stat artigos | Gist.Science

Two Localization Strategies for Sequential MCMC Data Assimilation with Applications to Nonlinear Non-Gaussian Geophysical Models

Este artigo apresenta duas estratégias de localização para um esquema de assimilação de dados baseado em cadeias de Markov Monte Carlo sequenciais (SMCMC) que, ao evitar a degenerescência de pesos e lidar naturalmente com erros não-Gaussianos, demonstra superioridade em modelos geofísicos não-lineares e de alta dimensão em comparação com o filtro de Kalman transformado local (LETKF).

Hamza Ruzayqat, Hristo G. Chipilski, Omar KnioMon, 09 Ma📊 stat

Modeling Animal Communication Using Multivariate Hawkes Processes with Additive Excitation and Multiplicative Inhibition

Este artigo propõe um novo modelo de processos de Hawkes multivariados que combina excitação aditiva e inibição multiplicativa para analisar a comunicação acústica animal, demonstrando sua eficácia na identificação de padrões de interação temporal em dados de suricatos e baleias.

Bokgyeong Kang, Erin M. Schliep, Alan E. Gelfand, Ariana Strandburg-Peshkin, Robert S. SchickMon, 09 Ma📊 stat

On parameter estimation for the truncated skew-normal distribution

Este artigo propõe o método GRID-MOM, uma abordagem baseada em grade que fixa o parâmetro de forma e estima os parâmetros de localização e escala via momentos, oferecendo uma alternativa estável e precisa para a estimação de parâmetros na distribuição normal assimétrica truncada, superando as instabilidades numéricas dos métodos existentes.

Kwangok Seo, Seul Lee, Johan LimMon, 09 Ma📊 stat

Simultaneously accounting for winner's curse and sample structure in Mendelian randomization: bivariate rerandomized inverse variance weighted estimator

Este artigo propõe o estimador bivariado RIVW (BRIVW), um novo método para a randomização mendeliana que corrige simultaneamente a maldição do vencedor e a estrutura amostral, fornecendo estimativas de efeitos causais mais precisas e consistentes do que as abordagens existentes.

Xin Liu, Ping Yin, Peng WangMon, 09 Ma📊 stat

Clustering-Based Outcome Models for Clinical Studies: A Scoping Review

Esta revisão de escopo oferece uma visão sistemática de modelos que combinam agrupamento de covariáveis com modelos de desfecho em estudos clínicos, distinguindo entre abordagens informadas e agnósticas, e destacando sua relevância para estratificação de risco e estimativa de efeitos de tratamento em populações heterogêneas com dados de alta dimensão.

Johannes Vilsmeier, Fabian Eibensteiner, Franz König, Francois Mercier, Robin Ristl, Nigel Stallard, Marc Vandemeulebroecke, Sarah Zohar, Martin PoschMon, 09 Ma📊 stat

Optimizing Complex Health Intervention Packages through the Learn-As-you-GO (LAGO) Design

Este artigo apresenta o desenho Learn-As-you-GO (LAGO), uma metodologia inovadora que otimiza intervenções de saúde complexas e multi-componentes adaptando-as durante a execução do estudo para garantir eficácia, poder estatístico e redução de custos, demonstrando como essa abordagem poderia ter evitado o fracasso do estudo BetterBirth na Índia e sendo aplicada em ensaios atuais sobre HIV e doenças não transmissíveis.

Donna Spiegelman (Center on Methods for Implementation,Prevention Science,,Department of Biostatistics, Yale University), Dong Roman Xu (Southern Medical University Institute for Global Health), Ante Bing (Department of Mathematics,Statistics, Boston University), Guangyu Tong (Section of Cardiovascular Medicine, Department of Internal Medicine, Yale University), Mona Abdo (Center on Methods for Implementation,Prevention Science,,Department of Biostatistics, Yale University), Jingyu Cui (Center on Methods for Implementation,Prevention Science,,Department of Biostatistics, Yale University), Charles Goss (Center for Biostatistics,Data Science, Washington University School of Medicine), John Baptist Kiggundu (Infectious Diseases Research Collaboration), Chris T. Longenecker (Division of Cardiology,Department of Global Health, University of Washington), LaRon Nelson (Yale School of Nursing, Yale University), Drew Cameron (Department of Health Policy,Management, Yale University), Fred Semitala (Infectious Diseases Research Collaboration,,Department of Medicine, Makerere University,,Makerere University Joint AIDS Program), Xin Zhou (Center on Methods for Implementation,Prevention Science,,Department of Biostatistics, Yale University), Judith J. Lok (Department of Mathematics,Statistics, Boston University)Mon, 09 Ma📊 stat

