Jakie są interesujące i dobrze napisane artykuły dotyczące statystyki stosowanej?

Jakie są dobre artykuły opisujące zastosowania statystyk, które byłyby zabawne i pouczające? Żeby było jasne, tak naprawdę nie szukam prac opisujących nowe metody statystyczne (np. Artykuł o regresji kątowej), ale raczej prac opisujących sposoby rozwiązywania rzeczywistych problemów.

Na przykład jeden papier, który pasowałby do tego, czego szukam, to papier klimatyczny z drugiego Cross-Validated Journal Club . Poszukuję raczej artykułów statystycznych, a nie maszynowych, ale myślę, że to trochę niewyraźne rozróżnienie (dokumenty Netflix Prize sklasyfikowałbym jako trochę na granicy, a artykuł na temat analizy sentymentów jako coś ja nie szukam).

Pytam, ponieważ większość zastosowań statystyk, które widziałem, to albo małe fragmenty, które widziałeś w podręcznikach, albo rzeczy związane z moją własną pracą, więc chciałbym trochę rozwinąć.

Trochę trudno jest mi zobaczyć, który papier może Cię zainteresować, więc pozwól mi zaproponować następujące z literatury psychometrycznej:

Borsboom, D. (2006). Atak psychometrów . Psychometrika , 71 , 425–440.

do ubierania sceny (dlaczego musimy stosować modele statystyczne, które lepiej odzwierciedlają podstawowe hipotezy powszechnie spotykane w badaniach psychologicznych?), oraz

Borsboom, D. (2008). Perspektywy psychometryczne w systemach diagnostycznych . Journal of Clinical Psychology , 64 , 1089-1108.

dla zastosowanej perspektywy medycyny diagnostycznej (przejście od oceny tak / nie stosowanej w DSM-IV do podejścia „wymiarowego” przeznaczonego dla DSM-V). Większy przegląd modeli zmiennych utajonych w badaniach biomedycznych, które lubię to:

Rabe-Hesketh, S. i Skrondal, A. (2008). Klasyczne modele zmiennych utajonych do badań medycznych . Metody statystyczne w badaniach medycznych , 17 (1) , 5-32.

Oto pięć najczęściej cytowanych artykułów z ostatnich 40 lat Journal of the Royal Statistics Society, Series C: Applied Statistics, z wyraźnym zastosowaniem w tytule, które przykuło moją uwagę podczas skanowania w wynikach wyszukiwania Web of Knowledge:

• Sheila M. Gore, Stuart J. Pocock i Gillian R. Kerr (1984). Modele regresji i zagrożenia nieproporcjonalne w analizie przeżycia raka piersi. Vol. 33, nr 2, s. 176–195. (Cytowano 100 razy) ( bezpłatny plik PDF )
• John Haslett i Adrian E. Raftery (1989). Modelowanie czasoprzestrzeni z zależnością od długiej pamięci: ocena irlandzkiego zasobu energii wiatrowej. Vol. 38, nr 1 s. 1-50 (cytowano 156 razy)
• Stuart G. Coles i Jonathan A. Tawn (1994). Metody statystyczne dla ekstremów wielowymiarowych: aplikacja do projektowania strukturalnego. Vol. 43, nr 1, s. 1–48. (Cytowano 99 razy)
• Nicholas Lange i Scott L. Zeger (1997). Nieliniowa analiza szeregów czasowych Fouriera do mapowania ludzkiego mózgu za pomocą funkcjonalnego rezonansu magnetycznego. Vol. 46, nr 1, s. 1–29. (Cytowany 94 razy)
• James P. Hughes, Peter Guttorp i Stephen P. Charles (1999). Niejednorodny ukryty model Markowa dla występowania opadów. Vol. 48, nr 1, s. 15–30. (Cytowano 103 razy)

Na szerszym poziomie poleciłbym artykuł [„Modelowanie statystyczne: dwie kultury”] [1] autorstwa Leo Breimana w 2001 r. (Cytowany 515). Wiem, że ostatnio był on objęty przez klub czasopism i uważam, że jest naprawdę interesujący. Mam c & p streszczenie.

