R言語 CRAN Task View：実験計画法（DoE）および実験データの分析の設計

CRAN Task View: Design of Experiments （DoE） & Analysis of Experimental Dataについて、機械翻訳を交えて日本語化し掲載しております。

概要

Maintainer:	Ulrike Groemping, Tyler Morgan-Wall
Contact:	ulrike.groemping at bht-berlin.de
Version:	2023-04-05
URL:	https://CRAN.R-project.org/view=ExperimentalDesign
Source:	https://github.com/cran-task-views/ExperimentalDesign/
Contributions:	このタスクビューに対する提案や改良は、GitHubのissueやpull request、またはメンテナのアドレスに電子メールで送ってください。詳しくはContributing guideをご覧ください。
Installation:	このタスクビューからのパッケージは、ctvパッケージを使用して自動的にインストールすることができます。例えば、ctv::install.views(“ExperimentalDesign”, coreOnly = TRUE)は全てのコアパッケージをインストールし、ctv::update.views(“ExperimentalDesign”)はまだインストールしていない全てのパッケージと最新のものをインストールします。詳しくはCRAN Task View Initiativeをご覧ください。

このタスクビューは、実験デザインと実験データの解析のためのRパッケージの情報を収集します。解析のみに焦点を当て、デザイン作成に関連する貢献をしていないパッケージは、このタスクビューの範囲とは見なされません。また、新しいパッケージやメジャーなパッケージの更新がここにふさわしいと思われる場合は、メンテナへのメール、または上記のリンク先の GitHub リポジトリに課題またはプルリクエストを送信してください。

実験計画法は多くの分野で応用されており、その手法も様々な分野のニーズに合わせて作られてきました。このタスクビューでは、まず歴史的に最も古い応用分野である農業実験に関するセクションから始めます。その後、最も一般的なパッケージを取り上げ、産業実験、コンピュータ実験、臨床試験のコンテキストにおける実験（このセクションは最終的に削除される予定です。臨床試験用の実験計画パッケージは臨床試験のタスクビューに統合されます）、そして他の特定の目的のために開発された様々な特殊な実験計画パッケージのセクションで締めくくられています。もちろん、分野分けは必ずしも明確ではなく、より専門的なセクションのパッケージも一般的な文脈で適用できるものもあります。

また、メンテナの経験が主に産業界の実験（広い意味での）であることにお気づきでしょうか、多少偏った見方をしているかもしれません。共同メンテナンスのボランティアは大歓迎です。

農業および植物育種実験のための実験計画

• agricolaeは、このタスクビュー（状態：2016年8月）から最もよく使用されるパッケージです。特に農業および植物育種実験のための実験的設計に関する広範な機能性を提供し、他の目的にも有用であり得る。格子設計、階乗設計、無作為ブロック設計、完全無作為設計（Graeco-）ラテン方格スクエア設計、バランスのとれた不完全ブロック設計、アルファ設計の計画をサポートしています。実験データ用の様々な分析設備もある。治療比較の手順といくつかのノンパラメトリックテストだけでなく、特定の種類の実験のためのかなり特殊化された可能性もあります。
• desplotは、農業実験のレイアウトをプロットするために作られています。
• agridatは、有用な農業データセットの大きなリポジトリを提供します。

一般的な目的のための実験計画

最初に、基本パッケージ統計の標準（一般化された）線形モデル関数は、設計された実験（特に関数lm()のデータを分析するために非常に重要ですが、aov()と、結果として得られる線形モデルオブジェクトのためのメソッドと関数）。これらはKuhnert and Venables（2005, p. 109 ff. ）で簡潔に説明されています。Vikneswaran（2005）は、関数contrasts（）、複数の比較関数、model.tables()、replications()、plot.design()などの便利な関数を使用して、実験設計の具体的な使用法を指摘しています。Lawson（2014）は、Rの実験デザインに関する優れた入門書であり、多くのサンプルアプリケーションを提供しています。Lalanne（2012）は、Montgomery（2005）のよく知られた本にRの仲間を提供しています。彼はこれまでのところ、最初の10章をカバーしています。Rのデザイン・ジェネレーション・ファシリティーは含まれていませんが、主に既存のデザインの分析について議論しています。

