Skip to article frontmatterSkip to article content
Site not loading correctly?

This may be due to an incorrect BASE_URL configuration. See the MyST Documentation for reference.

9.6 用最优设计工具构造因子设计与分式因子设计

本书大部分内容着眼于标准因子设计和标准分式因子设计。如果研究问题与设计的条件吻合,标准设计效果很好;但不少情况下两者并不匹配,例如:

  1. 试验资源受到特殊限制,可进行的试验次数或所需区组大小不同于标准设计。第 11 章将给出一个例子。

  2. 设计区域受到限制。标准因子设计和分式设计的长方体区域,以及响应面设计常用的球形或长方体区域,可能并不适合:因子空间的某些部分无法试验,例如温度和压力同时超过某界限会使操作不安全;某些因子组合也可能不可行。第 11 章将给出受约束区域的最优设计例子。

  3. 试验者需要拟合非标准模型,例如混合不同类型因子的模型。假设希望对两个连续变量 x1,x2x_1,x_2 拟合完整二次模型,同时还研究一个二水平定性因子 zz,可考虑

y=β0+β1x1+β2x2+β12x1x2+β11x12+β22x22+γz+δ1zx1+δ2zx2+δ12zx1x2+δ11zx12+δ22zx22+ϵ.\begin{aligned} y={}&\beta_0+\beta_1x_1+\beta_2x_2+\beta_{12}x_1x_2 +\beta_{11}x_1^2+\beta_{22}x_2^2+\gamma z\\ &+\delta_1zx_1+\delta_2zx_2+\delta_{12}zx_1x_2 +\delta_{11}zx_1^2+\delta_{22}zx_2^2+\epsilon. \end{aligned}

这个模型包含连续因子的完整二次项、定性因子的主效应,以及定性因子与连续因子的线性、交互及纯二次项的全部交互作用。[1]如果这 12 个参数都保留,模型将在定性因子的两个水平上描述两条完全不同的响应函数。若只能做 15 次试验,就没有合适的标准响应面设计;最接近的标准选择是需要 18 次试验的 3×3×23\times3\times2 因子设计。

这些问题需要为具体情形定制设计。为此需要:

  1. 明确研究问题:拟合的模型、感兴趣的区域、可实施的试验次数,以及区组、协变量等要求。

  2. 选择决定试验点的最优性准则。下一小节将简要回顾常见准则。

  3. 使用软件构造设计。最优设计也常称为计算机生成设计,已有多种统计软件可供使用。

针对实际问题定制设计通常优于勉强套用标准设计。最优设计理论的早期研究始于 Kiefer(1961)及 Kiefer 和 Wolfowitz(1959)。Mitchell(1974)提出第一个实用构造算法——点交换法:从所有可行试验点构成的候选集中,系统地交换现有设计与候选点,直到最优性准则不能继续改善。此后二十年出现多种变式。Meyer 和 Nachtsheim(1995)提出坐标交换算法,逐一搜索各设计坐标的最佳设置,不需要预先列出所有候选试验。它很快成为标准方法,如今多数高效最优设计软件都采用这一思路。

9.6.1 设计最优性准则

第 6 章 6.7 节介绍了 D 最优、G 最优、I 最优三种准则。D 最优通过最大化设计矩阵信息量 ∣X′X∣\lvert\mathbf X'\mathbf X\rvert,使回归系数联合置信区域的体积最小;名称中的 D 来自 determinant(行列式)。协方差(离散)矩阵 (X′X)−1(\mathbf X'\mathbf X)^{-1} 包含系数方差与协方差,置信区域体积的平方与 ∣X′X∣\lvert\mathbf X'\mathbf X\rvert 成反比。在相同置信水平下,区域越小,系数估计越精确。G 最优使整个设计区域 RR 中的最大预测方差最小。I 最优则使区域 RR 内预测方差的积分或平均值最小。

