97 papers
Dit artikel introduceert een robuuste Bayesiaanse aanpak met transfer learning en polyhazard-modellen om stabiele en interpreteerbare extrapolaties van overlevingskansen te genereren voor gezondheids-economische evaluaties in diverse medische contexten.
Dit artikel toont aan dat een mengsel van niet-centrale Wishart-verdelingen met dezelfde vrijheidsgraden opnieuw een niet-centrale Wishart-verdeling oplevert, en gebruikt dit resultaat om de verdeling van toetsstatistieken voor toevalseffecten in meervoudige factorontwerpen met meervoudig normale data af te leiden, waarmee eerdere eendimensionale bevindingen worden uitgebreid.
Dit paper introduceert CITS, een niet-parametrisch raamwerk dat statistisch causale structuren in complexe neurale tijdreeksen nauwkeuriger en robuuster onthult dan bestaande methoden, wat leidt tot nieuwe functionele inzichten in de hersenconnectiviteit.
Dit artikel breidt het wgsLR-model uit voor shotgun DNA-sequencing in de forensische genetica door asymmetrische en onbekende genotypefoutkansen te modelleren, wat resulteert in robuuste en conservatieve bewijskrachtschattingen die zijn geïmplementeerd in het R-pakket wgsLR.
Deze paper introduceert BLAST, een Bayesiaans raamwerk voor transferlering dat globale-lokale shrinkage-priors en Bayesiaanse bronselectie combineert om in hoge-dimensionale lineaire regressie zowel nauwkeurige inferentie als robuuste onzekerheidskwantificatie te bereiken door nuttige bronnen te benutten en negatieve transfer te voorkomen.
Dit paper introduceert ForeComp, een R-pakket dat de vergelijkende voorspellende nauwkeurigheid analyseert met behulp van Diebold-Mariano-tests en vaste-kwelling-asymptotiek, inclusief visuele hulpmiddelen voor bandbreedtegevoeligheid en toepassing op professionele voorspellingen.
Dit artikel toont aan dat het omzetten van voorspellers naar 'risicovolle' binaire indicatoren de uit-of-sample prestaties van recessievoorspellingsmodellen voor de VS verbetert en lineaire modellen concurrerend maakt met complexe machine learning-methoden.
Deze studie gebruikt een inverse optimalisatiebenadering op een Markov-beslissingsproces om aan te tonen dat NFL-coaches doorgaans conservatieve risicopreferenties hanteren bij vierde-down-beslissingen, hoewel deze tolerantie toeneemt op het veld van de tegenstander en door de jaren heen.
Deze paper introduceert het BHARP-model, een zelfstandig Bayesiaans raamwerk dat via een aanpasbare willekeurige partitie en reversibele jump MCMC-sampling behandelingseffect-heterogeniteit in adaptieve verrijkingstrialen nauwkeuriger en flexibeler schat dan bestaande methoden.
Deze paper introduceert een niet-parametrisch, sequentieel raamwerk voor het vergelijken van risicomaatstaven aan de hand van e-waarden, wat robuuste en altijd-geldende inferentie biedt voor financiële regelgeving, inclusief een verbeterde drie-zone-aanpak voor zwakke dominantie.
Deze studie introduceert een geavanceerd, met lasso-straf geoptimaliseerd Hidden Markov Model om te bepalen dat narwals tot op 4 kilometer afstand reageren op scheepvaart door hun bewegingspatroon aan te passen, en biedt zo een robuust kader voor het kwantificeren van gedragsreacties op verstoringen in het wild.
Dit paper introduceert een statistisch onderbouwde schatter voor 'segmentedness' (de mate van netwerkindeling) die, ongeacht de netwerkgrootte, met voldoende nauwkeurigheid kan worden bepaald door slechts 97 willekeurig gekozen knopparen te analyseren.
Dit artikel presenteert een Bayesiaanse machine learning-analyse van de Collatz-stoptijden voor , waarbij een hiërarchisch Negatief Binomiaal regressiemodel en een mechanistische generatieve benadering worden vergeleken om aan te tonen dat modulaire structuur (met name modulo 8) cruciaal is voor het verklaren van de heterogeniteit in deze tijden.
Deze studie introduceert een deep learning-framework dat een ensemble van ConvLSTM-modellen gebruikt om het risico op weersgerelateerde verkeersongevallen in Noord-Carolina nauwkeuriger te voorspellen door complexe ruimtelijke en temporele patronen in heterogene data te modelleren.
Dit artikel presenteert een strategie gebaseerd op analytische voortzetting via Padé-benadering van cumulantreeksen om de vervorming door lineaire filtering te corrigeren, waardoor autoregressieve processen nauwkeuriger en efficiënter niet-Gaussische radarclutter kunnen simuleren.
Dit artikel introduceert Levy-gedreven graf-supOU-processen als een zuinige parametrisatie voor hoogdimensionale tijdreeksen die zowel kort- als langetermijndependentie en een grafstructuur voor componentafhankelijkheid verenigt, en presenteert een consistent en asymptotisch normaal geschatte methode van momenten die wordt gevalideerd via simulaties en een empirische studie van windcapaciteitsfactoren in een Europees elektriciteitsnetwerk.
Dit artikel introduceert de projectie-isotrope normale verdeling als een model voor EEG-fasestudies onder flitsstimulatie, waarbij nieuwe eigenschappen worden afgeleid, benaderingen voor de gemiddelde resultante worden ontwikkeld en de methode wordt gevalideerd met echte EEG-data.