Large Wave Direction Data Modeling Using Wrapped Spatial Gaussian Markov Random Fields

Este artigo propõe um modelo de Campo Aleatório de Markov Gaussiano Envolvido (WGMRF) para lidar com a modelagem estatística de grandes conjuntos de dados direcionais espaciais, superando as limitações computacionais dos métodos existentes e demonstrando melhor desempenho preditivo e escalabilidade através de simulações e da aplicação a dados de direção de ondas do tsunami de 2004 no Oceano Índico.

Arnab HazraMon, 09 Ma📊 stat

Variable selection in linear mixed model meta-regression with suspected interaction effects -- How can tree-based methods help?

Este artigo demonstra que, embora métodos lineares sejam superiores para detectar interações estritamente lineares em meta-regressões, as abordagens baseadas em árvores (especialmente as variantes com seleção de estabilidade e efeitos aleatórios) oferecem uma alternativa robusta e complementar quando as interações são não lineares ou o número de estudos é limitado, auxiliando na pré-seleção de variáveis e na análise de sensibilidade.

Jan-Bernd Igelmann, Paula Lorenz, Markus PaulyMon, 09 Ma📊 stat

Estimating Residential Displacement in the Central Puget Sound Region using Household Survey Data

Este artigo propõe uma nova estratégia baseada em modelos bayesianos e dados de três pesquisas domiciliares para estimar o deslocamento residencial em nível subcondal na região do Central Puget Sound, revelando variações geográficas e uma moderação temporária durante 2020-2021, com metodologias aplicáveis a outras jurisdições.

Ameer Dharamshi, Mary Richards, Suzanne Childress, Brian Lee, Daniel CaseyMon, 09 Ma📊 stat

Bayesian Additive Distribution Regression

O artigo apresenta o DistBART, uma abordagem bayesiana não paramétrica para regressão de distribuições que utiliza ensembles de árvores de decisão para modelar funcionais lineares e não lineares, oferecendo tanto garantias teóricas de concentração quanto escalabilidade computacional através de aproximações por características aleatórias.

Antonio R. Linero, Soumyabrata Bose, Jared MurrayMon, 09 Ma📊 stat

Risk Prediction in Cancer Imaging Using Enriched Radiomics Features

Este artigo apresenta um novo quadro de radiômica enriquecida que integra características estruturais clássicas com dados funcionais derivados de ressonância magnética hepática, demonstrando superioridade na classificação diagnóstica e estratificação de risco de tumores em comparação com métodos tradicionais.

Alec Reinhardt, Tsung-Hung Yao, Raven Hollis, Galia Jacobson, Millicent Roach, Mohamed Badawy, Peter Park, Laura Beretta, David Fuentes, Newsha Nikzad, Prasun Jalal, Eugene Koay, Suprateek KunduMon, 09 Ma📊 stat

Balancing Efficiency and Feasibility: A Sensitivity Analysis of the Augmentation Parameter in the Finite Selection Model

Este artigo investiga, por meio de um estudo de simulação de Monte Carlo, o papel do parâmetro de augmentação no Modelo de Seleção Finita (FSM), demonstrando que uma augmentação moderada melhora o equilíbrio das covariáveis sem comprometer a eficiência, enquanto excessos podem aumentar a variância e reduzir a estabilidade do estimador, oferecendo assim diretrizes práticas para sua seleção em desenhos experimentais aplicados.

