惩罚回归模拟研究你好，
一位客户（一位非常称职的统计学家支持制药临床前研究）问我是否知道有任何研究来确定 Elastic Net 和 Lasso 与标准技术相比的有效性。 它们在某些情况下工作得更好吗？ 我认为他们对 DoE 背景下的应用程序特别感兴趣。
你知道我可以指出的任何出版物吗？ 我们所做的任何内部研究都可以分享吗？
谢谢，
菲尔
回复：惩罚回归模拟研究谢谢，克莱。 我想我的客户会对这个答案很满意。
菲尔
回复：惩罚回归模拟研究我遇到的很多关于惩罚回归的研究论文都倾向于关注观察数据而不是设计实验。 这是一篇可能有用的论文：
http://journals.plos.org/plosone/article?id=10.1371/journal.pone.0107957
评估变量选择方法可能非常棘手，因为要考虑的事情太多了。 我们是否使用交叉验证或信息标准进行调整？ 对于惩罚方法，我们还必须考虑如何选择惩罚权重。 结果可能取决于目标是最小化预测误差还是捕获真正影响响应的变量。
我附上了我 2015 年在 QPRC 所做的与使用惩罚回归分析筛选实验相关的演示文稿中的幻灯片。 我的目标是看看套索在过饱和设计中的表现如何。 那是在 ERIC 标准之前，我认为这对这些案例有很大的潜力。
回复：惩罚回归模拟研究另外，也许：
https://community.jmp.com/t5/Discovery-Summit-2015/Model-Selection-Strategies-for-Definitive-Screening-Designs/ta-p/22854
伊恩
回复：惩罚回归模拟研究菲尔，
我已经开始研究模型选择，特别是哪些技术在临时选择中效果最好（适合所有内容，删除 p=0.05 以上的所有内容，然后再做一次），逐步使用 BIC 和套索。 尽管由于时间限制，我还没有走得太远，但我已经明白选择技术将非常依赖于设计。 因此，对于像完整因素这样的东西，技术并不重要，但对于几乎饱和的定制设计，它会。 如果事情慢下来，我希望花更多的时间在这上面。 Clay Barker 和 Ryan Lekivetz 在这方面也做了一些工作。
大学教师
