A tre anni dall'inizio della pandemia di COVID-19, abbiamo imparato alcune cose (e abbiamo scoperto che c'è ancora molto altro che non sappiamo). Le sfide dei dati per tracciare e prevedere efficacemente le malattie infettive sono notevoli, ma non insormontabili. Abbiamo più dati da considerare per prendere altre decisioni che riguardano la salute, ma quali informazioni utili possono essere ricavate dai dati -omici (ad esempio, genomica, proteomica)?
Siamo grati di avere statistici pluripremiati e di fama mondiale, padre e figlio, i dottori Robert e Ryan Tibshirani, che mettono a frutto le loro innovative capacità di problem-solving per realizzare notevoli progressi in queste aree. E apprezziamo il fatto che abbiano condiviso di più sui loro attuali interessi di ricerca nell'ultimo episodio del 2022 di Statistically Speaking .
Entrambi hanno ricevuto molti riconoscimenti per aver contribuito con nuovi e potenti metodi statistici e per il loro lavoro in così tante aree, in particolare biologia, medicina e 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 contributi eccezionali alla metodologia statistica e alle sue applicazioni nella salute pubblica.
Rob Tibshirani, professore di statistica e scienza 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 della scienza dei dati.
I loro discorsi hanno suscitato numerose domande, alcune delle quali sono rimaste senza risposta durante la sessione di domande e risposte, ma Rob ha gentilmente fornito le risposte qui.
Il Lasso è stato qualcosa che è stato ispirato da un'altra disciplina come la matematica applicata o è stato più un passo successivo dopo la regressione di cresta? La sua proprietà di selezione delle variabili è stata una sorpresa o hai visto prima la geometria e poi hai fatto la connessione che poteva essere utilizzata per la selezione delle variabili?
Rob: L'idea del lazo è nata direttamente dal paper del 1995 di Leo Breiman sul "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? Spesso le persone attribuiscono una spiegazione causale ai risultati di un esercizio di selezione delle variabili. Esistono modi basati su principi in cui il Lasso può essere utilizzato per fare affermazioni causali?
Rob: Per quanto riguarda l'inferenza causale e il Lasso. Difficile da fare in generale. Ma con dati osservativi (non randomizzati) è possibile utilizzare i punteggi di propensione per stimare un effetto di trattamento causale, con variabili di confondimento modellate tramite il lasso:
vedere Stima quasi-oracolare degli effetti eterogenei del trattamento - Stima R —X. Nie, S. Wager, Biometrika 2021.
Per essere onesti, il secondo autore è mio genero!! Ma è davvero una bella idea, e l'ho usata anch'io.
Nel suo intervento Rob ha anche mostrato una brillante animazione realizzata con una delle sue studentesse laureate, Daisy Ding .
Ringraziamo Rob e Ryan per aver trovato il tempo di condividere parte della loro vasta conoscenza, saggezza e innovazione nella risoluzione dei problemi statistici.
Ci auguriamo che guarderete la versione on-demand di questa puntata di Statistically Speaking per scoprire alcuni degli affascinanti interessi di ricerca attuali di Tibshiranis e le sue applicazioni che possono essere utili a tutti noi.
