1695 artigos
A categoria "Stat — Me" reúne pesquisas focadas em estatística e métodos matemáticos aplicados à ciência. Aqui, exploramos como novos algoritmos e modelos estatísticos estão sendo desenvolvidos para analisar dados complexos de forma mais precisa e eficiente, servindo como a base técnica para descobertas em diversas áreas do conhecimento.
Todos os artigos apresentados nesta seção originam-se do arXiv, o principal repositório de pré-publicações científicas. Na Gist.Science, processamos cada novo trabalho enviado ao arXiv nesta categoria, oferecendo resumos detalhados em linguagem técnica acessível e versões simplificadas que explicam a essência do método sem exigir conhecimento especializado prévio.
Abaixo, você encontrará a seleção mais recente de artigos nesta área, organizados para facilitar sua leitura e compreensão das últimas inovações metodológicas.
O artigo apresenta o Estimador de Densidade Voronoi Radial (RVDE), um estimador de densidade não paramétrico, contínuo e de tempo linear que aproveita a geometria de Voronoi para superar a descontinuidade e a ineficiência computacional de métodos anteriores, demonstrando simultaneamente um desempenho superior em dados de alta dimensão.
Este artigo apresenta uma estrutura de otimização causal que maximiza a receita de marketing e a retenção ao estimar efeitos de tratamento heterogêneos e resolver um problema de alocação restrita para direcionar clientes com ofertas específicas enquanto adere a salvaguardas de negócio.
Este artigo propõe uma estrutura de média-variância multiperíodo regulada por referência que penaliza desvios de uma política de referência para mitigar erros de estimativa em configurações de alta dimensão, demonstrando, através de análise teórica e estudos empíricos, que esta abordagem melhora significativamente a estabilidade do portfólio e os índices de Sharpe fora da amostra em comparação com métodos tradicionais.
Este artigo introduz os Modelos de Markov Ocultos Aumentados por Controlador (CHMMs), um framework que compila restrições de trajetória em controladores de estados finitos para permitir inferência sequencial exata e treinamento EM, demonstrando, por meio de teoria e diversos experimentos do mundo real, que esta abordagem é unicamente eficaz para recuperar trajetórias globalmente viáveis sob restrições cumulativas, ao mesmo tempo em que iguala métodos mais simples em regimes localmente dominados.
Este artigo demonstra que a Transformação de Fisher Generalizada (GFT) oferece propriedades de inferência de amostra finita superiores para matrizes de correlação em comparação aos métodos tradicionais, uma vez que suas coordenadas são quase não correlacionadas, invariantes à estrutura de correlação subjacente e aproximadamente gaussianas, resultando em erros de estimação que são quase pivoteais e fracamente dependentes.
Este artigo introduz um novo framework de descoberta causal para modelos causais estruturais lineares que define um novo critério de "dif-separação" e propõe o algoritmo LDiffPC para inferir grafos de diferença entre ambientes através do teste de igualdade de coeficientes de regressão.
Este artigo estabelece um arcabouço unificado para momentos de ordem real de variáveis aleatórias arbitrárias ao derivar representações gerais integrais e em série em termos de funções de distribuição que estendem as identidades clássicas de cauda para cobrir momentos positivos, fracionários e negativos, ao mesmo tempo em que vincula momentos logarítmicos a transformadas de Laplace e à identidade de Frullani.
Este artigo propõe um método robusto de detecção de pontos de mudança de alta dimensão que agrega p-valores de testes de Hotelling regularizados por ridge através de uma grade determinística usando a regra de combinação de Cauchy, eliminando, desta forma, a necessidade de selecionar um único parâmetro de ridge ideal ao mesmo tempo em que mantém o tamanho válido e alcança um poder quase ótimo.
Este artigo introduz o DTVEM-RE, uma extensão hierárquica de efeitos aleatórios do Modelo de Efeito Diferencial Variável no Tempo que permite a estimativa de múltiplos atrasos (lags) específica por pessoa em dados longitudinais intensivos, através de estruturas de Vetores Autorregressivos Bayesianos de tempo discreto e de Ornstein-Uhlenbeck de tempo contínuo, demonstrando precisão preditiva superior e a capacidade de capturar diferenças individuais em estruturas de atraso que métodos tradicionais não captam.
Este artigo introduz uma estrutura estatística de dois estágios para avaliar a interferência associativa em modelos de linguagem de grande escala ao separar a conformidade da resposta do desempenho da tarefa, revelando que tal interferência varia significativamente entre modelos e domínios, em vez de ser uma propriedade universal.