• GADは、固定効果および/またはランダム効果とネストされた効果（後者はランダムのみである）による分散モデルの一般的なバランス分析を処理します。彼らはこの作業のためにUnderwood 1997を引用している。多くのユーザーがランダムまたは混合エフェクトを処理するためにRパッケージを使用することが困難なため、パッケージは非常に価値があります。
• ezは、パッケージ「ggplot2」に基づいた直感的な分析と階乗実験の可視化をサポートすることを目指しています。
• AlgDesignは、付加的な量的変数の有無にかかわらず完全な階乗的なデザインを作成し、混合物のデザインを作成します（つまり、ファクタのレベルが1 = 100％のデザイン、格子のデザインのみが作成されるデザイン）、D、A、Federov（1972）アルゴリズムを使用して、正確にまたはほぼ、おそらくブロッキングで設計します。
  • skprは、最適設計（D、I、A、Alias、G、T、またはE最適）を提供します。スプリットプロットデザインを段階的に作成するために、最適性基準の選択を使用することもできます。このパッケージは、デザインのパワーを評価し、診断プロットを表示することもできます。現時点（2017年10月）に使用されたアルゴリズムはまだ文書化されていません。
  • OptimalDesignは同様に、ブロックされていないD、A、I最適設計（「I最適」の代わりに「IV最適」を使用する）を正確にまたはほぼ計算して、このパッケージでは、アトキンソン、Donev、Tobias 2007、Harman、Filova 2014などの異なるアルゴリズムを使用していますが、そのうちのいくつかはgurobiソフトウェア（学術および学術機関向けのhttp://www.gurobi.com/ ）の可用性に依存しています。とそれに付随するRパッケージ「gurobi」（CRANにはない）。
• ICAODは、Masoudi、Holling and Wong（2016）による非線形モデルのための「最適設計のための帝国主義競争アルゴリズム」を実装しています。
  • PopEDは、非線形混合効果モデルに最適な設計を実装します。
• さまざまな種類の最適設計を扱うさまざまなパッケージがあります。
  • roddは、最適な識別デザイン（Dette、Melas and Shpilev 2013、Dette、Melas、Guchenko 2014）とも呼ばれるT最適設計を提供します。
  • acebayesは、近似座標交換アルゴリズムを使用して最適なベイジアンデザインを計算します。
  • OBsMDは、Consonni and Deldossi (2015)に従って「フォローアップデザインにおける客観的ベイズモデル弁別」を提供します。非常に特殊な目的のためのさらなる最適なデザインパッケージは、このビューの最後にリストされています。
• designは、ブロック（conf.design()）と混同された特定の相互作用効果を持つデザインを作成することを可能にし、既存のデザインをいくつかの方法で組み合わせることができます（例えば、工業実験のTaguchiの内側と外側の配列デザインに便利です）。
• ibdは、不完全なブロック設計を作成して解析します。
  • PGM2およびRPPairwiseDesign、CombinSは、すべて、（解決可能な）（部分的に）バランスの取れていない不完全なブロックデザインに関連するデザインを生成します。
  • PBIBDはまた、部分的にバランスのとれた不完全なブロックデザインの一連のエキスパートも提供します。
• crossdesは、例えば、センセトメトリクスで使用できるさまざまなタイプ（ラテンの四角、相互に直交するラテンの四角、Youdenの四角など）のクロスオーバー設計を作成して分析します。
  • Crossoverは、クロスオーバーのデザインを提供します。文献にあるデザインやアルゴリズムによるデザインを提供し、crossdesの機能を利用し、さらにGUIを提供します。
• baseは、メインエフェクト実験（Kuhfeld 2009で最大144回実行され、さらにいくつか追加されたもの）のために、ブロッキング（機能fac.design）と直交配列（関数oa.design）の有無にかかわらず、GroempingとXu（2014）に関連する直交配列の品質を評価するための機能と、かなり一般的な形式（Groemping 2015）の半正規効果プロットを含むいくつかの分析機能もあります。
  • baseはまた、関連パッケージのスイートの基礎を形成します（cf. Groemping 2009参照）。
  • FrF2（下記参照）とwrapperと一緒に、RcmdrPlugin.DoE（Betaバージョン; Groemping 2011で利用可能なチュートリアル）のGUIパッケージの作業馬を提供します。これは実験機能の設計をR-Commander Rcmdr “、Fox 2005）を使用して、コマンドラインプログラミングを行うことができない、またはしたくないRユーザーの利益を得ています。
  • このスイートにおけるwrapperの役割は、他のパッケージの機能をパッケージスイートの入出力構造にラップすることです（これまではパッケージrsm（以下も参照）を使用したレスポンスサーフェス設計、パッケージを使用したコンピュータ実験の設計lhsとDiceDesign（以下も参照）、およびAlgDesignを使用したD最適設計（上記も参照）。
• MIParrayは、階乗実験用に最適化された直交配列（または過飽和配列）を作成します。
  • このパッケージで作成された配列は、baseのoa.design関数への入力として使用できます。
  • ただし、このパッケージは、商用オプティマイザGurobi（ソフトウェアと一緒に提供されるR-package gurobi）またはベンダーからダウンロード可能なMosek（R-package Rmosek）（旧式のバージョンはCRAN上にある）の少なくとも1つと組み合わせてのみ有効です。）。
• daeは、実験デザインとR因子を中心に様々なユーティリティ関数を提供します。例えば、（Bailey 1981による）様々なネストされた構造を扱うことができるランダム化ルーチンと、いくつかのファクタを1つに結合する機能、または1つのファクタを複数のファクタに分割するファンクション。さらに、パッケージは、aov（）関数によって返されたオブジェクトを後処理するための機能を提供します。 例えば、2レベル実験のYates効果の抽出 。
• daewrは、Lawson（2014）によるRによる実験の設計と分析に関する書籍が付属しており、本のデータセットだけでなく、Rの他の場所では利用できないスタンドアロン機能も提供しています。例えば、決定的なスクリーニングデザイン。
• OPDOEは、Raschらによる最適実験計画書Rが付属しています。（2011年）。興味深いサンプルサイズの見積もり機能がありますが、書籍がなくてもほとんど使用できません（初版は購入をお勧めしません）。
• blockToolsは、ブロックサイズが小さすぎる場合、均質なブロックセットを作成するためにブロックにユニットを割り当て、さらにランダム化とレポート作成のための機能を提供します。
  • blocksdesignは、ネストしたブロック構造を作成することができます。
• 実験的な文脈でサンプルサイズを決定するためのいくつかのパッケージがあり、そのうちのいくつかは非常に一般的であり、他は非常に特殊化されたパッケージです。これらはすべてここに記載されています：
  • powerbydesign、easypowerは、階乗実験のための出力、サンプルサイズ、および/またはエフェクトサイズの見積もりを扱います。
  • JMdesignは、縦方向および生存データを共同でモデリングする特別な状況のためのパワーを扱います。
  • PwrGSDにグループシーケンシャルデザインのためのパワーが含まれています。
  • powerGWASinteraction：ゲノムワイド関連研究における相互作用力を有するパッケージ
  • ssizeRNA：RNA配列決定実験のためのサンプルサイズのパッケージ
  • fdr：マイクロアレイ実験におけるサンプルサイズのためのパッケージ（誤った発見率を制限しながら特定の力を要求する）。

