A tre anni dall'inizio della pandemia di COVID-19, abbiamo imparato alcune cose (e abbiamo imparato che c'è molto di più che ancora non sappiamo). Le sfide relative ai dati per tracciare e prevedere efficacemente le malattie infettive sono considerevoli, ma non insormontabili. Abbiamo più dati da considerare nel prendere altre decisioni che riguardano la salute, ma quali informazioni utili possono essere derivate dai dati -omici (per esempio, genomica, proteomica)?
Siamo grati di avere statistici premiati e di fama mondiale, padre e figlio, Drs. Robert e Ryan Tibshirani, mettendo a frutto le loro innovative capacità di risoluzione dei problemi per realizzare notevoli progressi in queste aree. E apprezziamo che abbiano condiviso di più sui loro attuali interessi di ricerca nell'ultimo episodio del 2022 di Statisticamente parlando .
Entrambi hanno molti riconoscimenti per aver contribuito con nuovi potenti metodi statistici e per il loro lavoro in così tante aree, in particolare la biologia, la medicina e la salute pubblica. Ryan Tibshirani, professore di statistica presso l'Università della California, Berkeley, è il recente destinatario del Mortimer Spiegelman Award 2022, che viene assegnato a uno statistico sanitario che ha dato un contributo eccezionale alla metodologia statistica e alle sue applicazioni nella sanità pubblica. Rob Tibshirani, professore di scienza e statistica dei dati biomedici presso la Stanford University, ha ricevuto numerosi riconoscimenti, l'ultimo dei quali è il Founders of Statistics Prize for Contemporary Research Contributions dell'International Statistical Institute in riconoscimento del suo articolo del 1996 sul LASSO, considerato una pietra miliare della statistica e scienza dei dati.
I loro discorsi hanno ispirato diverse domande, alcune delle quali sono rimaste senza risposta durante le domande e risposte, ma Rob ha gentilmente fornito le risposte qui.
Il lazo era qualcosa ispirato da un'altra disciplina come la matematica applicata o era più un passo successivo dopo la regressione della cresta? La sua proprietà di selezione variabile è stata una sorpresa o hai visto prima la geometria e poi hai stabilito la connessione che poteva essere utilizzata per la selezione variabile?
Rob: L'idea del lazo è venuta direttamente da Leo Breiman 1995 articolo su "Garote ". (Leo è stato l'inventore del bagging e delle foreste casuali; uno dei miei eroi.) Lì ha proposto di calcolare le stime dei minimi quadrati e poi di ridurle tramite costanti non negative con un limite. Questo non ha funzionato per p>n (il caso con più predittori che osservazioni), quindi ho semplicemente eliminato l'intermediario (LS).
Che dire della causalità nell'analisi dei dati osservativi?Le persone spesso attribuiscono una spiegazione causale ai risultati di un esercizio di selezione delle variabili. Ci sono modi di principio in cui il lazo può essere usato per fare affermazioni causali?
Rob: L'inferenza causale e il lazo. Difficile da fare in generale. Ma con i dati osservativi (non randomizzati), puoi utilizzare i punteggi di propensione per stimare un effetto causale del trattamento, con variabili confondenti modellate tramite il lazo: vedere Stima quasi oracolare degli effetti del trattamento eterogeneo- R stima -X. Nie, S. Scommessa, Biometrika 2021. Divulgazione completa: il secondo autore è mio genero!!Ma è davvero una bella idea, e quella che ho usato.
Il discorso di Rob includeva anche una brillante animazione che ha realizzato con uno dei suoi studenti laureati, Margherita Ding .
Ringraziamo Rob e Ryan per aver dedicato del tempo a condividere alcune delle loro vaste conoscenze, saggezza e innovazioni nella risoluzione di problemi statistici.Ci auguriamo che guarderete la versione on demand di questo episodio di Statistically Speaking per vedere alcuni degli affascinanti interessi di ricerca e applicazioni attuali di Tibshiranis a vantaggio di tutti noi.
