×
Jack P.C.Kleijnen。;范·比尔斯，维姆·C.M。

克里金模型交叉验证的统计测试。 （英语） Zbl 07549396号

信息J.计算。 34，第1号，607-621（2022）.
概述：克里金模型或高斯过程模型是仿真模型的常用元模型（代理模型或仿真器）；这些元模型为未模拟的输入组合提供了预测。为了验证这些元模型是否适用于计算昂贵的仿真模型，分析员通常应用计算效率高的交叉验证。在本文中，我们推导出了所谓的“离开-退出交叉验证”的新统计检验。从图形上看，我们将这些测试表示为使用克里金预测值估计方差的置信区间增强的散点图。为了估计这些预测因子的真实方差，我们可以使用bootstrapping。与其他统计测试一样，我们的测试（有或无引导）具有I类和II类错误概率；为了估计这些概率，我们使用蒙特卡罗实验。我们还使用这些实验来研究统计收敛性。为了说明我们测试的应用，我们使用了（i）一个有两个输入的例子和（ii）一个有八个输入的流行钻孔例子。
贡献摘要：仿真模型在运筹学（OR）中非常流行，也称为计算机仿真或计算机实验。一个热门话题是计算机实验的设计和分析。本文重点研究了克里金方法和交叉验证方法在仿真模型中的应用；这些方法和模型经常应用于手术室。更具体地说，本文提供了以下内容：；（1） 一种新的统计检验的基本变体，用于遗漏交叉验证；（2） 估计Kriging预测器真方差的bootstrap方法；以及（3）蒙特卡罗实验，用于评估克里金预测值的一致性，学生化预测误差对标准正态变量的收敛性，以及预期的实验I型错误率对预先指定的标称值的收敛性。通过实例说明了新的统计检验，包括流行的钻孔模型。

引用于1文件

MSC公司：

90倍X 运筹学、数学规划

关键词：

验证;交叉验证;克里金;高斯过程;蒙特卡洛

软件：

鲮鱼;laGP公司;乌兹拉布;DiceOptim公司;DiceKriging公司
PDF格式BibTeX公司 XML格式引用
\textit{J.P.C.Kleijnen}和\textit{W.C.M.van Beers}，《信息与计算》。34，第1号，607--621（2022；Zbl 07549396）
全文： DOI程序 链接

