200 artigos
O artigo demonstra que funções de valoração estocástica, comuns em otimização e economia, podem ser aproximadas com precisão constante por versões discretizadas de suas distribuições de valores com suporte reduzido, permitindo a criação de "sketches" escaláveis que aceleram consultas de oráculo sem comprometer as garantias teóricas.
Este artigo propõe uma abordagem de identificação robusta à declaração estratégica de preferências para derivar limites precisos sobre os efeitos causais da alocação escolar, aplicando-a a dados do mecanismo de aceitação diferida no Chile e revelando heterogeneidade significativa no sucesso de graduação.
O artigo propõe uma abordagem simples que substitui o posterior usual por uma alternativa intuitiva para garantir uma quantificação precisa da incerteza em inferências bayesianas com modelos mal especificados ou aproximados, aplicando-se tanto a posteriors baseados em verossimilhança quanto em funções de perda.
Este artigo apresenta uma abordagem bayesiana robusta para a construção de Escores de Risco Poligênico (PRS), introduzindo uma técnica de projeção para garantir a compatibilidade estatística entre dados de GWAS e de desequilíbrio de ligação, além de um novo método baseado em priores de ponte flexíveis que demonstrou desempenho superior e consistente em diversos cenários.
O artigo apresenta o DELVE, um método espectral que utiliza filtros gráficos para isolar variáveis latentes específicas de cada modalidade em conjuntos de dados multimodais, atenuando os sinais compartilhados para capturar características exclusivas de cada sensor.
O artigo propõe um modelo para séries temporais de redes baseado em um processo de posição latente que gera um "espelho euclidiano", demonstrando que a estimativa espectral desse espelho permite localizar com precisão pontos de mudança de primeira ordem, mesmo quando a evolução da rede é contínua, mas com taxa alterada, conforme validado em dados simulados e reais de redes de organoides.
Este artigo desenvolve um quadro teórico e fórmulas de identificação não paramétricas (g-computação) para prever causalmente os efeitos de intervenções futuras, abordando desafios como confundidores e modificadores de efeito variantes no tempo, com o objetivo de determinar se os efeitos observados em amostras passadas se manterão em populações futuras.
Este artigo desenvolve testes de quebra estrutural baseados em auto-normalização para regressões de CoVaR e quantis preditivos, os quais são válidos independentemente da estacionariedade dos preditores e demonstram eficácia tanto em simulações quanto em aplicações empíricas sobre prêmio de ações e risco sistêmico.
Este artigo propõe e analisa dois estimadores de subamostragem (Amostragem por Importância Adaptativa e Subamostragem Estratificada) para regressão esparsa de alta dimensão robusta sob ruído pesado, contaminação e dependência, fechando a lacuna entre teoria e algoritmo ao estabelecer taxas ótimas minimax, intervalos de confiança válidos e superioridade empírica sobre métodos uniformes.
Este artigo propõe uma extensão do modelo de regressão com erro aninhado para parâmetros de alta dimensão (NERHDP), apresentando um procedimento de estimação eficiente e métodos robustos para prever indicadores de pobreza em pequenas áreas, quantificar incertezas e gerar estimativas sintéticas, demonstrando superioridade em precisão e escalabilidade em comparação com abordagens existentes através de dados da Albânia.
Este artigo apresenta um modelo de Markov oculto de classe latente restrito para dados longitudinais com respostas e atributos politômicos e covariáveis específicas do respondente, demonstrando sua identificabilidade, formulação bayesiana e eficácia através de simulações e aplicações em dados de exames de matemática e estados emocionais.
Este artigo propõe uma crítica consequencialista à avaliação de classificação binária, defendendo a adoção de regras de pontuação adequadas como o escore Brier em vez de métricas de limiar fixo, e oferece um novo framework teórico, uma variante do escore Brier e a ferramenta prática `briertools` para alinhar a avaliação de modelos de aprendizado de máquina com a utilidade decisória real.
O artigo desenvolve algoritmos paralelos baseados em mapas de Picard para simular cadeias de Markov Metropolis de ordem zero, acelerando a convergência em problemas de alta dimensão ao utilizar processamento paralelo para amostrar distribuições log-côncavas sem necessidade de gradientes.
O artigo propõe um novo método intuitivo e de fácil implementação baseado em amostragem de rejeição para encontrar testes estatísticos em dimensões arbitrárias, demonstrando por meio de exemplos empíricos e simulações que ele possui poder estatístico comparável aos testes uniformemente mais poderosos (não tendenciosos) e atua como um teste de aderência eficaz.
Este artigo propõe um novo modelo semi-paramétrico para cópulas condicionais utilizando Árvores de Regressão Aditivas Bayesianas (BART) com um prior baseado em perda para reduzir o sobreajuste, combinado com um algoritmo adaptativo Reversible Jump MCMC para inferência eficiente em funções de verossimilhança complexas, validado por estudos de caso sobre o impacto do PIB na dependência entre expectativa de vida e taxas de alfabetização.
O artigo apresenta a Modelagem Generativa Bayesiana (BGM), uma estrutura unificada baseada em aprendizado de máquina que permite inferência condicional arbitrária com quantificação de incerteza rigorosa, superando as limitações de métodos existentes ao aprender um modelo generativo único que não requer retreinamento para diferentes condições.
Este artigo apresenta uma nova estrutura de profundidade de dados estatísticos chamada "profundidade de subespaço central", que generaliza o conceito tradicional de ordenação centro-para-fora para permitir que o ponto de máxima profundidade corresponda a um subespaço de dimensão arbitrária em vez de apenas a um ponto, oferecendo assim ferramentas robustas para análise de simetria, redução de dimensionalidade e detecção de fraudes.
Este artigo propõe um método de estimação semiparamétrica eficiente para efeitos marginais de tratamento utilizando variáveis instrumentais genéticas, demonstrando que o uso de funções de influência eficientes mitiga a incerteza amostral e revela que indivíduos com maior propensão ao consumo excessivo de álcool sofrem impactos adversos mais severos na pressão arterial.
Este artigo propõe um quadro para estimar e realizar inferência sobre efeitos causais principais heterogêneos sob a suposição de ignorabilidade principal, desenvolvendo múltiplos estimadores com diferentes níveis de robustez e estabelecendo sua teoria assintótica, com aplicação ilustrativa no ensaio aleatorizado do Camden Coalition.
Este artigo propõe uma metodologia baseada no fluxo de trabalho BMW-GAM, que utiliza modelos aditivos generalizados bayesianos e cópulas gaussianas para quantificar a incerteza e avaliar os impactos de eventos climáticos extremos compostos em sistemas críticos de energia, demonstrando sua eficácia através de dados climáticos de alta fidelidade do Laboratório Nacional de Argonne.