懲罰迴歸模擬研究你好，
一位客戶（一位支持製藥臨床前的非常有能力的統計學家）問我是否知道已經進行過任何研究來確定 Elastic Net 和 Lasso 與標準技術相比的有效性。它們在某些情況下工作得更好嗎？我認為他們對能源部背景下的應用特別感興趣。
您知道我可以推薦他們哪些出版品嗎？我們所做的任何內部研究可以分享嗎？
謝謝，
菲爾
回覆：懲罰迴歸模擬研究謝謝，克萊。我想我的客戶會對這個答案感到非常滿意。
菲爾
回覆：懲罰迴歸模擬研究我遇到的許多關於懲罰回歸的研究論文往往側重於觀察數據而不是設計的實驗。這是一篇可能有幫助的論文：
http://journals.plos.org/plosone/article?id=10.1371/journal.pone.0107957
評估變數選擇方法可能非常棘手，因為需要考慮很多事情。我們是否使用交叉驗證或資訊標準進行調整？對於懲罰方法，我們也必須考慮如何選擇懲罰權重。結果可能取決於目標是最小化預測誤差還是捕捉真正影響反應的變數。
我附上了 2015 年在 QPRC 所做的簡報中的幻燈片，該簡報涉及使用懲罰回歸來分析篩選實驗。我的目標是看看套索在超飽和設計中的表現如何。那是在 ERIC 標準出台之前，我認為這個標準對於這些案例有很大的潛力。
回覆：懲罰迴歸模擬研究另外，也許：
https://community.jmp.com/t5/Discovery-Summit-2015/Model-Selection-Strategies-for-Definitive-Screening-Designs/ta-p/22854
伊恩
回覆：懲罰迴歸模擬研究菲爾，
我已經開始研究模型選擇，特別是哪些技術在臨時選擇中效果最好（擬合所有內容，刪除 p=0.05 以上的所有內容，然後再次執行），逐步使用 BIC 和 Lasso。儘管由於時間限制我還沒有走得太遠，但我已經了解到選擇技術將非常依賴設計。因此，對於全要素之類的東西，技術並不重要，但對於幾乎飽和的客製化設計，它會。如果事情進展緩慢，我希望能花更多時間在這上面。 Clay Barker 和 Ryan Lekivetz 在這方面也做了一些工作。
大學教師
