254 articoli
Il paper propone PATRO, un approccio semplice ed efficace che applica aggiustamenti indipendenti dai dati alle stime sperimentali per ottimizzare simultaneamente le decisioni di rollout e le operazioni a valle, riducendo le perdite dovute all'asimmetria dei costi di sovrastima o sottostima senza ricorrere a complesse regole decisionali bayesiane.
Questo lavoro stabilisce una forte approssimazione gaussiana per statistiche U non degeneri in dimensioni elevate e divergenti, fornendo una fondazione probabilistica unificata per l'inferenza statistica che rimane valida anche sotto distribuzioni a code pesanti.
Questo studio propone un approccio di previsione conformale, modello-indipendente e privo di assunzioni distributive, per quantificare l'incertezza nelle serie temporali funzionali ad alta dimensionalità, confrontando le prestazioni delle varianti "split" e "sequenziale" su dati di mortalità per età a livello subnazionale in Giappone e Canada.
Questa revisione metodologica del 2025 rivela che, sebbene le indagini sull'eterogeneità siano comuni nelle meta-analisi di accuratezza diagnostica, la loro esecuzione e segnalazione presentano spesso lacune riguardo alla prespecificazione nei protocolli, alla scelta dei modelli statistici e alla sufficienza dei dati per i sottogruppi.
Questo lavoro presenta un'implementazione Python di strumenti geometrici per l'analisi delle forme 3D nello spazio di Kendall, colmando il divario tra la teoria geometrica e le applicazioni pratiche integrando funzionalità specializzate mancanti nella libreria Geomstats.
Questo studio confronta l'approssimazione bayesiana tramite Monte Carlo Dropout e il framework di Conformal Prediction su due architetture CNN addestrate su Fashion-MNIST, evidenziando come GoogLeNet offra stime di incertezza meglio calibrate rispetto a H-CNN VGG16 e come il Conformal Prediction garantisca validità statistica cruciale per decisioni ad alto rischio.
Il paper propone PCID, un nuovo metodo basato su test di permutazione e isolamento per il rilevamento offline di multipli punti di cambiamento in segnali circolari, dimostrando la sua efficacia sia in simulazioni che su dati reali.
Il paper presenta ReTabSyn, un metodo di sintesi tabulare basato sul reinforcement learning che, focalizzandosi sulla distribuzione condizionale anziché su quella congiunta completa, migliora l'efficienza dei dati e le prestazioni dei modelli predittivi in scenari con campioni limitati e squilibrio delle classi.
Questo articolo propone un quadro pratico di progettazione e analisi bayesiana per trial clinici di precisione che utilizza un modello a pesi individuali per integrare parzialmente dati esterni basati sulla somiglianza delle covariate, con l'obiettivo di migliorare la stima degli effetti nei sottogruppi e ottimizzare la dimensione campionaria.
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 spiega in dettaglio e amplia un metodo statistico innovativo per la valutazione dei programmi di screening, basato sulla suddivisione del tempo di rischio e sull'uso di offset di regressione di Poisson, che permette di ottenere stime più precise dell'impatto sulla mortalità rispetto alle tecniche tradizionali.
Il paper propone nuovi test basati su kernel, utilizzando la discrepanza di Stein e la discrepanza massima media, per valutare l'equivalenza tra distribuzioni e superare i limiti dei test di bontà di adattamento tradizionali che non possono confermare l'assenza di differenze significative.
Questo articolo esamina come la scelta dell'estimando influenzi la determinazione del margine di non-inferiorità nei trial clinici, evidenziando le sfide poste dall'allineamento tra le prove storiche e gli obiettivi dello studio, specialmente nel contesto del framework ICH E9(R1) applicato alla gestione del peso.
Questo articolo propone un nuovo framework di meta-analisi adattivo all'eterogeneità che, attraverso una penalità basata sulla divergenza di Kullback-Leibler, ottimizza la condivisione delle informazioni tra dataset ottenendo stimatori con errore quadratico medio inferiore e procedure inferenziali valide senza assumere l'omogeneità dei parametri.
Il paper propone un metodo non parametrico per la costruzione di intervalli di tolleranza basato su un posterior di Gibbs calibrato, che garantisce una copertura frequentista affidabile e intervalli più brevi rispetto alle tecniche tradizionali, risultando efficace in applicazioni pratiche come l'ecologia e il monitoraggio ambientale.
Questo lavoro propone un metodo pratico basato su stimatori di densità kernel (KDE) per quantificare il rischio di divulgazione dell'appartenenza in dati sintetici tabulari, permettendo una valutazione robusta della privacy senza la necessità di costosi modelli ombra.
Questo articolo rivisita le copule parziali come strumento per rappresentare la dipendenza statistica aggiustata per una covariata, dimostrando il loro legame con la correlazione parziale, analizzando i vincoli sulle proprietà di dipendenza e illustrando il loro potenziale nell'inferenza causale attraverso uno studio di simulazione.
Questo articolo introduce un framework di previsione selettiva per il recupero di strutture molecolari dagli spettri di massa, dimostrando che l'uso di misure di incertezza a livello di recupero e di controllo del rischio senza distribuzione permette di ottenere annotazioni affidabili con un tasso di errore controllato, evitando così previsioni in contesti ad alto rischio.
Questo lavoro introduce Scorio, una libreria open-source per il ranking statistico dei modelli linguistici di ragionamento sotto scaling del tempo di test, dimostrando che la maggior parte dei metodi proposti produce risultati coerenti con uno standard aureo bayesiano sia in scenari ad alto che a basso budget di trial.
Basandosi sui dati del trial ACTT, questo studio sviluppa un framework causale per le analisi di sopravvivenza nei trial a piattaforma che dimostra come, per garantire robustezza ed evitare bias, sia preferibile utilizzare solo i controlli concorrenti con stimatori doppiamente robusti, piuttosto che fare affidamento sull'incrocio con controlli non concorrenti che richiede assunzioni parametriche spesso non verificabili.