| 随着大数据的到来, 因子间的高维交互效应识别成为热门研究问题. 为了解决该问题, 对高效的 Morris 理论框架(EMM)进行扩展, 提出了一种新的两阶段交互效应筛选方法(IEMM). IEMM 充分利用计算机序贯特性, 不仅可以高效识别出具有显著的主效应和交互效应和/或非线性效应的因子, 而且可以进一步识别出因子间显著的交互效应(TIE). 蒙特卡罗仿真结果表明, IEMM 方法可以正确识别出 EMM 无法识别的 TIE, 并且与传统的识别交互效应的 MM 方法(IMM) 相比, IEMM 识别 TIE 的计算效率更高. 实际物流案例表明 IEMM 识别因子间交互效应可行且稳健, 并且能够在不牺牲统计效力的情况下节省计算资源. |
