Tres años después de la pandemia de COVID-19, hemos aprendido algunas cosas (y hemos aprendido que hay muchas más que aún no sabemos). Los desafíos de datos para rastrear y pronosticar enfermedades infecciosas de manera efectiva son considerables, pero no insuperables. Tenemos más datos para considerar al tomar otras decisiones que afectan la salud, pero ¿qué información útil puede derivarse de los datos ómicos (p. ej., genómica, proteómica)?
Estamos agradecidos de tener estadísticos galardonados y de renombre mundial, padre e hijo, los Dres. Robert y Ryan Tibshirani, aportando sus habilidades innovadoras de resolución de problemas para lograr un progreso considerable en estas áreas. Y les agradecemos que compartan más sobre sus intereses de investigación actuales en el último episodio de 2022 de Estadísticamente hablando .
Ambos tienen muchos elogios por contribuir con nuevos y poderosos métodos estadísticos y por su trabajo en tantas áreas, sobre todo en biología, medicina y salud pública. Ryan Tibshirani, profesor de estadística en la Universidad de California, Berkeley, recibió recientemente el Premio Mortimer Spiegelman 2022, que se otorga a un estadístico de la salud que haya realizado contribuciones sobresalientes a la metodología estadística y sus aplicaciones en la salud pública. Rob Tibshirani, profesor de ciencia de datos biomédicos y estadística en la Universidad de Stanford, tiene muchos premios, el último de los cuales es el Premio de los Fundadores de Estadística del Instituto Internacional de Estadística por Contribuciones de Investigación Contemporánea en reconocimiento a su artículo de 1996 sobre LASSO, considerado una piedra angular de la estadística y Ciencia de los datos.
Sus charlas inspiraron varias preguntas, algunas de las cuales quedaron sin respuesta durante la sesión de preguntas y respuestas, pero Rob amablemente proporcionó respuestas aquí.
¿Fue el Lasso algo que se inspiró en otra disciplina como las matemáticas aplicadas o fue más un siguiente paso después de la regresión de cresta? ¿Fue su propiedad de selección de variables una sorpresa o primero vio la geometría y luego hizo la conexión de que podría usarse para la selección de variables?
Rob: La idea del lazo vino directamente de Leo Breiman trabajo de 1995 sobre el "Garote ". (Leo fue el inventor del embolsado y los bosques aleatorios; uno de mis héroes). Allí propuso calcular las estimaciones de mínimos cuadrados y luego reducirlas a través de constantes no negativas con un límite. Esto no funcionó para p>n (el caso con más predictores que observaciones), así que simplemente eliminé al intermediario (LS).
¿Qué pasa con la causalidad en el análisis de datos observacionales?La gente suele atribuir una explicación causal a los resultados de un ejercicio de selección de variables. ¿Existen formas basadas en principios en las que se puede usar el Lazo para hacer afirmaciones causales?
Rob: Referente a la inferencia causal y el Lazo. Difícil de hacer en general. Pero con datos de observación (no aleatorios), puede usar puntajes de propensión para estimar un efecto de tratamiento causal, con variables de confusión modeladas a través del lazo: ver Estimación cuasi-oráculo de los efectos heterogéneos del tratamiento- estimación R -X. Nie, S. Apuesta, Biometrika 2021. Divulgación completa: ¡el segundo autor es mi yerno!Pero realmente es una buena idea, y una que he usado.
La charla de Rob también incluyó una brillante animación que hizo con uno de sus estudiantes graduados, daisy ding .
Agradecemos a Rob y Ryan por tomarse el tiempo de compartir algunos de sus vastos conocimientos, sabiduría e innovaciones en la resolución de problemas estadísticos.Esperamos que vea la versión bajo demanda de este episodio de Estadísticamente hablando para ver algunos de los fascinantes intereses y aplicaciones de investigación actuales de Tibshiranis que nos benefician a todos.
