Чи можна (слід?) Методи регуляризації використовувати в моделі випадкових ефектів?

Під технікою регуляризації я маю на увазі ласо, регресію хребта, еластичну сітку тощо.

Розглянемо модель прогнозування даних охорони здоров’я, що містять демографічні та діагностичні дані, де прогнозується тривалість перебування на стаціонарному перебуванні. Для деяких людей існує декілька спостережень ЛОС (тобто, більше одного епізоду ІР) протягом базового періоду часу, які співвідносяться.

Чи має сенс будувати, наприклад, еластичну чисту модель прогнозування, яка містить термін перехоплення випадкових ефектів для кожної людини?

Є кілька робіт, які займаються цим питанням. Я б не шукав в жодному спеціальному порядку:

1. Пен.LME: Говард Д Бондел, Арун Кришна та Суджіт К Гош. Спільний вибір змінних для фіксованих та випадкових ефектів у лінійних моделях змішаних ефектів. Біометрія, 66 (4): 1069-1077, 2010.

2. GLMMLASSO: Jurg Schelldorfer, Peter Buhlmann, Sara van de Geer. Оцінка для високомірних лінійних моделей змішаних ефектів з використанням L1-пеналізації. Скандинавський журнал статистики, 38 (2): 197-214, 2011.

які можна знайти в Інтернеті.

Я, здається, зараз закінчую роботу про застосування еластичного чистого штрафу до змішаної моделі (LMMEN) і планую направити його на рецензування журналу в найближчому місяці.

3. LMMEN: Сіді, Ритов, Унгер. Регуляризація та класифікація лінійних змішаних моделей за допомогою пружної чистої санкції

Зрештою, якщо ви моделюєте дані, які або не є нормальними, або не мають посвідчення ідентичності, я б ішов із GLMMLASSO, (але будьте уважні, що він не може обробляти багато RE). Інакше Pen.LME добре, враховуючи, що у вас немає сильно корельованих даних, будь то у фіксованих чи випадкових ефектах. В останньому випадку ви можете надіслати мені пошту, і я з радістю надішлю вам код / ​​папір (найближчим часом я покладу його на кран).

Я завантажив сьогодні в CRAN - lmmen . Він вирішує задачу лінійної змішаної моделі з покаранням пружної сітки на фіксованому та випадковому ефектах одночасно.

У пакеті також є функції cv для пакетів lmmlasso та glmmLasso .

Я завжди розглядав регресію хребта як просто емпіричні моделі випадкових ефектів, не обмежених однією категоріальною змінною (і не маючи фантазійних кореляційних матриць). Ви можете майже завжди отримувати однакові прогнози від перехресного підтвердження строку пробігу та підгонки / оцінки простого випадкового ефекту. У вашому прикладі ви можете пофантазувати і мати окремий штрафний пробіл за характеристиками демонстрації / діагностування та ще один за показниками пацієнта (використовуючи щось рядок коефіцієнта шкали покарання glmnet). Крім того, ви можете включити вигадливий випадковий ефект, який має залежний від часу ефект від людини. Жодна з цих можливостей не є правильною чи неправильною, вони просто корисні.

Зараз я думаю про подібне питання. Я думаю, що в застосуванні ви можете це зробити, якщо це працює, і ви вважаєте, що використовувати це розумно. Якщо це звичайна установка випадкових ефектів (це означає, що ви повторювали вимірювання для кожної групи), то мова йде лише про техніку оцінки, яка є менш суперечливою. Якщо у вас фактично немає багаторазових вимірювань для більшості груп, то це може лежати на межі звичайної моделі випадкових ефектів, і ви, можливо, захочете ретельно обґрунтувати її обгрунтованість (з точки зору методології), якщо ви хочете запропонувати це як загальне метод.