stat 篇论文 | Gist.Science

本研究通过在经过美国国家调查校准的合成数据集上使用监督式机器学习流水线，证明了结构性社会经济因素（尤其是教育和职业阶层）是健康脆弱性的主导预测因子——其解释了82%的特征重要性，并支持了基本原因理论而非行为解释。

本文介绍了 HS3，这是一种针对高能物理领域统计模型的新型、与实现无关、人类可读且可扩展的序列化标准，旨在通过实现跨不同软件框架的机器可读互操作性、长期保存以及 FAIR 数据原则，来克服现有格式的局限性。

本研究表明，结合孤立森林异常检测与线性混合效应模型的混合方法，能够从资源匮乏地区存在冲突的常规临床数据中，合成可靠且优化的怀孕受孕日期，从而有效克服早期超声检查缺失及记录保存不一致的问题。

本研究提出了一种针对非线性预算与时间约束下多元分层抽样的协方差感知折中分配框架，并通过数值分析证明，引入协方差交互作用比传统方法能获得最优的样本分配和更高的精度。

本研究对肯尼亚2000–2023年的孕产妇死亡率数据采用了带有自助法不确定性量化的两状态马尔可夫转换模型，揭示了由卫生系统结构性变化驱动的高死亡率与低死亡率截然不同的状态，证明了该国的孕产妇健康轨迹呈现出持续的状态转变特征，而非连续的线性趋势。

本研究提出了一种动态 Huber 加权自适应 EWMA Max-M 统计量，该统计量通过根据偏差幅度动态调整平滑参数，在同时检测微小和重大多元过程偏移方面优于传统模型，并已通过模拟实验和工业水泥熟料数据得到了验证。

本文提出了一种用于拒绝推断的新型辅助增强型调查校准框架，该框架通过对已接受申请人进行重加权以匹配总体总量，避免了传统插补方法的性能退化，从而证明了其具有一致性和渐近正态性，并能在模型设定错误的情况下显著改善总体风险校准并保持判别能力。

本研究提出并验证了一个可解释的统计学习框架，该框架整合了惩罚回归、自助稳定性选择以及基于SHAP的可解释机器学习，旨在准确预测学生压力，识别出如考试压力和睡眠时长等关键预测因子，同时确保模型的透明度与可复现性。

本研究引入了社会演化算法（Socio-Evolutionary Algorithm, SEA）框架，该框架对重复适应性决策中信任、模仿与探索之间的平衡进行了建模，并通过在债务分配任务中的十个异质群体中验证了其竞争性能与可解释性。

本文提出了共同作者差异指数（Coauthorship Disparity Index, CDI），这是一种旨在量化作者在 h-core 论文上的科学影响力与其共同作者数量之间失衡程度的新型指标，从而有助于识别诸如赠送署名或客座署名等共同作者滥用行为。