97 artigos
Este artigo propõe uma abordagem estável para extrapolação de sobrevivência que combina modelos de mortalidade bayesianos com transferência de aprendizado e modelos polihazard flexíveis para estimar a sobrevivência média em contextos de saúde, como câncer de mama, arritmia cardíaca e melanoma, garantindo robustez e interpretabilidade.
O artigo demonstra que uma mistura de distribuições Wishart não centrais com os mesmos graus de liberdade resulta em uma distribuição Wishart não central, estendendo resultados anteriores para o contexto Wishart e aplicando essa propriedade para derivar a distribuição de amostra finita de estatísticas de teste para efeitos aleatórios em modelos de planejamento fatorial com dados normais multidimensionais.
O artigo apresenta o CITS, uma nova estrutura não paramétrica para inferir causalidade estatística em séries temporais neurais de alta resolução, superando as limitações de métodos existentes e validando sua eficácia tanto em benchmarks simulados quanto em dados reais de registros neuronais de camundongos.
Este artigo estende o modelo estatístico wgsLR para análise forense de sequenciamento shotgun, permitindo a incorporação de probabilidades de erro de genotipagem assimétricas e desconhecidas entre amostras de traço e de referência, além de validar a robustez do modelo e sua implementação no pacote R wgsLR.
O artigo apresenta o BLAST, uma nova estrutura de aprendizado por transferência bayesiana para regressão linear de alta dimensão que combina seleção adaptativa de fontes de dados e priores de contração global-local para melhorar a inferência e a quantificação de incerteza, superando métodos existentes em precisão e evitando transferência negativa.
O artigo apresenta o pacote R "ForeComp", uma ferramenta para comparar a precisão preditiva utilizando testes do tipo Diebold-Mariano com inferência de suavização fixa, oferecendo diagnósticos visuais e evidências empíricas sobre seu desempenho em amostras finitas.
O artigo propõe uma transformação binária de indicadores econômicos, chamada "em risco", que converte variáveis contínuas em sinais de estados excepcionalmente fracos, demonstrando que essa abordagem melhora significativamente a previsão de recessões nos EUA ao capturar a natureza discreta desses eventos raros e tornar modelos lineares competitivos com métodos de aprendizado de máquina.
Este artigo utiliza uma abordagem de otimização inversa em processos de decisão de Markov para demonstrar que as decisões dos treinadores da NFL sobre o quarto down refletem preferências de risco conservadoras que otimizam quantis baixos da distribuição de valor, com maior tolerância ao risco no campo adversário e uma tendência de aumento dessa tolerância ao longo do tempo.
O artigo propõe o modelo BHARP, uma estrutura bayesiana hierárquica que utiliza partições aleatórias ajustáveis para identificar heterogeneidade de efeitos de tratamento em ensaios clínicos adaptativos, superando limitações de métodos existentes ao estimar simultaneamente efeitos específicos de subgrupos e padrões de heterogeneidade com calibração automática do empréstimo de força.
Este artigo propõe um framework não paramétrico sequencial para backtests comparativos de medidas de risco gerais, utilizando e-valores e e-processos para garantir inferências válidas a qualquer momento, robustez sob dependência e especificação incorreta do modelo, além de introduzir uma abordagem modificada de três zonas baseada em dominância fraca para obter conclusões mais informativas.
Este estudo apresenta um novo modelo estatístico de Markov oculto com penalização Lasso que, ao analisar dados de telemetria de narvalos, determina que essas espécies reagem a embarcações a até 4 km de distância, alterando seu comportamento de movimento e profundidade, oferecendo assim uma ferramenta robusta para orientar políticas de conservação e mitigação de impactos antropogênicos.
Este artigo propõe e valida estatisticamente uma nova métrica chamada "segmentedness" para quantificar o grau de segmentação de uma rede, demonstrando que uma amostra mínima de 97 pares de nós é suficiente para estimar essa medida com precisão e intervalos de confiança confiáveis, independentemente do tamanho total da rede.
Este artigo analisa os tempos de parada da conjectura de Collatz para através de uma perspectiva de aprendizado de máquina probabilístico, demonstrando que um modelo hierárquico bayesiano de regressão Negativa Binomial supera aproximações geradoras baseadas em decomposição de blocos ímpares, enquanto evidencia que a estrutura modular de baixa ordem é um fator crucial para a heterogeneidade observada nos dados.
Este estudo apresenta um framework baseado em aprendizado profundo que utiliza um ensemble de modelos ConvLSTM treinados em grades espaciais sobrepostas para prever com maior precisão o risco de acidentes de trânsito relacionados ao clima na Carolina do Norte, superando modelos tradicionais ao capturar dependências espaciais e dinâmicas temporais em dados heterogêneos.
Este estudo propõe uma estratégia de continuação analítica baseada em séries, utilizando a expansão de cumulantes e a aproximação de Padé, para precomputar com precisão a pré-distorção necessária em processos autorregressivos, permitindo assim a simulação eficiente e fiel de sequências de clutter de radar não-Gaussianas com funções de densidade de probabilidade e autocorrelação específicas.
Este artigo apresenta processos supOU em grafos impulsionados por Lévy como uma parametrização parcimoniosa para séries temporais de alta dimensão que abrangem dependências de curto e longo alcance, desenvolvendo um estimador de momentos generalizados com propriedades assintóticas garantidas e validando sua aplicação prática na análise de fatores de capacidade eólica em redes elétricas europeias.
Este artigo revisita a distribuição normal isotrópica projetada, derivando novas propriedades e aproximações para sua aplicação na análise de sinais de eletroencefalograma (EEG) sob estimulação por flash, com foco na inferência estatística baseada na fase.