataset empirici per dimostrare che la completazione tramite componenti principali in un unico passaggio migliora l'accuratezza della previsione rispetto alle semplici medie delle colonne solo quando i dati presentano una struttura tra le colonne e una densità di osservazione sufficiente, fallendo invece nel fornire un recupero non distorto per colonne indipendenti o per esiti clinici naturalmente mancanti.
Questo studio propone e valuta sistematicamente un framework a due fasi di tipo "screening-più-conferma" che combina lo screening top-k basato su SHAP con i test di Wald, la correzione BH e la validazione della robustezza tramite bootstrap per bilanciare efficacemente il controllo dei falsi positivi e la sensibilità di rilevamento nell'analisi delle interazioni, stabilendo al contempo linee guida operative specifiche e livelli di gradazione dell'evidenza per l'applicazione nel mondo reale.
Questo articolo sostiene che interpretare le ipotesi e del framework di Neyman–Pearson attraverso una lente epistemica costituisca un errore categoriale, poiché esse non funzionano come affermazioni di verità per la giustificazione razionale, bensì come strumenti metodologici normativi progettati per regolare il processo decisionale in condizioni di incertezza, richiedendo così una distinzione non gerarchica e basata sul problema tra epistemologia e metodologia.
Questo articolo propone un framework per la RM sequenziale che utilizza fibre di osservazione controllate e l'arresto del prefisso causale per fornire limiti di confidenza uniformi nel tempo e una quantificazione dell'incertezza robusta, separando efficacemente identificazione, rifiuto e costo di acquisizione pur affrontando l'equivalenza osservativa e la misspecificazione del modello.
Questo articolo stabilisce che, sotto il processo di sbiancamento indotto da Fisher, il parametro di forma del modello KA è invariante rispetto alla rappresentazione, mentre l'esponente di scala subisce uno spostamento universale di , un reperto confermato da identità esatte su campioni finiti e simulazioni Monte Carlo ad alta precisione.
Questo articolo propone un metodo Multilevel Monte Carlo annidato, potenziato dalla preintegrazione, per superare la discontinuità e gli elevati costi computazionali della stima del rischio standard, raggiungendo un tasso di convergenza forte superiore di -1 e una complessità quasi ottimale, gestendo al contempo efficacemente i fenomeni di alta curtosi.
In prove simulate di disturbo depressivo maggiore, un approccio di deep learning ha dimostrato una precisione e una robustezza superiori nella stima degli effetti del trattamento alla settimana 8 rispetto ai modelli misti tradizionali per misure ripetute, richiedendo al contempo meno assunzioni a priori sul sistema di dati sottostante.
Questo articolo sviluppa un quadro generale per la misurazione della dispersione applicando funzionali statistici alle deviazioni assolute da un valore di riferimento, stabilisce le principali disuguaglianze che confrontano tali misure e illustra il loro comportamento attraverso varie distribuzioni mediante simulazione.