Drei Jahre nach Ausbruch der COVID-19-Pandemie haben wir einiges gelernt (und wir haben gelernt, dass es noch viel mehr Unbekanntes gibt). Die Herausforderungen bei der Datenerfassung für eine effektive Verfolgung und Prognose von Infektionskrankheiten sind beträchtlich – aber nicht unüberwindbar. Wir müssen mehr Daten berücksichtigen, um andere gesundheitsrelevante Entscheidungen zu treffen – doch welche nützlichen Informationen lassen sich aus Omics-Daten (z. B. Genomik, Proteomik) gewinnen?
Wir sind dankbar, dass die preisgekrönten, weltbekannten Statistiker Dr. Robert und Dr. Ryan Tibshirani, Vater und Sohn, mit ihren innovativen Problemlösungsfähigkeiten erhebliche Fortschritte in diesen Bereichen erzielen. Wir freuen uns, dass sie in der letzten Folge von „Statistically Speaking“ (2022) mehr über ihre aktuellen Forschungsinteressen berichten.
Beide haben zahlreiche Auszeichnungen für ihre Beiträge zu leistungsstarken neuen statistischen Methoden und für ihre Arbeit in vielen Bereichen, insbesondere in der Biologie, Medizin und im öffentlichen Gesundheitswesen, erhalten. Ryan Tibshirani, Professor für Statistik an der University of California, Berkeley, erhielt kürzlich den Mortimer Spiegelman Award 2022, der an Gesundheitsstatistiker verliehen wird, die herausragende Beiträge zur statistischen Methodik und ihrer Anwendung im öffentlichen Gesundheitswesen geleistet haben.
Rob Tibshirani, Professor für biomedizinische Datenwissenschaft und Statistik an der Stanford University, hat zahlreiche Auszeichnungen erhalten, darunter zuletzt den Founders of Statistics Prize for Contemporary Research Contributions des International Statistical Institute in Anerkennung seiner Arbeit aus dem Jahr 1996 über LASSO, das als Eckpfeiler der Statistik und Datenwissenschaft gilt.
Ihre Vorträge gaben Anlass zu zahlreichen Fragen, von denen einige während der Fragerunde unbeantwortet blieben. Rob hat hier jedoch freundlicherweise Antworten bereitgestellt.
War das Lasso von einer anderen Disziplin, wie der angewandten Mathematik, inspiriert oder eher ein nächster Schritt nach der Ridge-Regression? War die Eigenschaft der Variablenauswahl eine Überraschung oder haben Sie zuerst die Geometrie gesehen und dann die Verbindung hergestellt, dass es für die Variablenauswahl verwendet werden könnte?
Rob: Die Lasso-Idee stammt direkt aus Leo Breimans Arbeit von 1995 über die „Garote “. (Leo war der Erfinder von Bagging und Random Forests; einer meiner Helden.) Dort schlug er vor, die kleinsten Quadrate zu berechnen und sie dann mithilfe nicht-negativer Konstanten mit einer Schranke zu reduzieren. Das funktionierte nicht für p>n (den Fall mit mehr Prädiktoren als Beobachtungen), also habe ich einfach den Mittelsmann (LS) eliminiert.
Wie steht es um die Kausalität bei der Analyse von Beobachtungsdaten? Oft wird den Ergebnissen einer Variablenauswahl eine kausale Erklärung zugeschrieben. Gibt es prinzipielle Möglichkeiten, mit dem Lasso kausale Aussagen zu treffen?
Rob: Bezüglich kausaler Inferenz und Lasso. Das ist generell schwierig. Aber mit Beobachtungsdaten (nicht randomisiert) kann man Propensity Scores verwenden, um einen kausalen Behandlungseffekt abzuschätzen, wobei Störvariablen über das Lasso modelliert werden:
siehe 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 einer seiner Doktorandinnen, Daisy Ding , erstellt hatte.
Wir danken Rob und Ryan, dass sie sich die Zeit genommen haben, ihr umfangreiches Wissen, ihre Weisheit und ihre Innovationen im Bereich der statistischen Problemlösung mit uns zu teilen.
Wir hoffen, dass Sie sich die On-Demand-Version dieser Folge von „Statistically Speaking“ ansehen, um einige der faszinierenden aktuellen Forschungsinteressen und Anwendungen von Tibshiranis kennenzulernen, die uns allen zugute kommen.