D 最优与 I 最优最常用,许多商业软件都能按这两种准则生成设计。构造时需要优化算法;Meyer 和 Nachtsheim(1995)的坐标交换等方法可减少计算量和搜索时间。它们不一定保证找到全局最优,但软件通常报告效率指标,描述所得设计相对于可能的最佳设计的质量。

9.6.2 最优设计实例

本书的许多标准设计本身就是最优设计。例如,工业研发中广泛使用的 2k2^k 因子设计及其若干变式,在第 6 章 6.7 节中已证明对 D、G、I 准则都是最优的。因此,当问题恰好对应某标准设计时,最优设计算法可能重新找到它;当标准设计不合适时,则需要用最优设计方法构造适合具体问题的方案。

考虑两个各有三个水平的定性因子。例如,导弹试验中可能比较三种具有不同金属合金外壳的导弹(x1=L1,L2,L3x_1=L1,L2,L3)和三种发射装置(x2=L1,L2,L3x_2=L1,L2,L3)对偏离目标距离的影响。对于只含主效应的模型,以及包含主效应和两因子交互作用的模型,都可构造 D 最优与 I 最优设计。若要求 9 次试验,JMP 给出的主效应模型设计见表 9.32、9.33:两者完全相同,均为 32 完整因子设计。把两因子交互作用加入模型后,构造 9 次试验的 D、I 最优设计,结果仍然相同。

表 9.32 和 9.33 的设计都没有重复。通常希望重复试验,以估计试验误差并支持统计检验;若整个设计重复两次,就需要 18 次试验。由于每次都要发射一枚导弹,代价可能很高,因此希望少做一些。假设要拟合含主效应和交互作用的模型,但总共只能做 12 次试验,就需决定哪几个处理组合值得重复。最优设计方法可用于分配这些重复试验。

表 9.34、9.35 分别给出 JMP 得到的 D 最优与 I 最优设计;两者都是 32 完整因子设计,再重复其中三个处理组合。

表 9.32 两个三水平定性因子的 9 次试验 D 最优设计

试验号X1X2
1L1L1
2L2L1
3L3L1
4L1L2
5L2L2
6L3L2
7L1L3
8L2L3
9L3L3

表 9.33 两个三水平定性因子的 9 次试验 I 最优设计

试验号X1X2
1L1L1
2L2L1
3L3L1
4L1L2
5L2L2
6L3L2
7L1L3
8L2L3
9L3L3

表 9.34 两个三水平定性因子的 12 次试验 D 最优设计

试验号X1X2
1L1L1
2L2L1
3L3L1
4L1L2
5L1L2
6L2L2
7L2L2
8L3L2
9L3L2
10L1L3
11L2L3
12L3L3

表 9.35 两个三水平定性因子的 12 次试验 I 最优设计

试验号X1X2
1L3L3
2L2L2
3L2L1
4L1L1
5L3L1
6L3L2
7L2L3
8L3L2
9L1L3
10L2L2
11L1L1
12L1L2

D 最优设计重复 (L1,L2)(L1,L2)、(L2,L2)(L2,L2)、(L3,L2)(L3,L2);所以 x2x_2 的 L2 出现 6 次,L1、L3 各出现 3 次。I 最优设计重复 (L1,L1)(L1,L1)、(L2,L2)(L2,L2)、(L3,L2)(L3,L2);此时 x2x_2 的 L1、L2、L3 分别出现 3、5、4 次。两种设计仅有一个被重复的试验点不同;平均缩放预测方差均为 0.833。

例 9.4 区组要求特殊的试验

设研究者要对六个连续因子进行筛选,每天只能做三次试验,总预算允许 12 次试验。因此要用四天完成,每天三次。不同日期之间可能有明显差异,应将日期作为区组。

12 次试验的 Plackett–Burman 设计自然适合主效应模型,但它没有每组恰好三次试验的区组方案,因此现成的标准设计无法完全满足要求。表 9.36 给出按此问题定制的 12 次试验 I 最优设计,包括因子设置与区组分配;其 D 效率为 95.4%。值得注意的是,每个因子都至少有一次设置在取值范围的中点。如果某因子有较强的二次效应,就有较好机会发现曲率并识别活跃因子。相比之下,不增设中心点的纯二水平设计无法检测曲率。

