페널티 회귀 시뮬레이션 연구안녕하세요,
한 고객 (약학 전임상을 지원하는 매우 유능한 통계 학자)이 Elastic Net과 Lasso가 표준 기술과 비교하여 얼마나 효과적인지 결정하기 위해 수행 된 연구를 알고 있는지 물었습니다. 특정 상황에서 더 잘 작동합니까? 특히 DoE의 맥락에서 응용 프로그램에 관심이 있다고 생각합니다.
내가 지적 할 수있는 출판물을 알고 있습니까? 공유 할 수있는 내부 연구가 있습니까?
감사,
필
Re : 페널티 회귀 시뮬레이션 연구고마워, 클레이. 제 고객은 그 대답에 매우 만족할 것입니다.
필
Re : 페널티 회귀 시뮬레이션 연구내가 만난 페널티 회귀에 관한 많은 연구 논문은 설계된 실험보다는 관찰 데이터에 초점을 맞추는 경향이 있습니다. 다음은 도움이 될 수있는 한 가지 문서입니다.
http://journals.plos.org/plosone/article?id=10.1371/journal.pone.0107957
변수 선택 방법을 평가하는 것은 고려해야 할 사항이 너무 많기 때문에 매우 까다로울 수 있습니다. 교차 검증 또는 정보 기준을 사용하여 조정합니까? 페널티 방식의 경우 페널티 가중치를 선택하는 방법도 고려해야합니다. 그리고 결과는 목표가 예측 오류를 최소화하는 것인지 아니면 반응에 진정으로 영향을 미치는 변수를 포착하는 것인지에 따라 달라질 수 있습니다.
저는 2015 년 QPRC에서 스크리닝 실험 분석을위한 페널티 회귀를 사용하는 것과 관련된 프레젠테이션의 슬라이드를 첨부했습니다. 내 목표는 올가미가 과포화 디자인에서 얼마나 잘 작동하는지 확인하는 것이 었습니다. 그것은 ERIC 기준 이전이었습니다. 이러한 경우에 많은 잠재력이 있다고 생각합니다.
Re : 페널티 회귀 시뮬레이션 연구또한 :
https://community.jmp.com/t5/Discovery-Summit-2015/Model-Selection-Strategies-for-Definitive-Screening-Designs/ta-p/22854
이안
Re : 페널티 회귀 시뮬레이션 연구필,
저는 모델 선택, 특히 BIC 및 Lasso를 사용하여 단계적으로 임시 선택 (모든 것을 맞추고 p = 0.05 위의 모든 항목을 제거한 다음 다시 수행)에서 가장 잘 작동하는 기술을 조사하기 시작했습니다. 시간 제약으로 인해별로 멀리 갈 수는 없었지만 선택 기술이 디자인에 따라 크게 좌우된다는 것을 이해하게되었습니다. 따라서 전체 요소와 같은 경우 기술은 중요하지 않지만 거의 포화 상태 인 맞춤형 디자인에서는 중요합니다. 상황이 느려지면 이것에 더 많은 시간을 할애하고 싶습니다. Clay Barker와 Ryan Lekivetz도이 분야에서 몇 가지 작업을 수행했습니다.
님
