渐近性质的路线图及其在 COVID-19 数据中的应用
我们提出了一种流行病学模型,它可以通过变分数据同化实时地整合新数据,用于预测和评估全球隔离措施的社会和经济成本,并分析和讨论中国、美国和意大利的感染率,尤其是我们开发了一个适用于中国城市疫情相关变量的定制隔室 SIR 模型,称为 SITR 模型,并应用混合数据同化方法使结果鲁棒性更强。
Apr, 2020
本文介绍了在高能物理中进行新现象发现和模型参数置信区间的基于似然的统计检验方法,聚焦于测试程序的性质,包括系统误差的考虑,推导了 Wilks 和 Wald 结果的渐近分布的显式公式,提出并证明使用代表性数据集 Asimov 数据集的方法,该数据集提供了一种在搜索或测量中获得中位实验灵敏度以及这一期望的波动的简单方法。
Jul, 2010
本研究通过结合多个不同参数的 SEIR 模型的流行病曲线,生成了三个复杂的流行病情景,并考察了流行病学参数估计的目前现状和局限性,结果表明忽略数据生成过程中的复杂性和异质性会掩盖底层地理和人口特定的流行病动态。
Jun, 2021
该研究论文提出了一种置信度序列方法,可用于跟踪任何完全排序集合上的分布分位数,同时提供了新的经验分布函数的集中不等式,并在多臂老虎机框架中提供了选择玩家的新算法和样本复杂度边界。
Jun, 2019
本文研究了估计多重检验背景下的效应大小分布的问题。我们提出了一种简单、高效的估计器,可使用廉价的试验数据,在比识别发现类试验所需采样数量显著少的情况下,估计该分布。该估计器可用于保证未来试验中给定实验设计中将被发现的发现数量,并展示了在 Drosophila 上进行的流感抑制基因敲除试验数据的有效性。
Feb, 2020
该研究提出了两种新的模型方法来预测 COVID-19 感染人数,分别为基于字典的方法和可拟合曲线的混合方法,通过子人群的线性组合进行建模,对 187 个国家的数据进行了实证研究,发现该字典方法在预测中表现最优。
Feb, 2023
给定独立同分布随机变量的样本的序统计量的非渐近方差和尾部界限。当抽样分布属于最大吸引域时,这些界限被证明是渐近解。如果抽样分布具有非降的危险率(包括高斯分布),我们推导出序统计的指数 Efron-Stein 不等式,以将中心序统计的对数矩生成函数与 Efron-Stein(卡松尼)估计的方差的指数矩相联系。我们使用这个一般的连接来推导高斯样本的序统计的方差和尾部边界。这些界限不在茨瑞耶松 - 伊布拉吉莫夫 - 苏达科夫高斯浓度不等式的范围内。证明是基本的,结合了序统计的 Renyi 表示以及 M. Ledoux 普及的集中不等式的所谓熵方法。
Jul, 2012
研究误差模型下贝叶斯后验分布的渐近行为并研究多个假设,包括基于距离定义的偏差度量,以及应用于凸模型和非凸模型的加权 L1 度量,并探讨其扩展至不独立等但相互独立的情况。
Dec, 2013
本文使用时间可变的易感 - 感染 - 恢复(SIR)模型回答了 COVID-19 相关问题,包括如何抑制疫情、疫情高峰和结束的时间、无症状感染者对疾病传播的影响、实现群体免疫所需感染者数量、社交隔离的有效性、长期感染者比例以及研究独立级联模型与 SIR 模型之间关系。
Feb, 2020
该论文提出了一种新的算法框架,用于解决顺序假设检验问题,包括 A/B 测试、非参数双样本测试和独立性测试等。该算法具有线性时间和恒定空间计算的优势,并且在处理复杂问题时能够动态调整中止时间以适应,同时其零均值鞅的检验统计量也采用了一致的 LIL 控制拒绝门槛。
Jun, 2015