Уважаемые коллеги, доброго времени суток! Представляем вам британское научное издание Statistical Modelling. Журнал имеет второй квартиль, издаётся в SAGE Publications Ltd., его SJR за 2021 г. равен 0,796, пятилетний импакт-фактор 1,692, печатный ISSN - 1471-082X, электронный - 1477-0342, предметные области - Статистика и теория вероятности, Моделирование и имитация, Статистика, вероятность и неопределенность. Вот так выглядит обложка:
Здесь три редактора - Винценце Нуньес-Антон, контактные данные - vicente.nunezanton@ehu.eus,
Андреас Майр - amayr@uni-bonn.de
и Франческо Бартолуччи - francesco.bartolucci@unipg.it.
Дополнительный публикационный контакт - smj-komarek@karlin.mff.cuni.cz.
Основной целью журнала является публикация оригинальных и высококачественных статей, в которых статистическое моделирование признается в качестве общей основы для применения статистических идей. Представленные материалы должны отражать важные разработки, расширения и приложения в области статистического моделирования. Журнал также поощряет публикации, описывающие научно интересные, сложные или новые аспекты статистического моделирования из широкого спектра дисциплин, а также материалы, охватывающие разнообразие прикладного статистического моделирования.
Адрес издания - https://journals.sagepub.com/home/smj
Пример статьи, название - Statistical modelling of COVID-19 data: Putting generalized additive models to work. Заголовок (Abstract) - Over the course of the COVID-19 pandemic, Generalized Additive Models (GAMs) have been successfully employed on numerous occasions to obtain vital data-driven insights. In this article we further substantiate the success story of GAMs, demonstrating their flexibility by focusing on three relevant pandemic-related issues. First, we examine the interdepency among infections in different age groups, concentrating on school children. In this context, we derive the setting under which parameter estimates are independent of the (unknown) case-detection ratio, which plays an important role in COVID-19 surveillance data. Second, we model the incidence of hospitalizations, for which data is only available with a temporal delay. We illustrate how correcting for this reporting delay through a nowcasting procedure can be naturally incorporated into the GAM framework as an offset term. Third, we propose a multinomial model for the weekly occupancy of intensive care units (ICU), where we distinguish between the number of COVID-19 patients, other patients and vacant beds. With these three examples, we aim to showcase the practical and ‘off-the-shelf’ applicability of GAMs to gain new insights from real-world data. Keywords: Case-detection ratio, COVID-19, generalized additive models, modelling icu occupancy, nowcasting