表 9.36 六因子、四个区组(每组三次试验)的 I 最优设计

ABCDEFDay
-1-1-1-1111
111-11-11
1-111-111
0-11-1112
-11-11-1-12
1-110102
1-1-111-13
-1-11-1-1-13
-1111113
110-1-114
-1-1111-14
10-1-1014

试验次数较少的分辨度 IV 设计

表 9.37 是九因子、18 次试验的最少试验次数分辨度 IV 设计。只考虑主效应与两因子交互作用时,主效应没有两因子交互作用别名,即 [A]=A,…,[J]=J[A]=A,\ldots,[J]=J;两因子交互作用的部分别名关系见下列公式。[2]

表 9.37 九因子、18 次试验的最少试验次数分辨度 IV 设计

ABCDEFGHJ
−−−+−+−++
++++−++−+
−++++−−−+
+−+−−−−++
+−++++−+−
−−+−−+−−−
+−−−++−−+
+++−+−+−−
++−−−+−+−
−++−+++++
−−−−+−−+−
−+−++++−−
+−−−−+++−
−+−−−−+−+
++−++−+++
−+++−−++−
−−+++−+−+
+−−+−−−−−

表 9.37 的部分别名关系

[AB]=AB−0.429BC−0.429BD−0.429BE+0.429BF−0.143BG+0.429BH−0.429BJ+0.571CG−0.571CH+0.571DG+0.571DJ−0.571EF+0.571EG−0.571FG−0.571GH+0.571GJ\begin{aligned} [AB] &= AB - 0.429 BC - 0.429 BD - 0.429 BE + 0.429 BF - 0.143 BG\\ &+ 0.429 BH - 0.429 BJ + 0.571 CG - 0.571 CH + 0.571 DG + 0.571 DJ\\ &- 0.571 EF + 0.571 EG - 0.571 FG - 0.571 GH + 0.571 GJ \end{aligned}
[AC]=AC−0.143BC−0.143BD−0.143BE+0.143BF+0.286BG−0.857BH−0.143BJ−0.143CG+0.143CH+DF−0.143DG−0.143DJ+0.143EF−0.143EG−EJ+0.143FG−0.857GH−0.143GJ\begin{aligned} [AC] &= AC - 0.143 BC - 0.143 BD - 0.143 BE + 0.143 BF + 0.286 BG\\ &- 0.857 BH - 0.143 BJ - 0.143 CG + 0.143 CH + DF - 0.143 DG\\ &- 0.143 DJ + 0.143 EF - 0.143 EG - EJ + 0.143 FG - 0.857 GH\\ &- 0.143 GJ \end{aligned}
[AD]=AD−0.143BC−0.143BD−0.143BE+0.143BF+0.286BG+0.143BH+0.857BJ+CF−0.143CG+0.143CH−0.143DG−0.143DJ+0.143EF−0.143EG+EH+0.143FG+0.143GH+0.857GJ\begin{aligned} [AD] &= AD - 0.143 BC - 0.143 BD - 0.143 BE + 0.143 BF + 0.286 BG\\ &+ 0.143 BH + 0.857 BJ + CF - 0.143 CG + 0.143 CH - 0.143 DG\\ &- 0.143 DJ + 0.143 EF - 0.143 EG + EH + 0.143 FG + 0.143 GH\\ &+ 0.857 GJ \end{aligned}
[AE]=AE−0.143BC−0.143BD−0.143BE−0.857BF+0.286BG+0.143BH−0.143BJ−0.143CG+0.143CH−CJ−0.143DG+DH−0.143DJ+0.143EF−0.143EG−0.857FG+0.143GH−0.143GJ\begin{aligned} [AE] &= AE - 0.143 BC - 0.143 BD - 0.143 BE - 0.857 BF + 0.286 BG\\ &+ 0.143 BH - 0.143 BJ - 0.143 CG + 0.143 CH - CJ - 0.143 DG\\ &+ DH - 0.143 DJ + 0.143 EF - 0.143 EG - 0.857 FG + 0.143 GH\\ &- 0.143 GJ \end{aligned}
