200 papers
Dit artikel presenteert een schaalbare methode om stochastische waarderingsfuncties, zoals die voorkomen in teamprestaties en economische productie, te benaderen door middel van gediskretiseerde verdelingen met een beperkte steekproefgrootte die een constante benadering garanderen voor verzamelingen tot grootte .
Dit artikel presenteert een identificatieaanpak die robuust is voor strategisch gedrag bij het indienen van voorkeuren, waarmee scherpe grenzen worden afgeleid voor de causale effecten van schooltoewijzing op basis van data uit het Chileense universitair toewijzingssysteem.
Dit artikel introduceert een eenvoudige methode voor nauwkeurige onzekerheidskwantificatie in Bayesiaanse inferentie bij gemisificeerde of benaderende modellen door de gebruikelijke posterior te vervangen door een intuïtief alternatief dat dezelfde informatie overdraagt.
Dit artikel introduceert een robuuste Bayesiaanse methode voor het construeren van polygene risicoscores, genaamd PRS-Bridge, die een projectietechniek gebruikt om problemen met posterior-improperiteit op te lossen en een flexibele shrinkage-prior hanteert voor superieure prestaties.
Dit paper introduceert DELVE, een spectrale graf-filtermethode die modality-specifieke latente variabelen extraheert uit multimodale datasets door verschillen in connectiviteitspatronen tussen modaliteiten te benutten om gedeelde signalen te onderdrukken.
Dit artikel introduceert een model voor netwerktijdreeksen dat gebruikmaakt van een 'Euclidische spiegel' om eerste-orde changepoints te lokaliseren via spectrale schatting, wat zowel in gesimuleerde als in echte organoïde-netwerkdata effectief significantie verschuivingen in de netwerkevolutie aantoont.
Dit artikel ontwikkelt een theoretisch raamwerk en nieuwe niet-parametrische identificatieformules om causale effecten van toekomstige interventies te voorspellen door rekening te houden met tijdsvariërende verstorende factoren en effectmodificatie, met als doel te bepalen of resultaten uit het verleden overdraagbaar zijn naar een toekomstige populatie.
Dit artikel ontwikkelt structurele breuktesten op basis van zelfnormalisatie voor predictieve quantiel- en CoVaR-regressies die geldig zijn voor zowel stationaire als bijna-stationaire predictoren en waarmee veranderingen in de voorspellende kracht van covariaten kunnen worden gedetecteerd.
Dit artikel introduceert en analyseert twee subsampling-schatters, Adaptive Importance Sampling en Stratified Sub-sampling, voor robuuste hoogdimensionale regressie onder zware-tail ruis, contaminatie en tijdsafhankelijkheid, waarbij het theorie-algoritme-gat wordt overbrugd en bewezen wordt dat deze methoden de minimax-optimale snelheid bereiken en empirisch superieur presteren ten opzichte van uniforme subsampling.
Dit artikel introduceert een robuust en schaalbaar kader voor de empirische beste voorspelling van armoede-indicatoren via een geneste foutenregressiemodel met hoogdimensionale parameters, dat rekenkundige beperkingen oplost, synthetische schattingen voor niet-geobserveerde gebieden verbetert en de onzekerheid kwantificeert, zoals geïllustreerd met Albanese data.
Dit artikel introduceert een identificeerbaar, beperkt latent klasse Hidden Markov-model voor longitudinale data met polytome responsen en covariaten, waarvan de effectiviteit wordt aangetoond via simulaties en toepassingen op wiskunde- en emotionele data.
Dit paper pleit vanuit een consequentiaalistisch perspectief voor het gebruik van proper scoring rules in plaats van binaire classificatiemetrics, onderbouwd met een theoretisch kader, een empirische analyse van huidige praktijken en de introductie van het Python-pakket `briertools` om deze aanpak toegankelijker te maken.
Deze paper introduceert parallelle algoritmen voor het simuleren van Metropolis-Markovketens op basis van Picard-afbeeldingen, die de convergentie van gradient-vrije steekproefnemen naar log-concave verdelingen versnellen met een factor en succesvol worden toegepast op complexe problemen zoals hoge-dimensionale regressie en precisiegeneeskunde.
Dit paper introduceert een intuïtieve en eenvoudig te implementeren methode op basis van afwijzingssteekproeven (rejection sampling) voor het vinden van statistische toetsen die in elke dimensie toepasbaar zijn en een vergelijkbare statistische power vertonen als de uniform meest krachtige toetsen.
Dit artikel introduceert een nieuwe semi-parametrische methode voor conditionele copula-modellen met behulp van loss-based Bayesian Additive Regression Trees (BART) en een adaptief Reversible Jump MCMC-algoritme om complexe afhankelijkheidsstructuren onder externe invloeden nauwkeurig te modelleren en overfitting te voorkomen.
Dit paper introduceert Bayesian Generative Modeling (BGM), een unificerend AI-framework dat via een stochastisch iteratief Bayesiaans update-algoritme een enkel generatief model leert voor willekeurige conditionele inferentie met principieel onzekerheidskwantificering, zonder dat hertraining nodig is voor verschillende conditioneringsstructuren.
Dit artikel introduceert een algemeen raamwerk voor 'centrale subruimte-data-diepte', een statistische methode die waarnemingen ordent op basis van hun afstand tot een subruimte in plaats van een enkel punt, waardoor het ideaal is voor het analyseren van distributies die symmetrisch zijn rond een subruimte en voor toepassingen zoals fraudedetectie.
Dit artikel presenteert een efficiënte semiparametrische methode voor het schatten van marginale behandelingseffecten met genetische instrumenten, waarbij het gebruik van efficiënte invloedsfuncties de onzekerheid in de staarten van de propensiteitsscore vermindert en aantoont dat personen met de grootste neiging tot overmatig alcoholgebruik de grootste negatieve effecten op de bloeddruk ondervinden.
Dit artikel presenteert een raamwerk voor het schatten en afleiden van heterogene hoofdeffecten onder de aanname van principal ignorability, waarbij verschillende schatters worden ontwikkeld met uiteenlopende robuustheidseigenschappen en geïllustreerd aan de hand van de Camden Coalition-hotspotting-randomeerde trial.
Dit artikel presenteert een interpreteerbare methode voor onzekerheidskwantificering van kritieke energiesystemen tijdens samengestelde extreme weersomstandigheden, waarbij gebruik wordt gemaakt van de BMW-GAM-copula-workflow om probabilistische simulaties van temperatuur, windsnelheid en zonne-energie te genereren.