ペナルティ付き回帰シミュレーション研究こんにちは、
顧客 (製薬の前臨床をサポートする非常に有能な統計学者) から、Elastic Net と Lasso が標準的な手法と比較してどれほど効果的かを判断するために行われた研究を知っているかどうか尋ねられました。 彼らは特定の状況でよりよく機能しますか? 彼らは DoE のコンテキストでのアプリケーションに特に関心があると思います。
私が彼らに指摘できる出版物を知っていますか。 共有できる社内調査はありますか?
ありがとう
フィル
Re: ペナルティ付き回帰シミュレーション研究ありがとう、クレイ。 その答えに、お客様はきっと喜んでくれると思います。
フィル
Re: ペナルティ付き回帰シミュレーション研究私が遭遇したペナルティ付き回帰に関する多くの研究論文は、計画された実験ではなく、観測データに焦点を当てている傾向があります。 役に立つかもしれない 1 つの論文を次に示します。
http://journals.plos.org/plosone/article?id=10.1371/journal.pone.0107957
考慮すべき点が非常に多いため、変数選択方法の評価は非常に難しい場合があります。 相互検証または情報量基準を使用して調整しますか? ペナルティ付きの方法では、ペナルティの重みがどのように選択されるかについても考慮する必要があります。 そして、結果は、目標が予測エラーを最小限に抑えることなのか、それとも応答に本当に影響する変数をキャプチャすることなのかによって異なります。
2015 年に QPRC で行ったプレゼンテーションから、スクリーニング実験を分析するためのペナルティ付き回帰の使用に関するスライドを添付しました。 私の目標は、投げ縄が過飽和のデザインでどの程度機能するかを確認することでした。 これは ERIC 基準の前であり、これらのケースには多くの可能性があると思います。
Re: ペナルティ付き回帰シミュレーション研究また、多分：
https://community.jmp.com/t5/Discovery-Summit-2015/Model-Selection-Strategies-for-Definitive-Screening-Designs/ta-p/22854
イアン
Re: ペナルティ付き回帰シミュレーション研究フィル、
特に、アドホック選択 (すべてをフィットさせ、p=0.05 より上のすべてを削除してからもう一度実行する) から最適に機能するモデル選択、BIC と Lasso を使用した段階的な手法について調べ始めました。 時間の関係でなかなか飛べませんでしたが、デザイン次第で選択の仕方が大きく変わることが分かりました。 したがって、フル ファクターのようなものではテクニックは重要ではありませんが、ほぼ飽和状態のカスタム デザインでは重要になります。 事態が沈静化した場合は、これにもっと時間を費やすことを望んでいます。 Clay Barker と Ryan Lekivetz もこの分野でいくつかの作業を行っています。
ドン
