第四章最优回归的设计 《试验的设计与建模》课件.pptVIP

第四章最优回归设计 实际中，有时试验者根据一些先验知识知道真实模型的类型，例如线性模型、二次线性模型、指数模型等等，但其中有一些未知参数待估。 最优回归设计目标 式中，函数 f 形式已知，? 为参数。 安排试验使得模型的参数得以最准确的估计 例4.1. (例2.1 续). 在该工业试验中，设因素温度的范围为[50oC, 90oC]。根据先验知识，试验者知道响应值y 与因素温度x 之间的模型为二次线性模型 y = β0 + β1 x +β2 x2 +ε. 若试验次数为15，如何安排试验？ 最优准则如何确定？ 4.1 信息矩阵和最优准则 A. 信息矩阵 模型 y = G? +? 式中 矩阵G 称为广义设计矩阵，信息矩阵为： M = G?G/n 连续设计与确定性设计 在试验区域X 中的一个设计可以表为 试验总数：n = n1 + · · · + nm，也可表为概率分布，并称为确定性设计 一般的，连续设计如下：(wi 不一定为1/n的倍数) 单因素试验的几个简单的设计 则 例4.3. (例4.1 续) 二次线性模型 设试验点为 x1, · · · , xn , 则信息矩阵为 由此，若采用表4.2 中设计II，可得设计II 的标准化方差为 因此，在设计点?1，0 或1 上标准化方差达到最大值3. 表4.2 中各设计的结果 B. 最优准则 记连续设计 ? 的信息矩阵为 最常见的最优准则为 D-, A- 和 E-准则，分别如下 最小化上述准则的设计分别称为D-, A- 和E-最优设计。 统计意义 D-最优设计：最小化参数 ? 的置信椭球的体积 A-最优设计：最小化最小二乘估计 的平均方差值 E-最优设计：使得单位向量与参数 的线性组合的最大方差最小化 统一框架 设信息矩阵 M 的特征值为λ1 ≥ · · · ≥λp 显然，D-, A- 和E-最优准则对应的k 值分别为 k = 0, 1 和∞。 例4.4. (例4.2 续) 一元线性模型等价于模型 该模型的信息矩阵为 因此， D-最优设计为最大化 的设计， 例如 4.2 等价性定理 定理4.1 若 Φ 为凸函数，且一阶可微，且在全体设计集 Γ 中所有点可微，记 ?(x, ξ) = FΦ(ξ,δx) 则下面等价 ξ? 是Φ-最优设计； 对于任意 x ∈ X，?(x, ξ?) ≥ 0； ?(x, ξ?) 在ξ? 的每个设计点 x 上取到最小值，且 ?(x, ξ?) = 0。 注：等价性定理只适用于连续设计ξ。 D-最优设计 Kiefer (1975) 证明了当 D-最优的定义修改为如下时， ΦD(M(ξ)) = ?log |M(ξ)|， 可得 ?(x, ξ) = p ? d(x, ξ), 式中p 为回归模型中未知个数，d(x, ξ) 为(4.11) 式的标准化方差 例4.5. (例4.1 续) 考虑二次模型，设试验域已标准化为X = [?1, 1]，考虑下面的设计 易知，当试验次数为3 时， 即为表4.2 中的设计II d(x,ξ) 的图形 例4.6. (例4.1 续) 当n = 4 时，取设计点为?1, 0, 1，且在这三个点中任取一个点重复一次，其设计都是n = 4 时的D-最优设计，如 其标准化方差为 d(x, ξ) = 2 ? 2x2 + 4x4, 4.3 D-最优设计 在各个最优准则中，D-最优准则使用范围最广 D-效率：衡量任意设计ξ 和D-最优设计ξ? 之间的差距， 两个D-最优设计的线性组合也是D-最优设计 A. 一元多项式模型 考虑一个因素的d 阶多项式 E(Y ) = β0 + β1 x + · · · + βd xd, 其中试验域已标准化为X = [?1, 1]。 B.多元多项式回归模型 考虑 m 个因素的 d 阶多项式回归模型 试验范围: 超立方体 超球体 单纯型 多元一次线性模型 (d=1) 此时，D-最优设计的设计点都在其顶点上。 设S = {v1, v2, · · · , vs : vi ∈ Rm, i =1, · · · , s} 表示全体顶点，记 试验区域为超立方体：当 m=2时， 连续设计： 设计点为各顶点，权重相同 确定性设计：ξn,S 中任何元素 多元一次线性模型 (d=1) 试验区域为超球体 连续设计：设计点为内嵌正多面体的顶点 确定