産業実験のための実験計画

いくつかのさらなるパッケージは、しばしば高度に分別され、意図的に混乱し、エラーのために余分な自由度をほとんど持たない工業実験用の設計を取り扱います。

フラクショナルファクタ2レベル設計は、工業実験で特に重要です。

• FrF2（Groemping 2014）は、作成に必要な最も包括的なRパッケージです。Plackett-Burmanタイプのスクリーニングデザインだけでなく、2レベルの因子のための標準的なFractional Factorialデザインを生成します。通常の分数階乗は、最大解像度最小収差設計にデフォルト設定されており、組み込まれた設計カタログによってサポートされる様々な方法でカスタマイズすることができます。（Chen、Sun and Wu 1993によってカタログ化されたデザイン、さらに2005年のBlock and MeeとXu 2009でカタログ化されたデザインを含む。追加のパッケージcatlg128は、特別な目的のために最大23個のファクタを持つ解像度IV 128の設計を実行するための非常に大きな完全なカタログを提供します。）
  • 解析的に、FrF2はシンプルなグラフィカル解析ツール（通常および半正規効果プロット、主効果プロット（BsMD から改変、下記参照）、Minitabソフトウェアと同様の相互作用プロット行列、3つの要素の組み合わせの立方体プロット）を提供します。パッケージで作成されているかどうかにかかわらず、2レベル要素の通常の分数階乗のエイリアス構造も表示できます。
  • フラクショナルファクタ2レベルのプランは、他のRパッケージ、つまりBHH2によって作成することもできます（ただし、パッケージのバージョン54の関数pbDesignは使用しないでください）。
  • designまたはAlgDesignによってもう少し複雑になります。
  • ALToptは、加速寿命試験に最適な設計を提供します。
• BHH2は、Box、Hunter、Hunterの第2版の本に付属しており、そのデータセットのさまざまなものを提供しています。これは、多数のファクタと定義関係のリスト（関数ffDesMatrix()、パッケージFrF2よりも快適性が低い）から、ファクタル・ファクタル・2レベルデザインを生成することができます。また、関数anovaPlotは残差に対するエフェクトサイズを評価し、関数lambdaplot()はBox-Cox変換の効果を統計的有意性に評価します。
• BsMDは、Box and Meyer（1986）が提案したベイズ図と、2レベル因子を用いた分数階乗実験においてどの効果が有効であるかを評価するための効果プロット（通常、半正規およびLenth）を提供します。
• unrepxは、他のパッケージにも存在する多くのエフェクトプロットを含む、複製されていない要因実験による影響評価の評価方法を提供しますが、さらに可能性があります。
• FMCは、最小限のレベル変更で階乗的な設計を提供します。このパッケージは、これが意味する統計的含意を説明するための措置をとらない。したがって、このパッケージを使用することは、多くの実験ではレベルの変化によっていくつかの変動が生じるため、多くの実験状況では非常に危険であるとみなされなければなりません。このような状況（例外ではなくルール）では、分析に注意を払わずにレベルの変更を最小限に抑えると、誤解を招く結果になります。
• pidは、Dunn（2010-2016）のオンラインブックに付随しており、Box、Hunter、Hunterの本も多用しています。それは、大部分が分数階級2レベル設計からの様々なデータセットを提供します。

