用于（最佳）实验统计设计的良好，有用和特征性实验

与替代的有效设计策略相比，可以应用实验设计的现象更多。这是对的，尽管有许多方法可以适当地设计实验。

什么是最好的“问题”，才能真正证明不同类型的实验优化设计的价值和细微差别？（A，D，E，C，V，phi，....）

您能否提供书籍，链接，文章，参考资料，或者至少提供以经验为依据的良好见解？

experiment-design references optimal

— 研究生
source

Atkinson＆Donev的“ 最佳实验设计”是按字母顺序排列的最佳性标准的良好参考。

— Scortchi-恢复莫妮卡

我拥有那个。这是我硕士课程中一门课程的教科书，所以我已经读了很多。一切都在SAS中（我是MatLab专家），但更重要的是-尽管它列举了实现每种最佳DOE样式的过程，但并没有提供特殊的应用程序。例如，存在c或L最优性的变化，这说明了执行特定实验的成本，但是没有“典型的”示例显示其实现，也没有讨论为什么它是典型的示例。

— EngrStudent

我对此悬赏还没有答案。

— EngrStudent

这是一项正在进行的工作，旨在回答我自己的问题。（尚未完成）

常见的最佳类型

NIST为实验的最佳设计类型提供（链接）以下定义。

A-最优性
[A]准则是A-最优性，它试图使信息矩阵逆的轨迹最小化。该标准导致基于预定模型的参数估计值的平均方差最小。然后，基本假设是先验模型的平均方差描述了实际系统的总体方差。

D-最优性
[另一个]标准是D-最优性，它试图最大化| X'X |，它是设计信息矩阵X'X的决定因素。该标准导致基于预定模型的参数估计值的广义方差最小。然后，基本假设是先验模型的广义方差描述了实际系统的总体方差。

G-最优性
第三个标准是G-最优性，它试图最小化最大预测方差，即最小化最大。[ ]，在一组指定的设计点上。像控件一样，在给定先前模型的情况下，这可以最大程度地减小最大误差。 $d=x'(X'X)^{-1}x$ $H_{\infty}$

V-最优性
第四个标准是V-最优性，它试图使指定的一组设计点上的平均预测方差最小。

要求和...

NIST说，要求包括：

先验适当的分析模型
离散的一组采样点作为DOE的候选元素

工作中

这是“教科书”的统计分析。能源部应适用于它们，如果“教科书统计”和“实验统计设计”之间存在健康联系，则它们应与该问题的答案相关。

http://www.itl.nist.gov/div898/handbook/eda/section3/4plot.htm

NIST的案例研究包括：

正常随机数
统一随机数
随机游走（移动后的均匀随机游记的总和）
约瑟夫森结体温计（离散均匀随机）
光束偏转（有噪声的周期性）
Fitler透射率（自相关污染的测量）
标准电阻器（与加性噪声成线性关系，违反平稳性和自相关性）
热流（行为良好的过程，固定的，受控的）

— 研究生
source