1695 papers
Deze collectie verzamelt wetenschappelijke preprints over statistieken, het vakgebied dat zich bezighoudt met het verzamelen, analyseren en interpreteren van data. Of het nu gaat om het ontwikkelen van nieuwe wiskundige modellen of het toepassen van geavanceerde methoden in de praktijk, deze papers vormen de ruggengraat van moderne data-analyse. Alle artikelen hier zijn afkomstig van arXiv, waar onderzoekers hun nieuwste inzichten direct delen voordat ze officieel worden gepubliceerd.
Gist.Science doorloopt continu de nieuwste toevoegingen in deze categorie op arXiv om ze voor iedereen toegankelijk te maken. Voor elk artikel bieden we niet alleen een technische samenvatting voor specialisten, maar ook een begrijpelijke uitleg in gewone taal. Zo kunt u snel de kern van complexe statistische studies vatten zonder vast te zitten in jargon.
Hieronder vindt u de meest recente papers die op dit moment beschikbaar zijn binnen dit onderzoeksgebied.
Het artikel introduceert de Radial Voronoi Density Estimator (RVDE), een continue, lineair-tijd niet-parametrische dichtheidsschatter die gebruikmaakt van Voronoi-geometrie om de discontinuïteit en computationele inefficiëntie van eerdere methoden te overwinnen, terwijl deze superieure prestaties op hoogdimensionale data demonstreert.
Dit artikel presenteert een causaal optimalisatiekader dat de marketingopbrengst en retentie maximaliseert door heterogene behandelingseffecten te schatten en een geoptimaliseerd allocatieprobleem op te lossen om klanten met specifieke aanbiedingen te targeten, terwijl voldaan wordt aan zakelijke kaders.
Dit artikel stelt een referentie-gereguleerd multiperioden gemiddelde-variantie kader voor dat afwijkingen van een referentiebeleid bestraft om schattingsfouten in hoogdimensionale instellingen te mitigeren, waarbij door middel van theoretische analyse en empirische studies wordt aangetoond dat deze aanpak de portefeuillestabiliteit en de out-of-sample Sharpe-ratio's aanzienlijk verbetert in vergelijking met traditionele methoden.
Dit artikel introduceert Controller-Augmented Hidden Markov Models (CHMM's), een raamwerk dat pad-afhankelijke restricties compileert naar eindtoestandscontrollers om exacte sequentiële inferentie en EM-training mogelijk te maken, waarbij door middel van theorie en diverse real-world experimenten wordt aangetoond dat deze aanpak uniek effectief is voor het herstellen van globaal haalbare trajecten onder cumulatieve restricties, terwijl het de eenvoudigere methoden evenaart in lokaal gedomineerde regimes.
Dit artikel toont aan dat de Generalized Fisher Transformation (GFT) superieure eigenschappen biedt voor inferentie met eindige steekproeven voor correlatiematrices vergeleken met traditionele methoden, aangezien de coördinaten nagenoeg ongecorreleerd, invariant voor de onderliggende correlatiestructuur en benaderend Gaussisch zijn, waardoor de schattingsfouten nagenoeg pivotaal en zwak afhankelijk zijn.
Dit artikel introduceert een nieuw causaal ontdekkingsframework voor lineaire structurele causale modellen dat een nieuw "diff-separatie"-criterium definieert en het LDiffPC-algoritme voorstelt om verschilgrafen tussen omgevingen af te leiden door de gelijkheid van regressiecoëfficiënten te testen.
Dit artikel vestigt een verenigd kader voor momenten van reële orde van willekeurige variabelen door algemene integraal- en reeksrepresentaties af te leiden in termen van distributiefuncties die klassieke staartidentiteiten uitbreiden om positieve, fractie en negatieve momenten te dekken, terwijl het ook logaritmische momenten koppelt aan Laplace-transformaties en de Frullani-identiteit.
Dit artikel stelt een robuuste hoogdimensionale veranderpuntdetectiemethode voor die p-waarden aggregeert van ridge-geregulariseerde Hotelling-testen over een deterministisch rooster met behulp van de Cauchy-combinatieregel, waardoor de noodzaak om een enkele optimale ridge-parameter te selecteren wordt geëlimineerd terwijl een geldige grootte wordt behouden en een bijna optimale kracht wordt bereikt.
Dit artikel introduceert DTVEM-RE, een hiërarchische random-effects uitbreiding van het Differential Time-Varying Effect Model die persoonspecifieke multi-lag schatting in intensieve longitudinale data mogelijk maakt via zowel discrete-time Bayesiaanse VAR als continuous-time Ornstein-Uhlenbeck kaders, waarbij superieure voorspellende nauwkeurigheid en het vermogen om individuele verschillen in lag-structuren te vangen die traditionele methoden missen, wordt aangetoond.
Dit artikel introduceert een tweestaps statistisch kader om associatieve interferentie in grote taalmodellen te evalueren door respons-naleving te scheiden van taakprestatie, wat onthult dat dergelijke interferentie significant varieert tussen modellen en domeinen in plaats van een universele eigenschap te zijn.