Selection of Two-Level Supersaturated Designs for Main Effects Models
Selection of Two-Level Supersaturated Designs for Main Effects Models
复制标题
主效应模型的两水平过饱和设计的选择
DOI：
10.1080/00401706.2022.2102080
复制
发表时间：
2023
期刊：
影响因子：
2.5
通讯作者：
Stufken, John
中科院分区：
文献类型：
--
作者：
Singh, Rakhi;Stufken, John
关于两水平过饱和设计的设计选择标准和分析技术，有大量的文献可供参考。最著名的设计选择准则是流行的准则、准则和最近的var（）准则，而最著名的分析技术是高斯-丹齐格法。已经观察到，虽然高斯-丹齐格模型通常是优选的分析技术，但是不同设计的筛选性能的差异不能很好地被任何常见的设计选择标准捕获。此外，没有一个标准与Gauss-Dantzig矩阵有任何直接联系。我们开发了两个新的设计选择标准的启发大样本desiderata的高斯-丹茨格神经网络。然后，使用多目标的Pareto坐标交换算法，我们找到Pareto有效设计。得到的Pareto有效设计在约85%的情况下比var（）-最优设计更好地执行筛选设计，特别是当效应的真实信号已知时。对于其余15%的情况以及未知效应符号，Pareto有效设计的性能与var（）-最优设计相当。
An extensive literature is available on design selection criteria and analysis techniques for two-level supersaturated designs. The most notable design selection criteria are the popular-criterion,-criterion, and more recently, the var()-criterion, while the most notable analysis technique is the Gauss-Dantzig Selector. It has been observed that while the Gauss-Dantzig Selector is often the preferred analysis technique, differences in the screening performance of different designs are not captured well by any of the common design selection criteria. In addition, none of the criteria have any direct connection to the Gauss-Dantzig Selector. We develop two new design selection criteria inspired by large sample desiderata of the Gauss-Dantzig Selector. Then, using a multi-objective Pareto-based coordinate exchange algorithm, we find Pareto efficient designs. The obtained Pareto efficient designs perform better in about 85% of the considered cases as screening designs than the var()-optimal designs, especially when the true signs of effects are known. For the remaining 15% of the cases as well as for the unknown effect signs, the Pareto efficient designs perform at par with the var()-optimal designs.
登录
查看更多内容
关于 E(s2) 最优过饱和设计
影响因子：
0.9
作者：
Ashish Das;A. Dey;L. Chan;K. Chatterjee
通讯作者：
K. Chatterjee
影响因子：
2.5
作者：
Nam-Ky Nguyen;Ching-Shui Cheng
通讯作者：
Nam-Ky Nguyen;Ching-Shui Cheng
影响因子：
0.8
作者：
Li Deng;D. Lin;Jiannong Wang
通讯作者：
Jiannong Wang
过饱和筛选策略：分组正交和约束 Var(s) 设计
影响因子：
2.5
作者：
Maria L. Weese;Jonathan W. Stallrich;Byran J. Smucker;David J. Edwards
通讯作者：
David J. Edwards
E(s2)-和UE(s2)-最优过饱和设计
影响因子：
0.9
作者：
Ching;Ashish Das;Rakhi Singh;Pi
通讯作者：
Pi