Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > stat > arXiv:2510.24349v1

帮助 | 高级搜索

统计学 > 方法论

arXiv:2510.24349v1 (stat)
[提交于 2025年10月28日 ]

标题: 伪贝叶斯最优设计用于拟合分数多项式响应面模型

标题: Pseudo-Bayesian Optimal Designs for Fitting Fractional Polynomial Response Surface Models

Authors:Luzia A. Trinca, Steven G. Gilmour
摘要: 分式多项式模型在响应面研究中可能很有用。 随着统计软件中非线性模型拟合例程的可用性,它们正被越来越多地使用。 然而,如同所有实验一样,设计应选择使得模型参数尽可能高效地估计。 此类模型的设计选择涉及已知的非线性模型的设计困难,但\cite{gilmour_trinca_2012b}提出了一种能够生成精确设计的方法,该方法利用了当今可用的计算设施。 在本文中,我们使用这种方法为几个分式多项式模型找到贝叶斯最优精确设计。 最优设计与响应面问题中的各种标准设计进行了比较。
摘要: Fractional polynomial models are potentially useful for response surfaces investigations. With the availability of routines for fitting nonlinear models in statistical packages they are increasingly being used. However, as in all experiments the design should be chosen such that the model parameters are estimated as efficiently as possible. The design choice for such models involves the known nonlinear models' design difficulties but \cite{gilmour_trinca_2012b} proposed a methodology capable of producing exact designs that makes use of the computing facilities available today. In this paper, we use this methodology to find Bayesian optimal exact designs for several fractional polynomial models. The optimum designs are compared to various standard designs in response surface problems.
评论: 31页
主题: 方法论 (stat.ME)
引用方式: arXiv:2510.24349 [stat.ME]
  (或者 arXiv:2510.24349v1 [stat.ME] 对于此版本)
  https://doi.org/10.48550/arXiv.2510.24349
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Steven Gilmour Prof [查看电子邮件]
[v1] 星期二, 2025 年 10 月 28 日 12:14:05 UTC (36 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
许可图标 查看许可
当前浏览上下文:
stat.ME
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-10
切换浏览方式为:
stat

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号