Abstrakcyjny. Istnieją dwie kultury w stosowaniu modelowania statystycznego do wyciągania wniosków z danych. Zakłada się, że dane są generowane przez dany stochastyczny model danych. Drugi używa modeli algorytmicznych i traktuje mechanizm danych jako nieznany. Społeczność statystyczna zobowiązała się do niemal wyłącznego korzystania z modeli danych. To zobowiązanie doprowadziło do nieistotnej teorii, wątpliwych wniosków i powstrzymało statystyków od pracy nad wieloma interesującymi bieżącymi problemami. Modelowanie algorytmiczne, zarówno w teorii, jak i praktyce, szybko rozwinęło się w dziedzinach poza statystyką. Może być stosowany zarówno w dużych złożonych zestawach danych, jak i jako dokładniejsza i informacyjna alternatywa dla modelowania danych w mniejszych zestawach danych. Jeśli naszym celem jako pola jest wykorzystanie danych do rozwiązywania problemów,

[1]: https://doi.org/10.1214/ss/1009213726 (otwarty dostęp)

Z perspektywy epidemiologii genetycznej poleciłbym teraz następującą serię artykułów na temat badań asocjacyjnych obejmujących cały genom :

1. Cordell, HJ i Clayton, DG (2005). Badania asocjacji genetycznych . Lancet 366, 1121-1131.
2. Cantor, RM, Lange, K. i Sinsheimer, JS (2010). Priorytetyzacja wyników GWAS: przegląd metod statystycznych i zaleceń dotyczących ich stosowania . The American Journal of Human Genetics 86, 6–22.
3. Ioannidis, JPA, Thomas, G., Daly, MJ (2009). Sprawdzanie poprawności, rozszerzanie i udoskonalanie sygnałów asocjacyjnych całego genomu . Nature Reviews Genetics 10, 318-329.
4. Balding, DJ (2006). Samouczek na temat metod statystycznych do badań asocjacyjnych populacji . Nature Reviews Genetics 7, 781-791.
5. Green, AE i in. (2008). Wykorzystanie danych genetycznych w neuronauce kognitywnej: od narastających bólów po autentyczne spostrzeżenia . Nature Reviews Neuroscience 9, 710-720.
6. McCarthy, MI i in. (2008). Badania asocjacyjne obejmujące cały genom dla złożonych cech: konsensusu, niepewności i wyzwań . Nature Reviews Genetics 9, 356-369.
7. Komitet Koordynacyjny Psychiatrycznego Konsorcjum GWAS (2009). Badania Stowarzyszenia Genomewide: historia, uzasadnienie i perspektywy zaburzeń psychicznych . American Journal of Psychiatry 166 (5), 540-556.
8. Sebastiani, P. i in. (2009). Badania asocjacyjne obejmujące cały genom i genetyczne rozwarstwienie złożonych cech . American Journal of Hematology 84 (8), 504-15.
9. The Wellcome Trust Case Control Consortium (2007). Badanie asocjacyjne obejmujące cały genom 14 000 przypadków siedmiu powszechnych chorób i 3000 wspólnych kontroli . Nature 447, 661-678.
10. The Wellcome Trust Case Control Consortium (2010). Badanie asocjacyjne całego genomu CNV w 16 000 przypadków ośmiu powszechnych chorób i 3000 wspólnych kontroli . Nature 464, 713-720.

Artykuły przeglądowe Jima Bergera: http://www.stat.duke.edu/~berger/papers.html

Możesz zacząć od Could Fisher, Jeffreys i Neyman zgodzili się na testy?

Artykuł o wczesnym wpływie na badania statystyczne w dziedzinie bioinformatyki:

Jelizarów i in . Nadoptymizm w bioinformatyce: ilustracja . Bioinformatyka, 2010

To sprawia, że ​​ciekawa dyskusja na temat źródeł stronniczości, nadmiernego dopasowania i poszukiwania znaczenia.