高级生物统计 第四节 最优设计.ppt

第四节 最优设计 对于一定的回归模型，在给定的因子空间的某一区域上，可以设计出多种试验方案，每个方案都存在它的最大误差方差。在这些试验方案中挑选出最大误差方差最小的方案，用它的试验结果估计的回归方程，其回归预测值与实际观测值的拟合程度最高，因而这种试验方案是最优的。 最优设计(optimum design)就是从试验误差方差最小的基本目的出发，得出的一种试验设计方法。为了判断一种试验设计是不是最优设计，已经提出了很多优良性准则，如D—优良性、G—优良性、E—优良性、U—优良性、A—优良性等。 一、D—最优设计原理 （一）回归模型与试验方案 1、回归模型 对于给定的p维欧氏因子空间区域?中的点? ，无论变量之间的回归关系如何，其回归模型的一般形式可表示为： 其中，x为自变量组成的p维向量(x1，x2，…，xp)；f1(x)，f2(x)，… ，fm(x)都是连续函数；?1，?2，… ，?m为m个需要估计的回归系数；ε为随机误差、相互独立，且都服从N(0，σ2)。 若记 回归模型(4—45)也可表示为： 若进行了 t 次试验，则模型(4-46)的结构矩阵X为： 信息矩阵A为 模型(4—45)包含了最常见的各种回归模型。 例如，当f1(x)，f2(x)，… ，fm(x)为一组幂函数时，若取p = 2，m = 6， 模型(4—45)就是二元二次回归模型。 2、试验方案 假设试验在p维欧氏因子空间区域?中的一组点x1，x2，…，xt上进行，每个点的试验重复次数分别为n1，n2，…，nt。这一组点及其对应的重复次数便构成一个试验方案，这种方案称为离散型方案(discrete scheme)，用W表示。 其中x1，x2，…，xt称为方案W的谱点。 离散型方案的信息矩阵A(W)为 如果将离散型方案中每个点的重复次数用其与总次数的比值pi=ni/N表示，且pi可以在[0，1]中任意取值，这种方案称为连续型方案(continuous scheme)，即 其中，pi称为xi点的测度， 。 连续型方案的信息矩阵A(W)为 （二）D—优良性与G—优良性 1、D—优良性 为了确定一个试验方案是不是最优方案，必须给出判断最优性的标准。1943年Wald提出了信息矩阵行列式最大值判别法，1959年Kiefer称这种判别法为D—最优性，又称为D—优良性。 对于同一回归模型(4—45)的两个不同的试验方案W1和W2，如果方案W1的信息矩阵行列式的值大于方案W1的信息矩阵行列式的值，即|A(W1)||A(W2)|，则认为在D—优良性意义上，方案W1比方案W2优良。由于相关矩阵C(W)是信息矩阵A(W)的逆矩阵， |C(W)| ·|A(W)|=1 ，因此|A(W1)||A(W2)|等价于|C(W1)||C(W2)| 。 【例4 · 9】 设单因素试验的回归模型为 试比较下列两个试验方案的D—优良性。 根据模型(4—45)，此例p = 1，m = 2，f1(x)=1，f2(x)=x，F (x)=(f1(x) f2(x))=(1 x)，为离散型方案。根据 (4—48) 式，对于试验方案W1，信息矩阵为： 其行列式为： W1的相关矩阵及其行列式分别为： 对于试验方案W2，相应的计算结果为： 由于|A(W1)||A(W2)|，|C(W1)||C(W2)|，因此在D—优良性意义上，试验方案W1优于W2。 在给定的因子空间的某一区域?上，可以设计出多种试验方案。所有方案中信息矩阵行列式最大的方案称为区域?上的D—最优方案，简称D—最优方案。显然，D—最优方案是针对因子空间的某一区域而言的，对于不同的区域可能存在不同的D—最优方案。 2、G—优良性 按照试验方案W进行试验，获得N个观测值y1，y2，…，yN，用最小二乘法可以估计出回归模型(4—46)的回归系数?。 若记?的估计值为b，则 其中， 其回归方程为： b的方差协方差矩阵 回归预测值 的方差 对于给定的因子空间区域?上的任意一个试验方案W，回归预测值的方差d(x，W)在区域?上总存在最大值 。若该区域上试验方案W1的回归预测值的最大方差 小于试验方案W2的回归预测值的最大方差 ，即 则认为在G—优良性意义上，方案W1优于方案W2。 【例4 ·