220 artigos
Este artigo propõe uma abordagem não paramétrica totalmente flexível para a construção de intervalos de tolerância, utilizando um posterior de Gibbs calibrado com função de perda assimétrica, que garante cobertura frequentista nominal e produz intervalos mais curtos do que os métodos tradicionais em diversas aplicações práticas.
Este artigo revisita o conceito de cópula parcial, demonstrando que ela atua como um análogo não linear da correlação parcial, estabelece restrições sobre sua forma baseadas nas propriedades das cópulas condicionais e valida sua eficácia na representação de dependência estatística ajustada por covariáveis para inferência causal.
Este artigo desenvolve um framework causal de sobrevivência para ensaios de plataforma, demonstrando que, embora o agrupamento de controles não-concorrentes possa aumentar a eficiência sob condições específicas, a abordagem mais robusta para melhorar a precisão é focar em estimandos concorrentes utilizando estimadores duplamente robustos ajustados por covariáveis que utilizam apenas controles concorrentes.
Este artigo propõe o uso de Verossimilhança Sintética Bayesiana (BSL) aprimorada por Hamiltonian Monte Carlo para melhorar a Regressão de Meta-análise de Rede Multinível (ML-NMR), permitindo a incorporação de resumos de subgrupos disponíveis em dados agregados para lidar com covariáveis individuais ausentes e demonstrando ganhos significativos de precisão em uma rede de ensaios clínicos sobre psoríase.
Este artigo propõe e valida, por meio de simulações e análises de dados reais, um estimador hierárquico bayesiano para a variância em estratificação fina que supera os métodos existentes ao reduzir o viés e o erro quadrático médio.
Este artigo propõe um novo modelo bayesiano não paramétrico baseado em misturas de processos de Dirichlet para identificar clusters em populações heterogêneas de redes, demonstrando suas propriedades teóricas, validando seu desempenho em simulações e aplicando-o com sucesso a dados de redes cerebrais humanas.
Este livro apresenta uma compilação pedagógica e unificada das fundações teóricas e das provas dos principais resultados da previsão conformal e de técnicas de inferência livre de distribuição, visando preencher a lacuna entre artigos de pesquisa dispersos e facilitar o entendimento dos argumentos técnicos que garantem quantificação de incerteza em sistemas de aprendizado de máquina sem suposições sobre a distribuição dos dados.
Este artigo apresenta algoritmos rápidos de atualização da matriz R, projetados especificamente para aplicações estatísticas com estruturas de dados dinâmicas, que reduzem significativamente o custo computacional em comparação com a decomposição QR tradicional sem comprometer a precisão.
Este artigo propõe um estimador de diferenças-em-diferenças semiparamétrico que integra balanceamento de covariáveis para garantir robustez dupla e desenvolve um critério de seleção de modelo com penalidade assintoticamente corrigida, demonstrando superioridade sobre métodos existentes tanto em simulações quanto em análise de dados reais.
Este artigo propõe novas fórmulas de poder e um método de reamostragem para estimar a densidade de probabilidade, permitindo o planejamento e análise de ensaios clínicos que comparam quantis únicos ou múltiplos de dados censurados à direita, superando as limitações da suposição de riscos proporcionais.
Este artigo propõe um novo teste omnibus de ajuste de distribuição para dados contínuos univariados, baseado em momentos trigonométricos e na estrutura de covariância das estatísticas associadas, que oferece um procedimento plug-and-play com tamanho empírico preciso e alto poder para 11 famílias de distribuições, superando limitações do teste LK original.
Este artigo propõe um estimador de variáveis instrumentais corretamente centrado para modelos de regressão linear com dados agrupados e controles de alta dimensão, permitindo inferência robusta em cenários com restrições de exclusão complexas e dependência intra-agrupamento, como ilustrado em um estudo sobre intervenções fiscais no Quênia.
Este artigo apresenta um algoritmo sequencial baseado em testes de Cochran multivariados e em um método de bootstrap multi-rodadas para identificar agrupamentos de centros em estudos multicêntricos distribuídos, garantindo a recuperação da partição verdadeira e oferecendo diretrizes práticas para lidar com a heterogeneidade de parâmetros.
Este trabalho apresenta um método inovador de decomposição de superfícies, combinado com amostragem por importância, para realizar uma análise de sensibilidade eficiente da confiabilidade dinâmica de primeira passagem em sistemas lineares sujeitos a excitações aleatórias gaussianas, permitindo a reutilização de avaliações de função para múltiplos parâmetros de projeto.
O artigo apresenta o pacote R *afttest*, que oferece ferramentas de diagnóstico baseadas em resíduos de martingale para modelos semiparamétricos de tempo acelerado de falha, incluindo um novo método de aproximação linear de função de influência que reduz significativamente o tempo de computação em comparação com o bootstrap multiplicador tradicional.
Este estudo compara 28 métodos de seleção de variáveis e inferência em regressão logística, concluindo que a média de modelos bayesianos com priors g é superior na ausência de separação, enquanto abordagens de verossimilhança penalizada, como o LASSO, oferecem maior estabilidade quando há separação.
Este artigo estabelece uma conexão inovadora entre a correção robusta de viés e o pré-emprego de bootstrap para propor um novo procedimento de inferência não paramétrica que gera intervalos de confiança 17% mais curtos sem comprometer a cobertura assintótica, independentemente da localização do ponto de avaliação, escolha da janela ou distribuições dos dados.
O artigo propõe uma reorganização algébrica intuitiva da decomposição da covariância de Yates para o escore de Brier, que expressa o erro de previsão probabilística como a soma de três termos não negativos (mismatch de variância, déficit de correlação e calibração global), tornando transparentes as condições de otimalidade para previsões perfeitas.
O artigo propõe uma abordagem de teste combinado adaptado para ensaios cluster randomizados de dois estágios, permitindo reavaliação de tamanho amostral, parada precoce e redesenho do estudo para otimizar custos e eficiência, especialmente em cenários com alta incerteza nos parâmetros de correlação intracluster.
Este artigo propõe um modelo de mistura gaussiana de especialistas em espaço latente, utilizando penalização LASSO fundida por grupos e o método ADMM, para detectar pontos de mudança em dados de citometria de fluxo de fitoplâncton, identificando com sucesso uma zona de transição entre províncias marinhas.