Drei Jahre nach Beginn der COVID-19-Pandemie haben wir ein paar Dinge gelernt (und wir haben gelernt, dass wir noch viel mehr nicht wissen). Datenherausforderungen zur effektiven Verfolgung und Vorhersage von Infektionskrankheiten sind beträchtlich – aber nicht unüberwindbar. Wir müssen mehr Daten berücksichtigen, wenn wir andere Entscheidungen treffen, die sich auf die Gesundheit auswirken – aber welche nützlichen Informationen können aus -omics-Daten (z. B. Genomik, Proteomik) abgeleitet werden?
Wir sind dankbar, preisgekrönte, weltbekannte Statistiker, Vater und Sohn, Dr. Robert und Ryan Tibshirani, die ihre innovativen Fähigkeiten zur Problemlösung einbringen, um beträchtliche Fortschritte in diesen Bereichen zu erzielen. Und wir wissen es zu schätzen, dass sie in der letzten Folge von 2022 mehr über ihre aktuellen Forschungsinteressen preisgeben Statistisch gesehen .
Beide haben viele Auszeichnungen für ihren Beitrag zu leistungsstarken neuen statistischen Methoden und für ihre Arbeit in so vielen Bereichen erhalten, insbesondere in Biologie, Medizin und öffentlichem Gesundheitswesen. Ryan Tibshirani, Professor für Statistik an der University of California, Berkeley, ist der jüngste Empfänger des Mortimer Spiegelman Award 2022, der einem Gesundheitsstatistiker verliehen wird, der herausragende Beiträge zur statistischen Methodik und ihren Anwendungen im Bereich der öffentlichen Gesundheit geleistet hat. Rob Tibshirani, Professor für biomedizinische Datenwissenschaft und Statistik an der Stanford University, hat viele Auszeichnungen erhalten, zuletzt den Founders of Statistics Prize for Contemporary Research Contributions des International Statistical Institute in Anerkennung seiner Arbeit von 1996 über das LASSO, das als Eckpfeiler der Statistik gilt Datenwissenschaft.
Ihre Gespräche inspirierten zu mehreren Fragen, von denen einige während der Fragen und Antworten unbeantwortet blieben, aber Rob hat hier freundlicherweise Antworten gegeben.
War das Lasso etwas, das von einer anderen Disziplin wie der angewandten Mathematik inspiriert wurde, oder war es eher ein nächster Schritt nach der Ridge-Regression? War die Variablenauswahl-Eigenschaft eine Überraschung oder haben Sie zuerst die Geometrie gesehen und dann die Verbindung hergestellt, dass sie für die Variablenauswahl verwendet werden könnte?
Rob: Die Lasso-Idee kam direkt von Leo Breiman 1995 Abhandlung über die „Garote ". (Leo war der Erfinder von Bagging und Random Forests; einer meiner Helden.) Dort schlug er vor, die Schätzungen der kleinsten Quadrate zu berechnen und sie dann über nicht negative Konstanten mit einer Schranke zu verkleinern. Dies funktionierte nicht für p>n (der Fall mit mehr Prädiktoren als Beobachtungen), also habe ich einfach den Mittelsmann (LS) eliminiert.
Wie steht es mit der Kausalität bei der Analyse von Beobachtungsdaten?Menschen schreiben den Ergebnissen einer Variablenauswahlübung oft eine kausale Erklärung zu. Gibt es prinzipielle Möglichkeiten, wie das Lasso verwendet werden kann, um kausale Aussagen zu treffen?
Rob: Kausale Inferenz und das Lasso. Generell schwierig zu machen. Aber mit Beobachtungsdaten (nicht randomisierten) können Sie Neigungswerte verwenden, um einen kausalen Behandlungseffekt abzuschätzen, wobei verwirrende Variablen über das Lasso modelliert werden: sehen Quasi-Orakel-Schätzung heterogener Behandlungseffekte – R-Schätzung -X. Nie, S. Wager, Biometrika 2021. Vollständige Offenlegung – der zweite Autor ist mein Schwiegersohn!!Aber es ist wirklich eine nette Idee, und eine, die ich verwendet habe.
Robs Vortrag beinhaltete auch eine brillante Animation, die er mit einem seiner Doktoranden gemacht hat, Gänseblümchen Ding .
Wir danken Rob und Ryan, dass sie sich die Zeit genommen haben, einige ihrer umfangreichen Kenntnisse, Weisheiten und Innovationen in der statistischen Problemlösung zu teilen.Wir hoffen, dass Sie sich die On-Demand-Version davon ansehen werden Folge of Statistically Speaking, um einige der faszinierenden aktuellen Forschungsinteressen und Anwendungen von Tibshiranis zu sehen, von denen wir alle profitieren.
