Selezione di variabili in modelli lineari a effetti misti ad elevata dimensionalità: applicazione a dati reali per la previsione della risposta glicemica postprandiale

Questa tesi affronta il problema della selezione di variabili in modelli lineari a effetti misti ad elevata dimensionalità. Quando il numero di effetti fissi è molto maggiore della numerosità campionaria, l’approccio classico basato su massima verosimiglianza o REML non è applicabile. Per questo motivo si ricorre a tecniche di regolarizzazione mediante funzioni di penalità, come Lasso e SCAD. Nella prima parte vengono presentati i metodi utilizzati per la selezione degli effetti fissi e per la stima penalizzata di effetti fissi e casuali. Successivamente, tali metodologie sono applicate a un dataset reale contenente informazioni nutrizionali, fisiologiche e cliniche associate a pasti consumati da diversi soggetti, con l’obiettivo di prevedere la risposta glicemica postprandiale.