Bayesian-inspired minimum aberration two- and four-level designs
受贝叶斯思想启发的二水平与四水平最小混杂设计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：摘要研究一般因子实验的设计准则，没有明确讨论因果效应识别或其他所列计量方向。
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
受贝叶斯思想启发的二水平与四水平最小混杂设计
- 研究问题
- 如何为含二水平和四水平因子的实验建立更有原则的最小混杂型准则，并在设计中区分定性因子和定量因子？
- 方法与思路
- 作者以贝叶斯框架为动机提出新的最小混杂型设计准则，试图减少已有准则中效应排序的任意性。
- 材料陈述的贡献
- 摘要称，新准则能够区分定性与定量因子，并通过多个例子展示优势；具体优势指标和适用条件未在摘要中展开。
- 阅读关注点
- 应核对贝叶斯框架如何确定效应排序、两类因子的编码和先验设定，以及设计准则与已有准则的比较依据。
- 阅读边界
- 依据稿件版本未注明的 OpenAlex 索引摘要；准则公式、例子结果及优势边界未说明，不能由贝叶斯动机推断普遍最优性。
原文摘要
Motivated by a Bayesian framework, we propose a new minimum aberration-type criterion for designing experiments with two- and four-level factors. The Bayesian approach helps in overcoming the ad hoc nature of effect ordering in the existing minimum aberration-type criteria. The approach is also capable of distinguishing between qualitative and quantitative factors. Numerous examples are given to demonstrate its advantages.