[논문 리뷰] Using graphs to find the best block designs

R. A. Bailey, Peter J‎. Cameron|arXiv (Cornell University)|2011. 11. 16.

Optimal Experimental Design Methods참고 문헌 44인용 수 8

한 줄 요약

이 논문은 실험 통계학에서 그래프 이론과 최적의 불완전 블록 설계 간의 깊은 연결을 수립하며, 공현 그래프와 레비 그래프의 성질—특히 라플라스 고유값, 스패닝 트리, 효과적 저항—이 D-, A-, E-최적의 불완전 블록 설계를 평가하고 구성하는 데 어떻게 활용될 수 있는지 보여준다. 주요 기여는 통계적 최적성 기준을 네트워크 이론적 불변량과 연결하는 통합 프레임워크를 제공하는 것으로, 특정 매개변수 영역에 대해 최적 설계를 명시적으로 기술한다.

ABSTRACT

A statistician designing an experiment wants to get as much information as possible from the data gathered. Often this means the most precise estimate possible (that is, an estimate with minimum possible variance) of the unknown parameters. If there are several parameters, this can be interpreted in many ways: do we want to minimize the average variance, or the maximum variance, or the volume of a confidence region for the parameters? In the case of block designs, these optimality criteria can be calculated from the concurrence graph of the design, and in many cases from its Laplacian eigenvalues. The Levi graph can also be used. The various criteria turn out to be closely connected with other properties of the graph as a network, such as number of spanning trees, isoperimetric number, and the sum of the resistances between pairs of vertices when the graph is regarded as an electrical network. In this chapter, we discuss the notions of optimality for incomplete-block designs, explain the graph-theoretic connections, and prove some old and new results about optimality.

연구 동기 및 목표

• 실험 통계학에서 최적의 불완전 블록 설계를 평가하고 구성하기 위한 그래프 이론적 프레임워크를 개발한다.
• 통계적 최적성 기준(D-, A-, E-최적성)을 공현 그래프와 레비 그래프의 구조적 성질과 연결한다.
• 스패닝 트리 수, 효과적 저항, 스펙트럼 갭과 같은 네트워크 이론적 불변량을 사용하여 최적 설계를 특성화한다.
• 특히 낮은 복제 수와 작은 블록 크기에서 특정 설계가 최적성을 달성하는 조건을 명시적으로 제시한다.
• 전기 회로망 해석과 그래프 라플라스 행렬을 통해 산발적인 최적성 기준을 통합한다.

제안 방법

• 블록 설계에서 처리를 정점으로, 블록 내 공현 빈도에 따라 가중치가 부여된 간선을 연결하여 공현 그래프를 구성한다.
• 레비 그래프를 이진 그래프로 정의하며, 처리 및 블록 정점으로 구성되며, 각 처리가 포함된 블록에 연결된다.
• 이 그래프의 라플라스 행렬을 사용하여 통계적 분산 성질과 대응하는 고유값을 유도한다.
• 전기 회로망 해석을 적용: 그래프를 저항 네트워크로 간주하여 처리 쌍 간의 효과적 저항을 계산한다.
• 포스터의 공식과 랜덤 워크 이론을 활용하여 효과적 저항의 합이 A-최적성과 관련이 있음을 규명한다.
• 순환 설계에서 총 효과적 저항에 대한 닫힌 형태의 표현식을 유도하여 특정 매개변수 제약 조건 하에서의 최적성 평가를 수행한다.

실험 결과

연구 질문

• RQ1 스패닝 트리 수와 효과적 저항와 같은 그래프 이론적 불변량을 어떻게 활용하여 블록 설계의 통계적 최적성을 평가할 수 있는가?
• RQ2 공현 그래프와 레비 그래프의 라플라스 고유값은 처리 효과 추정치의 분산과 어떤 관계가 있는가?
• RQ3 반복 처리를 포함하는 비이진 설계는 어떤 조건에서 A-최적이고, 언제는 최적성이 떨어지는가?
• RQ4 공현 그래프의 스펙트럼 성질은 E-최적성과 어떻게 관련되어 있으며, 특히 가장 작은 양의 고유값을 기준으로 어떻게 해석되는가?
• RQ5 특정 복제 패tern을 가진 순환 설계는 저항 기반 측정을 통해 A-최적성에서 증명될 수 있는가?

주요 결과

• 반복 처리를 포함하는 비이진 설계는 저항 기반 목표 함수에서의 엄격한 부등식 g(1) > g(2)에 의해 A-최적이 아니라는 것이 입증된다.
• b=3 또는 b=4일 경우, E-최적 설계는 클래스 C(b,k,b)에 속하며, b≥5일 경우 E-최적성은 C(b,k,2) 및 C(b,k,1)에 속하는 설계에서 달성된다.
• b≥12 및 k=3이거나, b≥8 및 k=4이거나, b≥7 및 k≥5일 경우, A-최적 설계는 s=2(높은 복제 수를 가진 두 처리)에서 발생하며, 이는 저항 함수 g(s)의 행동에 기반한다.
• b≥5 및 k≥3일 경우, 공현 그래프의 가장 작은 양의 라플라스 고유값은 1보다 작으며, 이는 나쁜 연결성으로 인해 이러한 설계가 E-최적이 아니라는 것을 의미한다.
• s=2인 순환 설계에서, 처리 정점 간의 효과적 저항 합은 s=2일 때 최소화되며, 이는 특정 매개변수 조건 하에서 A-최적성을 뒷받침한다.
• 순환 설계의 레비 그래프에서 총 효과적 저항은 g(s)/6으로 주어지며, 여기서 g(s)는 s에 대한 삼차 다항식이며, 정수 s에 대한 g(s)의 최솟값이 A-최적성을 결정한다.