222 papers
Deze paper introduceert een computationeel efficiënte multi-level Gaussian process regressiemethode voor functionele data met regelmatig gesamplede observaties, die exacte analytische uitdrukkingen voor de log-waarschijnlijkheid en posteriorverdelingen afleidt om de schaalbaarheid van standaardimplementaties aanzienlijk te verbeteren.
Dit paper introduceert een methode voor het identificeren van causale generalized linear models via Pearson-risicoinvariantie, die zelfs met data uit één omgeving mogelijk is en geïmplementeerd is in het R-pakket causalreg.
Dit artikel introduceert een nieuw Metropolis-Hastings-algoritme dat gebruikmaakt van subsampling en controlevariaties om exacte en efficiënte Bayesiaanse inferentie mogelijk te maken op grote datasets, waarbij de berekeningstijd aanzienlijk wordt verkort ten opzichte van bestaande methoden.
Deze paper introduceert een verkennend beperkt latent-klassenmodel voor polytome responsen met ordinale attributen en respondentcovariaten, dat via een multivariate probit-specificatie correlaties tussen attributen toestaat en in een toepassing op depressiedata een meer genuanceerde latente structuur onthult dan eerdere single-factor-benaderingen.
Dit artikel introduceert een nieuw niet-parametrisch raamwerk voor het detecteren van veranderingen in de gemiddelde richting van toroïdale en sferische meteorologische data, zoals windrichtingen en cyclonpaden, door gebruik te maken van intrinsieke meetkunde en de Kolmogorov-verdeling.
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 presenteert een nieuwe methode voor het schatten van kinetische snelheden in quasi-reactiesystemen via een niet-lineaire lokale gemiddelde-veldbenadering, die op grote tijdsintervallen en bij stijfheid superieure resultaten biedt ten opzichte van bestaande SDE- en ODE-methoden.
Dit artikel introduceert de Multi-rank Subspace-CUSUM (MRS-C) procedure voor het real-time detecteren van veranderingen in de covariantiestructuur van hoogdimensionale streamingdata, met name voor het monitoren van robotzwermen, en bewijst dat deze methode asymptotisch optimaal is in vergelijking met de oracle Exact CUSUM.
Dit artikel betoogt dat de verwachte gemiddelde uitkomst, die zowel over eenheden als behandeltoewijzingen middelt, de enige schatting is die zowel interpreteerbaar is als unit-level effecten vat als voldoende voor het nemen van optimale beleidskeuzes in netwerken met kruisende effecten.
Dit paper introduceert een nieuwe respons-adaptieve randomisatiemethode die Thompson Sampling stabiliseert door middel van Bayesiaanse hypothese-toetsing, waardoor een evenwicht wordt gevonden tussen dynamische toewijzing aan effectieve behandelingen en de statistische betrouwbaarheid van traditionele gelijke randomisatie.
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 artikel introduceert een Neyman-orthogonale schatter voor lineaire regressie met interactieve vaste effecten in meervoudige paneldata, die via een tweestapsprocedure een parametrische convergentiesnelheid bereikt en wordt toegepast om de vraagelasticiteit voor bier te schatten.
Dit artikel biedt een praktische handleiding voor het analyseren van multivariate en ruimtelijke extremen met behulp van het R-pakket ExtremalDep, waardoor professionals uit diverse sectoren beter in staat zijn om risico's van extreme gebeurtenissen te beoordelen.
Dit artikel presenteert schatters voor het relatieve risico, de odds ratio en hun logaritmen, gebaseerd op een tweestaps sequentiële steekproefstrategie die gegarandeerde nauwkeurigheid en een gecontroleerde steekproefverhouding biedt, met een efficiëntie die dicht bij de Cramér-Rao ondergrens ligt.
Dit paper introduceert CausalPitfalls, een benchmark die aantoont dat huidige grote taalmodellen tekortschieten in het betrouwbaar uitvoeren van causale inferentie door veelvuldig statistische valkuilen te negeren, en biedt hiermee gestructureerde maatstaven voor de ontwikkeling van meer betrouwbare redeneersystemen.
Dit artikel introduceert een volledig Bayesiaanse methode voor het automatisch construeren van onregelmatige histogrammen die zowel het aantal bins als hun locaties selecteren op basis van de data, waarbij bewezen wordt dat de schatter consistent is en de minimax convergentiesnelheid bereikt.
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.
Dit paper introduceert B-ODIL, een Bayesiaanse uitbreiding van de ODIL-methode die partiële differentiaalvergelijkingen als prior kennis combineert met data-likelihood om inverse problemen op te lossen met gekwantificeerde onzekerheid, zoals geïllustreerd bij het schatten van tumorconcentraties in hersenbeelden.
Dit paper introduceert een principieel raamwerk voor het testen van de meest invloedrijke datasets in lineaire kleinste-kwadratenmodellen, waarbij exacte formules en extreme-waardeverdelingen worden gebruikt om statistisch onderbouwde hypothesetoetsen uit te voeren om te bepalen of invloed buitensporig is ten opzichte van natuurlijke variatie.
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.