[AF]=AF+0.143BC+0.143BD−0.857BE−0.143BF−0.286BG−0.143BH+0.143BJ+CD+0.143CG−0.143CH+0.143DG+0.143DJ−0.143EF−0.857EG−0.143FG−0.143GH+0.143GJ−HJ\begin{aligned} [AF] &= AF + 0.143 BC + 0.143 BD - 0.857 BE - 0.143 BF - 0.286 BG\\ &- 0.143 BH + 0.143 BJ + CD + 0.143 CG - 0.143 CH + 0.143 DG\\ &+ 0.143 DJ - 0.143 EF - 0.857 EG - 0.143 FG - 0.143 GH + 0.143 GJ\\ &- HJ \end{aligned}
[AG]=AG+0.571BC+0.571BD+0.571BE−0.571BF−0.143BG−0.571BH+0.571BJ−0.429CG−0.571CH−0.429DG+0.571DJ−0.571EF−0.429EG+0.429FG+0.429GH−0.429GJ\begin{aligned} [AG] &= AG + 0.571 BC + 0.571 BD + 0.571 BE - 0.571 BF - 0.143 BG\\ &- 0.571 BH + 0.571 BJ - 0.429 CG - 0.571 CH - 0.429 DG + 0.571 DJ\\ &- 0.571 EF - 0.429 EG + 0.429 FG + 0.429 GH - 0.429 GJ \end{aligned}
[AH]=AH−0.857BC+0.143BD+0.143BE−0.143BF−0.286BG−0.143BH+0.143BJ−0.857CG−0.143CH+DE+0.143DG+0.143DJ−0.143EF+0.143EG−0.143FG−FJ−0.143GH+0.143GJ\begin{aligned} [AH] &= AH - 0.857 BC + 0.143 BD + 0.143 BE - 0.143 BF - 0.286 BG\\ &- 0.143 BH + 0.143 BJ - 0.857 CG - 0.143 CH + DE + 0.143 DG\\ &+ 0.143 DJ - 0.143 EF + 0.143 EG - 0.143 FG - FJ - 0.143 GH\\ &+ 0.143 GJ \end{aligned}
[AJ]=AJ−0.143BC+0.857BD−0.143BE+0.143BF+0.286BG+0.143BH−0.143BJ−CE−0.143CG+0.143CH+0.857DG−0.143DJ+0.143EF−0.143EG+0.143FG−FH+0.143GH−0.143GJ\begin{aligned} [AJ] &= AJ - 0.143 BC + 0.857 BD - 0.143 BE + 0.143 BF + 0.286 BG\\ &+ 0.143 BH - 0.143 BJ - CE - 0.143 CG + 0.143 CH + 0.857 DG\\ &- 0.143 DJ + 0.143 EF - 0.143 EG + 0.143 FG - FH + 0.143 GH\\ &- 0.143 GJ \end{aligned}

和任何分辨度 IV 设计一样,主效应的估计不受两因子交互作用混杂影响,而两因子交互作用彼此互有别名。不过,这里存在部分别名:例如 BC 出现在多条别名链中,其系数也不只取 0 或 ±1\pm1。所以这是非正规设计。18 次试验设计的两因子交互作用别名关系,比标准 32 次试验 2IV9−42_{\mathrm{IV}}^{9-4} 设计复杂得多;部分别名也意味着某些交互作用或许仍能估计。

