Bayesian Optimal Designs for Linear Regression Models
线性回归模型的贝叶斯最优设计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：摘要研究一般线性回归的贝叶斯实验设计，未明确涉及因果识别或其他所列细分方向。
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
线性回归模型的贝叶斯最优设计
- 研究问题
- 在线性回归的 c 最优设计中，先验信息如何改变设计的支撑点，何时单点设计或经典最优设计的支撑点仍然适用？
- 方法与思路
- 作者给出强调几何结构的贝叶斯版 Elfving 定理，分析单点最优条件，并刻画保留经典设计支撑点的先验精度矩阵类别。
- 材料陈述的贡献
- 摘要称当支撑点数等于回归函数数目时，大样本贝叶斯 c 最优设计与经典设计具有相同支撑点，并讨论示例和矩阵类比。
- 阅读关注点
- 应核对 c 最优准则、先验精度矩阵的限制、单点设计条件，以及大样本支撑点结论所需的数量相等条件和其他正则要求。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未给出完整定理条件、设计权重或样本量阈值，相同支撑点不代表设计完全相同。
原文摘要
A Bayesian version of Elfving's theorem is given for the $\mathbf{c}$-optimality criterion with emphasis on the inherent geometry. Conditions under which a one-point design is Bayesian $\mathbf{c}$-optimum are described. The class of prior precision matrices $R$ for which the Bayesian $\mathbf{c}$-optimal designs are supported by the points of the classical $\mathbf{c}$-optimal design is characterized. It is proved that the Bayesian $\mathbf{c}$-optimal design, for large $n,$ is always supported by the same support points as the classical one if the number of support points and the number of regression functions are equal. Examples and a matrix analog are discussed.