J'essaie d'adapter un modèle de régression linéaire multivarié avec environ 60 variables de prédicteur et 30 observations. J'utilise donc le package glmnet pour la régression régularisée, car p> n.
J'ai parcouru la documentation et d'autres questions, mais je ne peux toujours pas interpréter les résultats. Voici un exemple de code (avec 20 prédicteurs et 10 observations pour simplifier):
Je crée une matrice x avec num rangs = num observations et num cols = num prédicteurs et un vecteur y qui représente la variable de réponse
> x=matrix(rnorm(10*20),10,20)
> y=rnorm(10)
J'adapte un modèle de glmnet en laissant alpha par défaut (= 1 pour la pénalité de lasso)
> fit1=glmnet(x,y)
> print(fit1)
Je comprends que je reçois des prédictions différentes avec des valeurs décroissantes de lambda (c.-à-d. Une pénalité)
Call: glmnet(x = x, y = y)
Df %Dev Lambda
[1,] 0 0.00000 0.890700
[2,] 1 0.06159 0.850200
[3,] 1 0.11770 0.811500
[4,] 1 0.16880 0.774600
.
.
.
[96,] 10 0.99740 0.010730
[97,] 10 0.99760 0.010240
[98,] 10 0.99780 0.009775
[99,] 10 0.99800 0.009331
[100,] 10 0.99820 0.008907
Maintenant, je prédis mes valeurs bêta en choisissant, par exemple, la plus petite valeur lambda donnée à partir de glmnet
> predict(fit1,type="coef", s = 0.008907)
21 x 1 sparse Matrix of class "dgCMatrix"
1
(Intercept) -0.08872364
V1 0.23734885
V2 -0.35472137
V3 -0.08088463
V4 .
V5 .
V6 .
V7 0.31127123
V8 .
V9 .
V10 .
V11 0.10636867
V12 .
V13 -0.20328200
V14 -0.77717745
V15 .
V16 -0.25924281
V17 .
V18 .
V19 -0.57989929
V20 -0.22522859
Si au lieu de cela je choisis lambda avec
cv <- cv.glmnet(x,y)
model=glmnet(x,y,lambda=cv$lambda.min)
Toutes les variables seraient (.).
Doutes et questions:
- Je ne suis pas sûr de savoir comment choisir lambda.
- Devrais-je utiliser les variables non (.) Pour s’adapter à un autre modèle? Dans mon cas, j'aimerais garder autant de variables que possible.
- Comment connaître la valeur p, c'est-à-dire quelles variables prédisent de manière significative la réponse?
Je m'excuse pour ma faible connaissance statistique! Et merci pour toute aide.