stat articoli | Gist.Science

Two Localization Strategies for Sequential MCMC Data Assimilation with Applications to Nonlinear Non-Gaussian Geophysical Models

Questo articolo presenta due strategie di localizzazione per l'assimilazione di dati basata su SMCMC, un metodo sequenziale che evita la degenerazione dei pesi tipica dei filtri a particelle, dimostrando la sua efficacia ed efficienza nel filtraggio di modelli geofisici non lineari e non gaussiani ad alta dimensionalità, inclusi casi con rumore pesante e dati reali della missione SWOT.

Hamza Ruzayqat, Hristo G. Chipilski, Omar KnioMon, 09 Ma📊 stat

Modeling Animal Communication Using Multivariate Hawkes Processes with Additive Excitation and Multiplicative Inhibition

Questo studio propone una nuova classe di processi di Hawkes multivariati che combina eccitazione additiva e inibizione moltiplicativa per modellare la comunicazione acustica animale, risolvendo problemi di identificabilità e applicando il metodo a dati di suricati e balene per rivelare dinamiche di eccitazione e inibizione sia intra- che inter-specifiche.

Bokgyeong Kang, Erin M. Schliep, Alan E. Gelfand, Ariana Strandburg-Peshkin, Robert S. SchickMon, 09 Ma📊 stat

On parameter estimation for the truncated skew-normal distribution

Il paper propone il metodo GRID-MOM, un approccio basato su griglia che decoupla la stima del parametro di forma da quelli di posizione e scala per ottenere stime più stabili e accurate della distribuzione skew-normal troncata, superando le instabilità numeriche dei metodi esistenti.

Kwangok Seo, Seul Lee, Johan LimMon, 09 Ma📊 stat

Simultaneously accounting for winner's curse and sample structure in Mendelian randomization: bivariate rerandomized inverse variance weighted estimator

Il documento presenta l'estimatore BRIVW, un nuovo metodo per la randomizzazione mendeliana che risolve simultaneamente il problema della maledizione del vincitore e della struttura campionaria, fornendo stime degli effetti causali più accurate rispetto alle tecniche esistenti.

Xin Liu, Ping Yin, Peng WangMon, 09 Ma📊 stat

Clustering-Based Outcome Models for Clinical Studies: A Scoping Review

Questa revisione sistematica esamina i modelli di outcome basati sul clustering per studi clinici, distinguendo tra approcci "informati" e "agnostici", e ne illustra le applicazioni nella stratificazione del rischio, nella ricerca sulle malattie rare e nella stima degli effetti terapeutici specifici per sottogruppi.

Johannes Vilsmeier, Fabian Eibensteiner, Franz König, Francois Mercier, Robin Ristl, Nigel Stallard, Marc Vandemeulebroecke, Sarah Zohar, Martin PoschMon, 09 Ma📊 stat

Optimizing Complex Health Intervention Packages through the Learn-As-you-GO (LAGO) Design

Questo articolo presenta il disegno sperimentale Learn-As-you-GO (LAGO), un approccio adattivo che ottimizza i pacchetti di interventi sanitari complessi durante lo svolgimento dello studio per massimizzare l'efficacia e ridurre i costi, dimostrando come tale metodologia avrebbe potuto prevenire il fallimento dello studio BetterBirth e applicandola a nuove sperimentazioni su HIV e malattie non trasmissibili.

