ペナルティ回帰シミュレーション研究こんにちは、
顧客 (製薬業界の前臨床をサポートする非常に有能な統計学者) から、Elastic Net と Lasso が標準的な手法と比較してどれほど効果的かを判断するために行われた研究を知っているかどうか尋ねられました。特定の状況ではより効果的に機能しますか?彼らは特に DoE の文脈におけるアプリケーションに興味を持っていると思います。
紹介できる出版物をご存知ですか?私たちが行った内部調査で共有できるものはありますか?
ありがとう、
フィル
Re: ペナルティ回帰シミュレーション研究ありがとう、クレイ。私の顧客はその答えにとても満足すると思います。
フィル
Re: ペナルティ回帰シミュレーション研究私がこれまでに遭遇したペナルティ付き回帰に関する研究論文の多くは、計画された実験ではなく観察データに焦点を当てている傾向があります。ここに役立つかもしれない論文が 1 つあります。
http://journals.plos.org/plosone/article?id=10.1371/journal.pone.0107957
変数選択方法の評価は、考慮すべきことが非常に多いため、非常に難しい場合があります。相互検証または情報基準を使用して調整しますか?ペナルティ付きの方法の場合、ペナルティの重みがどのように選択されるかについても考慮する必要があります。そして、結果は、目標が予測誤差を最小限に抑えることであるか、応答に実際に影響を与える変数を捕捉することであるかによって異なります。
スクリーニング実験の分析にペナルティ付き回帰を使用することに関して、2015 年に QPRC で行ったプレゼンテーションのスライドを添付しました。私の目標は、過飽和デザインでなげなわがどの程度うまく機能するかを確認することでした。それは ERIC 基準が制定される前のことであり、この基準はこれらのケースに多くの可能性を秘めていると思います。
Re: ペナルティ回帰シミュレーション研究また、おそらく:
https://community.jmp.com/t5/Discovery-Summit-2015/Model-Selection-Strategies-for-Definitive-Screening-Designs/ta-p/22854
イアン
Re: ペナルティ回帰シミュレーション研究フィル、
私は特に、アドホック選択 (すべてを適合させ、p=0.05 を超えるすべてを削除し、再度実行する) から、BIC となげなわを段階的に使用して、どのテクニックが最も効果的に機能するかを検討し始めました。時間の関係であまり深くは理解できませんでしたが、選択のテクニックがデザインに大きく依存することが理解できました。したがって、フルファクターのようなものではテクニックは重要ではありませんが、ほぼ飽和したカスタム デザインでは重要になります。状況が悪化した場合は、これにさらに時間を費やしたいと考えています。 Clay Barker と Ryan Lekivetz もこの分野でいくつかの研究を行っています。
ドン
