Stable Survival Extrapolation via Transfer Learning
本文提出了一种结合贝叶斯死亡率模型与灵活参数多风险模型的迁移学习方法，通过借用登记和人口数据作为基准锚点，实现了在乳腺癌、心脏心律失常和晚期黑色素瘤等场景中稳定且可解释的生存外推及平均生存期估计。
📊 Category
stat.AP
97 篇论文
On noncentral Wishart mixtures of noncentral Wisharts and their use for testing random effects in factorial design models
本文证明了具有相同自由度的非中心威沙特分布混合仍服从非中心威沙特分布，并据此推导了多维正态数据下两因素析因设计模型中随机效应检验统计量的有限样本分布，从而将相关研究从一维情形推广至多维情形。
CITS: Nonparametric Statistical Causal Modeling for High-Resolution Neural Time Series
本文提出了名为 CITS 的非参数统计因果建模框架，通过结合任意马尔可夫阶的结构因果模型与滞后条件独立性检验，有效克服了现有方法在处理高分辨率神经时间序列数据时的局限性，并在模拟基准及小鼠大脑大规模记录中验证了其在识别刺激特异性因果通路和区域层级结构方面的卓越性能。
Shotgun DNA sequencing evidence: sample-specific and unknown genotyping error probabilities
本文扩展了 wgsLR 模型，使其能够处理法医样本中样本特异性及未知的基因分型错误概率，并验证了该模型在过离散情况下的稳健性，相关功能已集成至 R 语言包 wgsLR 中。
Bayesian Transfer Learning for High-Dimensional Linear Regression via Adaptive Shrinkage
本文提出了一种名为 BLAST 的贝叶斯迁移学习框架，通过结合全局 - 局部收缩先验与贝叶斯源选择机制，在高效处理高维线性回归的同时实现了对目标数据的精准推断、优越的不确定性量化以及对负迁移的有效抑制。
ForeComp: An R Package for Comparing Predictive Accuracy Using Fixed-Smoothing Asymptotics
本文介绍了 R 语言包 ForeComp，该工具包利用固定平滑渐近理论提供 Diebold-Mariano 型预测能力检验，并包含用于带宽敏感性与规模 - 功效权衡分析的可视化诊断功能。
At-Risk Transformation for U.S. Recession Prediction
该论文提出了一种将预测变量二值化为“风险状态”的简单转换方法，通过捕捉经济衰退等罕见事件的离散特征，利用美国月度宏观与金融数据证明该方法能显著提升样本外预测精度，使线性模型在衰退 onset 阶段的预测表现甚至可与复杂的机器学习模型相媲美。
Learning Risk Preferences in Markov Decision Processes: an Application to the Fourth Down Decision in the National Football League
该论文利用逆优化方法，将美式橄榄球第四档决策建模为马尔可夫决策过程，通过分析 2014 至 2022 年的比赛数据，发现教练的决策行为符合保守的风险偏好（即优化低分位数），且其风险容忍度在对方半场更高并随时间推移呈上升趋势。
Identifying Treatment Effect Heterogeneity with Bayesian Hierarchical Adjustable Random Partition in Adaptive Enrichment Trials
本文提出了一种名为 BHARP 的贝叶斯分层可调整随机划分模型，该模型通过有限混合框架联合估计亚组效应与异质性模式，在自适应富集试验中无需人工校准即可自动调整信息借用强度并有效处理模型不确定性，从而在模拟和实际应用中展现出优于现有方法的精度与准确性。
Comparative e-backtests for general risk measures
本文提出了一种基于 e 值和 e 过程的非参数序贯框架，用于对均值、方差、VaR、ES 及期望分位数等一般可识别风险度量进行具有任意时间有效性且稳健的比较回测，并通过改进的弱优势三区域方法提供了比传统方法更具信息量的结论。
Estimating the distance at which narwhal respond to disturbance: a penalized threshold hidden Markov model
该研究提出了一种基于 Lasso 惩罚的阈值隐马尔可夫模型框架，用于有效区分真实的干扰响应与虚假阈值，并应用于独角鲸数据，发现其会对 4 公里范围内的船只产生行为反应（如降低移动持久性并潜入更深水域）。
How segmented is my network?
该论文提出了一种基于统计原理的“网络分割度”标量指标及其归一化估计器，通过置信区间量化网络策略对节点间通信的限制程度，并验证了仅需少量随机采样即可在独立于网络规模的情况下准确评估分割效果，从而为基线追踪、零信任评估及并购整合等场景提供了实用的度量工具。
Bayesian Modeling of Collatz Stopping Times: A Probabilistic Machine Learning Perspective
本文从概率机器学习视角出发，通过贝叶斯分层负二项回归与基于奇数块分解的生成式近似两种模型，对 范围内的 Collatz 总停止时间进行了建模分析，发现低阶模结构（如 ）是解释其异质性的关键因素，且统计回归模型在预测性能上优于生成式近似。
Weather-Related Crash Risk Forecasting: A Deep Learning Approach for Heterogenous Spatiotemporal Data
该研究提出了一种基于集成 ConvLSTM 的深度学习框架，利用异质时空数据在 5 英里网格尺度上有效预测了北卡罗来纳州的天气相关交通事故风险，其性能显著优于传统基线模型，尤其在高风险区域表现卓越。
Revitalizing AR Process Simulation of Non-Gaussian Radar Clutter via Series-Based Analytic Continuation
本文提出一种基于级数解析延拓的策略，通过利用累积量展开的 Padé 近似更稳定地恢复拉普拉斯变换并预计算输入畸变，从而有效解决了传统线性滤波框架下非高斯雷达杂波模拟中分布失真和自相关函数受限的问题。
Statistical inference for Levy-driven graph supOU processes: From short- to long-memory in high-dimensional time series
本文提出了一种由 Lévy 过程驱动的图 supOU 过程模型，该模型通过图结构刻画高维时间序列分量间的依赖关系并统一了短程与长程记忆性，同时建立了广义矩估计量的理论性质，并通过模拟与欧洲风电容量因子的实证研究验证了其有效性。
The projected isotropic normal distribution with applications in neuroscience
本文针对脑电图相位分析需求，深入研究了投影各向同性正态分布，推导了其三角矩等解析性质并提出了基于冯·米塞斯分布的均值结果统计量近似方法，最终通过闪光刺激实验数据验证了该统计模型在神经科学中的应用价值。