Tres años después del inicio de la pandemia de COVID-19, hemos aprendido algunas cosas (y también que aún hay mucho más que desconocemos). Los desafíos de datos para rastrear y pronosticar eficazmente las enfermedades infecciosas son considerables, pero no insuperables. Disponemos de más datos que considerar al tomar otras decisiones que afectan la salud, pero ¿qué información útil puede derivarse de los datos ómicos (p. ej., genómica, proteómica)?
Agradecemos a los galardonados estadísticos de renombre mundial, Dres. Robert y Ryan Tibshirani, padre e hijo, quienes han aportado sus innovadoras habilidades de resolución de problemas para lograr avances considerables en estas áreas. También agradecemos que hayan compartido más sobre sus líneas de investigación actuales en el último episodio de Statistically Speaking de 2022.
Ambos han recibido numerosos reconocimientos por su contribución a nuevos y eficaces métodos estadísticos y por su trabajo en diversas áreas, en particular 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 ha realizado contribuciones destacadas a la metodología estadística y sus aplicaciones en la salud pública.
Rob Tibshirani, profesor de Ciencias de Datos Biomédicos y Estadística en la Universidad de Stanford, ha recibido numerosos premios, el último de los cuales es el Premio Fundadores de la Estadística del Instituto Internacional de Estadística por sus contribuciones a la investigación contemporánea, en reconocimiento a su artículo de 1996 sobre LASSO, considerado una piedra angular de la estadística y la ciencia de 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.
¿El Lazo se inspiró en otra disciplina, como las matemáticas aplicadas, o fue más bien un paso más tras la regresión de cresta? ¿Le sorprendió su propiedad de selección de variables, o vio primero la geometría y luego concibió que podía usarse para la selección de variables?
Rob: La idea del lazo surgió directamente del artículo de Leo Breiman de 1995 sobre el "Garote ". (Leo fue el inventor del bagging y los bosques aleatorios; uno de mis héroes). Allí propuso calcular las estimaciones de mínimos cuadrados y luego reducirlas mediante 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 ocurre con la causalidad en el análisis de datos observacionales? Se suele atribuir una explicación causal a los resultados de un ejercicio de selección de variables. ¿Existen métodos basados en principios para utilizar el método Lasso para formular afirmaciones causales?
Rob: En cuanto a la inferencia causal y el método Lasso, es difícil de hacer en general. Pero con datos observacionales (no aleatorizados), se pueden usar puntuaciones de propensión para estimar el efecto causal del tratamiento, con variables de confusión modeladas mediante el método Lasso:
Véase Estimación cuasi-oráculo de efectos de tratamiento heterogéneos: estimación R —X. Nie, S. Wager, Biometrika 2021.
Para ser sincera, ¡el segundo autor es mi yerno! Pero es una idea genial, y la he puesto en práctica.
La charla de Rob también incluyó una brillante animación que hizo con una de sus estudiantes de posgrado, Daisy Ding .
Agradecemos a Rob y Ryan por tomarse el tiempo para compartir parte de su vasto conocimiento, sabiduría e innovaciones en la resolución de problemas estadísticos.
Esperamos que veas la versión a pedido de este episodio de Statistically Speaking para ver algunos de los fascinantes intereses y aplicaciones de investigación actuales de Tibshiranis que nos benefician a todos.
