Estimación de ganancias esperadas de información para diseños experimentales con aplicación al modelo de límite de fatiga aleatoria

Resumen La ganancia esperada en la información de Shannon se sugiere comúnmente como un criterio de evaluación del diseño bayesiano. Dado que estimar las ganancias esperadas de información es computacionalmente costoso, los ejemplos en los que han sido utilizados con éxito para identificar diseños óptimos de Bayes son pocos y típicamente bastante simples. Este artículo discute en general algunas propiedades de los estimadores de ganancias esperadas de información basados en aproximaciones de Monte Carlo por cadena de Markov (MCMC) y laplaciana. Luego investigamos algunos problemas que surgen al aplicar estos métodos al problema del diseño experimental en el modelo de límite de fatiga aleatoria (técnicamente no trivial) de Pascual y Meeker. Se proporciona un ejemplo que compara diseños de seguimiento para un estudio de panel laminado. Palabras clave: diseño óptimo bayesiano, aproximación laplaciana, cadena de Markov Monte Carlo (MCMC)