252 artigos
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 trabalho apresenta uma implementação em Python de ferramentas geométricas para o Espaço de Formas 3D de Kendall, visando preencher a lacuna entre a teoria geométrica complexa e fluxos de trabalho computacionais práticos, complementando bibliotecas existentes como o Geomstats com utilitários específicos para análise avançada de formas 3D.
Este artigo compara a estimativa de incerteza via Monte Carlo Dropout e a Predição Conformal em redes neurais convolucionais treinadas no Fashion-MNIST, demonstrando que, embora o H-CNN VGG16 tenha maior precisão, o GoogLeNet oferece melhor calibração e a Predição Conformal garante conjuntos de previsão estatisticamente válidos, reforçando a necessidade de avaliar modelos além da simples acurácia para aplicações de alto risco.
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.
O artigo apresenta o ReTabSyn, um pipeline de síntese de dados tabulares baseado em aprendizado por reforço que prioriza a distribuição condicional para superar limitações em cenários com poucos dados e desequilíbrio de classes, resultando em melhor utilidade para modelos downstream e permitindo a aplicação de restrições específicas de especialistas.
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.
O artigo propõe e descreve a implementação de uma representação formal que externaliza o raciocínio lógico de uma análise de dados, permitindo avaliar a qualidade e a sensibilidade das premissas do analista sem depender apenas da execução do código ou dos dados brutos.
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 demonstra que a escolha da margem de não inferioridade em ensaios clínicos deve ser intrinsecamente alinhada ao estimando específico definido, uma vez que diferentes estratégias para eventos intercorrentes alteram a estimativa do efeito do tratamento e, consequentemente, a validade da constância histórica necessária para derivar a margem.
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.
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 propõe um método prático baseado em estimadores de densidade de kernel (KDE) para quantificar o risco de divulgação de pertencimento em dados sintéticos tabulares, oferecendo uma avaliação de risco mais precisa e eficiente do que abordagens anteriores sem a necessidade de modelos sombra computacionalmente caros.
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 apresenta um framework de previsão seletiva para a recuperação de estruturas moleculares a partir de espectros de massa, demonstrando que medidas de incerteza de baixo custo computacional e a aplicação de limites de risco sem distribuição permitem que os modelos abstenham-se de previsões inseguras, garantindo assim uma taxa de erro controlada em aplicações de alto risco.
O artigo apresenta o Scorio, uma biblioteca de código aberto que formaliza e implementa diversos métodos estatísticos para classificar modelos de linguagem de raciocínio sob escalabilidade em tempo de teste, demonstrando que a maioria das abordagens concorda fortemente com um padrão-ouro bayesiano tanto em cenários de múltiplas tentativas quanto de tentativa única.
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.