Analysis of Censored Data from Fractionated Experiments: A Bayesian Approach
部分因子实验中删失数据的贝叶斯分析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：摘要讨论工业实验的删失分析与模型选择，未明确研究因果识别或其他所列细分问题。
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
部分因子实验中删失数据的贝叶斯分析
- 研究问题
- 工业部分因子实验出现失效时间或连续与类别混合的删失观测时，如何处理似然估计可能不存在及复杂效应混杂带来的分析困难？
- 方法与思路
- 作者提出贝叶斯分析策略，利用数据增广和 Monte Carlo EM 实现；针对混杂模式复杂的非正规设计，进一步修改模型选择策略。
- 材料陈述的贡献
- 摘要称，修改后的策略可显著减少模型选择计算量；三个真实工业实验展示其应用，且这些数据的结果对所考察先验较不敏感。
- 阅读关注点
- 应核对删失机制、似然估计不存在的情形、先验对估计的作用，以及修改策略如何处理非正规设计中的效应混杂。
- 阅读边界
- 来源为版本未注明的 OpenAlex 索引摘要；未提供算法收敛条件、计算节省数值或先验范围，三个实例的敏感性结论不能直接推广。
原文摘要
Censored data arise naturally in industrial experiments whose observations are failure times or measurements with mixed continuous-categorical outcomes. When censored data are observed from a fractionated experiment, likelihood-based estimates quite often do not exist, especially when the opportunity for improvement is great. To circumvent this problem, we propose a Bayesian analysis strategy that has a straightforward implementation using the data augmentation and Monte Carlo EM algorithms. For nonregular designs with complex aliasing patterns, a modified analysis strategy is proposed that substantially reduces the computation needed for model selection. The proposed strategy is illustrated using data from three real industrial experiments. For these data sets, the analysis results are fairly insensitive to the specification of the prior.