An Efficient Algorithm for Constructing Bayesian Optimal Choice Designs
构建贝叶斯最优选择实验设计的高效算法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：摘要明确围绕多项logit模型的贝叶斯最优选择实验设计展开，体育俱乐部会员研究用于展示设计方法，直接对应离散选择。
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…
构建贝叶斯最优选择实验设计的高效算法
- 研究问题
- 如何降低多项logit模型中贝叶斯最优选择实验设计的计算成本，同时提升设计的统计效率，并在扩充选择设计时考虑参数估计之间的相关性？
- 方法与思路
- 作者针对摘要所称的四类贝叶斯最优准则提出更快的设计生成算法，并以体育俱乐部会员研究展示选择设计的扩充与参数估计相关性的处理。
- 材料陈述的贡献
- 摘要称新算法可更快生成四类准则下的最优设计，并同时提高设计的统计效率；体育俱乐部会员案例展示了考虑参数估计相关性的设计扩充。
- 阅读关注点
- 重点核对四类最优性准则的完整定义、算法步骤与收敛或停止规则，以及速度和统计效率比较的基准、计算预算和设计扩充的作用。
- 阅读边界
- 摘要中最优性准则的名称存在缺失，不能据此确定具体准则；也未给出速度增益、效率指标或算法保证，相关比较及案例结论须查阅完整原文。
原文摘要
While Bayesian - and -optimal designs for the multinomial logit model have been shown to have better predictive performance than Bayesian - and -optimal designs, the algorithms for generating them have been too slow for commercial use. In this article, we present a much faster algorithm for generating Bayesian optimal designs for all four criteria while simultaneously improving the statistical efficiency of the designs. We also show how to augment a choice design allowing for correlated parameter estimates using a sports club membership study.