要因設計を計画および分析するためのツールとは別に、Rは定量的要因に対する応答面最適化のサポートも提供する（例えば、Myers and Montgomery 1995参照）。

• rsmは、一次および二次応答サーフェスモデル（中央コンポジットまたはBox-Behnkenデザイン）を使用したシーケンシャル最適化をサポートし、リニアモデルオブジェクトの応答関数の最急降下および可視化のような最適化アプローチを提供します。また、応答表面調査のためのコード化が容易になる。
• wrapperは、中央複合デザインのキューブ部分を自動的に選択し、スター部分を持つ既存の（分数）階乗2レベルデザインを拡張する可能性を持つ、パッケージrsm からのデザイン作成を強化します。
• rsurfaceは、キューブのコーナーポイントの代わりに実験変数の最小値と最大値を指定する回転可能な中央合成デザインを提供します。
• minimalRSDは、レベルの変化を最小限に抑えて中央合成とBox-Behnkenデザインを提供します。このパッケージは、これが意味する統計的含意を説明するための措置をとらない。したがって、このパッケージを使用することは、多くの実験ではレベルの変化によっていくつかの変動が生じるため、多くの実験状況では非常に危険であるとみなされなければなりません。このような状況（例外ではなくルール）では、分析に注意を払わずにレベルの変更を最小限に抑えると、誤解を招く結果になります。
• OptimaRegionは、二次多項式と薄板スプラインモデルの応答曲面の最適な領域を検査するための機能を提供し、2つの最適値間の距離に対する信頼区間を計算することができます。
• vdgは、モンテカルロサンプリングによる分散分散グラフ（Vining 1993）を作成します。
• EngrExptは、Nelson、Coffin and Copeland（2003）のエンジニアリング実験のための入門統計から、一連のデータセットを提供しています。

一部の産業では、成分の混合物が重要です。定量的な要因には一定の合計があるため、これらには特殊な設計が必要です。Mixtureデザインは、AlgDesign（関数gen.mixture、格子デザイン）、およびmixexp（シンプレックスセントロイド、シンプレックスラティスおよび極端な頂点デザイン用のいくつかの小さな関数 プロット）によって処理されます。

場合によっては、過飽和のデザインが有用な場合があります。mkssdとmxkssdは、固定レベルと混合レベルのk-circulant過飽和設計を提供します。

コンピュータ実験のための実験計画

定量的な要因を用いたコンピュータ実験には、特殊なタイプの実験デザインが必要です。多くの場合、さまざまなレベルの因子を含めることが可能であり、通常、複製は有益ではありません。また、実験領域は、線形または二次モデルが調査中の現象を適切に表していると仮定するには大きすぎることが多い。その結果、いくつかの要因が無関係であっても、各実験が追加の情報を提供するように、実験空間をポイントおよび可能な限り（空間充填設計）で満たすことが望ましい。

