Diseños D-Óptimos Bayesianos Penalizados para Modelos de Regresión de Respuesta Continua
Resumen
Se propone extender el uso de funciones de deseabilidad en diseños óptimos bayesianos para modelos de regresión. Esta técnica genera diseños experimentales con buenas propiedades de inferencia estadística de acuerdo con la teoría del diseño óptimo bayesiano y características prácticas, según lo definido por un investigador. Estas características prácticas
se definen mediante una función de penalización, utilizando una función de deseabilidad general, que se agrega a un criterio de diseño bayesiano D-optimal para penalizar los diseños experimentales poco prácticos. Esta metodología se ilustra con dos ejemplos de modelos de regresión: cuadrático y exponencial. Luego, se comparan los diseños obtenidos para diferentes distribuciones a priori de los parámetros desconocidos mediante cálculos de eficiencia y estudios de simulaci\'on. Los resultados muestran que las D-eficiencias de los diseños penalizados en relación con los diseños D-óptimos bayesianos no penalizados son competitivas.
Palabras clave
Diseños óptimos Bayesianos, Funciones de Deseabilidad, Modelo de Crecimiento Exponencial, Diseños Penalizados, Modelo de Regresión Cuadrática
Citas
- H. Chernoff, “Locally Optimal Designs for Estimating Parameters”, The Annals of Mathematical Statistics, vol. 24, no. 4, pp. 586-602,
- K. Chaloner and I. Verdinelli, “Bayesian experimental design: A review”, Statistical Science, vol. 10, no. 3, pp. 273-304, 1995.
- G. E. Box and N. R. Draper, “Robust designs”,Biometrika, vol. 62, no. 2, pp. 347-352, 1975.
- V. Dragalin and V. Fedorov, “Adaptive designs for dose-finding based on efficacy-toxicity response”, Journal of Statistical Planning and Inference, vol. 136, no. 6, pp. 1800-1823, 2006.
- V. Dragalin, V. Fedorov and Y. Wu, “Adaptive designs for selecting drug combinations based on efficacy-toxicity response”, Journal of Statistical Planning and Inference, vol. 138, no. 2, pp. 352-373, 2008.
- L. Pronzato, “Penalized optimal designs for dose-finding”, Journal of Statistical Planning and Inference, vol. 140, no. 1, pp. 283-296,
- S. M. Parker and C. Gennings, “Penalized locally optimal experimental designs for nonlinear models”, Journal of agricultural, biological, and environmental statistics, vol. 13, no. 3, pp. 334-354, 2008.
- F.-C. Wu, “Optimization of correlated multiple quality characteristics using desirability function”, Quality Engineering, vol. 17, no. 1, pp. 119-126, 2004.
- E. C. Harrington, “The desirability function”, Industrial quality control, vol. 21, no. 10, pp. 494-498, 1965.
- S. I. Rudnykh y V. I. López Ríos, “Elección de la función de deseabilidad para diseños óptimos bajo restricciones”, Revista EIA, vol. 15, no. 30, pp. 13-24, 2018.
- M. Shih, C. Gennings, V.M. Chinchilli and W.H Carter Jr, “Titrating and evaluating multidrug regimens within subjects”, Statistics in
- medicine, vol. 22, no. 14, pp. 2257-2279, 2003.
- A. DasGupta and W. Studden, “Robust bayesian experimental designs in normal linear models”, The Annals of Statistics, vol. 19, no. 3, pp. 1244-1256, 1991.
- J. A. Nelder and R. Mead, “A simplex method for function minimization”, The computer journal, vol. 7, no. 4, pp. 308-313, 1965.
- J. Pilz, “Bayesian estimation and experimental design in linear regression models”. JohnWiley & Sons Inc, NY, 1991.
- R. D. Gibb, “Optimal treatment combination estimation for univariate and multivariate response surface applications”. Ph.D. thesis Virginia Commonwealth University, Richmond, Virginia, USA, 1998.
- R Core Team “R: A language and environment for statistical computing”. R foundation for statistical computing, Vienna, Austria, 2021, https://www.r-project.org/
- S. M. Ermakov and A. A. Zhiglijavsky, “Matematitscheskaja teorija optimalnich experimentov”. Nauka, Moskva, 1987.
- V. V. Fedorov and S. L. Leonov, “Optimal design for nonlinear response models”. CRC Press, 2013.
- H. Dette and S. Sperlich, “A Note on Bayesian D-optimal Designs for a Generalization of the Exponential Growth Model”, South African Statistical Journal, vol. 28, pp. 103-117, 1994.
- D. Firth and J. Hinde, “On Bayesian Doptimum Design Criteria and the Equivalence Theorem in Non-linear Models.”, Journal of the Royal Statistical Society: Series B (Statistical Methodology), vol. 59, no. 4, pp. 793-797, 1997.
- B. P. Duarte and W. K. Wong, “Finding Bayesian Optimal Designs for Nonlinear Models: A Semidefinite Programming-Based Approach”, International Statistical Review, vol. 83, no. 2, pp. 239-262, 2015.
- S. Mukhopadhyay and L. M. Haines, “Bayesian D-optimal Designs for the Exponential Growth Model.”, Journal of Statistical Planning and Inference, vol. 44, no. 3, pp. 385-397, 1995.
- S. I. Rudnykh, “Penalized bayesian optimal designs for nonlinear models of Continuous Response”. Ph.D. thesis Universidad Nacional de Colombia, Medellín, Colombia, 2020.