On the number of support points of maximin and Bayesian optimal designs
最大最小与贝叶斯最优设计的支撑点数目AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要属于非线性回归最优设计理论，未明确涉及结构估计或其他所列计量细分领域。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
最大最小与贝叶斯最优设计的支撑点数目
- 研究问题
- 在非线性回归的D最优设计中，参数先验信息的不确定性增大为何可能增加支撑点，且两类设计为何存在差异？
- 方法与思路
- 作者针对最大最小准则的参数区域与贝叶斯准则的参数先验，提出解析工具，在具体情形中证明支撑点增加现象。
- 材料陈述的贡献
- 摘要称该方法解释了已有经验观察，并说明最大最小D最优设计通常为何比贝叶斯D最优设计需要更多支撑点。
- 阅读关注点
- 应核对非线性模型与区间参数空间的条件、不确定性的比较方式，以及支撑点数增加结论能够覆盖的具体设计。
- 阅读边界
- 仅据版本未注明的OpenAlex索引摘要；证明限于具体情形，不能据此断言所有模型中支撑点数随不确定性单调增加。
原文摘要
We consider maximin and Bayesian D-optimal designs for nonlinear regression models. The maximin criterion requires the specification of a region for the nonlinear parameters in the model, while the Bayesian optimality criterion assumes that a prior for these parameters is available. On interval parameter spaces, it was observed empirically by many authors that an increase of uncertainty in the prior information (i.e., a larger range for the parameter space in the maximin criterion or a larger variance of the prior in the Bayesian criterion) yields a larger number of support points of the corresponding optimal designs. In this paper, we present analytic tools which are used to prove this phenomenon in concrete situations. The proposed methodology can be used to explain many empirically observed results in the literature. Moreover, it explains why maximin D-optimal designs are usually supported at more points than Bayesian D-optimal designs.