A Predictive Approach to the Analysis of Designed Experiments
设计实验分析的预测方法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：摘要研究实验模型选择与预测准则，未涉及宏观预测或其他所列具体方向。
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
设计实验分析的预测方法
- 研究问题
- 将设计实验的分析看作模型选择问题时，如何用重复实验的预测表现选择模型，并解释模型间的差异？
- 方法与思路
- 作者基于重复实验预测密度提出贝叶斯准则及其校准，并讨论它与 AIC、BIC、Mallows 准则和嵌套模型检验的关系。
- 材料陈述的贡献
- 摘要称文章提出预测贝叶斯模型选择准则和信息论比较准则，说明与常用准则及 F 统计量的联系，并提供示例。
- 阅读关注点
- 应核对重复实验的定义、预测密度对先验的依赖和校准含义，以及与其他准则建立关系时所需的模型条件。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；先验、校准步骤与比较结果未说明，不能推断预测或选择性能。
原文摘要
Viewing the analysis of designed experiments as a model selection problem, we introduce the use of a predictive Bayesian criterion in this context based on the predictive density of a replicate experiment (PDRE). A calibration of the criterion is provided to assist in the model choice. The relationships of the proposed criterion to other prevalent criteria, such as AIC, BIC, and Mallows's C p , are given. An information theoretic criterion based on the PDRE's of two competing models is also introduced and compared with the usual F statistic for two nested models. Examples are given to illustrate the proposed methodology.