Donna Spiegelman (Center on Methods for Implementation,Prevention Science,,Department of Biostatistics, Yale University), Dong Roman Xu (Southern Medical University Institute for Global Health), Ante Bing (Department of Mathematics,Statistics, Boston University), Guangyu Tong (Section of Cardiovascular Medicine, Department of Internal Medicine, Yale University), Mona Abdo (Center on Methods for Implementation,Prevention Science,,Department of Biostatistics, Yale University), Jingyu Cui (Center on Methods for Implementation,Prevention Science,,Department of Biostatistics, Yale University), Charles Goss (Center for Biostatistics,Data Science, Washington University School of Medicine), John Baptist Kiggundu (Infectious Diseases Research Collaboration), Chris T. Longenecker (Division of Cardiology,Department of Global Health, University of Washington), LaRon Nelson (Yale School of Nursing, Yale University), Drew Cameron (Department of Health Policy,Management, Yale University), Fred Semitala (Infectious Diseases Research Collaboration,,Department of Medicine, Makerere University,,Makerere University Joint AIDS Program), Xin Zhou (Center on Methods for Implementation,Prevention Science,,Department of Biostatistics, Yale University), Judith J. Lok (Department of Mathematics,Statistics, Boston University)Mon, 09 Ma📊 stat

Large Wave Direction Data Modeling Using Wrapped Spatial Gaussian Markov Random Fields

Il paper propone un modello di campo casuale gaussiano spaziale avvolto (WGMRF) per l'analisi efficiente e scalabile di grandi dataset direzionali spaziali, superando i limiti computazionali dei modelli esistenti e dimostrando prestazioni superiori nell'applicazione ai dati sulle direzioni delle onde durante lo tsunami dell'Oceano Indiano del 2004.

Arnab HazraMon, 09 Ma📊 stat

Variable selection in linear mixed model meta-regression with suspected interaction effects -- How can tree-based methods help?

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.

Jan-Bernd Igelmann, Paula Lorenz, Markus PaulyMon, 09 Ma📊 stat

Estimating Residential Displacement in the Central Puget Sound Region using Household Survey Data

Questo studio propone un nuovo metodo basato su modelli bayesiani e dati di sondaggi familiari per stimare lo spostamento residenziale a livello sub-contee nella regione del Puget Sound centrale, rivelando variazioni geografiche e una temporanea riduzione del fenomeno tra il 2020 e il 2021.

Ameer Dharamshi, Mary Richards, Suzanne Childress, Brian Lee, Daniel CaseyMon, 09 Ma📊 stat

Bayesian Additive Distribution Regression

Il paper presenta DistBART, un approccio bayesiano non parametrico per la regressione distribuzionale che utilizza ensemble di alberi decisionali per modellare funzionali lineari, offrendo sia risultati teorici sulla concentrazione che una scalabilità computazionale tramite approssimazione a caratteristiche casuali.

Antonio R. Linero, Soumyabrata Bose, Jared MurrayMon, 09 Ma📊 stat

Risk Prediction in Cancer Imaging Using Enriched Radiomics Features

Lo studio presenta un framework di radiomica arricchito che integra dati strutturali classici con nuove caratteristiche funzionali derivate dalle mappe di pattern di enhancement (EPM) della risonanza magnetica epatica, dimostrando prestazioni superiori nella classificazione diagnostica e nella stratificazione del grado tumorale rispetto ai metodi tradizionali.

Alec Reinhardt, Tsung-Hung Yao, Raven Hollis, Galia Jacobson, Millicent Roach, Mohamed Badawy, Peter Park, Laura Beretta, David Fuentes, Newsha Nikzad, Prasun Jalal, Eugene Koay, Suprateek KunduMon, 09 Ma📊 stat

Balancing Efficiency and Feasibility: A Sensitivity Analysis of the Augmentation Parameter in the Finite Selection Model

Questo studio analizza l'impatto del parametro di augmentazione nel Modello di Selezione Finita, dimostrando tramite simulazioni Monte Carlo che un livello moderato migliora l'equilibrio delle covariate mantenendo l'efficienza, mentre un'eccessiva augmentazione può compromettere la stabilità degli stimatori.

Safaa K. KadhemMon, 09 Ma📊 stat

Predictive Distributions and the Transition from Sparse to Dense Functional Data

Questo studio analizza la convergenza delle distribuzioni predittive per i punteggi delle componenti principali funzionali quando i dati longitudinali passano da una modalità di campionamento sparso a uno denso, dimostrando che sotto l'ipotesi di normalità l'intera distribuzione predittiva si contrae verso un punto fisso e derivando tassi di convergenza asintotici per le distribuzioni predittive stimate nella metrica di Wasserstein.