• lhsは、この目的のためにlatin hypercubeデザインを提供します。さらに、このパッケージは、どのようなフォローアップ実験を重視してそのようなコンピュータ実験を分析する方法を提供します。
• 同様の方向性を持つ別のパッケージには、DiceDesignがあります。これは、空間充填設計を構築するためのさらなる方法と、コンピュータ実験の設計品質を評価するためのいくつかの手段を追加します。
• DiceKrigingは、コンピュータ実験からメタモデルを作成するためによく使用されるクリギング方法を提供します。
• DiceEvalは、（特にKrigingものの）メタモデルを作成し、評価します。
• DiceViewは、多次元メタモデルのセクションを表示する機能を提供します。
• MaxProは、Joseph、Gul、Ba（2015）によって導入された最大投影設計を提供します。
• SLHDは、Baらによる最適なスライスされたラテンハイパーキューブ設計を提供する。（2015）。
• sFFLHDは、Duanらによるスライスされた完全な階乗ベースのラテンハイパーキューブ設計を提供します。（2017）。
• simrelは、Martensら(2010)のMBR（Multi-level binary replacement）戦略に従ってコンピュータ実験用の計画を作成することができます。
• minimaxdesignは、Mak and Joseph (2016) に従って minimax デザインと minimax プロジェクションデザインを提供します。
• SOAsは、Grömping (2021)とその文献に記載されているように、様々な著者による層状（別名強い）直交アレイを提供します。
• tgpは、コンピュータ実験の計画と分析に特化した別のパッケージです。ここでは、ベイズ法を重視しています。パッケージは、例えば、順次最適化のための様々な種類の（代理）モデルと共に使用することができる。ノイズの多いブラックボックスターゲット機能を最適化するための改善基準が期待されます。
• plgpとdynaTreeは、パーティクルラーニング機能と動的回帰ツリーの学習で、tgp が提供する機能を強化します。
• BatchExperimentsは、コンピュータの実験用にも設計されています。このシナリオでは、さまざまなシナリオで実行されるアルゴリズムを使用した実験用です。このパッケージは、Bischlらの技術報告書に記載されている。（2012）。

臨床試験のための実験計画

このタスクビューでは、実験パッケージの特定の設計についてのみ説明します。いくつかの灰色の領域があるかもしれません。ClinicalTrialsのタスクビューも参照してください。

• experimentは、ランダム化ツールなどの臨床実験用のツールが含まれており、臨床試験のためのいくつかの特別な分析オプションが用意されています。
• ThreeArmedTrialsは、3つの武装優越または非劣等の試行のための設計および分析ツールを提供します。標準機能のほかに、パッケージにはMuetzeら（2016）で議論された負の二項応答状況が含まれています。
• gsDesignは、グループ・シーケンシャル設計を実装しています。
  • GroupSeqは、そのようなデザインでの確率支出のGUIを提供し、OptGS に最適なバランスの取れたグループシーケンシャルデザインをパッケージ化しています。
  • seqDesignは、イベント間のエンドポイントでのグループ順次2段階治療有効性試験を処理します。
• asdは、適応的な順次デザインを実装します。
• bcrmとcrmPackは、ベイズのCRMデザインを提供します。
• MAMSは、マルチアームマルチステージ研究のためのデザインを提供します。
• BOINは、最大許容用量を見出すために第I相臨床試験で使用されるベイジアン最適間隔設計を提供する。
• DoseFindingは、線量所見実験（例えば、製薬フェーズII臨床試験）の設計および分析のための機能を提供する。「MCPMod」パッケージ（保守が中止され、Bornkamp、Pinheiro and Bretz 2009に記載されている）の施設と、線量を求める状況の最適なデザイン（MED最適設計、D最適設計、両方とも; Dette ら、2008参照）。
• TEQRは、第I相臨床試験のための毒性等価物範囲設計（Blanchard and Longmate 2010）を提供する。
  • designは、いわゆるフェーズⅠのための独立ベータ確率線量増加（PIPE）設計の製品を提供します。
  • dfpkは、フェーズI試験のための薬物動態学を用いたベイジアン用量決定デザインを実装しています。
  • dfcrmは、フェーズⅠで古典的またはTITEの継続的な再評価試験のためのデザインを提供します。
• dfcombおよびdfmtaは、組み合わせ試験または単剤分子標的薬剤のための相I / II適合性用量発見デザインをそれぞれ提供する。
  • ph2bayesおよびph2byeは、ベイジアン単一アームフェーズⅡ試験に関係しています。
  • binseqtestは、順次シングルアームバイナリ応答試行を処理します。
• sp23designは、フェーズIIとIIIのシームレスな統合を提供すると主張しています。

