254 artigos
O artigo "ForwardFlow" propõe um método de inferência estatística baseado em simulação que utiliza uma rede neural profunda única para resolver o problema inverso de estimação de parâmetros, demonstrando propriedades desejáveis como exatidão em amostras finitas, robustez a contaminação de dados e capacidade de aproximar automaticamente algoritmos complexos como o EM.
Este artigo apresenta uma abordagem unificada de Otimização Bayesiana baseada em Processos Gaussianos, que acelera a busca por pontos estacionários em superfícies de energia potencial através de um ciclo de seis etapas adaptável, técnicas avançadas de amostragem e regularização, e uma implementação prática em Rust que demonstra a eficiência e a escalabilidade do método.
Este artigo propõe um novo framework baseado na teoria dos jogos cooperativos, utilizando o valor de Shapley Restrito do Jogador (PRS) e a métrica de Ação Esperada de Gol (xGA), para avaliar de forma mais precisa e contextualizada a contribuição individual dos jogadores em ações ofensiva de finalização no futebol, superando as limitações do xG tradicional ao considerar as interações em rede e a estrutura tática.
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 investiga a construção de funções de limiarização que preservam a definição positiva de matrizes de correlação, estabelecendo critérios de fidelidade e demonstrando que qualquer operador de limiarização suave que mantenha essa propriedade induz necessariamente um colapso geométrico no espaço de características, limitando a recuperação do sinal.
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 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 modelo de equação diferencial estocástica baseado em um processo de Ornstein-Uhlenbeck variante no tempo que integra dados de movimento individual e distribuição populacional de águias-reais, permitindo inferências mais robustas sobre a dinâmica espacial da espécie e a avaliação de riscos associados a parques eólicos.
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 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 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.
Este estudo observacional longitudinal utilizando dados do programa "All of Us" e rastreadores Fitbit demonstrou que, embora a artroplastia total de joelho e quadril apresente um declínio progressivo de atividade física no período pré-operatório, os pacientes experimentam uma recuperação em três fases ao longo de dois anos, com o tempo de retorno aos níveis basais sendo significativamente influenciado pelo nível de atividade funcional imediatamente anterior à cirurgia.
Este artigo propõe um método robusto e computacionalmente eficiente para estimar a localização em diversas variedades matriciais, baseando-se na projeção da mediana de Frobenius do espaço euclidiano ambiente, e valida sua aplicabilidade, propriedades de robustez e normalidade assintótica através de simulações e de um conjunto de dados reais de tensores de momento sísmico.