Trois ans après le début de la pandémie de COVID-19, nous avons appris quelques choses (et nous avons appris qu'il y en a beaucoup plus que nous ne savons toujours pas). Les défis liés aux données pour suivre et prévoir efficacement les maladies infectieuses sont considérables, mais pas insurmontables. Nous avons plus de données à prendre en compte pour prendre d'autres décisions affectant la santé, mais quelles informations utiles peuvent être tirées des données -omiques (par exemple, génomique, protéomique) ?
Nous sommes reconnaissants d'avoir des statisticiens primés de renommée mondiale, père et fils, les Drs. Robert et Ryan Tibshirani, mettant à profit leurs compétences novatrices en résolution de problèmes pour réaliser des progrès considérables dans ces domaines. Et nous apprécions qu'ils partagent plus sur leurs intérêts de recherche actuels sur le dernier épisode 2022 de Statistiquement parlant .
Tous deux ont reçu de nombreuses distinctions pour avoir contribué à de nouvelles méthodes statistiques puissantes et pour leur travail dans de nombreux domaines, notamment la biologie, la médecine et la santé publique. Ryan Tibshirani, professeur de statistique à l'Université de Californie à Berkeley, est le récent récipiendaire du prix Mortimer Spiegelman 2022, qui est décerné à un statisticien de la santé qui a apporté des contributions exceptionnelles à la méthodologie statistique et à ses applications en santé publique. Rob Tibshirani, professeur de science des données biomédicales et de statistiques à l'Université de Stanford, a reçu de nombreux prix, dont le dernier en date est le prix des fondateurs de la statistique de l'Institut international de statistique pour ses contributions à la recherche contemporaine en reconnaissance de son article de 1996 sur le LASSO, considéré comme la pierre angulaire des statistiques et science des données.
Leurs discussions ont inspiré plusieurs questions, dont certaines sont restées sans réponse pendant les questions-réponses, mais Rob a gentiment fourni des réponses ici.
Le lasso était-il quelque chose qui s'inspirait d'une autre discipline comme les mathématiques appliquées ou s'agissait-il plutôt d'une prochaine étape après la régression des crêtes ? Sa propriété de sélection de variables a-t-elle été une surprise ou avez-vous d'abord vu la géométrie, puis établi la connexion qu'elle pourrait être utilisée pour la sélection de variables ?
Rob : L'idée du lasso vient directement de Leo Breiman 1995 article sur la "Garote ". (Leo était l'inventeur du bagging et des forêts aléatoires; un de mes héros.) Là, il a proposé de calculer les estimations des moindres carrés, puis de les réduire via des constantes non négatives avec une borne. Cela n'a pas fonctionné pour p> n (le cas avec plus de prédicteurs que d'observations), donc j'ai juste éliminé l'homme du milieu (LS).
Qu'en est-il de la causalité dans l'analyse des données d'observation ?Les gens attribuent souvent une explication causale aux résultats d'un exercice de sélection de variables. Existe-t-il des manières fondées sur des principes d'utiliser le lasso pour faire des déclarations causales ?
Rob : Re l'inférence causale et le Lasso. Difficile à faire en général. Mais avec des données d'observation (non randomisées), vous pouvez utiliser des scores de propension pour estimer un effet causal du traitement, avec des vars confondants modélisés via le lasso : voir Estimation quasi-oracle des effets de traitement hétérogènes - R estimation -X. Nie, S. Wager, Biometrika 2021. Divulgation complète - le deuxième auteur est mon gendre !!Mais c'est vraiment une bonne idée, et celle que j'ai utilisée.
L'exposé de Rob comprenait également une brillante animation qu'il a réalisée avec l'un de ses étudiants diplômés, Marguerite Ding .
Nous remercions Rob et Ryan d'avoir pris le temps de partager certaines de leurs vastes connaissances, leur sagesse et leurs innovations en matière de résolution de problèmes statistiques.Nous espérons que vous regarderez la version à la demande de ce épisode de Statistically Speaking pour voir certains des intérêts de recherche actuels fascinants de Tibshiranis et des applications dont nous bénéficions tous.
