222 artigos
Este artigo apresenta uma abordagem unificada para a estimativa dos graus de liberdade efetivos nas técnicas de Replicação Balanceada (BRR) e Jackknife Pareado, demonstrando como as propriedades de independência dos componentes de contraste por estrato permitem derivar fórmulas práticas para intervalos de confiança.
Este artigo propõe uma abordagem de validação cruzada penalizada para a seleção de modelos em redes bipartidas, oferecendo pela primeira vez garantias teóricas de consistência e superando métodos tradicionais ao lidar com o desafio de subajuste e sobreajuste assimétricos entre os dois conjuntos de nós.
Este artigo apresenta um procedimento de estimação para modelos de efeitos mistos não lineares que utiliza splines penalizados e diferenciação automática via Template Model Builder para obter derivadas exatas, demonstrando desempenho inferencial superior e menor carga computacional em estudos de simulação e em uma aplicação sobre o crescimento de altura de bebês.
O artigo propõe abordagens bayesianas robustas que utilizam dados de controle históricos para reduzir o tamanho amostral de grupos de controle em estudos pré-clínicos com resultados binários, conseguindo diminuir o uso de animais enquanto mantêm o controle da taxa de erro familiar e protegem contra desvios.
Este trabalho apresenta o CIM, uma estrutura de dois estágios que maximiza o potencial de resultado em estado estacionário em redes, combinando a aprendizagem de funções de resposta à exposição com restrições de forma e uma estratégia gananciosa para fornecer garantias teóricas tanto na estimação causal quanto na razão de aproximação da maximização de influência.
Este artigo desenvolve uma metodologia robusta de teste de hipóteses sequencial baseada em Equações de Estimação Generalizadas (GEE) que, ao evitar suposições de modelagem prejudiciais, permite testar um leque mais amplo de hipóteses, fornece teoria assintótica para matrizes de covariância conjuntas, facilita a construção de limites de eficácia mais precisos e lida com dados incompletos, sendo validada por simulações e aplicada a um estudo longitudinal sobre hepatite C.
Este artigo propõe um novo quadro de "testar e agrupar" (test-then-pool) que utiliza testes de equivalência baseados em discrepância máxima de média (MMD) e procedimentos de bootstrap e permutação parciais para fundir dados de braços de controle históricos e atuais em ensaios clínicos, garantindo rigoroso controle do erro tipo I e maior poder estatístico em comparação com métodos padrão.
Este artigo propõe uma nova abordagem de aprendizado de representação causal para cenários de múltiplos tratamentos que elimina a necessidade de seleção heurística de hiperparâmetros através de um estimador teórico de pesos de balanceamento ótimos e introduz o modelo Multi-Treatment CausalEGM, garantindo escalabilidade constante e alta precisão na estimativa de efeitos de tratamento individuais.
O artigo propõe os Projetos de Amostragem Balanceados Distribucionalmente (DBD), uma nova classe de designs probabilísticos que maximiza a representatividade ao minimizar a discrepância entre as distribuições auxiliares da amostra e da população, oferecendo estimativas mais precisas e com menor variância para aplicações em ciências ambientais onde a coleta de dados é custosa.
Este artigo apresenta uma abordagem inovadora de calibração bayesiana que integra o termo de discrepância diretamente no simulador via processos gaussianos, assumindo que os erros de forma do modelo podem ser atribuídos à incerteza dos parâmetros de entrada, e valida essa metodologia aplicando-a à calibração de um simulador de dinâmica de discordâncias discretas contra observações de dinâmica molecular.
O artigo apresenta a Locally Adjacency Spectral Embedding (LASE), um método que utiliza decomposição espectral ponderada para capturar estruturas localmente de baixa dimensão em redes, superando as limitações das abordagens globais tradicionais e demonstrando ganhos teóricos e empíricos na reconstrução e visualização de dados.
Este artigo propõe e analisa um estimador convexo que combina penalidades de norma nuclear e para recuperar matrizes de deriva de baixa classificação e esparsas em processos de Ornstein-Uhlenbeck de alta dimensão acionados por ruído de Lévy, demonstrando que essa estrutura híbrida melhora a dependência da dimência ambiente na estimativa de risco em comparação com métodos puramente esparsos.
Este artigo propõe uma nova abordagem para o desenho ótimo de experimentos bayesianos em lote, baseada em fluxos de gradiente de Wasserstein e uma formulação probabilística que permite explorar paisagens de otimização complexas e obter lotes de alta utilidade através de algoritmos de partículas escaláveis.
Este artigo corrige as limitações de viés e estreitamento excessivo da aproximação de Laplace Riemanniana baseada na métrica de Fisher, propondo duas variantes alternativas que garantem exatidão no limite de dados infinitos e demonstram melhorias práticas em diversos experimentos.
Este artigo desenvolve e estende duas abordagens de análise de sensibilidade bayesiana — uma baseada em variáveis de confusão latentes e outra na função de sensibilidade — para estimar efeitos de tratamentos temporais em dados observacionais longitudinais afetados por confusão não medida que varia no tempo, avaliando seu desempenho em simulações e aplicando-os a dados reais de um registro pediátrico.
Este artigo revisa e unifica diversas abordagens de regressão para modelar a interação genótipo-ambiente e prever desempenhos em ambientes não observados, demonstrando como métodos aparentemente distintos se enquadram em um quadro comum de predição baseado em modelos mistos, com ilustração aplicada a dados de ensaios de variedades de arroz em Bangladesh.
Este artigo propõe um novo estimador robusto para correlações poligóricas que, ao minimizar uma função de perda baseada em divergência de frequências, supera as limitações do método de máxima verossimilhança ao lidar com violações de normalidade e dados de respondentes descuidados, mantendo consistência estatística e custo computacional equivalente.
Este artigo propõe um modelo estocástico epidêmico discreto baseado em inferência bayesiana e síntese de dados para estimar o número total de infecções por SARS-CoV-2, superando limitações de subnotificação e avaliando métodos como Hamiltonian Monte Carlo e análise vetorial de dinâmica de transmissão para aprimorar a tomada de decisão.
Este artigo apresenta uma estrutura unificadora baseada em dinâmicas hamiltonianas "elásticas" que conecta o Hamiltonian Monte Carlo (HMC) aos amostradores de processos de Markov determinísticos por partes (PDMP), permitindo a criação de novos algoritmos de rejeição livre com desempenho competitivo em inferência bayesiana de grande escala.
Este artigo propõe um método inovador de amostragem de não-eventos temporalmente deslocados para estimar covariáveis globais em modelos de eventos relacionais aplicados ao compartilhamento de bicicletas, permitindo a identificação de fatores como clima e horário no dinamismo do sistema sem a necessidade de cálculos de verossimilhança total computacionalmente inviáveis.