97 artigos
Este artigo propõe uma nova estratégia baseada em modelos bayesianos e dados de três pesquisas domiciliares para estimar o deslocamento residencial em nível subcondal na região do Central Puget Sound, revelando variações geográficas e uma moderação temporária durante 2020-2021, com metodologias aplicáveis a outras jurisdições.
Este artigo apresenta um novo quadro de radiômica enriquecida que integra características estruturais clássicas com dados funcionais derivados de ressonância magnética hepática, demonstrando superioridade na classificação diagnóstica e estratificação de risco de tumores em comparação com métodos tradicionais.
Este estudo introduz uma análise longitudinal espacialmente explícita de dados de eventos na África (1997–2024) para identificar seis trajetórias recorrentes de violência política, revelando padrões temporais e interdependências espaciais que superam as abordagens tradicionais focadas apenas em transições discretas.
O artigo apresenta o ResNMTF, uma abordagem inovadora de biclustering multi-visão baseada em fatoração tripla não negativa que identifica automaticamente clusters de linhas e suas características específicas por visão em dados sobrepostos e não exaustivos, além de propor a pontuação de bisilhueta como uma métrica intrínseca eficaz para ajuste de hiperparâmetros e visualização.
Este artigo propõe uma estratégia baseada em ensembles de árvores e regressão distribucional para transformar previsões pontuais de conflitos violentos em distribuições probabilísticas completas, superando benchmarks históricos ao quantificar a incerteza inerente a esses eventos e demonstrando a viabilidade de integrar modelos regionais para melhorar a previsão em áreas afetadas.
O artigo apresenta o FlowSN, um novo framework estatístico baseado em inferência por simulação e fluxos normalizantes que corrige com precisão os efeitos de seleção em cosmologia de supernovas, reduzindo significativamente o viés nas estimativas dos parâmetros cosmológicos em comparação com técnicas convencionais.
Este artigo propõe um framework de otimização estatisticamente confiável para experimentos de descoberta científica que integra correções de testes de hipóteses para amostragem adaptativa e uma função objetivo unificada, permitindo que pesquisadores equilibrem recompensa cumulativa e eficiência estatística ao selecionar automaticamente o algoritmo de bandit mais adequado para seu contexto.
O artigo apresenta o estimador Landy-Szalay com poder preditivo (PP-LS), uma nova metodologia que combina dados rotulados de alta precisão de uma subamostra espectroscópica com rótulos ruidosos de todo o catálogo para corrigir viéses causados por contaminação espacial na estimativa da função de correlação de dois pontos, garantindo resultados estatisticamente consistentes e de baixa variância sem necessidade de calibração de probabilidade ou modelagem explícita de contaminação.
Este estudo demonstra que, devido à variabilidade amostral, as decisões de aprovação de processos baseadas em índices de capacidade () próximos a limites fixos (como 1.33) apresentam instabilidade inerente, com uma probabilidade de aceitação convergindo para 0,5 quando o verdadeiro desempenho do processo coincide com o limiar, o que é confirmado por simulações e dados empíricos de manufatura.
O artigo apresenta a "Teleodynamic Learning", um novo paradigma de aprendizado de máquina inspirado em sistemas vivos que trata a inteligência como a co-evolução de representação, adaptação e recursos sob restrições, resultando no modelo DE11 capaz de gerar regras lógicas interpretáveis e alcançar alta precisão em benchmarks sem depender da minimização de objetivos fixos.
O artigo propõe um estimador duplamente robusto com correção de variância jackknife HAC para garantir inferência estatística espacialmente válida e intervalos de confiança confiáveis em cenários de dados com rótulos ausentes e dependentes, superando as distorções causadas pela correlação induzida pelo cross-fitting.
Este artigo propõe a Análise de Componentes Principais Funcionais Multivariada para Dados Misto (FPCA), um método baseado em cópula gaussiana semiparamétrica que integra dados de saúde móvel de tipos variados (contínuos, truncados, ordinais e binários) para identificar padrões temporais latentes que servem como biomarcadores digitais eficazes na estratificação de subtipos de transtornos do humor.
Este artigo propõe a síntese de regressão bayesiana dinâmica de quantis (DRQS) e sua extensão multivariada (FDRQS), métodos que combinam informações de múltiplos modelos para melhorar a previsão de quantis, demonstrando maior resiliência durante crises econômicas extremas como a pandemia de COVID-19.
Este artigo visa aprofundar a discussão sobre o provisionamento de sinistros individuais, propondo uma nova metodologia baseada no método Chain-Ladder clássico para superar as limitações das abordagens existentes e estabelecer um novo padrão na prática atuarial.
Este artigo amplia o estudo da Distribuição Teissier Unitária ao derivar novas propriedades teóricas, como momentos de estatísticas de ordem e L-momentos, propor e comparar múltiplos métodos de estimação de parâmetros através de simulações, e demonstrar sua aplicabilidade prática em um conjunto de dados real.
Este artigo apresenta uma abordagem unificada para a estimativa dos graus de liberdade efetivos nas técnicas de Replicação Balanceada (BRR) e Jackknife Pareado, demonstrando como as propriedades de independência dos componentes de contraste por estrato permitem derivar fórmulas práticas para intervalos de confiança.
Este estudo compara modelos de sobrevivência, como o modelo de risco discreto e árvores de decisão, com regressão logística para estimar a estrutura temporal do risco de baixa de empréstimos sob o IFRS 9, concluindo que, embora o modelo de risco discreto supere outras abordagens de duas etapas, um modelo de uma única etapa permanece superior devido à distribuição específica dos dados de perda.
Este artigo propõe um novo estimador robusto para correlações poligóricas que, ao minimizar uma função de perda baseada em divergência de frequências, supera as limitações do método de máxima verossimilhança ao lidar com violações de normalidade e dados de respondentes descuidados, mantendo consistência estatística e custo computacional equivalente.
Este artigo apresenta um modelo de ponta para sistemas integrados de defesa aérea que utiliza agentes baseados na arquitetura BDI e raciocínio de planos de metanível para automatizar decisões de comando e controle, como detecção, avaliação de ameaças e alocação de armas, sem necessidade de intervenção manual.
Este artigo propõe um modelo estocástico epidêmico discreto baseado em inferência bayesiana e síntese de dados para estimar o número total de infecções por SARS-CoV-2, superando limitações de subnotificação e avaliando métodos como Hamiltonian Monte Carlo e análise vetorial de dinâmica de transmissão para aprimorar a tomada de decisão.