特別な目的のための実験計画

さまざまなパッケージが実験的なデザインの特別な状況を処理します。

• desirabilityは、複数の基準分析を単純化するために、いくつかの目標基準を望ましさ関数に組み合わせる方法を提供します。
• osDesignは、観察研究にネストした研究をデザインします。
  • designmatchはこの目的にも役立ちます。
• optbdmaeATおよびoptrcdmaeAT、soptdmaeAは、A-、MV-、D- – またはE-基準 をもつ、2色cDNAマイクロアレイ実験のための最適なブロック設計、最適な行 – 列設計および連続最適またはほぼ最適なブロックまたは行 – 列設計を提供します。
• docopulaeは、Perrone and Mueller（2016）のコピュラモデルの最適設計を実装しています。
• MBHdesignは、空間的にバランスの取れたデザインを提供し、あらかじめ指定された（レガシー）サイトを含めることができます。
  • geosptは、サンプリングポイントの空間ネットワークを最適化できます（例えばSantacruz、Rubiano and Melo 2014を参照）。
• SensoMineRは、三角検査などのような、センソメトリック検査のための特別なデザインが含まれています。
• choiceDesは、離散選択モデルとMaxDiff機能を重視した選択デザインを作成します。最適な設計に基づいています。
  • idefixは、多項ロジットモデルに基づく離散選択実験のD効率の良いデザイン、および混合多項ロジットモデルに個別に適応したデザインを提供します（Crabbe et al.2014 ）。
  • CEsは、直交配列に基づいて、市場調査のための指定された選択デザインを作成するためのツールを提供します。
• odrは、条件とユニット固有のコスト構造のもとで、クラスター無作為化試験の最適設計を作成します。
• bioOEDは、微生物不活性化のための感度解析と最適設計を提供します。

