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:1211.0727

帮助 | 高级搜索

统计学 > 方法论

arXiv:1211.0727 (stat)
[提交于 2012年11月4日 ]

标题: 一种用于计算带有先验信息的多项式回归的D-最优设计的算法及其应用

标题: An algorithm for calculating D-optimal designs for polynomial regression with prior information and its appilications

Authors:Hiroto Sekido
摘要: 最优设计是为了进行有效的统计实验所必需的。 对于某些模型,D-最优设计是利用典范矩计算出来的。 另一方面,可积系统是其解可以明确写出的动力系统。 本文讨论带有先验信息的多项式回归模型。 为了计算这些模型的D-最优设计,利用了典范矩与离散可积系统之间的有用关系。 通过使用典范矩和离散可积系统,提出了一个用于计算这些模型D-最优设计的算法。 然后介绍了该算法的一些应用实例。
摘要: Optimal designs are required to make efficient statistical experiments. D-optimal designs for some models are calculated by using canonical moments. On the other hand, integrable systems are dynamical systems whose solutions can be written down concretely. In this paper, polynomial regression models with prior information are discussed. In order to calculate D-optimal designs for these models, a useful relationship between canonical moments and discrete integrable systems is used. By using canonical moments and discrete integrable systems, an algorithm for calculating D-optimal designs for these models is proposed. Then some examples of applications of the algorithm are introduced.
主题: 方法论 (stat.ME)
引用方式: arXiv:1211.0727 [stat.ME]
  (或者 arXiv:1211.0727v1 [stat.ME] 对于此版本)
  https://doi.org/10.48550/arXiv.1211.0727
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Hiroto Sekido [查看电子邮件]
[v1] 星期日, 2012 年 11 月 4 日 22:34:36 UTC (10 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • TeX 源代码
  • 其他格式
查看许可
当前浏览上下文:
stat.ME
< 上一篇   |   下一篇 >
新的 | 最近的 | 2012-11
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