Trois ans après le début de la pandémie de COVID-19, nous avons appris quelques leçons (et nous avons appris qu'il nous en reste encore beaucoup à découvrir). Les défis liés aux données pour suivre et prévoir efficacement les maladies infectieuses sont considérables, mais pas insurmontables. Nous disposons de davantage de données à prendre en compte pour prendre d'autres décisions touchant la santé, mais quelles informations utiles peuvent être tirées des données omiques (par exemple, génomique, protéomique) ?
Nous sommes reconnaissants aux Drs Robert et Ryan Tibshirani, père et fils, statisticiens primés et de renommée mondiale, qui mettent à profit leurs compétences innovantes en résolution de problèmes pour réaliser des progrès considérables dans ces domaines. Nous leur sommes également reconnaissants d'avoir partagé davantage sur leurs sujets de recherche actuels lors du dernier épisode de « Statistically Speaking » de 2022.
Tous deux ont reçu de nombreuses distinctions pour leurs contributions à de nouvelles méthodes statistiques performantes et pour leurs travaux 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, a récemment reçu le prix Mortimer Spiegelman 2022, décerné à un statisticien de la santé ayant apporté une contribution exceptionnelle 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 nombreuses récompenses, la dernière en date étant le prix des fondateurs de la statistique pour les contributions à la recherche contemporaine décerné par l'Institut international de statistique, en reconnaissance de son article de 1996 sur le LASSO, considéré comme une pierre angulaire des statistiques et de la science des données.
Leurs discussions ont suscité plusieurs questions, dont certaines sont restées sans réponse lors de la séance de questions-réponses, mais Rob a gentiment fourni des réponses ici.
Le Lasso s'est-il inspiré d'une autre discipline, comme les mathématiques appliquées, ou constituait-il plutôt une avancée après la régression de crête ? Sa capacité à sélectionner des variables a-t-elle été une surprise, ou avez-vous d'abord vu sa géométrie et compris qu'elle pouvait être utilisée pour la sélection de variables ?
Rob : L'idée du lasso est directement tirée de l'article de Leo Breiman de 1995 sur le « Garote ». (Leo était l'inventeur du bagging et des forêts aléatoires ; l'un de mes héros.) Il y proposait de calculer les estimations des moindres carrés, puis de les réduire via des constantes non négatives avec une borne. Cela ne fonctionnait pas pour p>n (le cas où il y a plus de prédicteurs que d'observations), j'ai donc simplement éliminé l'intermédiaire (LS).
Qu'en est-il de la causalité dans l'analyse des données d'observation ? On attribue souvent une explication causale aux résultats d'un exercice de sélection de variables. Existe-t-il des méthodes fondées sur des principes permettant d'utiliser le Lasso pour formuler des hypothèses causales ?
Rob : Concernant l'inférence causale et le lasso. Difficile à réaliser en général. Mais avec des données observationnelles (non randomisées), on peut utiliser les scores de propension pour estimer un effet causal du traitement, avec des variables confondantes modélisées via le lasso :
voir Estimation quasi-oracle des effets de traitement hétérogènes - Estimation R —X. Nie, S. Wager, Biometrika 2021.
Pour être honnête, le deuxième auteur est mon gendre ! Mais c'est vraiment une bonne idée, et je l'ai mise en pratique.
La conférence de Rob comprenait également une brillante animation qu'il a réalisée avec l'une de ses étudiantes diplômées, Daisy Ding .
Nous remercions Rob et Ryan d’avoir pris le temps de partager une partie de leurs vastes connaissances, de leur sagesse et de leurs innovations en matière de résolution de problèmes statistiques.
Nous espérons que vous regarderez la version à la demande de cet épisode de Statistically Speaking pour découvrir certains des intérêts de recherche et applications actuels fascinants de Tibshiranis qui nous profitent à tous.
