懲罰回歸模擬研究你好，
一位客戶（一位非常稱職的統計學家支持製藥臨床前研究）問我是否知道有任何研究來確定 Elastic Net 和 Lasso 與標準技術相比的有效性。 它們在某些情況下工作得更好嗎？ 我認為他們對 DoE 背景下的應用程序特別感興趣。
你知道我可以指出的任何出版物嗎？ 我們所做的任何內部研究都可以分享嗎？
謝謝，
菲爾
回复：懲罰回歸模擬研究謝謝，克萊。 我想我的客戶會對這個答案很滿意。
菲爾
回复：懲罰回歸模擬研究我遇到的很多關於懲罰回歸的研究論文都傾向於關注觀察數據而不是設計實驗。 這是一篇可能有用的論文：
http://journals.plos.org/plosone/article?id=10.1371/journal.pone.0107957
評估變量選擇方法可能非常棘手，因為要考慮的事情太多了。 我們是否使用交叉驗證或信息標准進行調整？ 對於懲罰方法，我們還必須考慮如何選擇懲罰權重。 結果可能取決於目標是最小化預測誤差還是捕獲真正影響響應的變量。
我附上了我 2015 年在 QPRC 所做的與使用懲罰回歸分析篩選實驗相關的演示文稿中的幻燈片。 我的目標是看看套索在過飽和設計中的表現如何。 那是在 ERIC 標準之前，我認為這對這些案例有很大的潛力。
回复：懲罰回歸模擬研究另外，也許：
https://community.jmp.com/t5/Discovery-Summit-2015/Model-Selection-Strategies-for-Definitive-Screening-Designs/ta-p/22854
伊恩
回复：懲罰回歸模擬研究菲爾，
我已經開始研究模型選擇，特別是哪些技術在臨時選擇中效果最好（適合所有內容，刪除 p=0.05 以上的所有內容，然後再做一次），逐步使用 BIC 和套索。 儘管由於時間限制，我還沒有走得太遠，但我已經明白選擇技術將非常依賴於設計。 因此，對於像完整因素這樣的東西，技術並不重要，但對於幾乎飽和的定制設計，它會。 如果事情慢下來，我希望花更多的時間在這上面。 Clay Barker 和 Ryan Lekivetz 在這方面也做了一些工作。
大學教師
