219 artigos
Este estudo propõe um novo método de agrupamento baseado em grafos e informado por trajetórias que integra dados clínicos multimodais e a evolução temporal dos pacientes para identificar subtipos de câncer com perfis prognósticos distintos, superando as limitações das abordagens estáticas tradicionais.
Este artigo propõe um preditor linear não viesado empírico pseudo-multivariado para estimar médias de áreas pequenas de múltiplas variáveis dependentes sob um modelo de regressão com erros aninhados multivariados, incorporando pesos de amostragem para garantir consistência de projeto e utilizando procedimentos de bootstrap para estimar os erros quadráticos médios.
Este artigo propõe e valida dois novos algoritmos de g-computação que superam as limitações dos métodos existentes ao estimar simultaneamente os efeitos de ações variáveis no tempo na presença de eventos semi-concorrentes e confusão variável no tempo, demonstrando sua eficácia em simulações e em uma aplicação real sobre o impacto da prevenção do tabagismo na hipertensão.
Este artigo desenvolve uma teoria geral para a Aprendizagem Ponderada por Resultados (OWL) ao estabelecer uma relação fundamental entre o risco 0-1 e uma ampla classe de funções de perda, demonstrando taxas de convergência para kernels de Matern e Gaussianos e propondo algoritmos de otimização que superam métodos existentes na definição de regras de tratamento individualizado.
Este artigo demonstra que, quando a prior condicional em modelos hierárquicos bayesianos é uma distribuição canônica de máxima entropia, a prior marginal resultante também possui uma propriedade de máxima entropia, porém sujeita a uma restrição diferente sobre a distribuição marginal de uma função das quantidades desconhecidas, esclarecendo assim a informação assumida nesses modelos.
Este artigo propõe um novo modelo ARCH em nível de operador para dados em espaços de Hilbert que captura a evolução completa do operador de covariância condicional, estabelecendo condições para soluções estacionárias, derivando estimadores consistentes e validando a abordagem através de simulações e aplicação a retornos intradiários de alta frequência.
O artigo demonstra que uma classe de combinações otimizadas de valores-e permanece válida mesmo quando o parâmetro de ajuste é otimizado com base nos dados, estendendo esse resultado a uma nova classe de variáveis-e simultâneas e propondo um teste de combinação aprimorado baseado em polinômios simétricos elementares.
O artigo propõe os Grafos de Conceitos Causais (CCG), uma estrutura que mapeia dependências causais entre conceitos em espaços latentes de modelos de linguagem para aprimorar o raciocínio passo a passo, demonstrando superioridade sobre métodos existentes em tarefas de raciocínio lógico.
Este artigo propõe a Regressão Gimbal (GR), um framework de regressão local determinístico e geometricamente consciente que utiliza pesos direcionais explícitos e soluções de forma fechada para garantir estabilidade numérica e diagnósticos transparentes na presença de heterogeneidade espacial e vizinhanças anisotrópicas.
O artigo propõe um método de atualização robusta de modelos de risco que integra informações externas de classificação (ranking) em vez de escores absolutos, permitindo a construção de modelos preditivos mais precisos ao lidar com diferenças entre populações de estudos, como demonstrado em um cenário de câncer de próstata avançado.
Este artigo propõe um estimador de perda mínima direcionada assistido por substitutos para inferência causal com resultados atrasados e censura administrativa, o qual evita a instabilidade dos pesos de probabilidade inversa, garante robustez dupla e elimina termos de erro de segunda ordem sem exigir a estimação direta da lei condicional do substituto.
O artigo propõe o método PATRO, uma abordagem prática que ajusta de forma independente as estimativas de efeitos experimentais para decisões de implementação e otimização operacional subsequente, oferecendo um desempenho próximo ao ótimo bayesiano com maior transparência e simplicidade computacional.
Este artigo estabelece uma aproximação gaussiana forte para estatísticas U não degeneradas em alta dimensão com dimensão divergente, fornecendo uma base teórica unificada para inferência estatística sob distribuições de cauda pesada e permitindo o desenvolvimento de procedimentos de teste e detecção de pontos de mudança sem depender de limites do tipo ou argumentos de bootstrap.
Este artigo propõe o uso de métodos de previsão conformal, especificamente as abordagens dividida e sequencial, para construir intervalos de previsão livres de distribuição em séries temporais funcionais de alta dimensão, demonstrando sua eficácia na previsão de mortalidade subnacional no Japão e no Canadá.
Esta revisão metodológica de meta-análises de precisão diagnóstica publicadas em 2024 conclui que, embora as investigações de heterogeneidade sejam comuns e mais frequentes quando há mais estudos primários, elas frequentemente carecem de dados suficientes para subgrupos individuais e de clareza na especificação e escolha dos modelos estatísticos, destacando a necessidade de maior prespecificação nos protocolos para melhorar a transparência.
Este artigo propõe o método PCID, uma nova abordagem baseada em testes de permutação e isolamento para a detecção de múltiplos pontos de mudança em sinais circulares, demonstrando robustez em diversas distribuições de ruído e eficácia em aplicações reais.
Este artigo propõe uma estrutura prática de desenho e análise bayesiana para ensaios clínicos de precisão que utiliza um modelo de ponderação individual para incorporar parcialmente dados externos, ajustando o peso com base na similaridade das covariáveis, a fim de melhorar a estimativa de efeitos em subgrupos esparsos.
Este artigo detalha e aprimora um método de "risco splitting" que utiliza dados históricos e regressão de Poisson para estimar com maior precisão o efeito de programas de rastreio na mortalidade posterior, separando os casos diagnosticados antes e depois do convite inicial, o que resulta em intervalos de confiança mais estreitos em comparação com abordagens tradicionais.
Este artigo propõe novos testes estatísticos baseados em kernels, utilizando a Discrepância de Stein e a Discrepância de Máxima Média, para avaliar a equivalência entre distribuições e superar as limitações dos testes de ajuste de qualidade tradicionais que não conseguem confirmar a ausência de diferenças significativas.
Este artigo propõe uma nova estrutura de meta-análise adaptativa à heterogeneidade que utiliza uma penalidade de divergência de Kullback-Leibler para compartilhar informações entre conjuntos de dados de forma flexível, resultando em estimadores com menor erro quadrático médio e inferências válidas sem assumir homogeneidade dos parâmetros.