Düzenleme teknikleri rastgele etkiler modelinde kullanılabilir mi?

11

Düzenleme teknikleri ile kement, sırt regresyonu, elastik ağ ve benzerlerinden bahsediyorum.

Yatarak tedavi gören hastaların kalış sürelerinin tahmin edildiği demografik ve tanı verilerini içeren sağlık hizmeti verileri üzerinde bir öngörme modeli düşünün. Bazı bireyler için, başlangıç süresi boyunca ilişkili olan çoklu LOS gözlemleri (yani birden fazla IP bölümü) vardır.

Örneğin, her bir birey için rastgele bir etki önleme terimi içeren elastik bir ağ öngörme modeli oluşturmak mantıklı mıdır?

multiple-regression random-effects-model regularization

— robertf
kaynak

İlk hat için Altyazı: "rasgele etkiler teknikleri derken Laplace priors ve regresyon parametreleri üzerine Normal priors bahsediyorum (yani parametre rastgele dağıtılır nasıl varsayımlar) ... ve benzeri" :-)

— conjugateprior

7

Bu soruyla ilgili birkaç makale var. Özel bir sırayla bakmazdım:

Pen.LME: Howard D Bondell, Arun Krishna ve Sujit K Ghosh. Doğrusal karışık eects modellerinde sabit ve rasgele atıklar için ortak değişken seçimi. Biometrics, 66 (4): 1069-1077, 2010.
GLMMLASSO: Jurg Schelldorfer, Peter Buhlmann, Sara van de Geer. L1 cezalandırması kullanılarak yüksek boyutlu doğrusal karma-e-modelleri için tahmin. İskandinav İstatistik Dergisi, 38 (2): 197-214, 2011.

çevrimiçi bulunabilir.

Şimdi karışık modele (LMMEN) esnek bir ağ cezası uygulamak üzerine bir makale bitiriyorum ve önümüzdeki ay içinde dergi incelemesi için göndermeyi planlıyorum.

LMMEN: Sidi, Ritov, Unger. Elastik Ağ Cezası ile Doğrusal Karışık Modellerin Düzenlenmesi ve Sınıflandırılması

Her şeyden önce, normal olmayan veya kimlik bağlantısı olmayan verileri modelliyorsanız, GLMMLASSO ile giderdim (ancak RE'lerin çoğunu işleyemeyeceğine dikkat edin). Aksi takdirde Pen.LME, sabit veya rastgele etkilerde yüksek korelasyonlu verileriniz olmadığı için iyidir. İkinci durumda bana mail atabilir ve size kod / kağıt göndermekten memnuniyet duyarım (yakın gelecekte vinç üzerine koyacağım).

Bugün CRAN'a yükledim - mmmm . Sabit ve rastgele etkiler üzerinde aynı anda elastik-ağ tipi bir ceza ile doğrusal karışık model problemini çözer.

Pakette ayrıca lmmlasso ve glmmLasso paketleri için cv fonksiyonları da bulunmaktadır.

— yonicd
kaynak

1

Yonicd, elastik ağın doğrusal karışık modellere uygulanması tam olarak aradığım şey. Ben ilişkili genetik verilerle çalışıyorum, bu yüzden elastik bir ağın gruplandırılmış seçimi çok yararlı olacaktır. Sizinle iletişim kurmaya çalıştım, ancak bu yanıtı göndermekten başka bir yol bulamadım, çünkü mesaj göndermek imkansız görünüyor. Her neyse, makalenizi okumak için sabırsızlanıyorum ve en kısa sürede kodunuzu deneyeceğim.

5

Her zaman sırt regresyonunu tek bir kategorik değişkenle sınırlı olmayan (ve fantezi korelasyon matrisleri olmayan) ampirik rastgele etkiler modelleri olarak gördüm. Hemen hemen her zaman bir sırt cezasını çapraz doğrulamak ve basit bir rastgele etki takmak / tahmin etmekle aynı tahminleri alabilirsiniz. Örneğinizde, demo / diag özellikleri ve hasta göstergeleri üzerinde ayrı bir sırt cezası alabilirsiniz (ceza ölçeklendirme faktörünü içeren bir şey kullanarak glmnet). Alternatif olarak, kişi tarafından zamanla ilişkili etkileri olan süslü rastgele bir efekt ekleyebilirsiniz. Bu olasılıkların hiçbiri doğru ya da yanlış değildir, sadece yararlıdır.

— Shea Parkes
kaynak

2

Şu anda benzer bir soru düşünüyorum. Bence uygulamada, eğer işe yarıyorsa bunu yapabilirsiniz ve bunu kullanmanın makul olduğuna inanıyorsunuz. Rastgele etkilerdeki olağan bir ayarsa (yani, her grup için tekrarlanan ölçümleriniz var demektir), o zaman daha az tartışmalı olan tahmin tekniği ile ilgilidir. Aslında çoğu grup için tekrarlanan birçok ölçümünüz yoksa, o zaman olağan rastgele etkiler modelinin sınırında olabilir ve genel olarak önermek istiyorsanız geçerliliğini (metodoloji perspektifinden) dikkatlice haklı çıkarmak isteyebilirsiniz. yöntem.

— ltx5151
kaynak