18 次试验设计中,主效应与交互作用回归系数的标准误约为 0.24σ0.24\sigma,而标准 32 次设计为 0.18σ0.18\sigma,因此较小的设计估计精度也较低。此外,标准 29−42^{9-4} 设计是正交的,18 次试验设计则不是;模型系数间的相关也会抬高标准误。

对六个或七个因子,也可构造试验次数较少的分辨度 IV 设计。表 9.38 给出六因子、12 次试验的设计。忽略三因子及更高阶交互作用后,主效应别名为 [A]=A,…,[F]=F[A]=A,\ldots,[F]=F,两因子交互作用的部分别名关系见下列公式。

表 9.38 六因子、12 次试验的分辨度 IV 设计

ABCDEF
−+−−−−
−−+−−+
++−++−
++−−−+
−−−−++
+−−+−−
−++−++
−−+++−
+−+−+−
+−++++
++++−−
−+−+−+

表 9.38 的部分别名关系

[AB]=AB−0.2BC+0.6BD−0.2BE−0.6BF+0.4CD−0.8CE−0.4CF+0.4DE−0.4DF−0.4EF\begin{aligned} [AB] &= AB - 0.2 BC + 0.6 BD - 0.2 BE - 0.6 BF + 0.4 CD\\ &- 0.8 CE - 0.4 CF + 0.4 DE - 0.4 DF - 0.4 EF \end{aligned}
[AC]=AC+0.2BC+0.4BD−0.8BE−0.4BF+0.6CD−0.2CE−0.6CF−0.4DE+0.4DF+0.4EF\begin{aligned} [AC] &= AC + 0.2 BC + 0.4 BD - 0.8 BE - 0.4 BF + 0.6 CD\\ &- 0.2 CE - 0.6 CF - 0.4 DE + 0.4 DF + 0.4 EF \end{aligned}
[AD]=AD+0.4BC−0.2BD+0.4BE−0.8BF+0.2CD−0.4CE+0.8CF+0.2DE−0.2DF+0.8EF\begin{aligned} [AD] &= AD + 0.4 BC - 0.2 BD + 0.4 BE - 0.8 BF + 0.2 CD\\ &- 0.4 CE + 0.8 CF + 0.2 DE - 0.2 DF + 0.8 EF \end{aligned}
[AE]=AE−0.8BC+0.4BD+0.2BE−0.4BF−0.4CD−0.2CE+0.4CF+0.6DE+0.4DF−0.6EF\begin{aligned} [AE] &= AE - 0.8 BC + 0.4 BD + 0.2 BE - 0.4 BF - 0.4 CD\\ &- 0.2 CE + 0.4 CF + 0.6 DE + 0.4 DF - 0.6 EF \end{aligned}
[AF]=AF−0.4BC−0.8BD−0.4BE−0.2BF+0.8CD+0.4CE+0.2CF+0.8DE+0.2DF+0.2EF\begin{aligned} [AF] &= AF - 0.4 BC - 0.8 BD - 0.4 BE - 0.2 BF + 0.8 CD\\ &+ 0.4 CE + 0.2 CF + 0.8 DE + 0.2 DF + 0.2 EF \end{aligned}

将试验次数从标准设计的 16 次减至 12 次,会使两因子交互作用的别名关系更加复杂,模型系数的估计精度也会降低。不过,因为两因子交互作用之间没有完全混杂,其中一些仍可能估计。

这些最少试验次数的分辨度 IV 设计也是非正规分式设计。Design-Expert 提供 5≤k≤505\leq k\leq50 的一组这类设计;JMP 的“自定义设计”功能也可生成类似方案。它们通常非正规,而且不保证正交。若筛选试验主要关注主效应、但不能完全忽略两因子交互作用,它们可以替代标准 2IVk−p2_{\mathrm{IV}}^{k-p} 分式设计。若发现重要交互作用,有时可用逐步回归估计;其他情况下,则仍需后续试验来确定哪些交互作用重要。

