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:
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。
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。
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 拟合完整二次模型,同时还研究一个二水平定性因子 ,可考虑
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 因子设计。
这些问题需要为具体情形定制设计。为此需要:
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。
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。
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 ,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 包含系数方差与协方差,置信区域体积的平方与 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 中的最大预测方差最小。I 最优则使区域 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 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()和三种发射装置()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 | X1 | X2 |
| 1 | L1 | L1 |
| 2 | L2 | L1 |
| 3 | L3 | L1 |
| 4 | L1 | L2 |
| 5 | L2 | L2 |
| 6 | L3 | L2 |
| 7 | L1 | L3 |
| 8 | L2 | L3 |
| 9 | L3 | L3 |
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 | X1 | X2 |
| 1 | L1 | L1 |
| 2 | L2 | L1 |
| 3 | L3 | L1 |
| 4 | L1 | L2 |
| 5 | L2 | L2 |
| 6 | L3 | L2 |
| 7 | L1 | L3 |
| 8 | L2 | L3 |
| 9 | L3 | L3 |
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 | X1 | X2 |
| 1 | L1 | L1 |
| 2 | L2 | L1 |
| 3 | L3 | L1 |
| 4 | L1 | L2 |
| 5 | L1 | L2 |
| 6 | L2 | L2 |
| 7 | L2 | L2 |
| 8 | L3 | L2 |
| 9 | L3 | L2 |
| 10 | L1 | L3 |
| 11 | L2 | L3 |
| 12 | L3 | L3 |
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 | X1 | X2 |
| 1 | L3 | L3 |
| 2 | L2 | L2 |
| 3 | L2 | L1 |
| 4 | L1 | L1 |
| 5 | L3 | L1 |
| 6 | L3 | L2 |
| 7 | L2 | L3 |
| 8 | L3 | L2 |
| 9 | L1 | L3 |
| 10 | L2 | L2 |
| 11 | L1 | L1 |
| 12 | L1 | L2 |
D 最优设计重复 、、;所以 的 L2 出现 6 次,L1、L3 各出现 3 次。I 最优设计重复 、、;此时 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
| A | B | C | D | E | F | Day |
| -1 | -1 | -1 | -1 | 1 | 1 | 1 |
| 1 | 1 | 1 | -1 | 1 | -1 | 1 |
| 1 | -1 | 1 | 1 | -1 | 1 | 1 |
| 0 | -1 | 1 | -1 | 1 | 1 | 2 |
| -1 | 1 | -1 | 1 | -1 | -1 | 2 |
| 1 | -1 | 1 | 0 | 1 | 0 | 2 |
| 1 | -1 | -1 | 1 | 1 | -1 | 3 |
| -1 | -1 | 1 | -1 | -1 | -1 | 3 |
| -1 | 1 | 1 | 1 | 1 | 1 | 3 |
| 1 | 1 | 0 | -1 | -1 | 1 | 4 |
| -1 | -1 | 1 | 1 | 1 | -1 | 4 |
| 1 | 0 | -1 | -1 | 0 | 1 | 4 |
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 ;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
| A | B | C | D | E | F | G | H | J |
|---|---|---|---|---|---|---|---|---|
| − | − | − | + | − | + | − | + | + |
| + | + | + | + | − | + | + | − | + |
| − | + | + | + | + | − | − | − | + |
| + | − | + | − | − | − | − | + | + |
| + | − | + | + | + | + | − | + | − |
| − | − | + | − | − | + | − | − | − |
| + | − | − | − | + | + | − | − | + |
| + | + | + | − | + | − | + | − | − |
| + | + | − | − | − | + | − | + | − |
| − | + | + | − | + | + | + | + | + |
| − | − | − | − | + | − | − | + | − |
| − | + | − | + | + | + | + | − | − |
| + | − | − | − | − | + | + | + | − |
| − | + | − | − | − | − | + | − | + |
| + | + | − | + | + | − | + | + | + |
| − | + | + | + | − | − | + | + | − |
| − | − | + | + | + | − | + | − | + |
| + | − | − | + | − | − | − | − | − |
表 9.37 的部分别名关系
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 。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 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 ,而标准 32 次设计为 ,因此较小的设计估计精度也较低。此外,标准 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 ,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
| A | B | C | D | E | F |
|---|---|---|---|---|---|
| − | + | − | − | − | − |
| − | − | + | − | − | + |
| + | + | − | + | + | − |
| + | + | − | − | − | + |
| − | − | − | − | + | + |
| + | − | − | + | − | − |
| − | + | + | − | + | + |
| − | − | + | + | + | − |
| + | − | + | − | + | − |
| + | − | + | + | + | + |
| + | + | + | + | − | − |
| − | + | − | + | − | + |
表 9.38 的部分别名关系
