Graphen-Forschung: Wissen digital managen mit PDES
Digitalisieren Sie Ihre Graphen-Forschung, verbessern Sie die Zusammenarbeit und vereinheitlichen Sie den Wissensaustausch mit PDES-Lösungen.
Konfigurationen für D-optimale Entwürfe
Versuchspläne in Cornerstone basieren oft auf D-optimalen Versuchsplänen, die flexibel genug sind, um spezielle Situationen wie "kategorische Faktoren" kategorische Faktoren, insbesondere solche mit mehr als 2 Stufen, zu behandeln
- "constraints" Beschränkungen im Designraum
- "Einschlüsse" umfassen bestehende (oder erzwungene) Läufe
- "Benutzerdefiniert" individuelles mathematisches Modell, das vom Benutzer bearbeitet wird "Anzahl der Läufe" externe Beschränkung für die Anzahl der Läufe (z. B. Losgröße)
- "Blockgröße" beliebige Blockgröße für den Blockfaktor
Das Kriterium für das Design, nämlich die Determinante der Informationsmatrix nach der Umskalierung der Faktoren auf den Standardbereich, passt gut zur Einbettungstheorie und ihr Kehrwert wird oft als verallgemeinerte Varianz bezeichnet. Darüber hinaus minimiert eine maximierte Determinante die Konfidenzintervalle der Koeffizienten. Die Konstruktion von D-optimalen Versuchsplänen beruht auf einem iterativen Algorithmus, der eine Liste von Einstellungen und Bedingungen aus dem geplanten Versuch verwendet. In diesem Bericht wird beschrieben, wie solche Einstellungen optimal gewählt werden können, um noch bessere Werte für die genannte verallgemeinerte Varianz zu erhalten. Die Ergebnisse des Algorithmus sind in Cornerstone 6.1 eingearbeitet. Es werden aber auch bessere Einstellungen für die Rahmenparameter in der Hand des Experimentators untersucht, um Empfehlungen in diesem Bereich zu geben.