このタスクビューでのパッケージのキー参照

• Atkinson, A.C. and Donev, A.N. (1992). Optimum Experimental Designs. Oxford: Clarendon Press.
• Atkinson, A.C., Donev, A.N. and Tobias, R.D. (2007). Optimum Experimental Designs, with SAS. Oxford University Press, Oxford.
• Ba,S., Brenneman, W.A. and Myers, W.R. (2015). Optimal Sliced Latin Hypercube Designs. Technometrics 57 479-487.
• Bailey, R.A. (1981). A unified approach to design of experiments. Journal of the Royal Statistical Society, Series A 144 214-223.
• Ball, R.D. (2005). Experimental Designs for Reliable Detection of Linkage Disequilibrium in Unstructured Random Population Association Studies. Genetics 170 859-873.
• Bischl, B., Lang, M., Mersmann, O., Rahnenfuehrer, J. and Weihs, C. (2012). Computing on high performance clusters with R: Packages BatchJobs and BatchExperiments . Technical Report 1/2012 , TU Dortmund, Germany.
• Blanchard, M.S. and Longmate, J.A. (2010). Toxicity equivalence range design (TEQR): A practical Phase I design. Contemporary Clinical Trials doi:10.1016/j.cct.2010.09.011.
• Block, R. and Mee, R. (2005). Resolution IV Designs with 128 Runs. Journal of Quality Technology 37 282-293.
• Bornkamp B., Pinheiro J. C., and Bretz, F. (2009). MCPMod: An R Package for the Design and Analysis of Dose-Finding Studies . Journal of Statistical Software 29 (7) 1-23.
• Box G. E. P, Hunter, W. C. and Hunter, J. S. (2005). Statistics for Experimenters (2nd edition). New York: Wiley.
• Box, G. E. P and R. D. Meyer (1986). An Analysis for Unreplicated Fractional Factorials. Technometrics 28 11-18.
• Box, G. E. P and R. D. Meyer (1993). Finding the Active Factors in Fractionated Screening Experiments. Journal of Quality Technology 25 94-105.
• Chasalow, S., Brand, R. (1995). Generation of Simplex Lattice Points. Journal of the Royal Statistical Society, Series C 44 534-545.
• Chen, J., Sun, D.X. and Wu, C.F.J. (1993). A catalogue of 2-level and 3-level orthogonal arrays. International Statistical Review 61 131-145.
• Consonni, G. and Deldossi, L. (2015), Objective Bayesian model discrimination in follow-up experimental designs DOI 10.1007/s11749-015-0461-3. TEST.
• Collings, B. J. (1989). Quick Confounding. Technometrics 31 107-110.
• Cornell, J. (2002). Experiments with Mixtures . Third Edition. Wiley.
• Crabbe, M., Akinc, D. and Vandebroek, M. (2014). Fast algorithms to generate individualized designs for the mixed logit choice model. Transportation Research Part B: Methodological 60 , 1-15.
• Daniel, C. (1959). Use of Half Normal Plots in Interpreting Two Level Experiments. Technometrics 1 311-340.
• Derringer, G. and Suich, R. (1980). Simultaneous Optimization of Several Response Variables. Journal of Quality Technology 12 214-219.
• Dette, H., Bretz, F., Pepelyshev, A. and Pinheiro, J. C. (2008). Optimal Designs for Dose Finding Studies. Journal of the American Statisical Association 103 1225-1237.
• Dette, H., Melas, V.B. and Shpilev, P. (2013). Robust T-optimal discriminating designs. The Annals of Statistics 41 1693-1715.
• Dette H., Melas V.B. and Guchenko R. (2014). Bayesian T-optimal discriminating designs. ArXiv link .
• Duan, W., Ankenman, B.E. Sanchez, S.M. and Sanchez, P.J. (2017). Sliced Full Factorial-Based Latin Hypercube Designs as a Framework for a Batch Sequential Design Algorithm. Technometrics 59 , 11-22.
• Dunn, K. (2010-2016). Process Improvement Using Data . Online book.
• Federov, V.V. (1972). Theory of Optimal Experiments. Academic Press, New York.
• Fox, J. (2005). The R Commander: A Basic-Statistics Graphical User Interface to R . Journal of Statistical Software 14 (9) 1-42.
• Gramacy, R.B. (2007). tgp: An R Package for Bayesian Nonstationary, Semiparametric Nonlinear Regression and Design by Treed Gaussian Process Models . Journal of Statistical Software 19 (9) 1-46.
• Groemping, U. (2011). Tutorial for designing experiments using the R package RcmdrPlugin.DoE . Reports in Mathematics, Physics and Chemistry , Department II, Beuth University of Applied Sciences Berlin.
• Groemping, U. (2014). R Package FrF2 for Creating and Analysing Fractional Factorial 2-Level Designs. Journal of Statistical Software 56 (1) 1-56.
• Groemping, U. (2015). Augmented Half Normal Effects Plots in the Presence of a Few Error Degrees of Freedom. Quality and Reliability Engineering International 31 , 1185-1196. DOI: 10.1002/qre.1842.
• Groemping, U. (2017). Frequency Tables for the Coding Invariant Quality Assessment of Factorial Designs. IISE Transactions 49 , 505-517.
• Groemping, U. and Xu, H. (2014). Generalized resolution for orthogonal arrays. The Annals of Statistics 42 918-939.
• Groemping, U. (2021). A unified implementation of stratum (aka strong) orthogonal arrays. Report 01/2021, Department II, BHT Berlin.
• Harman R., Filova L. (2014): Computing efficient exact designs of experiments using integer quadratic programming, Computational Statistics and Data Analysis 71 1159-1167
• Hoaglin D., Mosteller F. and Tukey J. (eds., 1991). Fundamentals of Exploratory Analysis of Variance . Wiley, New York.
• Jones, B. and Kenward, M.G. (1989). Design and Analysis of Cross-Over Trials . Chapman and Hall, London.
• Johnson, M.E., Moore L.M. and Ylvisaker D. (1990). Minimax and maximin distance designs. Journal of Statistical Planning and Inference 26 131-148.