Safaa K. KadhemMon, 09 Ma📊 stat

Predictive Distributions and the Transition from Sparse to Dense Functional Data

Este artigo estuda a convergência das distribuições preditivas de escores de componentes principais funcionais de dados longitudinais esparsos para os escores verdadeiros à medida que a amostragem se torna densa, demonstrando a contração da distribuição preditiva para uma massa pontual e estabelecendo taxas de convergência para modelos lineares funcionais sob a métrica de Wasserstein.

Álvaro Gajardo, Xiongtao Dai, Hans-Georg MüllerFri, 13 Ma📊 stat

Bounds on Representation-Induced Confounding Bias for Treatment Effect Estimation

Este artigo propõe um novo quadro de refutação agnóstico à representação que estabelece limites teóricos e utiliza uma rede neural para estimar os vieses de confusão induzidos pela redução de dimensionalidade em métodos de estimação do efeito causal médio condicional (CATE).

Valentyn Melnychuk, Dennis Frauen, Stefan FeuerriegelFri, 13 Ma📊 stat

Geometry of Singular Foliations and Learning Manifolds in ReLU Networks via the Data Information Matrix

Este artigo propõe o uso da Matriz de Informação de Dados (DIM) em redes neurais ReLU treinadas para revelar uma estrutura geométrica de foliação singular no espaço de dados, demonstrando que essa estrutura permite identificar correlações nos dados e medir distâncias entre conjuntos para transferência de conhecimento.

Eliot Tron, Rita FioresiFri, 13 Ma📊 stat

Are Bayesian networks typically faithful?

Este artigo demonstra que as redes bayesianas que satisfazem o princípio da fidelidade constituem um conjunto aberto e denso (ou seja, são "típicas") em diversas classes paramétricas e não paramétricas, incluindo modelos com variáveis latentes, o que garante a consistência de algoritmos de descoberta causal baseados em restrições.

Philip Boeken, Patrick Forré, Joris M. MooijFri, 13 Ma📊 stat

Quantifying Aleatoric Uncertainty of the Treatment Effect: A Novel Orthogonal Learner

Este artigo propõe o AU-learner, um novo estimador ortogonal que utiliza identificação parcial para obter limites precisos sobre a distribuição condicional do efeito do tratamento (CDTE), permitindo assim quantificar a incerteza aleatória dos efeitos terapêuticos em dados observacionais.

Valentyn Melnychuk, Stefan Feuerriegel, Mihaela van der SchaarFri, 13 Ma📊 stat

Testability of Instrumental Variables in Additive Nonlinear, Non-Constant Effects Models

Este artigo propõe e valida uma condição de teste de independência baseada em auxiliares (AIT) para verificar a validade de variáveis instrumentais em modelos aditivos não lineares com efeitos não constantes e variáveis de tratamento contínuas ou discretas, demonstrando sua eficácia em dados sintéticos e reais.

Xichen Guo, Zheng Li, Biwei Huang, Yan Zeng, Zhi Geng, Feng XieFri, 13 Ma📊 stat

Parameter-Specific Bias Diagnostics in Random-Effects Panel Data Models

Este artigo demonstra como um novo diagnóstico de viés específico para parâmetros, que gera estimativas internas e valores-p baseados em permutação a partir de um único modelo de efeitos aleatórios, pode complementar o teste de especificação de Hausman em dados de painel, ilustrando sua aplicação prática em estudos de demanda por gasolina e avaliação de professores.

Andrew T. KarlFri, 13 Ma📊 stat

Adaptive Prior Selection in Gaussian Process Bandits with Thompson Sampling

Este trabalho propõe dois algoritmos, PE-GP-TS e HP-GP-TS, baseados em amostragem de Thompson para Gaussian Processes, que realizam a seleção conjunta de priores e a minimização de arrependimento em problemas de otimização de caixa preta, oferecendo garantias teóricas e validação experimental superior em comparação com métodos existentes.

Jack Sandberg, Morteza Haghir ChehreghaniFri, 13 Ma📊 stat

← Anterior Próximo →