297 artigos
Este artigo propõe um método para identificar modelos causais generalizados lineares utilizando a invariância do risco de Pearson e a maximização da verossimilhança, permitindo a descoberta causal a partir de um único ambiente de dados para certos modelos, como regressão de Poisson e logística, e implementado no pacote R `causalreg`.
Este artigo apresenta um novo algoritmo Metropolis-Hastings com subamostragem escalável que utiliza variáveis de controle para garantir inferência bayesiana exata e eficiente em grandes conjuntos de dados, exigindo subamostras menores e sendo computacionalmente mais eficiente do que métodos existentes.
Os autores apresentam um modelo exploratório de classes latentes restritas que integra atributos polinomiais ordinais correlacionados e covariáveis em nível de respondente, demonstrando sua eficácia na recuperação de parâmetros e na identificação da estrutura latente da depressão, superando as limitações das abordagens de fator único.
Este artigo apresenta um novo framework não paramétrico baseado na geometria intrínseca para detectar mudanças abruptas na direção média de dados angulares bivariados (toroidais e esféricos), validado através de testes estatísticos consistentes e aplicado à detecção de alterações em dados de direção de ondas e ao trajeto do ciclone Biporjoy.
Este artigo propõe uma abordagem estável para extrapolação de sobrevivência que combina modelos de mortalidade bayesianos com transferência de aprendizado e modelos polihazard flexíveis para estimar a sobrevivência média em contextos de saúde, como câncer de mama, arritmia cardíaca e melanoma, garantindo robustez e interpretabilidade.
O artigo demonstra que uma mistura de distribuições Wishart não centrais com os mesmos graus de liberdade resulta em uma distribuição Wishart não central, estendendo resultados anteriores para o contexto Wishart e aplicando essa propriedade para derivar a distribuição de amostra finita de estatísticas de teste para efeitos aleatórios em modelos de planejamento fatorial com dados normais multidimensionais.
Este artigo propõe o procedimento MRS-C para a detecção em tempo real de mudanças de subespaço de baixo posto em dados de enxames robóticos, demonstrando sua otimalidade assintótica e robustez através de análises teóricas e validação empírica.
Este artigo estende o modelo estatístico wgsLR para análise forense de sequenciamento shotgun, permitindo a incorporação de probabilidades de erro de genotipagem assimétricas e desconhecidas entre amostras de traço e de referência, além de validar a robustez do modelo e sua implementação no pacote R wgsLR.
O artigo propõe um método de randomização adaptativa baseada em resposta (RAR) que estabiliza o amostragem de Thompson ao introduzir uma hipótese nula de igual eficácia, utilizando média de modelos bayesianos para equilibrar a alocação dinâmica com a aleatorização estática e mitigar problemas de variabilidade e inferência, com implementação disponível no pacote R `brar`.
O artigo apresenta o BLAST, uma nova estrutura de aprendizado por transferência bayesiana para regressão linear de alta dimensão que combina seleção adaptativa de fontes de dados e priores de contração global-local para melhorar a inferência e a quantificação de incerteza, superando métodos existentes em precisão e evitando transferência negativa.
Este artigo apresenta uma visão prática da teoria de valores extremos multivariados e espaciais, fornecendo instruções detalhadas para a análise de riscos de eventos extremos utilizando o pacote R ExtremalDep através de diversas aplicações do mundo real.
O artigo propõe o modelo BHARP, uma estrutura bayesiana hierárquica que utiliza partições aleatórias ajustáveis para identificar heterogeneidade de efeitos de tratamento em ensaios clínicos adaptativos, superando limitações de métodos existentes ao estimar simultaneamente efeitos específicos de subgrupos e padrões de heterogeneidade com calibração automática do empréstimo de força.
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 estudo apresenta um novo modelo estatístico de Markov oculto com penalização Lasso que, ao analisar dados de telemetria de narvalos, determina que essas espécies reagem a embarcações a até 4 km de distância, alterando seu comportamento de movimento e profundidade, oferecendo assim uma ferramenta robusta para orientar políticas de conservação e mitigação de impactos antropogênicos.
Este artigo argumenta contra a interpretação estrita de que um intervalo de confiança individual apenas "cobre ou não" o parâmetro, propondo uma visão baseada em modelos que permite atribuir probabilidades pós-dados à cobertura como previsões, demonstrando que essa abordagem é matematicamente consistente com a própria definição de taxas de erro de longo prazo.
Este artigo propõe uma interpretação decisional de intervalos de confiança, argumentando que a confiança nominal (1-α) deve ser vista como uma previsão probabilística ótima e estritamente adequada para a cobertura do parâmetro, permitindo que estatísticos frequentistas atribuam probabilidades a intervalos realizados sem recorrer a priors bayesianos ou crenças subjetivas.
Um estudo quase-experimental com estudantes de estatística revelou que, embora a escolha do contexto de dados não tenha impactado significativamente as notas nas tarefas, ela aumentou o engajamento, a motivação e a autonomia dos alunos, levando a recomendações para que educadores utilizem dados reais com contextos variados e relevantes aos interesses individuais dos estudantes.
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.
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.