Álvaro Gajardo, Xiongtao Dai, Hans-Georg MüllerFri, 13 Ma📊 stat

Bounds on Representation-Induced Confounding Bias for Treatment Effect Estimation

Questo articolo propone un nuovo quadro di refutazione agnostico rispetto alla rappresentazione, basato su reti neurali, per stimare i limiti del bias di confondimento indotto dalla riduzione dimensionale nell'analisi dell'effetto causale del trattamento, permettendo così di identificare parzialmente l'effetto e quantificare l'incertezza quando le rappresentazioni a bassa dimensionalità compromettono la validità delle stime.

Valentyn Melnychuk, Dennis Frauen, Stefan FeuerriegelFri, 13 Ma📊 stat

Geometry of Singular Foliations and Learning Manifolds in ReLU Networks via the Data Information Matrix

Il paper propone l'uso della Matrice di Informazione sui Dati (DIM) derivata da una rete neurale ReLU per rivelare una struttura di fogliatura singolare nello spazio dei dati, dimostrando che tale struttura esiste quasi ovunque e può essere sfruttata per misurare le distanze tra dataset e facilitare il trasferimento di conoscenza.

Eliot Tron, Rita FioresiFri, 13 Ma📊 stat

Are Bayesian networks typically faithful?

Il paper dimostra che le reti bayesiane fedeli costituiscono un insieme denso e aperto in diverse classi parametriche e non parametriche, confermando che l'ipotesi di fedeltà è tipica e garantendo la consistenza degli algoritmi di scoperta causale vincolata su tali insiemi.

Philip Boeken, Patrick Forré, Joris M. MooijFri, 13 Ma📊 stat

Quantifying Aleatoric Uncertainty of the Treatment Effect: A Novel Orthogonal Learner

Questo articolo propone l'AU-learner, un nuovo algoritmo ortogonale basato sull'identificazione parziale e sull'apprendimento profondo per quantificare l'incertezza aleatoria degli effetti terapeutici stimando i limiti della distribuzione condizionale dell'effetto del trattamento.

Valentyn Melnychuk, Stefan Feuerriegel, Mihaela van der SchaarFri, 13 Ma📊 stat

Testability of Instrumental Variables in Additive Nonlinear, Non-Constant Effects Models

Questo articolo propone una condizione di test basata sull'indipendenza ausiliaria (AIT) per verificare la validità delle variabili strumentali in modelli con effetti non costanti e non lineari, estendendo le implicazioni testabili ai casi in cui il trattamento è una variabile continua o gli effetti variano, e ne dimostra l'efficacia attraverso algoritmi pratici e sperimentazioni su dati reali.

Xichen Guo, Zheng Li, Biwei Huang, Yan Zeng, Zhi Geng, Feng XieFri, 13 Ma📊 stat

Parameter-Specific Bias Diagnostics in Random-Effects Panel Data Models

Questo articolo presenta un nuovo metodo diagnostico per stimare il bias specifico per parametro nei modelli panel a effetti casuali, fornendo stime interne e valori p basati sulla permutazione da un singolo modello stimato per integrare il classico test di Hausman.

Andrew T. KarlFri, 13 Ma📊 stat

Adaptive Prior Selection in Gaussian Process Bandits with Thompson Sampling

Questo lavoro propone due algoritmi, PE-GP-TS e HP-GP-TS, basati sul campionamento di Thompson per i processi gaussiani, che selezionano adattivamente i prior sconosciuti e minimizzano il rimpianto nella ottimizzazione black-box, fornendo sia garanzie teoriche che validazione empirica.

Jack Sandberg, Morteza Haghir ChehreghaniFri, 13 Ma📊 stat

← Precedente Successivo →