试验次数较少的分辨度 V 设计

同理也可构造较小的分辨度 V 设计。表 9.39 是六因子、22 次试验的非正规二水平分式。包含截距、全部主效应和两因子交互作用的模型恰有 1+6+(62)=221+6+\binom62=22 个参数,因此 22 次是能唯一估计该模型的最少试验次数。

表 9.39 六因子分辨度 V 的二水平分式设计

试验号ABCDEF
1+---+-
2+-+-++
3-++---
4----++
5++-+++
6++-+-+
7+--+-+
8++---+
9---++-
10------
11+-+++-
12-+--+-
13++++-+
14+-+---
15--+--+
16++-+--
17--++++
18--++--
19-+-+-+
20+++-+-
21-++++-
22-++-++

与 32 次试验的标准 2VI6−12_{\mathrm{VI}}^{6-1} 设计一样,它支持估计全部主效应与两因子交互作用,但少做 10 次试验。表 9.39 的设计并不正交,因而估计精度受影响:回归系数标准误在 0.26σ0.26\sigma 至 0.29σ0.29\sigma 之间,而标准设计相应值为 0.18σ0.18\sigma。

再看表 9.40:八因子、38 次试验的非正规二水平分式,同样支持估计全部主效应与两因子交互作用;与 64 次试验的标准 2V8−22_{\mathrm V}^{8-2} 设计相比,少做 26 次试验。

表 9.40 八因子分辨度 V 的二水平分式设计[3]

试验号ABCDEFGH
1--+-+-+-
2-++-++-+
3-+++----
4------+-
5++--+-+-
6+-+++++-
7---+++--
8+--++---
9--+--+++
10+++-+--+
11+++--+-+
12++-+--++
13-+-++-+-
14+-----++
15++-++++-
16-+---+++
17+-++-+--
18+-+-++--
19-----+--
20-+++-+++
21-++---++
22-+-++--+
23++++--+-
24---++-++
25+-++--++
26+-+-----
27+--+-+++
28++--++-+
29+++-++++
30++------
31-++--++-
32----+++-
33---+---+
34+-++++-+
35++++++--
36--+++--+
37----+--+
38-+-+-+--

不正交性使估计精度略有下降:表 9.40 设计的回归系数标准误为 0.18σ0.18\sigma 至 0.26σ0.26\sigma,而标准 2V8−22_{\mathrm V}^{8-2} 设计为 0.13σ0.13\sigma。尽管精度降低,资源紧缺时这些非正规分式仍有价值。Design-Expert 提供 6≤k≤506\leq k\leq50 的一些设计,它们由 D 最优设计工具构造;JMP 的自定义设计功能也可用于构造较小的分辨度 V 分式。

混合水平设计

最优设计方法也非常适合构造混合水平设计,前面讨论的 D 最优准则通常能得到较好的方案。例如,设有两个三水平定性因子和一个二水平定量因子,要求估计全部主效应与两因子交互作用。JMP 自定义设计工具推荐 24 次试验的方案,见表 9.41。该设计近似正交:三水平因子 A、B 的每个水平各出现八次,但 A、B 之间并不完全平衡;二水平因子 C 的低、高水平各出现 12 次,却也没有与 A、B 的水平完全平衡。表 9.42 给出模型中各个占 1 个自由度的效应分量的相对方差,即方差除以 σ2\sigma^2。这些值非常接近,反映出设计近似正交;若完全正交,它们会相等。

表 9.41 两个三水平因子与一个二水平因子的 24 次试验 D 最优设计

试验号因子 A因子 B因子 C
1L1L1-1
2L1L1-1
3L1L11
4L1L2-1
5L1L21
6L1L3-1
7L1L31
8L1L31
9L2L1-1
10L2L1-1
11L2L11
12L2L2-1
13L2L2-1
14L2L21
15L2L3-1
16L2L31
17L3L1-1
18L3L11
19L3L2-1
20L3L21
21L3L21
22L3L3-1
23L3L31
24L3L31

