试验设计中的模型选择

With the development of the experimental design, experiments with a large number of predictor variables are now widely used. In such an experiment often only a few of the predictor variables have significant impact on the response. Indentifying those significant factor is known as factor screening in the experimental design literature. Factor screening is essentially a variable selection problem. To analysis data in the experimental design,it is necessary to consider the new model selection methods. In this project, we will study the relationship between the two type popular model selection methods. On this basis, we will use the new model selection methods to analysis data in the GMA design, uniform design and supersaturated design.

随着试验设计的发展，我们经常会遇到预测变量的维数比较高的情形。在这类试验中，通常只有少数变量具有显著效应。在试验设计文献中，识别这些显著性效应的过程被称为因子筛选。因子筛选实际上是一个变量选择的问题。为了对这些发展了的试验设计进行数据分析，将模型选择中的新的理论和方法应用到试验设计中就显得很有必要。本项目里，我们将首先深入研究两类比较流行的模型选择方法之间的联系，然后以此为基础再将模型选择的一些新方法用到GMA设计、均匀设计和超饱和设计的数据分析中，并在此基础上进一步比较GMA设计和基于离散偏差的一些均匀设计。

随着试验设计的发展，我们经常会遇到预测变量的维数比较高的情形。在这类试验中，通常只有少数变量具有显著效应。为了对这些发展了的试验设计进行数据分析，将模型选择中的新的理论和方法应用到试验设计中就显得很有必要。本项目里，我们试图将模型选择的一些新方法用到试验设计的数据分析中。除此之外，我们也进一步考虑了网络模型中随机块模型的模型选择和假设检验问题, 并取得了一些比较好的成果。