In the assessment and selection of supersaturated designs, the aliasing structure of interaction effects is usually ignored by traditional criteria such as $E(s^2)$-optimality. We introduce the Summary of Effect Aliasing Structure (SEAS) for assessing the aliasing structure of supersaturated designs, and other non-regular fractional factorial designs, that takes account of interaction terms and provides more detail than usual summaries such as (generalized) resolution and wordlength patterns. The new summary consists of three criteria, abbreviated as MAP: (1) Maximum dependency aliasing pattern; (2) Average square aliasing pattern; and (3) Pairwise dependency ratio. These criteria provided insight when traditional criteria fail to differentiate between designs. We theoretically study the relationship between the MAP criteria and traditional quantities, and demonstrate the use of SEAS for comparing some example supersaturated designs, including designs suggested in the literature. We also propose a variant of SEAS to measure the aliasing structure for individual columns of a design, and use it to choose assignments of factors to columns for an $E(s^2)$-optimal design.


翻译:在评估和选择超饱和设计时,互动效应的别名结构通常被传统的标准所忽略,如$E(s%2)美元-最佳度等传统标准所忽视。我们引入了效果外推结构摘要(SEAS),用于评估超饱和设计和其他非正常的分因子设计别名结构,其中考虑到互动术语,比通常的(一般的)分辨率和字长模式等摘要更为详细。新的摘要由三个标准组成,缩为MAP:(1) 最大依赖性别名模式;(2) 平均正方别名模式;和(3) 对称型依赖性依赖性比率。当传统标准无法区分设计时,这些标准提供了洞察力。我们理论上研究了超饱和设计标准标准与传统数量之间的关系,并展示了SEAS用于比较某些超饱和设计的例子,包括文献中建议的设计。我们还提出了SEAS的变式,以测量设计单列的别名结构,并使用它来选择将因数分配给$E(s_2)-optimal 设计栏。

0
下载
关闭预览

相关内容

专知会员服务
52+阅读 · 2020年9月7日
商业数据分析,39页ppt
专知会员服务
160+阅读 · 2020年6月2日
因果图,Causal Graphs,52页ppt
专知会员服务
246+阅读 · 2020年4月19日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
已删除
将门创投
7+阅读 · 2019年10月10日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
CCF A类 | 顶级会议RTSS 2019诚邀稿件
Call4Papers
10+阅读 · 2019年4月17日
Call for Participation: Shared Tasks in NLPCC 2019
中国计算机学会
5+阅读 · 2019年3月22日
IEEE | DSC 2019诚邀稿件 (EI检索)
Call4Papers
10+阅读 · 2019年2月25日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
动手写机器学习算法:K-Means聚类算法
七月在线实验室
5+阅读 · 2017年12月6日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Arxiv
0+阅读 · 2021年3月11日
Keyword Assisted Topic Models
Arxiv
0+阅读 · 2021年3月10日
Arxiv
0+阅读 · 2021年3月10日
Arxiv
14+阅读 · 2020年12月17日
VIP会员
相关资讯
已删除
将门创投
7+阅读 · 2019年10月10日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
CCF A类 | 顶级会议RTSS 2019诚邀稿件
Call4Papers
10+阅读 · 2019年4月17日
Call for Participation: Shared Tasks in NLPCC 2019
中国计算机学会
5+阅读 · 2019年3月22日
IEEE | DSC 2019诚邀稿件 (EI检索)
Call4Papers
10+阅读 · 2019年2月25日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
动手写机器学习算法:K-Means聚类算法
七月在线实验室
5+阅读 · 2017年12月6日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Top
微信扫码咨询专知VIP会员