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 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 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 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 | A | B | C | D | E | F |
| 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 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 至 之间,而标准设计相应值为 。
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 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 | A | B | C | D | E | F | G | H |
| 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 至 ,而标准 设计为 。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 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 。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 |
| 1 | L1 | L1 | -1 |
| 2 | L1 | L1 | -1 |
| 3 | L1 | L1 | 1 |
| 4 | L1 | L2 | -1 |
| 5 | L1 | L2 | 1 |
| 6 | L1 | L3 | -1 |
| 7 | L1 | L3 | 1 |
| 8 | L1 | L3 | 1 |
| 9 | L2 | L1 | -1 |
| 10 | L2 | L1 | -1 |
| 11 | L2 | L1 | 1 |
| 12 | L2 | L2 | -1 |
| 13 | L2 | L2 | -1 |
| 14 | L2 | L2 | 1 |
| 15 | L2 | L3 | -1 |
| 16 | L2 | L3 | 1 |
| 17 | L3 | L1 | -1 |
| 18 | L3 | L1 | 1 |
| 19 | L3 | L2 | -1 |
| 20 | L3 | L2 | 1 |
| 21 | L3 | L2 | 1 |
| 22 | L3 | L3 | -1 |
| 23 | L3 | L3 | 1 |
| 24 | L3 | L3 | 1 |
表 9.42 表 9.41 中各个模型效应的相对方差
| 效应 | 相对方差 |
| Intercept | 0.046 |
| A1 | 0.045 |
| A2 | 0.045 |
| B1 | 0.046 |
| B2 | 0.044 |
| C | 0.045 |
| A*B1 | 0.044 |
| A*B2 | 0.047 |
| A*B3 | 0.046 |
| A*B4 | 0.044 |
| A*C1 | 0.046 |
| A*C2 | 0.046 |
| B*C1 | 0.046 |
| B*C2 | 0.046 |
还可以构造更小的设计。该问题所需最少试验次数为 ;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 |
| 1 | L1 | L3 | -1 |
| 2 | L3 | L2 | 1 |
| 3 | L1 | L1 | 1 |
| 4 | L1 | L2 | 1 |
| 5 | L3 | L3 | 1 |
| 6 | L2 | L3 | 1 |
| 7 | L1 | L1 | -1 |
| 8 | L3 | L1 | 1 |
| 9 | L2 | L3 | -1 |
| 10 | L3 | L3 | -1 |
| 11 | L2 | L2 | 1 |
| 12 | L2 | L1 | 1 |
| 13 | L1 | L2 | -1 |
| 14 | L3 | L1 | -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 |
| Intercept | 0.340 |
| A1 | 0.093 |
| A2 | 0.179 |
| B1 | 0.093 |
| B2 | 0.179 |
| C | 0.167 |
| A*B1 | 0.111 |
| A*B2 | 0.185 |
| A*B3 | 0.185 |
| A*B4 | 0.136 |
| A*C1 | 0.167 |
| A*C2 | 0.278 |
| B*C1 | 0.167 |
| B*C2 | 0.278 |
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 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 |
| 1 | L4 | L2 | L1 | 1 | 1 |
| 2 | L1 | L1 | L3 | 1 | 1 |
| 3 | L5 | L4 | L2 | 1 | 1 |
| 4 | L3 | L3 | L2 | 1 | -1 |
| 5 | L4 | L1 | L2 | -1 | -1 |
| 6 | L2 | L4 | L3 | 1 | -1 |
| 7 | L1 | L4 | L1 | -1 | -1 |
| 8 | L5 | L2 | L3 | -1 | -1 |
| 9 | L3 | L2 | L3 | 1 | -1 |
| 10 | L3 | L1 | L1 | -1 | 1 |
| 11 | L2 | L2 | L2 | -1 | 1 |
| 12 | L4 | L3 | L3 | -1 | 1 |
| 13 | L5 | L3 | L1 | 1 | -1 |
| 14 | L1 | L2 | L2 | 1 | -1 |
| 15 | L2 | L1 | L1 | 1 | -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 |
| Intercept | 0.077 |
| A1 | 0.075 |
| A2 | 0.069 |
| A3 | 0.078 |
| A4 | 0.084 |
| B1 | 0.087 |
| B2 | 0.063 |
| B3 | 0.100 |
| C1 | 0.070 |
| C2 | 0.068 |
| D | 0.077 |
| E | 0.077 |
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 个主要项,同时希望对另外 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 次试验,其中 ,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 不含未知参数 ,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 的行列式最大。其中 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 依赖未知参数,一种做法是先为 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 ,以表示对这 个参数的不确定性。相应的贝叶斯设计准则为
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 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)。
译者注:原文示例模型在定性因子主效应处印作 ,与上下文“12 个参数”及后续各 项不符;按参数个数和模型结构应为 ,译文据此修正。
译者注:第 9 版原书 式印有 ;按表 9.37 的全部 18 次试验,以截距、九个主效应及 为模型列复算,FG 在 中的系数为 ,译文据此改为 。
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。
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 不符;译文按 D、E 修正。
译者注:原文表 9.46 表题误引表 9.16;按上下文应为表 9.45。
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。