在 COVID-19 疫情爆发三年后，我们学到了一些知识（我们也知道还有很多我们不知道的东西）。有效追踪和预测传染病的数据挑战是巨大的，但并非不可克服。在做出影响健康的其他决策时，我们需要考虑更多的数据，但从组学数据（例如基因组学、蛋白质组学）中可以得到什么有用的信息呢？
我们非常感激屡获殊荣、享誉世界的统计学家 Robert Tibshirani 父子，他们发挥创新的解决问题的技能，在这些领域取得了长足的进步。我们也感谢他们在 2022 年最后一期《Statistically Speaking》节目中分享了更多关于他们目前的研究兴趣。
两人都因贡献强大的新统计方法以及在生物学、医学和公共卫生等众多领域的工作而获得许多赞誉。加州大学伯克利分校统计学教授 Ryan Tibshirani 最近获得了 2022 年 Mortimer Spiegelman 奖，该奖项颁发给在统计方法及其在公共卫生中的应用方面做出杰出贡献的卫生统计学家。
斯坦福大学生物医学数据科学与统计学教授 Rob Tibshirani 获得过许多奖项，最近的一次是国际统计学会颁发的统计学创始人当代研究贡献奖，以表彰他在 1996 年发表的关于 LASSO 的论文，该论文被认为是统计学和数据科学的基石。
他们的演讲引发了几个问题，其中一些问题在问答环节没有得到解答，但 Rob 很友好地在这里提供了答案。
Lasso 是受到其他学科（如应用数学）启发而来的，还是它更像是岭回归之后的下一步？它的变量选择属性是否令人惊讶，还是您先看到了几何形状，然后才想到它可以用于变量选择？
Rob：套索的理念直接来自 Leo Breiman 1995 年关于“Garote”的论文。（Leo 是 bagging 和随机森林的发明者；他是我的偶像之一。）他在论文中提出计算最小二乘估计值，然后通过有界非负常数缩小它们。这不适用于 p>n（预测变量多于观测值的情况），所以我只是消除了中间人（LS）。
那么，在观察数据分析中，因果关系又如何呢？人们经常将因果解释归因于变量选择练习的结果。是否有原则性的方法可以使用 Lasso 来做出因果陈述？
Rob：关于因果推断和套索。一般来说很难做到。但对于观察性（非随机）数据，您可以使用倾向得分来估计因果治疗效应，并通过套索对混杂变量进行建模：
参见异质性治疗效果的准预言估计-R 估计—X. Nie, S. Wager, Biometrika 2021。
坦白说——第二作者是我的女婿！！但这确实是个好主意，而且我已经用过了。
Rob 的演讲还包括他与他的一名研究生Daisy Ding一起制作的精彩动画。
