Hay algunos documentos que abordan esta cuestión. Yo los buscaría sin ningún orden especial:
-
Pen.LME: Howard D Bondell, Arun Krishna y Sujit K Ghosh. Selección conjunta de variables for fixed and random eects in linear mixed-eects models. Biometrics, 66(4):1069-1077, 2010.
-
GLMMLASSO: Jurg Schelldorfer, Peter Buhlmann, Sara van de Geer. Estimación for high-dimensional linear mixed-eects models using L1- penalization. Scandinavian Journal of Statistics, 38(2):197-214, 2011.
que puede encontrarse en Internet.
Resulta que ahora estoy terminando un artículo sobre la aplicación de una penalización de red elástica al modelo mixto (LMMEN) y tengo previsto enviarlo para su revisión en una revista el mes que viene.
- LMMEN: Sidi, Ritov, Unger. Regularización y clasificación de modelos lineales mixtos mediante la penalización de red elástica
En general, si usted está modelando los datos que no es normal o no tiene un vínculo de identidad me iría con GLMMLASSO, (pero tenga cuidado de que no puede manejar un montón de RE). De lo contrario, Pen.LME es bueno si no tiene datos muy correlacionados, ya sea en los efectos fijos o aleatorios. En este último caso puedes enviarme un correo electrónico y estaré encantado de enviarte el código/documento (lo pondré en cran en un futuro próximo).
He subido a CRAN hoy - lmmen . Resuelve el problema del modelo lineal mixto con una penalización de tipo red elástica sobre los efectos fijos y aleatorios simultáneamente.
También hay en el paquete cv funciones para el lmmlasso y glmmLasso paquetes en él.