219 artigos
Este artigo propõe o LAE-EnKF, um filtro de Kalman baseado em autoencoders latentes que reformula a assimilação de dados em um espaço latente com dinâmicas lineares e estáveis, superando as limitações de não linearidade do filtro de Kalman tradicional e demonstrando maior precisão e estabilidade em sistemas caóticos.
O artigo apresenta o CREDO, um método que combina envelopes credais interpretáveis com conformalização para gerar intervalos de previsão em regressão que garantem cobertura marginal sem distribuição, ao mesmo tempo que explicitam a incerteza epistêmica e melhoram a adaptabilidade à esparsidade dos dados.
Este artigo formaliza o objetivo de demonstrar que pelo menos uma intervenção gera um efeito positivo em subpopulações dentro de um framework de bandit multi-arma, desenvolvendo procedimentos de inferência para testes de hipóteses sob amostragem adaptativa e propondo um algoritmo de design experimental baseado em otimização que garante um limite de arrependimento logarítmico.
Este artigo propõe um novo método de regressão Fréchet para respostas multivariadas distribucionais baseado na família não-paranormal e na métrica de transporte não-paranormal (NPT), que supera desafios computacionais e estatísticos ao decompor o problema em marginais e dependência, garantindo convergência uniforme e eficiência comparável ao caso univariado.
O artigo "TEA-Time" propõe uma estrutura para transportar efeitos de tratamento entre diferentes períodos temporais, desenvolvendo estimadores duplamente robustos e demonstrando, através de simulações e aplicação em dados reais, o trade-off entre viés e variância entre duas estratégias de identificação.
Este artigo propõe um framework unificado de calibração que integra informações heterogêneas, como dados auxiliares e previsões de aprendizado de máquina, em experimentos randomizados adaptativos a covariáveis, garantindo validade assintótica e eficiência sem prejuízo ao estimar efeitos de tratamento.
Este artigo apresenta um método de "engressão" espaço-temporal profunda generativa que quantifica incertezas de forma endógena para gerar previsões probabilísticas precisas e confiáveis de epidemias, superando benchmarks existentes em diversos conjuntos de dados e oferecendo explicabilidade para apoiar intervenções de saúde pública.
Este artigo propõe e valida um método aprimorado de regressão de postos condicionais (CRRR) utilizando modelos de transformação condicional profunda (DCTM) para estimar a mobilidade intergeracional com maior precisão em cenários não lineares e com resultados discretos, aplicando-o com sucesso a estudos sobre persistência de renda nos EUA e mobilidade educacional na Índia.
Este artigo propõe e analisa um estimador de densidade não paramétrico baseado em um kernel de Dirichlet adaptativo com ponderação por probabilidade inversa para dados composicionais com valores ausentes, demonstrando sua superioridade sobre métodos de transformação em simulações e aplicando-o a dados de composição de leucócitos do NHANES.
Esta monografia oferece uma visão rigorosa dos aspectos teóricos e metodológicos da inferência probabilística e do aprendizado com o método de Stein, detalhando a construção de discrepâncias de Stein, suas propriedades e sua conexão com o descenso de gradiente variacional de Stein.
Este artigo propõe uma abordagem baseada em modelos para isolar e rastrear especificamente os efeitos de consumo decorrentes de algoritmos de controle inteligente em edifícios aquecidos por distrito, superando as limitações dos métodos tradicionais ao decompor esses efeitos em subcomponentes utilizando dados reais de longo prazo.
Este trabalho apresenta a Decomposição Parcial da Causalidade de Granger (PDGC), uma ferramenta baseada em decomposição de informação parcial que, ao analisar interações redundantes e sinérgicas em redes fisiológicas, revela novos padrões de disfunção autonômica relacionados ao controle simpático em pacientes com síncope neuramente mediada.
O artigo propõe o método TV-Select, um quadro unificado que utiliza penalização dupla e splines B para realizar a seleção estrutural simultânea de variáveis e determinar se seus efeitos em modelos de dados longitudinais são constantes ou variáveis no tempo, garantindo consistência na seleção e propriedades assintóticas ótimas.
Este artigo desenvolve uma teoria de inferência pós-hoc assintótica que permite níveis de significância dependentes dos dados, superando as limitações de métodos não assintóticos ao oferecer intervalos de confiança e valores-p mais precisos com pressuposições mais fracas.
Este artigo unifica os métodos de redução de variância para experimentação online e avaliação off-policy, demonstrando a equivalência matemática entre o estimador de diferenças de médias e o estimador de pontuação de propensão inversa com variáveis de controle, bem como entre métodos de ajuste por regressão e a estimativa duplamente robusta.
Este artigo propõe um estimador baseado em séries de Laguerre para coeficientes funcionais em modelos de coeficientes variáveis, demonstrando que ele atinge taxas de convergência minimax ótimas, estabelece sua normalidade assintótica para inferência estatística e valida o método por meio de simulações e aplicação a dados reais.
Este artigo propõe e valida dois métodos probabilísticos, a Taxa de Reprodutibilidade (RR) e a Taxa de Falsa Irreprodutibilidade (FIR), para quantificar e prever o comportamento das associações positivas em estudos de replicação de GWAS, auxiliando tanto no desenho desses estudos quanto na identificação de verdadeiros positivos que podem ter sido erroneamente descartados.
O artigo propõe um novo método de análise conjunta baseado em estatísticas resumidas que controla a taxa local conjunta de falsas descobertas (Jlfdr), demonstrando ser mais poderoso e eficaz do que os métodos tradicionais de meta-análise para identificar variantes genéticas associadas, especialmente em conjuntos de dados heterogêneos.
Este artigo investiga as distribuições de corte sob uma perspectiva assintótica, estabelecendo um teorema de Bernstein-von Mises e uma aproximação de Laplace, e propõe um algoritmo baseado no Posterior Bootstrap que garante cobertura assintótica frequentista nominal para regiões de credibilidade em cenários de inferência modular robusta.
Este artigo caracteriza analiticamente a flexibilidade do Método de Controle Sintético em termos de graus de liberdade e propõe critérios de informação estimáveis que superam a validação cruzada na seleção de parâmetros, aplicando-se com sucesso à avaliação do impacto do racionamento de licenças de carro em Tianjin.