97 papers
Dit artikel presenteert een nieuwe methode om verplaatsing van huishoudens in de regio Central Puget Sound te schatten tussen 2016 en 2023 door huishoudelijke enquêtes te combineren met een Bayesiaans spatiotemporale model, wat regionale verschillen en een tijdelijke daling tijdens de periode 2020-2021 blootlegt.
Dit artikel presenteert een verrijkt radiomics-framework dat structurele kenmerken combineert met functionele data uit lever-MRI via versterkingspatroonmapping, wat leidt tot superieure prestaties bij de diagnose en risicoclassificatie van leverkanker vergeleken met traditionele methoden.
Dit artikel introduceert een ruimtelijk expliciete longitudinale sequentieanalyse van conflictgegevens in Afrika om zes terugkerende patronen van politiek geweld te identificeren en zo het onderzoek te verruimen van geïsoleerde overgangen naar een begrip van de levenscycli en ruimtelijke interdependentie van geweld.
Dit paper introduceert ResNMTF, een nieuwe methode voor multi-view biclustering via niet-negatieve matrixtri-factorisatie die overlappende en niet-uitputtende biclusters kan identificeren zonder vooraf kennis van het aantal clusters, en introduceert bovendien de bisilhouet-score als een geschikte intrinsieke maatstaf voor validatie en hyperparameteroptimalisatie.
Dit artikel presenteert een strategie voor het kwantificeren van onzekerheid in conflictvoorspellingen door middel van boomgebaseerde ensemblemodellen die in plaats van puntvoorspellingen volledige kansdistributies genereren, waardoor de nauwkeurigheid en bruikbaarheid voor praktische toepassingen aanzienlijk wordt verbeterd.
Deze paper introduceert FlowSN, een statistisch kader dat gebruikmaakt van normaliserende stromen en simulatiegebaseerde inferentie om selectie-effecten in supernovacosmologie nauwkeurig te modelleren, waardoor de schattingen van kosmologische parameters aanzienlijk minder vertekend zijn dan bij conventionele methoden.
Dit paper introduceert een statistisch betrouwbaar optimalisatiekader dat adaptieve steekproefverdeling via multi-armed bandits combineert met gecorrigeerde hypothetetoetsing, waardoor wetenschappelijke ontdekkingen efficiënter worden zonder de geldigheid van de statistische conclusies te schaden.
Deze paper introduceert de Prediction-Powered Landy-Szalay (PP-LS) schatter, een statistisch onderbouwde methode die de twee-punts correlatiefunctie in vervuilde data van beeldopnames nauwkeuriger schat door een kleine spectroscopische steekproef te combineren met het volledige catalogus, waardoor vertekening wordt verwijderd zonder de noodzaak van complexe modellering.
Deze studie toont aan dat beslissingen over procescapaciteit op basis van vaste drempelwaarden (zoals ) inherent onstabiel zijn bij kleine steekproeven, waarbij de kans op een aanvaarding bij een waarheid op de drempel naar 50% convergeert en zelfs kleine afwijkingen leiden tot aanzienlijke risico's op inconsistente vrijgavebeslissingen.
Dit paper introduceert Teleodynamisch Leren, een nieuw paradigma dat intelligentie beschouwt als de onderlinge evolutie van representatie, adaptatie en hulpbronnen binnen een dynamisch systeem, wat resulteert in een interpreteerbaar model (DE11) dat zonder externe stopregels stabiele structuren vormt en hoge prestaties behaalt op standaard benchmarks.
Dit artikel introduceert een dubbel robuuste schatter met kruisfitting en een jackknife-gebaseerde ruimtelijke HAC-variatiecorrectie om geldige statistische inferentie mogelijk te maken in scenario's met voorspelde, gemiste labels en ruimtelijke afhankelijkheid, waarbij het een oplossing biedt voor de vervorming van variantieschattingen die door kruisfitting wordt veroorzaakt.
Deze paper introduceert een nieuwe methode voor multivariate functionele hoofdcomponentenanalyse van gemengde mHealth-gegevens, die via een semiparametrisch Gaussische copula-model tijdsgebonden patronen in stemming en activiteit onthult om subtypen van stemmingsstoornissen effectief te onderscheiden.
Dit artikel introduceert dynamische Bayesiaanse regressie-quantilesynthese (DRQS) en de multivariate uitbreiding FDRQS, nieuwe methoden die binnen het Bayesiaanse voorspellingskader meerdere modellen combineren om conditionele quantielen te voorspellen en zo, vooral tijdens economische stressperiodes zoals de pandemie, superieure prestaties leveren vergeleken met bestaande benaderingen.
Dit artikel bouwt voort op een eerdere discussie over individuele claimsreservering om een robuustere en flexibeler methode te ontwikkelen die de weg vrijmaakt voor een nieuwe standaard in de micro-level reservering.
Dit artikel breidt de theoretische eigenschappen en schattingsmethoden voor de Unit Teissier-verdeling uit door nieuwe momenten en karakterisaties af te leiden, diverse schatters te vergelijken via simulaties, en de toepasbaarheid op echte data te demonstreren.
Dit artikel biedt een verenigde aanpak voor het afleiden van effectieve vrijheidsgraden voor BRR- en jackknife-variatieschattingen in gestratificeerde steekproeven door de onafhankelijkheid van stratum-contrasts te analyseren, wat leidt tot een praktische formule voor betrouwbaarheidsintervallen.
Dit artikel presenteert een vergelijkende studie waarin discrete-time hazard-modellen en conditional inference survival trees worden gebruikt om de term-structuur van schrijfafschrijvingsrisico's onder IFRS 9 af te leiden, en concludeert dat hoewel de discrete-time hazard-benadering de beste tweestaps-LGD-modellen presteert, een enkelstaps-LGD-model vanwege de specifieke 'L-vormige' verdeling van de data uiteindelijk de beste resultaten boekt.
Deze paper introduceert een nieuwe, robuuste schatter voor polychorische correlaties die minder gevoelig is voor modelmisspecificaties (zoals zorgeloze respondenten) dan de traditionele maximum likelihood-methode, zonder extra rekenkosten en met behoud van statistische consistentie.
Dit artikel presenteert een autonoom agent-gebaseerd systeem voor geïntegreerde luchtafweer dat op basis van BDI-architectuur en meta-niveau redenering automatisch doelen detecteert, inschat en wapens toewijst zonder menselijke tussenkomst.
Dit artikel presenteert een Bayesiaanse aanpak voor het synthetiseren van data en modelleren van SARS-CoV-2-transmissie, waarbij Hamiltonian Monte Carlo wordt aanbevolen boven variational Bayes en fasevlak-analyse wordt gebruikt om infectiecijfers en transmissiedynamiek nauwkeuriger in te schatten ondanks data-onvolledigheid.