实验设计指南  • 离散选择设计 • 技术细节
上一个
 • 
下一个
技术细节
Bayes D 最优性和设计构造
Bayes D 最优性准则是多项式 Logit 模型中参数估计量最大似然的信息矩阵对先验分布取得的行列式的对数期望值。“选择设计”平台针对表示先验概率分布的参数向量的样本将该期望值最大化。详细信息，请参见 Kessels et al. (2011)。
对于部分特征设计，JMP 使用两阶段设计算法：
1.
使用特性平衡方法可确定每个选择集内的不变特性。
2.
使用 Bayes D 最优性来确定非不变特性的水平。
特性平衡意味着该算法尝试平衡每个特性在整个设计中保持不变的次数。若两个或更多特性保持不变，该算法尝试平衡在设计中保持不变的成对特性的发生。
通过确定非不变特性的水平以优化 Bayes D 最优准则。找到随机开始设计。然后使用坐标交换算法生成非不变特性的水平并进行评估，直到 Bayes D 最优性准则得到优化。计算过程（涉及相对于多元正态先验求积分）使用 Gotwalt et al. (2009) 中所述的求积分方法。
注意：Bayes D 最优性准则可生成选择集，这些选择集中的某些非不变特性具有相同的水平。当改变特征中的非不变水平将生成无法提供信息的选择集时（此时所有特征都具有极高或极低的概率）就会发生这种情况。