Các kỹ thuật chính quy hóa (nên?) Có thể được sử dụng trong một mô hình hiệu ứng ngẫu nhiên không?

Bằng các kỹ thuật chính quy, tôi đang đề cập đến lasso, hồi quy sườn, lưới đàn hồi và những thứ tương tự.

Xem xét một mô hình dự đoán về dữ liệu chăm sóc sức khỏe có chứa dữ liệu nhân khẩu học và chẩn đoán trong đó thời gian nằm viện điều trị nội trú đang được dự đoán. Đối với một số cá nhân, có nhiều quan sát LOS (nghĩa là nhiều hơn một tập IP) trong khoảng thời gian cơ sở tương quan.

Liệu nó có ý nghĩa để xây dựng, ví dụ, một mô hình dự báo mạng đàn hồi có chứa một thuật ngữ chặn hiệu ứng ngẫu nhiên cho mỗi cá nhân?

Có một vài bài viết liên quan đến câu hỏi này. Tôi sẽ không tìm kiếm theo thứ tự đặc biệt:

1. Pen.LME: Howard D Bondell, Arun Krishna và Sujit K Ghosh. Lựa chọn biến chung cho các trường hợp cố định và ngẫu nhiên trong các mô hình hỗn hợp tuyến tính. Sinh trắc học, 66 (4): 1069-1077, 2010.

2. GLMMLASSO: Jurg Schelldorfer, Peter Buhlmann, Sara van de Geer. Ước tính cho các mô hình hỗn hợp tuyến tính chiều cao sử dụng hình phạt L1-. Tạp chí Thống kê Scandinavia, 38 (2): 197-214, 2011.

có thể được tìm thấy trực tuyến.

Bây giờ tôi tình cờ hoàn thành một bài báo về việc áp dụng hình phạt ròng đàn hồi cho mô hình hỗn hợp (LMMEN) và dự định gửi nó để xem xét tạp chí trong tháng tới.

3. LMMEN: Sidi, Ritov, Unger. Chính quy hóa và phân loại mô hình hỗn hợp tuyến tính thông qua hình phạt đàn hồi

Hơn hết, nếu bạn đang lập mô hình dữ liệu không bình thường hoặc không có liên kết nhận dạng, tôi sẽ sử dụng GLMMLASSO, (nhưng hãy cẩn thận rằng nó không thể xử lý nhiều RE). Mặt khác, Pen.LME rất tốt khi bạn không có dữ liệu tương quan cao, có thể là các hiệu ứng cố định hoặc ngẫu nhiên. Trong trường hợp sau, bạn có thể gửi thư cho tôi và tôi sẽ rất vui khi gửi cho bạn mã / giấy (tôi sẽ đặt nó trên cran trong tương lai gần).

Tôi đã tải lên CRAN ngày hôm nay - lmmen . Nó giải quyết vấn đề mô hình hỗn hợp tuyến tính với một hình phạt loại lưới đàn hồi trên các hiệu ứng cố định và ngẫu nhiên đồng thời.

Ngoài ra còn có các chức năng cv gói cho các gói lmmlasso và glmmLasso trong đó.

Tôi luôn xem hồi quy sườn núi chỉ là các mô hình hiệu ứng ngẫu nhiên theo kinh nghiệm không giới hạn ở một biến phân loại duy nhất (và không có ma trận tương quan ưa thích). Bạn hầu như luôn có thể nhận được các dự đoán tương tự từ việc xác thực chéo một hình phạt sườn núi và điều chỉnh / ước tính một hiệu ứng ngẫu nhiên đơn giản. Trong ví dụ của bạn, bạn có thể thích và có một hình phạt riêng cho các tính năng demo / diag và một số khác trên các chỉ số của bệnh nhân (sử dụng một cái gì đó có hệ số tỷ lệ hình phạt trong glmnet). Ngoài ra, bạn có thể bao gồm một hiệu ứng ngẫu nhiên lạ mắt có hiệu ứng tương quan thời gian theo người. Không có khả năng nào trong số này là đúng hay sai, chúng chỉ hữu ích.

Tôi hiện đang suy nghĩ về một câu hỏi tương tự. Tôi nghĩ trong ứng dụng, bạn có thể làm điều đó nếu nó hoạt động và bạn tin rằng sử dụng điều này là hợp lý. Nếu đó là một cài đặt thông thường trong các hiệu ứng ngẫu nhiên (có nghĩa là, bạn đã đo lặp lại cho mỗi nhóm), thì đó chỉ là về kỹ thuật ước tính, ít gây tranh cãi. Nếu bạn thực sự không có nhiều phép đo lặp lại cho hầu hết các nhóm, thì nó có thể nằm trên đường biên của mô hình hiệu ứng ngẫu nhiên thông thường và bạn có thể muốn chứng minh cẩn thận tính hợp lệ của nó (từ góc độ phương pháp luận) nếu bạn muốn đề xuất nó như một tổng quát phương pháp.