251 篇论文
本文通过揭示平衡重复复制（BRR）与配对刀切法（Jackknife）方差估计量中独立层间对比分量的性质，建立了一个统一框架，推导了方差估计量的方差并提出了基于 Welch-Satterthwaite 近似的实用自由度计算公式，从而为构建总体总量的置信区间提供了理论依据。
本文针对二部网络模型选择问题，提出了一种能解决单侧欠拟合与过拟合矛盾并首次提供一致性保证的惩罚交叉验证方法，其性能优于传统模度及投影方法且能自然保留节点集间的非对称性。
本文提出了一种基于惩罚样条和自动微分技术的半参数非线性混合效应模型估计方法，该方法通过拉普拉斯近似处理随机效应积分，在模拟研究和婴儿身高增长案例中展现了优于现有方法的推断性能与计算效率。
该论文提出了一种基于动态贝叶斯借用和同时可信区间的统计方法，旨在将历史对照数据纳入二分类终点（如长期致癌性研究）的多臂试验中，从而在有效控制族系错误率并抵御数据漂移的同时，显著减少实验动物的使用量。
该论文提出了一种名为 CIM 的两阶段框架，通过将高维路径依赖动态压缩为低维暴露映射，在观测数据上学习形状约束的响应函数并采用贪心策略，从而在预算约束下最大化稳态因果影响，并为结果估计和近似比提供了理论保证。
该论文提出了一种基于广义估计方程的稳健序贯假设检验新方法，该方法在无需依赖损害稳健性的建模假设的前提下，能够检验更广泛的假设、提供联合协方差矩阵的渐近理论、构建更精确的疗效边界，并适用于包含缺失数据的纵向及组内相关数据。
本文提出了一种基于最大均值差异（MMD）分布等价检验的“先检验后合并”新框架，通过引入部分自助法和置换法来严格控制在异质性历史对照数据融合过程中的第一类错误率，从而在提升统计功效的同时确保因果推断的有效性。
该论文针对多治疗场景下的个体治疗效应估计难题，提出了一种基于最优压缩的因果表示学习框架，通过推导新的泛化界确定最优平衡权重，并设计了具有 O(1) 可扩展性的“治疗聚合”策略及生成式架构 Multi-Treatment CausalEGM，在显著降低计算复杂度的同时实现了高精度的估计效果。
该论文提出了一种名为分布平衡设计（DBD）的新型概率抽样方法，通过优化总体排序并最小化样本与总体辅助分布间的能量距离，实现了比现有方法更优的分布拟合度，从而显著提升了资源受限场景下（如生态与林业调查）估计的可靠性。
本文提出了一种新颖的贝叶斯模型校准方法，通过将模型差异重新定义为集成在模拟器内部的参数不确定性（而非 Kennedy 和 O'Hagan 方法中独立的“包罗万象”差异项），并利用高斯过程代理模型确保计算可行性，成功应用于将离散位错动力学模拟器的预测结果校准至分子动力学观测数据。
本文提出了局部邻接谱嵌入（LASE）方法，通过加权谱分解揭示网络中的局部低维结构，在理论上证明了其能平衡局部化统计成本与截断误差，并在实验中展示了其在局部重建、可视化及构建高保真全局视图方面的优越性。
本文针对具有低秩加稀疏结构的高维 Lévy 驱动 Ornstein-Uhlenbeck 过程，提出了一种基于核范数与 惩罚的凸估计量，并在特定正则性条件下推导了其非渐近 Oracle 不等式，证明了该方法能在保持离散化偏差的同时，通过利用结构特性显著改善估计风险对维度的依赖关系。
本文提出了一种基于 Wasserstein 梯度流的新型批量贝叶斯最优实验设计方法，通过将优化问题提升至概率测度空间并引入熵正则化，利用粒子算法有效解决了高维非凸批量设计中的优化难题。
本文提出了一种名为 B-DARMA-DARCH 的贝叶斯模型，通过引入允许精度参数遵循 ARMA 递归的 Dirichlet ARCH 分量，有效解决了传统模型无法捕捉 Airbnb 服务费占比等成分时间序列中爆发式波动的问题，从而在保持预测结果有效性的同时显著提升了预测精度和区间校准能力。
本文提出了一种通过膨胀不确定性来构建先验分布的方法，以解决多实验联合分析中因未知参数相关性而导致的后验不确定性被低估问题，从而确保在一般假设下获得保守的参数估计结果。
本文指出基于 Fisher 度量的黎曼拉普拉斯近似在无限数据极限下仍存在偏差和过窄问题，并提出了两种修正变体，使其在保持计算高效的同时实现无限数据下的精确性，从而在理论和实验上均优于现有方法。
本文针对纵向观测数据中的时变未测量混杂问题，开发并扩展了基于潜在混杂变量和敏感性函数的贝叶斯敏感性分析方法，并通过模拟研究与儿科疾病注册数据的实际应用评估了其性能与实用性。
本文通过一个统一的模型预测框架，综述了从直线性回归到因子分析等多种用于建模基因型与环境互作及预测新环境的回归方法，重点探讨了预测不确定性的评估策略，并以孟加拉国水稻品种试验数据进行了实证说明。
本文提出了一种基于稳健损失函数的新型多分格相关系数估计量，该估计量无需对模型误设的类型或程度做假设，在保持与最大似然估计法相同计算成本的同时，能够有效抵抗因 careless respondents 等导致的模型部分误设，并在模拟与实证研究中展现出优异的稳健性与实用性。
本文采用贝叶斯范式结合离散时间随机流行病模型，通过整合公开数据与移动性信息来估算 SARS-CoV-2 的总感染数及传播动态，并评估了变分贝叶斯与哈密顿蒙特卡洛等推断方法的性能，同时利用相平面分析和反馈切割技术优化了决策支持工具。