表 9.42 表 9.41 中各个模型效应的相对方差

效应相对方差
Intercept0.046
A10.045
A20.045
B10.046
B20.044
C0.045
A*B10.044
A*B20.047
A*B30.046
A*B40.044
A*C10.046
A*C20.046
B*C10.046
B*C20.046

还可以构造更小的设计。该问题所需最少试验次数为 N=14N=14;JMP 得到的 D 最优设计见表 9.43。它并不正交,但仍能唯一估计所有主效应及两因子交互作用。表 9.44 的参数相对方差比 24 次试验的设计更大,而且更不均匀,表明它离正交设计更远。

表 9.43 两个三水平因子与一个二水平因子的 14 次试验 D 最优设计

试验号因子 A因子 B因子 C
1L1L3-1
2L3L21
3L1L11
4L1L21
5L3L31
6L2L31
7L1L1-1
8L3L11
9L2L3-1
10L3L3-1
11L2L21
12L2L11
13L1L2-1
14L3L1-1

表 9.44 表 9.43 中各个模型效应的相对方差

效应相对方差
Intercept0.340
A10.093
A20.179
B10.093
B20.179
C0.167
A*B10.111
A*B20.185
A*B30.185
A*B40.136
A*C10.167
A*C20.278
B*C10.167
B*C20.278

最后看一个混合水平分式的例子。设有五个因子:A 是五水平定性因子,B 是四水平定性因子,C 是三水平定性因子,D、E 是各取两个水平的连续因子。[4]若只估计全部主效应,完整因子设计需 5×4×3×2×2=2405\times4\times3\times2\times2=240 次试验,且为正交设计。但主效应总共只需 11 个自由度,无须实施全部 240 次试验。120 次试验的二分之一分式几乎正交,但可能仍过大;60 次和 30 次的四分之一、八分之一分式也近似正交,却仍较大。现在考虑只做 15 次试验。

表 9.45 是 JMP 最优设计工具生成的 15 次试验 D 最优设计。由于含一个四水平因子,15 次试验不可能在所有水平上完全平衡;但它近似正交。表 9.46 的模型系数相对方差彼此非常接近,说明了这一点。

表 9.45 五因子的 15 次试验 D 最优混合水平设计

试验号因子 A因子 B因子 C因子 D因子 E
1L4L2L111
2L1L1L311
3L5L4L211
4L3L3L21-1
5L4L1L2-1-1
6L2L4L31-1
7L1L4L1-1-1
8L5L2L3-1-1
9L3L2L31-1
10L3L1L1-11
11L2L2L2-11
12L4L3L3-11
13L5L3L11-1
14L1L2L21-1
15L2L1L11-1

表 9.46 表 9.45 中各个模型效应的相对方差[5]

效应相对方差
Intercept0.077
A10.075
A20.069
A30.078
A40.084
B10.087
B20.063
B30.100
C10.070
C20.068
D0.077
E0.077

9.6.3 最优设计方法的扩展

前面讨论的是相对简单的最优设计问题。实际应用中还有几种值得了解的扩展。

对最优设计方法的一项常见批评是,所得设计依赖于试验者事先选定的模型。DuMouchel 和 Jones(1994)提出了 D 最优设计的贝叶斯修正方法,使设计能够兼顾假定模型以外的项。他们假定模型包含 pp 个主要项,同时希望对另外 qq 个潜在项有所防备;潜在项通常比主要模型中的项阶数更高。所得贝叶斯 D 最优设计有 NN 次试验,其中 p<N<p+qp<N<p+q,必要时仍可估计部分潜在项。Jones、Lin 和 Nachtsheim(2008)利用该方法构造超饱和分式因子设计;Andere-Rendon、Montgomery 和 Rollier(1997)将它用于模型不确定时的混料试验设计。混料问题将在第 11 章介绍。

