کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6870641 681394 2014 13 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
An efficient procedure for the avoidance of disconnected incomplete block designs
ترجمه فارسی عنوان
روش کارآمد برای جلوگیری از طرح بلوک ناقص قطع شده
کلمات کلیدی
اتصال طراحی بلوک ناقص، ارزش از دست رفته، از دست دادن نظارت، مجموعه مشاهدات کاهش رتبه، نیرومندی، پارتیشن بندی انتخابی،
ترجمه چکیده
شناخت توانایی و تعداد حداقل مجموعه ای از مجموعه های مشاهده در طراحی تجربی در طراحی تجربی اطلاعات مهمی است که سهم مفیدی را در ابزار کیت آماری برای کمک به انتخاب طرح های ناقص بلوک فراهم می کند. تابع اصلی آن است که در برابر انتخاب یک طراحی که احتمالا به یک طرح نهایی قطع شود تغییر کند، اگر مشاهدات در طول آزمایش از بین برود. یک روش برای شناسایی این مجموعه مشاهدات بر اساس مفهوم جداسازی درمان ارائه شده است که یک رویکرد طبیعی به مسئله است و روش محاسباتی بسیار کارآمدتری را نسبت به یک روش جستجوی استاندارد برای کاهش مجموعه های مشاهده مشاهده می کند. خواص روش مشتق شده است و روش توسط چهار برنامه کاربردی که قبلا در ادبیات مورد بحث قرار گرفته است، نشان داده شده است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر نظریه محاسباتی و ریاضیات
چکیده انگلیسی
Knowledge of the cardinality and the number of minimal rank reducing observation sets in experimental design is important information which makes a useful contribution to the statistician's tool-kit to assist in the selection of incomplete block designs. Its prime function is to guard against choosing a design that is likely to be altered to a disconnected eventual design if observations are lost during the course of the experiment. A method is given for identifying these observation sets based on the concept of treatment separation, which is a natural approach to the problem and provides a vastly more efficient computational procedure than a standard search routine for rank reducing observation sets. The properties of the method are derived and the procedure is illustrated by four applications which have been discussed previously in the literature.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Computational Statistics & Data Analysis - Volume 71, March 2014, Pages 1134-1146
نویسندگان
, ,