惩罚回归模拟研究你好，
一位客户（一位支持制药临床前的非常有能力的统计学家）问我是否知道已经进行过任何研究来确定 Elastic Net 和 Lasso 与标准技术相比的有效性。它们在某些情况下工作得更好吗？我认为他们对能源部背景下的应用特别感兴趣。
您知道我可以向他们推荐哪些出版物吗？我们所做的任何内部研究可以分享吗？
谢谢，
菲尔
回复：惩罚回归模拟研究谢谢，克莱。我想我的客户会对这个答案感到非常满意。
菲尔
回复：惩罚回归模拟研究我遇到的许多关于惩罚回归的研究论文往往侧重于观察数据而不是设计的实验。这是一篇可能有帮助的论文：
http://journals.plos.org/plosone/article?id=10.1371/journal.pone.0107957
评估变量选择方法可能非常棘手，因为需要考虑很多事情。我们是否使用交叉验证或信息标准进行调整？对于惩罚方法，我们还必须考虑如何选择惩罚权重。结果可能取决于目标是最小化预测误差还是捕获真正影响响应的变量。
我附上了 2015 年在 QPRC 所做的演示文稿中的幻灯片，该演示文稿涉及使用惩罚回归来分析筛选实验。我的目标是看看套索在超饱和设计中的表现如何。那是在 ERIC 标准出台之前，我认为该标准对于这些案例有很大的潜力。
回复：惩罚回归模拟研究另外，也许：
https://community.jmp.com/t5/Discovery-Summit-2015/Model-Selection-Strategies-for-Definitive-Screening-Designs/ta-p/22854
伊恩
回复：惩罚回归模拟研究菲尔，
我已经开始研究模型选择，特别是哪些技术在临时选择中效果最好（拟合所有内容，删除 p=0.05 以上的所有内容，然后再次执行），逐步使用 BIC 和 Lasso。尽管由于时间限制，我还没有走得太远，但我已经了解到选择技术将非常依赖于设计。因此，对于全要素之类的东西，技术并不重要，但对于几乎饱和的定制设计，它会。如果事情进展缓慢，我希望能花更多时间在这上面。 Clay Barker 和 Ryan Lekivetz 在这方面也做了一些工作。
大学教师
