Robust $T$-optimal discriminating designs
稳健的 T 最优模型判别设计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：摘要研究通用回归模型的实验设计与判别准则，未明确涉及所列计量细分方向。
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…
稳健的 T 最优模型判别设计
- 研究问题
- 研究如何为竞争回归模型构造判别实验设计，使基于 T 最优准则的设计在未知参数设定错误时仍具有稳健性。
- 方法与思路
- 作者提出贝叶斯与标准化最大最小设计准则，研究其与线性最优准则的联系，并分析特定多项式模型的显式解。
- 材料陈述的贡献
- 摘要称展示传统 T 最优设计对参数误设的敏感性，并为次数相差二的多项式回归模型给出稳健判别设计的显式结果。
- 阅读关注点
- 应核对参数先验与参数集合的选择、标准化方式、稳健性和效率的定义，以及显式设计结果适用的模型与设计空间。
- 阅读边界
- 仅据版本未注明的索引摘要，无法判断设计在其他模型中的性质；摘要未给出具体参数设置、效率数值或计算成本。
原文摘要
This paper considers the problem of constructing optimal discriminating experimental designs for competing regression models on the basis of the $T$-optimality criterion introduced by Atkinson and Fedorov [Biometrika 62 (1975a) 57–70]. $T$-optimal designs depend on unknown model parameters and it is demonstrated that these designs are sensitive with respect to misspecification. As a solution to this problem we propose a Bayesian and standardized maximin approach to construct robust and efficient discriminating designs on the basis of the $T$-optimality criterion. It is shown that the corresponding Bayesian and standardized maximin optimality criteria are closely related to linear optimality criteria. For the problem of discriminating between two polynomial regression models which differ in the degree by two the robust $T$-optimal discriminating designs can be found explicitly. The results are illustrated in several examples.