222 papers
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 introduceert een gestrafeerde cross-validatie-methode voor modelselectie in bipartiete stochastische blockmodellen die voor het eerst consistentie garandeert en uitblinkt door zowel onder- als overfitting aan verschillende kanten van het netwerk effectief aan te pakken.
Deze paper introduceert een schattingsprocedure voor semiparametrische niet-lineaire gemengde modellen met gepenaliseerde splines en automatische differentiatie, die in simulaties en een casestudie over de lengtegroei van zuigelingen een verbeterde inferentiële prestatie en een verlaagde computebelasting oplevert ten opzichte van bestaande methoden.
Dit artikel presenteert een Bayesiaanse aanpak met dynamische lening van historische controlegegevens en gelijktijdige kredibele intervallen voor risicoverhoudingen, die in preklinische kankerverwekkendheidsstudies met binaire uitkomsten de steekproefgrootte van de controlegroep aanzienlijk kan verkleinen terwijl de familie-wise foutenratio wordt beheerst en bescherming tegen drift wordt geboden.
Dit paper introduceert CIM, een tweestapskader dat causale inferentie en netwerkoptimalisatie combineert om onder budgetbeperkingen een zaadset te selecteren die de totale steady-state uitkomst maximaliseert, met wiskundig bewezen garanties voor zowel de schatting van uitkomstfuncties als de benaderingsverhouding.
Dit artikel introduceert een robuuste methode voor sequentiële hypothese-toetsing met gebruikmaking van gegeneraliseerde schattingsvergelijkingen die, zonder afhankelijke modelaannames, een breder scala aan hypothesen toetst, nauwkeurigere effectgrenzen mogelijk maakt en toepasbaar is op incomplete datasets, zoals geïllustreerd in een longitudinale studie naar hepatitis C.
Deze paper introduceert een nieuw test-then-pool-raamwerk voor het fusioneren van controlegroepen in klinische trials, dat gebruikmaakt van kernel-twee-steekproeftesten en equivalentietesten om historische data te benutten terwijl de Type-I-foutstrategie strikt wordt gecontroleerd en de statistische power wordt vergroot.
Dit paper introduceert een schaalbaar kader voor het schatten van individuele behandelingseffecten bij complexe behandelingen, dat een theoretisch geoptimaliseerde weging biedt om de dimensieproblematiek op te lossen en een generatief model ontwikkelt dat de structuur van het behandelmansifold behoudt.
Dit paper introduceert Distributionally Balanced Designs (DBD), een nieuwe klasse van steekproefontwerpen die door het minimaliseren van de energie-afstand tussen de steekproef- en populatieverdeling een betere representativiteit en lagere variantie bereikt dan bestaande methoden, wat vooral waardevol is voor kostbare veldstudies in disciplines zoals ecologie en milieuwetenschappen.
Dit artikel introduceert een nieuwe Bayesiaanse methode voor modelkalibratie die modeldiscrepantie integreert in de simulator via een Gaussian Process-suraat, in plaats van deze als een onafhankelijke 'catch-all' te behandelen zoals in de traditionele KOH-methode, en valideert deze aanpak door inexacte Discrete Dislocatiedynamica-modellen te kalibreren tegen Molecular Dynamics-observaties.
Dit paper introduceert Local Adjacency Spectral Embedding (LASE), een methode die lokale laagdimensionale structuren in netwerken blootlegt door een gewogen spectrale decompositie toe te passen, waardoor de beperkingen van globale benaderingen worden overwonnen en de lokale reconstructie en visualisatie aanzienlijk worden verbeterd.
Dit artikel presenteert een convex schatter voor de drift van hoogdimensionale Lévy-gedreven Ornstein-Uhlenbeck-processen die een laag-rang plus spaarzaam decompositie benut, en bewijst een niet-asymptotische orakelongelijkheid die aantoont dat deze structuur de afhankelijkheid van de omgevingsdimensie verbetert ten opzichte van puur spaarzame schatters.
Dit artikel introduceert een nieuwe aanpak voor batch Bayesian Optimal Experimental Design door het optimalisatieprobleem te verheffen naar de ruimte van kansmaten en te benaderen via Wasserstein-gradiëntstromen, wat leidt tot schaalbare, deeltjesgebaseerde algoritmen die effectief multimodale optimalisatielandschappen kunnen verkennen.
Dit paper verbetert de bestaande Riemannse Laplace-benadering met de Fisher-metrica door twee nieuwe varianten te ontwikkelen die de problemen van vertekening en te nauwe schattingen oplossen, waardoor exacte resultaten bij oneindige data worden gegarandeerd en de praktische prestaties in diverse experimenten worden verbeterd.
Dit artikel ontwikkelt en evalueert twee Bayesiaanse methoden voor gevoeligheidsanalyse om tijd-variërende ongemeten verstorende factoren te behandelen bij het schatten van causale effecten in longitudinale observationele data.
Dit artikel bespreekt diverse regressiebenaderingen voor het modelleren van genotype-omgevingsinteractie en het voorspellen van prestaties in nieuwe omgevingen, waarbij wordt aangetoond dat deze methoden binnen een gemeenschappelijk lineair gemengd modelkader vallen en wordt ingegaan op het beoordelen van de onzekerheid van deze voorspellingen aan de hand van rijstproefdata uit Bangladesh.
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 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.
Dit artikel introduceert een unificerend raamwerk dat Hamiltonian Monte Carlo en piecewise-deterministische Markov-proces-samplers verbindt via 'bouncy' Hamilton-dynamica, waardoor een nieuwe, rejectievrije methode ontstaat die concurrerende prestaties levert bij complexe Bayesiaanse inferentieproblemen.
Deze studie introduceert een innovatieve steekproefmethode voor relationele gebeurtenismodellen die, door gebruik te maken van tijdelijk verschoven niet-gebeurtenissen, de schatting van globale covariaten mogelijk maakt en zo de invloed van factoren als weer en tijdstip op de fietsverhuur in Washington D.C. aantoont.