• Joseph, V. R., Gul, E., and Ba, S. (2015). Maximum Projection Designs for Computer Experiments. Biometrika 102 371-380.
• Kuhfeld, W. (2009). Orthogonal arrays. Website courtesy of SAS Institute Inc., accessed August 4th 2010. URL http://support.sas.com/techsup/technote/ts723.html .
• Kuhnert, P. and Venables, B. (2005) An Introduction to R: Software for Statistical Modelling & Computing . URL http://CRAN.R-project.org/doc/contrib/Kuhnert+Venables-R_Course_Notes.zip . (PDF document (about 360 pages) of lecture notes in combination with the data sets and R scripts)
• Kunert, J. (1998). Sensory Experiments as Crossover Studies. Food Quality and Preference 9 243-253.
• Lalanne, C. (2012). R Companion to Montgomerys Design and Analysis of Experiments. Manuscript, downloadable at URL http://www.aliquote.org/articles/tech/dae/dae.pdf . (The file accompanies the book by Montgomery 2005 (cf. below).)
• Lawson, J. (2014). Design and Analysis of Experiments with R. Chapman and Hall/CRC, Boca Raton.
• Lenth, R.V. (1989). Quick and Easy Analysis of Unreplicated Factorials. Technometrics 31 469-473.
• Lenth, R.V. (2009). Response-Surface Methods in R, Using rsm . Journal of Statistical Software 32 (7) 1-17.
• Mak, S., and Joseph, V.R. (2016). Minimax designs using clustering. Journal of Computational and Graphical Statistics . In revision.
• Martens, H., Mage, I., Tondel, K., Isaeva, J., Hoy, M. and Saebo, S. (2010). Multi-level binary replacement (MBR) design for computer experiments in high-dimensional nonlinear systems, J. Chemom. 24 748-756.
• Masoudi, E., Holling, H. and Wong, W.-K. (2016). Application of imperialist competitive algorithm to find minimax and standardized maximin optimal designs. Computational Statistics and Data Analysis , in press. DOI: 10.1016/j.csda.2016.06.014
• Mee, R. (2009). A Comprehensive Guide to Factorial Two-Level Experimentation. Springer, New York.
• Montgomery, D. C. (2005, 6th ed.). Design and Analysis of Experiments. Wiley, New York.
• Morgan-Wall T, Khoury G (2021). Optimal Design Generation and Power Evaluation in R: The skpr Package. Journal of Statistical Software, 99 (1), 1-36. doi: 10.18637/jss.v099.i01.
• Muetze,T., Munk, A. and Friede, T. (2016). Design and analysis of three-arm trials with negative binomially distributed endpoints. Statistics in Medicine 35 (4) 505-521.
• Myers, R. H. and Montgomery, D. C. (1995). Response Surface Methodology: Process and Product Optimization Using Designed Experiments. Wiley, New York.
• Nelson, P.R., Coffin, M. and Copeland, K.A.F. (2003). Introductory Statistics for Engineering Experimentation. Academic Press, San Diego.
• Parsons N, Friede T, Todd S, Valdes Marquez E, Chataway J, Nicholas R, Stallard N. (2012). An R package for implementing simulations for seamless phase II/III clinicals trials using early outcomes for treatment selection. Computational Statistics and Data Analysis 56 , 1150-1160.
• Perrone, E. and Mueller, W.G. (2016) Optimal designs for copula models, Statistics 50 (4), 917-929. DOI: 10.1080/02331888.2015.1111892
• Plackett, R.L. and Burman, J.P. (1946). The design of optimum multifactorial experiments. Biometrika 33 305-325.
• Rasch, D., Pilz, J., Verdooren, L.R. and Gebhardt, A. (2011). Optimal Experimental Design with R. Chapman and Hall/CRC. (caution, does not live up to its title!)
• Rosenbaum, P. (1989). Exploratory Plots for Paired Data. The American Statistician 43 108-109.
• Sacks, J., Welch, W.J., Mitchell, T.J. and Wynn, H.P. (1989). Design and analysis of computer experiments. Statistical Science 4 409-435.
• Santacruz, A., Rubiano, Y., Melo, C., 2014. Evolutionary optimization of spatial sampling networks designed for the monitoring of soil carbon. In: Hartemink, A., McSweeney, K. (Eds.). Soil Carbon. Series: Progress in Soil Science. (pp. 77-84). Springer, New York.
• Santner T.J., Williams B.J. and Notz W.I. (2003). The Design and Analysis of Computer Experiments. Springer, New York.
• Sen S, Satagopan JM and Churchill GA (2005). Quantitative Trait Locus Study Design from an Information Perspective. Genetics 170 447-464.
• Stein, M. (1987). Large Sample Properties of Simulations Using Latin Hypercube Sampling. Technometrics 29 143-151.
• Stocki, R. (2005). A Method to Improve Design Reliability Using Optimal Latin Hypercube Sampling. Computer Assisted Mechanics and Engineering Sciences 12 87-105.
• Underwood, A.J. (1997). Experiments in Ecology: Their Logical Design and Interpretation Using Analysis of Variance. Cambridge University Press, Cambridge.
• Vikneswaran (2005). An R companion to “Experimental Design”. URL http://CRAN.R-project.org/doc/contrib/Vikneswaran-ED_companion.pdf . (The file accompanies the book “Experimental Design with Applications in Management, Engineering and the Sciences” by Berger and Maurer, 2002.)
• Vining, G. (1993). A Computer Program for Generating Variance Dispersion Graphs. Journal of Quality Technology 25 45-58. Corrigendum in the same volume, pp. 333-335.
• Xu, H. (2009). Algorithmic Construction of Efficient Fractional Factorial Designs With Large Run Sizes. Technometrics 51 262-277.
• Yin, J., Qin, R., Ezzalfani, M., Sargent, D. J., and Mandrekar, S. J. (2017). A Bayesian dose-finding design incorporating toxicity data from multiple treatment cycles. Statistics in Medicine 36, 67-80. doi: 10.1002/sim.7134.