大数据下仿真筛选实验及误差控制模型和应用

针对＂大数据＋仿真模型＋后仿真分析＂这一新型研究范式,提出基于基效应估计（EE）,Bootstrap假设检验以及伪发现率误差控制（FDR）的＂后仿真分析＂筛选实验设计方法（简称BFEE）.BFEE用于识别对仿真模型所感兴趣的响应起到最重要主效应/交互效应作用的少量关键因子.相比传统EE,BFEE保证了信息识别的统计精度和效力.与现有的仿真实验的序贯分支筛选法（SB）相比,BFEE无需任何模型假设,从而更容易适应大数据背景下的复杂数据特征.蒙特卡罗仿真的三种方法对比实验表明,BFEE在不需任何假设的条件下即可获得理想的实验效率和效力,在降低计算实验成本同时,保证了识别重要效应的精度.基于实际背景仿真案例的应用显示BFEE具有良好的实际应用价值.