我正在使用包 AlgDesign 中的 optFederov 来创建 D-Optimial 设计。但是，我对使用什么措施作为效率措施有点困惑。我想使用 D-Optimal，但我不知道到底是哪一个。在包装的小插图中，他们解释说设计的行列式是 3.675919，最佳近似理论 D 是 3.8，使该设计的效率约为 97%。
1.-但是他是怎么想出这个 3.8 的呢？我该如何计算它？
2.-何时以及为什么要使用 D、Ge 和 Dea？
根据手册 D 是：
广义方差的第k个根：det(M)^(1/k)，其中det(M)是归一化色散矩阵M的行列式——即M=Z'Z/n，其中Z=X[rows, ]
好的，这有点复杂，但我会在这里尝试解释一些问题。
对于你的例子，我们得到了 r
library(AlgDesign)
dat <- gen.factorial(5,3)
des <- optFederov(~quad(.),dat,nTrials=15,evaluateI=TRUE)
des$D
这应该给我们 d 的值
[1] 3.675919
知道
- D 效率值是设计中的点数、模型中的自变量数以及对设计点进行预测的最大标准误差的函数。
和
最好的设计是具有最高 D 效率的设计。当各种模型产生相似的 D 效率时，其他报告的效率（例如 A、G、I）有助于选择最佳设计。
我们可以检查所有可能性并使用最好的一个。在“dat”变量中，我们有 125 种可能性/卡片/研究条件/其他的完整计划。因此，我们可以检查 5 张卡之间的任何变体以查找 optFederov（最小编号）和所有使用的卡。我们将创建一个数组变量，允许我们保存所有可能性。
min <- 10
max <- 125
eff_table <- matrix(ncol = 6, nrow = max)
colnames(eff_table) <- c("nTrials","D","A","I","Ge","Dea")
for (loop_num in min:max) {
des <- optFederov(~quad(.),dat,nTrials=loop_num,evaluateI=TRUE,crit = "D",nRepeats = 100)
eff_table[loop_num,1] <- loop_num
eff_table[loop_num,2] <- des$D
eff_table[loop_num,3] <- des$A
eff_table[loop_num,4] <- des$I
eff_table[loop_num,5] <- des$Ge
eff_table[loop_num,6] <- des$Dea
}
计数将需要一段时间。检查是否有 nRepeats 的差异；在我看来，我们应该总是使用多次重试，这就是这个选项。然后我们在这方面得到最好的配置。在
eff_table
您应该获得有关卡片数量的后续选项的所有信息。像这样的东西
nTrials D A I Ge Dea
(...)
[14,] 14 3.704358 0.8132031 7.820313 0.893 0.887
[15,] 15 3.675919 1.2555973 8.848874 0.775 0.749
[16,] 16 3.666758 1.2910678 8.807469 0.742 0.706
[17,] 17 3.667087 1.3115654 8.693003 0.704 0.657
[18,] 18 3.674348 1.1586909 8.544911 0.778 0.752
(...)
您现在可以为您的研究计划选择最佳实用选项并比较比率。注意：也可以使用此方法获得完整因子计划的估计值，这是您可以使用上述方法获得的最大值。在此基础上，您可以决定哪个计划是最好的......并计算与完整计划相关的百分比有效性比率。
希望对您有所帮助。随时询问并对此发表评论。
其他信息和问题：