Robust designs for polynomial regression by maximizing a minimum of D- and D1-efficiencies
通过最大化最低 D 与 D₁ 效率构造多项式回归稳健设计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：摘要研究多项式回归的最优实验设计，未提供因果识别或其他所列细分领域的明确依据，故留空。
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
通过最大化最低 D 与 D₁ 效率构造多项式回归稳健设计
- 研究问题
- 多项式回归的实验设计如何兼顾所选阶数模型的参数估计效率，以及不同阶数模型下的拟合优度检验效率？
- 方法与思路
- 作者最大化目标模型 D 效率与邻近阶数模型 D₁ 效率的最小值，结合典范矩、极小极大等价理论和正交多项式。
- 材料陈述的贡献
- 摘要称，最优设计可通过相关正交多项式显式刻画，并兼顾目标模型参数估计与检验最高阶系数的效率。
- 阅读关注点
- 应核对 D₁ 效率的定义、设计空间及阶数范围，理解最优性条件，并检查摘要所称合理检验效率的具体标准。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要。设计约束、效率数值与证明未提供，题名中的稳健性不能扩展为任意模型误设稳健性。
原文摘要
In the common polynomial regression of degree m we determine the design which maximizes the minimum of the $D$-efficiency in the model of degree $m$ and the $D_1$-efficiencies in the models of degree $m-j,\dots, m +k$ ($j, k\ge 0$ given). The resulting designs allow an efficient estimation of the parameters in the chosen regression and have reasonable efficiencies for checking the goodness-of-fit of the assumed model of degree $m$ by testing the highest coefficients in the polynomials of degree $m-j,\dots, m +k$ . Our approach is based on a combination of the theory of canonical moments and general equivalence theory for minimax optimality criteria. The optimal designs can be explicitly characterized by evaluating certain associated orthogonal polynomials.