Treffer: CVX‐based algorithms for constructing various optimal regression designs.

CVX‐based numerical algorithms are widely and freely available for solving convex optimization problems but their applications to solve optimal design problems are limited. Using the CVX programs in MATLAB, we demonstrate their utility and flexibility over traditional algorithms in statistics for finding different types of optimal approximate designs under a convex criterion for nonlinear models. They are generally fast and easy to implement for any model and any convex optimality criterion. We derive theoretical properties of the algorithms and use them to generate new A‐, c‐, D‐ and E‐optimal designs for various nonlinear models, including multi‐stage and multi‐objective optimal designs. We report properties of the optimal designs and provide sample CVX program codes for some of our examples that users can amend to find tailored optimal designs for their problems. The Canadian Journal of Statistics 47: 374–391; 2019 © 2019 Statistical Society of Canada [ABSTRACT FROM AUTHOR]

Résumé: Des algorithmes numériques basés sur CVX gratuits et largement répandus sont disponibles pour résoudre des problèmes d'optimisation convexe, mais leur application pour trouver un plan d'expérience optimal est limitée. Les auteurs démontrent l'utilité et la flexibilité des programmes CVX par rapport aux algorithmes traditionnels de statistique pour trouver différents types de plans approximativement optimaux sous un critère convexe pour les modèles non linéaires. Ces programmes sont généralement rapides et faciles à implémenter, quel que soit le modèle et le critère d'optimalité. Les auteurs déterminent les propriétés théoriques des algorithmes et les exploitent pour générer des nouveaux plans A‐, c‐, D‐ et E‐optimaux pour différents modèles non linéaires, y compris des plans optimaux multi‐stades et multi‐objectifs. Ils décrivent les propriétés des plans optimaux et fournissent des exemples de code CVX pour certains de leurs exemples qu'un usager pourrait modifier afin de l'adapter à son problème d'optimisation d'un plan d'expérience. La revue canadienne de statistique 47: 374–391; 2019 © 2019 Société statistique du Canada [ABSTRACT FROM AUTHOR]

Copyright of Canadian Journal of Statistics is the property of Wiley-Blackwell and its content may not be copied or emailed to multiple sites without the copyright holder's express written permission. Additionally, content may not be used with any artificial intelligence tools or machine learning technologies. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.)