An Optimal Experimental Design Criterion for Discriminating Between Non-Normal Models
区分非正态模型的最优实验设计准则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：摘要的核心是一般模型区分实验设计，二元响应仅作为背景，不足以归入离散选择或因果推断。
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…
区分非正态模型的最优实验设计准则
- 研究问题
- 当观测不服从正态分布时，如何选择实验设计以区分竞争模型，并与已有正态、异方差及二元响应设计准则衔接？
- 方法与思路
- 作者提出基于 Kullback–Leibler 距离的模型区分准则，给出等价定理和计算算法，并在两类非正态分布下示例。
- 材料陈述的贡献
- 摘要称，新准则与既有方法相协调，并提供等价定理及最优设计算法，用于区分 Michaelis–Menten 模型及其扩展。
- 阅读关注点
- 应核对竞争模型参数如何处理、等价定理的条件、算法收敛依据，以及对数正态和伽马示例中的设计设定。
- 阅读边界
- 仅依据 Crossref 所供摘要；摘要未说明准则的参数依赖、算法保证或比较结果，不能认定其对所有非正态模型都更优。
原文摘要
Summary Typically T-optimality is used to obtain optimal designs to discriminate between homoscedastic models with normally distributed observations. Some extensions of this criterion have been made for the heteroscedastic case and binary response models in the literature. In this paper, a new criterion based on the Kullback–Leibler distance is proposed to discriminate between rival models with non-normally distributed observations. The criterion is coherent with the approaches mentioned above. An equivalence theorem is provided for this criterion and an algorithm to compute optimal designs is developed. The criterion is applied to discriminate between the popular Michaelis–Menten model and a typical extension of it under the log-normal and the gamma distributions.