Signal aliasing in Gaussian random fields for experiments with qualitative factors
定性因子实验中高斯随机场的信号混杂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：摘要研究实验设计中的信号混杂，高斯随机场并非所列宏观或金融因子模型。
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…
定性因子实验中高斯随机场的信号混杂
- 研究问题
- 定性因子实验采用部分因子设计时，高斯随机场中的信号如何发生混杂，实验设计与模型参数分别决定哪些混杂特征？
- 方法与思路
- 作者从协方差函数识别随机效应，将混杂程度分解为设计决定的混杂模式和方差决定的效应优先级，并构造混杂程度指标。
- 材料陈述的贡献
- 摘要称，该框架适用于正规部分因子设计，并推广指标至含非正规设计的一般因子设计；作者还观察到指标与预测方差高度相关。
- 阅读关注点
- 应核对协方差到随机效应的分解、指标定义及参数依赖，并查明指标与预测方差的相关性在哪些设计和模型下得到支持。
- 阅读边界
- 仅据OpenAlex索引摘要，版本未注明；指标与预测方差相关不构成普遍等价结论，摘要也未提供相关程度或适用条件。
原文摘要
Signal aliasing is an inevitable consequence of using fractional factorial designs. Unlike linear models with fixed factorial effects, for Gaussian random field models advocated in some Bayesian design and computer experiment literature, the issue of signal aliasing has not received comparable attention. In the present article, this issue is tackled for experiments with qualitative factors. The signals in a Gaussian random field can be characterized by the random effects identified from the covariance function. The aliasing severity of the signals is determined by two key elements: (i) the aliasing pattern, which depends only on the chosen design, and (ii) the effect priority, which is related to the variances of the random effects and depends on the model parameters. We first apply this framework to study the signal-aliasing problem for regular fractional factorial designs. For general factorial designs including nonregular ones, we propose an aliasing severity index to quantify the severity of signal aliasing. We also observe that the aliasing severity index is highly correlated with the prediction variance.