페널티화된 회귀 시뮬레이션 연구안녕,
한 고객(제약 분야의 전임상을 지원하는 매우 유능한 통계학자)이 Elastic Net 및 Lasso를 표준 기술과 비교하여 얼마나 효과적인지 확인하기 위해 수행된 연구를 알고 있는지 물었습니다. 특정 상황에서 더 잘 작동합니까? 나는 그들이 특히 DoE의 맥락에서 응용에 관심이 있다고 생각합니다.
제가 알려드릴 수 있는 출판물을 아시나요? 우리가 수행한 내부 연구 중 공유할 수 있는 것이 있습니까?
감사해요,
필
Re: 페널티화된 회귀 시뮬레이션 연구고마워요, 클레이. 제 생각엔 제 고객이 그 대답에 매우 만족할 것 같아요.
필
Re: 페널티화된 회귀 시뮬레이션 연구내가 만난 페널티 회귀에 관한 많은 연구 논문은 설계된 실험보다는 관찰 데이터에 초점을 맞추는 경향이 있습니다. 다음은 도움이 될 수 있는 한 가지 논문입니다.
http://journals.plos.org/plosone/article?id=10.1371/journal.pone.0107957
변수 선택 방법을 평가하는 것은 고려해야 할 사항이 너무 많기 때문에 꽤 까다로울 수 있습니다. 교차 검증이나 정보 기준을 사용하여 조정합니까? 페널티 방식의 경우 페널티 가중치를 선택하는 방법도 고려해야 합니다. 그리고 결과는 목표가 예측 오류를 최소화하는 것인지 아니면 실제로 반응에 영향을 미치는 변수를 포착하는 것인지에 따라 달라질 수 있습니다.
스크리닝 실험 분석을 위한 페널티 회귀 분석 사용과 관련하여 2015년 QPRC에서 진행한 프레젠테이션의 슬라이드를 첨부했습니다. 내 목표는 올가미가 과포화 디자인에서 얼마나 잘 작동하는지 확인하는 것이었습니다. 그것은 ERIC 기준 이전이었고, 내 생각에는 이러한 경우에 많은 잠재력이 있다고 생각됩니다.
Re: 페널티화된 회귀 시뮬레이션 연구또한 아마도:
https://community.jmp.com/t5/Discovery-Summit-2015/Model-Selection-Strategies-for-Definitive-Screening-Designs/ta-p/22854
이안
Re: 페널티화된 회귀 시뮬레이션 연구필,
특히 BIC 및 Lasso를 사용하여 단계적으로 임시 선택(모든 것을 맞추고 p=0.05 이상의 모든 것을 제거한 다음 다시 수행)에서 가장 잘 작동하는 모델 선택을 조사하기 시작했습니다. 비록 시간의 제약으로 멀리까지 갈 수는 없었지만 디자인에 따라 선택 기술이 크게 좌우된다는 것을 알게 되었습니다. 따라서 전체 요소와 같은 경우 기술은 중요하지 않지만 거의 포화된 맞춤형 설계에서는 중요합니다. 상황이 느려지면 이것에 더 많은 시간을 할애하고 싶습니다. Clay Barker와 Ryan Lekivetz도 이 분야에서 일부 작업을 수행했습니다.
두목
