251 artigos
Este artigo apresenta um quadro rigoroso para testar a influência excessiva de subconjuntos de dados em modelos de mínimos quadrados lineares, derivando fórmulas exatas e distribuições de valores extremos que permitem testes de hipóteses formais para substituir heurísticas ad hoc em diversas áreas.
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 artigo propõe uma abordagem bayesiana não paramétrica para modelos de mistura finitos, estabelecendo condições de identificação e taxas de contração posterior quase polinomiais para as densidades dos componentes latentes, além de desenvolver um algoritmo MCMC eficiente para inferência em dados heterogêneos.
O artigo propõe o método cc-Shapley, uma modificação intervencionista dos valores de Shapley que incorpora conhecimento causal para corrigir atribuições de importância de características enganosas causadas por viés de colisor e supressão, garantindo assim uma análise mais precisa e confiável em modelos de inteligência artificial explicável.
Este artigo apresenta uma aplicação inovadora de inferência causal proximal para estimar a eficácia relativa ao placebo de cabotegravir na prevenção do HIV, utilizando dados de controle externo e abordando desafios como diferenças de risco não medidas e baixas taxas de incidência por meio de dois novos métodos estatísticos.
Este artigo propõe um método de seleção de variáveis para imputação por regressão linear em pesquisas, demonstrando que o modelo selecionado converge para o modelo ótimo e apresentando um quadro metodológico completo para a construção de intervalos de confiança assintoticamente válidos após a seleção do modelo.
O artigo apresenta o KRAFTY, um novo framework baseado na matriz de Khatri-Rao transposta que recupera com precisão a estrutura de clusters conjuntos em dados multiview, superando métodos existentes ao permitir a seleção fácil do número correto de clusters através de uma queda acentuada no gráfico de scree.
Este artigo propõe um novo método de regressão por mínimos quadrados aparados que é robusto a valores atípicos tanto de casos quanto de células, lida com dados faltantes, permite distribuições assimétricas e é o primeiro a oferecer previsões fora da amostra robustas.
Este artigo apresenta um novo emulador multi-fidelidade baseado em decomposição tensorial e processos gaussianos que integra simulações de baixa e alta fidelidade para criar um modelo substituto escalável e preciso das dinâmicas do gelo marinho do Ártico, reduzindo significativamente o custo computacional e a incerteza em comparação com abordagens tradicionais.
Este artigo propõe um método de estimação robusta para processos de difusão com dados de alta frequência na presença de outliers, utilizando a aproximação de densidade de transição de Kessler e a divergência , demonstrando suas propriedades assintóticas e analisando a influência condicional dos estimadores.
Este artigo propõe uma metodologia unificada baseada na Análise de Componentes Simultâneas com ANOVA (ASCA) para modelar e analisar séries temporais cicloestacionárias, permitindo a distinção de efeitos reais da variabilidade aleatória em dados multivariados e desbalanceados, com validação em estudos de caso sobre temperatura da água e pólen atmosférico na Espanha.
Este artigo propõe um novo gráfico de controle (MPC) baseado em modelos gráficos funcionais para monitorar a estrutura de covariância em perfis multicanal, superando as limitações dos métodos tradicionais ao detectar mudanças esparsas e sutis, identificar relações alteradas entre perfis e validar sua eficácia através de simulações e um estudo de caso em uma máquina de torrefação.
Este artigo apresenta o TS-BOSS, uma extensão do algoritmo BOSS para séries temporais que utiliza busca baseada em permutações e árvores de crescimento-encolhimento para aprender estruturas causais de forma escalável e com alto desempenho, especialmente em regimes de alta autocorrelação.
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.
O artigo apresenta o Método de Qui-Quadrado Discreto (DCM), uma abordagem baseada em mínimos quadrados e robusta contra limitações de métodos tradicionais como a Transformada de Fourier Discreta, capaz de modelar e prever com sucesso séries temporais complexas, como os dados de El Niño entre 1870 e 2024, graças ao efeito revolucionário da dimensão da janela que garante a detecção precisa de tendências e sinais à medida que o tamanho da amostra e a precisão dos dados aumentam.
Este artigo propõe um quadro estatístico unificado que demonstra que a augmentação sintética em aprendizado desbalanceado nem sempre é benéfica, dependendo do regime de simetria local e do alinhamento do gerador, e recomenda a estratégia de Tamanho Sintético Ajustado por Validação (VTSS) para otimizar a quantidade de amostras geradas.
Este artigo defende a adoção de um novo paradigma para a descoberta causal, que integra plataformas de crowdsourcing, elicitação de conhecimento especializado e simulação baseada em modelos de linguagem para sintetizar o conhecimento fragmentado de múltiplos agentes e reconstruir estruturas causais globais inatingíveis por indivíduos isolados.
Este artigo propõe e valida teoricamente uma nova estratégia adaptativa de seleção de parâmetros para descida de gradiente baseada em kernels, que integra análise de viés-variância e o conceito de dimensão efetiva empírica para alcançar limites ótimos de erro de generalização e superar os métodos existentes.
O artigo apresenta o CausalMix, um framework generativo variacional que preenche a lacuna entre realismo distribucional e controle causal em dados tabulares mistos, permitindo a manipulação independente de sobreposição, confusão não medida e heterogeneidade de efeitos para validação de métodos e estudos de simulação.
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.