前文提到,G 最优准则旨在使设计区域内的最大预测方差最小。构造 G 最优设计历来较困难,因为需要解决两个优化问题:选择当前设计中最适合改变的坐标,并在评价每个新设计时确定标准化预测方差的最大值。Rodriguez 等(2010)给出一种具有实际应用价值的构造算法,并将若干 G 最优设计与对应的 I 最优、D 最优设计作了比较。

非线性模型也可以构造最优设计。在线性模型中,信息矩阵 X′X\mathbf X^{\prime}\mathbf X 不含未知参数 β\boldsymbol\beta,因而问题相对简单;非线性模型则不同。为得到其 D 最优设计,需要选择设计点,使 D′D\mathbf D^{\prime}\mathbf D 的行列式最大。其中 D\mathbf D 的每一行是在相应设计点,对非线性模型的期望函数关于各模型参数求偏导所得的向量。由于 D\mathbf D 依赖未知参数,一种做法是先为 β\boldsymbol\beta 指定数值,从而得到基于该组参数值的条件 D 最优设计。

另一种做法是给参数指定先验分布 f(β)f(\boldsymbol\beta),以表示对这 pp 个参数的不确定性。相应的贝叶斯设计准则为

ϕ(D)=∫log⁡∣D′D∣f(β) dβ.(9.9)\phi(\mathbf D)=\int\log\left|\mathbf D^{\prime}\mathbf D\right|f(\boldsymbol\beta)\,d\boldsymbol\beta.\tag{9.9}

该准则是信息矩阵行列式的对数在先验分布下的期望。[6]Chaloner 和 Larntz(1989)最先将它用于单因子 Logistic 回归模型。实际应用的难点在于必须多次计算一个 pp 维积分。Gotwalt、Jones 和 Steinberg(2009)提出了兼顾精度与计算效率的求积方法,JMP 的非线性设计模块实现了这一方法,因此可以较高效率地为非线性模型构造 D 最优设计。应用实例见该文及 Johnson 和 Montgomery(2010)。

工业试验中常见的一类重要非线性模型是广义线性模型。它把响应分布属于指数族的线性与非线性回归模型纳入统一框架;指数族包括二项、泊松、正态、指数和伽马分布。Logistic 回归、泊松回归以及指数分布响应的回归都是重要实例。如果试验者事先知道响应服从二项分布,就可以针对 Logistic 回归模型设计试验。Gotwalt、Jones 和 Steinberg(2009)的方法可以用于构造这类试验的 D 最优设计。广义线性模型试验设计的其他实例见 Johnson 和 Montgomery(2009)以及 Myers 等(2010)。

Footnotes
  1. 译者注:原文示例模型在定性因子主效应处印作 yzyz,与上下文“12 个参数”及后续各 δ\delta 项不符;按参数个数和模型结构应为 γz\gamma z,译文据此修正。

  2. 译者注:第 9 版原书 [AC][AC] 式印有 +10.143FG+10.143FG;按表 9.37 的全部 18 次试验,以截距、九个主效应及 AB,AC,…,AJAB,AC,\ldots,AJ 为模型列复算,FG 在 [AC][AC] 中的系数为 1/7≈0.1431/7\approx0.143,译文据此改为 +0.143FG+0.143FG。

  3. 译者注:原文表 9.40 第 26 次试验的 F 列有两个负号,不符合二水平编码;这里按一个负号整理。

  4. 译者注:原文此处把二水平连续因子误写为 B、C,与前文 B、C 的水平数及 5×4×3×2×25\times4\times3\times2\times2 不符;译文按 D、E 修正。

  5. 译者注:原文表 9.46 表题误引表 9.16;按上下文应为表 9.45。

  6. 译者注:原文称式(9.9)为“信息矩阵的对数的期望”,但式中实际取对数的是信息矩阵的行列式,译文据公式明确了这一点。