参考文献：

[1] Bachoc F，Lagnoux A，Nguyen TMN（2017）固定域渐近下协方差参数的交叉验证估计。J.多元分析.160:42-67.Crossref，谷歌学者·Zbl 1378.6206号 ·doi:10.1016/j.jmva.2017.06.003
[2] Bastos LS，O'Hagan A（2009）《高斯过程模拟器的诊断》。技术指标51（4）：425-438.Crossref，谷歌学者·doi:10.1198/TECH.2009.08019
[3] Da Costa JJ、Chainet F、Celse B、Lacoue-Negre M、Ruckebusch C、Caillol N、Espinat D（2018）预测基础油粘度指数的克里金建模。能源燃料32（2）：2588-2597.Crossref，谷歌学者·doi:10.1021/acs.energyfuels.7b03266
[4] Den Hertog D，Kleijnen JPC，Siem AYD（2006）通过自举估计的正确Kriging方差。《运营杂志》。Res.Soc公司.57（4）：400-409.Crossref，谷歌学者·Zbl 1086.62042号 ·doi:10.1057/palgrave.jors.2601997
[5] Efron B（2015）贝叶斯估计的频繁精确度。皇家统计师。Soc.序列号。B类77（3）：617-646.Crossref，谷歌学者·Zbl 1414.62089号 ·doi:10.1111/rssb.12080
[6] Erickson CB、Ankenman BE、Sanchez SM（2018）《高斯过程建模软件的比较》。欧洲药典。雷斯.266（1）：179-192 Crossref，谷歌学者·Zbl 1403.62006号 ·doi:10.1016/j.ejor.2017.10.002
[7] Gorissen D、Couckuyt I、Laermans E、Dhane T（2010）多目标全球代理建模，处理5%的问题。工程计算.26:81-98.Crossref，谷歌学者·doi:10.1007/s00366-009-0138-1
[8] Gramacy RB（2016）laGP:通过R中的局部近似高斯过程进行大规模空间建模。J.统计学家。软件72（1）：1-46.Crossref，谷歌学者·doi:10.18637/jss.v072.i01
[9] Gramacy RB，Apley DW（2015）大型计算机实验的局部高斯过程近似。J.计算。图形统计师.24（2）：561-578.Crossref，谷歌学者·doi:10.1080/10618600.2014.914442
[10] Jiang G，Hong LJ，Nelson BL（2020）使用在线模拟进行在线风险监测。INFORMS J.计算.32（2）：356-375摘要，谷歌学者·Zbl 07290851号
[11] Kleijnen JPC（1983）使用t统计进行交叉验证。欧洲药典。雷斯.13（2）：133-141.Crossref，谷歌学者·Zbl 0505.62053号 ·doi:10.1016/0377-2217（83）90074-7
[12] Kleijnen JPC（2015）模拟实验的设计与分析第二版（纽约州施普林格）。Crossref，谷歌学者·Zbl 1321.62006年 ·doi:10.1007/978-3-319-18087-8
[13] Kleijnen JPC（2017）《模拟实验的设计与分析：教程》。Tolk A、Fowler J、Shao G、Yusesan E编辑。建模与仿真进展：50年冬季仿真会议的主题研究（纽约州施普林格市），135-158.Crossref，谷歌学者·doi:10.1007/978-3-319-64182-98
[14] Kleijnen JPC，van Beers W（2020）《通过克里格预测大数据：小序列和一次性设计》。阿默尔。数学杂志。管理科学。39（3）：199-213.谷歌学者
[15] Lataniotis C、Marelli S、Sudret B（2015）UQLab用户手册-Kriging（高斯过程建模）。瑞士苏黎世ETH苏黎世风险、安全和不确定性量化主席UQLab-V0.9-105报告。谷歌学者
[16] Lin Y，Nelson BL，Pei L（2019）通过k个最近邻模拟虚拟统计。信息J.计算.31（3）：576-592.链接，谷歌学者·兹比尔1451.90048
[17] Loeppky JL，Sacks J，Welch W（2009）《选择计算机实验的样本大小：实用指南》。技术指标51（4）:366-376.Crossref，谷歌学者·doi:10.1198/TECH.2009.08040
[18] Lophaven SN、Nielsen HB、Sondergaard J（2002）DACE：Matlab Kriging工具箱，2.0版（丹麦IMM技术大学，丹麦Kongens Lyngby）。谷歌学者
[19] Mehdad E，Kleijnen JPC（2015）《经典克里格与带引导或条件模拟的克里格：经典克里格的稳健置信区间和优化》。《运营杂志》。Res.Soc公司.66（11）：1804-1814。交叉引用，谷歌学者·doi:10.1057/jors.2014.126
[20] Parnianifard A、Azfanizam AS、Ariffin MKA、Ismail MIS（2018）不确定性下直流电机直接速度控制中Kriging-assisted robust black-box仿真优化。IEEE传输。麦格纳.54（7）：1-10.谷歌学者交叉引用·doi:10.1109/TMAG.2018年2829767
[21] Putter H，Young GA（2001）关于协方差函数估计对克里格预测因子准确性的影响。伯努利7（3）:421-438.Crossref，谷歌学者·兹比尔0987.62061 ·doi:10.2307/3318494
[22] Rasmussen CE，Williams CKI（2006）机器学习的高斯过程（麻省理工学院出版社，马萨诸塞州剑桥）。谷歌学者·兹比尔1177.68165
[23] Razali NM、Wah YB（2011），Shapiro-Wilk、Kolmogorov-Smirnov、Lilliefors和Anderson-Darling测试的功率比较。J.统计学家。建模分析2（1）:21-33.谷歌学者
[24] Roustant O，Ginsbourger D，Deville Y（2012）DiceKriging，DiceOptim:使用基于Kriging-based元建模和优化的计算机实验分析的两个R包。J.统计学家。软件51（1）：1-55.Crossref，谷歌学者·doi:10.18637/jss.v051.i01
[25] Salemi P、Staum J、Nelson BL（2019）仿真元建模的广义集成布朗场。操作。雷斯.67（3）：874-891.链接，谷歌学者·Zbl 1444.90003号
[26] Santner TJ、Williams BJ、Notz WI（2018年）计算机实验的设计与分析，第二修订版（Springer，纽约）。Crossref，谷歌学者·Zbl 1405.62110号 ·doi:10.1007/978-1-4939-8847-1
[27] Simes RJ（1986年）用于多重显著性检验的改良Bonferroni程序。生物特征73（3）：751-754.Crossref，谷歌学者·Zbl 0613.62067号 ·doi:10.1093/biomet/73.3.751
[28] Sun F Gramacy RB Haaland B Lawrence E Walker A（2018）通过大型模拟实验模拟卫星阻力。J.不确定性量化7（2）：720-759.Crossref，谷歌学者·Zbl 1430.62085号 ·doi:10.1137/18M1170157
[29] Wang X，Nott DJ，Drovandi CC，Mengersen K，Evans M（2018）使用历史匹配进行优先选择。技术指标60（4）：445-460.Crossref，谷歌学者·doi:10.1080/00401706.2017.1421587
[30] Zhang B，Cole DA，Gramacy RB（2021）高斯过程代理的距离分布设计。技术指标63（1）:40-52.Crossref，谷歌学者·doi:10.1080/00401706.20191677269
[31] Zou L，Zhang X（2021）不充分模拟模型的随机克里格。https://arxiv.org/pdf/1802.00677v1.pdf.谷歌学者
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。