261 articoli
Questo articolo introduce una nuova e flessibile famiglia di distribuzioni di tipo Pareto generate tramite l'operatore integrale frazionario di Riemann–Liouville a lato destro, che offre un meccanismo teoricamente fondato per regolare il comportamento della coda e dimostra prestazioni superiori nella modellazione di dati reali a coda pesante rispetto ai modelli esistenti.
Questo studio valuta le strategie di aggiustamento del punteggio di propensione su larga scala attraverso quattro database sanitari nazionali e conclude che l'appesantimento della probabilità inversa del trattamento con il trimming di Crump e l'appaiamento 1:1 offrono generalmente le migliori prestazioni, sebbene nessuna strategia singola sia universalmente superiore, rendendo necessario l'uso di diagnostica e calibrazione empirica per guidare la selezione.
Questo studio propone un framework probabilistico consapevole dell'incertezza che utilizza la regressione dei processi gaussiani per ricostruire efficacemente i dati sparsi del monitoraggio delle radiazioni basati su UAV dalla Zona di Esclusione di Chernobyl, superando i metodi di interpolazione tradizionali in termini di accuratezza e fornendo al contempo stime essenziali dell'incertezza spaziale per un processo decisionale ambientale informato.
Questo articolo introduce una classe di stimatori M robusti e regolarizzati per la regressione ad alta dimensionalità che raggiunge tassi di convergenza ottimali e consistenza nella selezione delle variabili sotto condizioni di momento minime (finito ), superando i metodi esistenti sia nelle simulazioni che nelle applicazioni genomiche reali quando si tratta di errori a coda pesante, asimmetrici o contaminati.
Il documento propone lo Sparse Convex Biclustering (SpaCoBi), un nuovo metodo di ottimizzazione convessa con un criterio di sintonizzazione basato sulla stabilità che affronta efficacemente le sfide legate al rumore e alla computazione nei dataset ad alta dimensionalità, dimostrando un'accuratezza e una robustezza superiori rispetto alle esistenti tecniche di biclustering allo stato dell'arte.
Questo articolo dimostra che l'inclusione di valutazioni composite della qualità come covariate nei modelli di regressione introduce un bias di circolarità che attenua sistematicamente gli effetti stimati dei predittori strutturali, un pericolo metodologico confermato attraverso i dati CMS sulle riammissioni ospedaliere e simulazioni Monte Carlo.
Questo studio dimostra che la scarsità di risorse percepita aumenta il processo decisionale rischioso, in particolare in condizioni di alto rischio oggettivo, accelerando il tasso di deriva verso l'opzione rischiosa come rivelato attraverso la modellazione della diffusione del drift gerarchica.
Questo articolo presenta un framework di dati pubblici spiegabile e riproducibile per l'integrità dei pagamenti Medicare che integra ensemble di anomalie con aggregazione di rango e bande di riferimento del costo conformi per dare priorità al triage degli audit, distinguendo al contempo le anomalie statistiche dalla prova di condotta illecita.
Questo articolo introduce un indicatore della dimensione dell'effetto basato sulla mediana per la ricerca nell'educazione matematica che offre un'alternativa più intuitiva e robusta al d di Cohen confrontando i valori dei gruppi con le mediane, riducendo così la sensibilità alle distribuzioni asimmetriche, agli outlier e ai piccoli campioni, pur allineandosi meglio alle interpretazioni pratiche delle prestazioni degli studenti.
Questo articolo introduce il framework HAIB-MEC, un sistema ibrido che combina l'apprendimento automatico e l'approccio bayesiano, integrando la modellazione predittiva non lineare con la correzione gerarchica dell'incertezza per migliorare significativamente l'accuratezza, ridurre il bias e potenziare l'affidabilità nei dataset sanitari influenzati da errori di misurazione.