Объект LeastSquaresResults

Объект результатов, содержащий оценку, следует из регрессии наименьших квадратов

Описание

Объект LeastSquaresResults является суперклассом двух объектов результатов: NLINResults object и OptimResults object. Эти объекты содержат результаты оценки подбора кривой модели SimBiology^® к данным с помощью sbiofit с любым поддерживаемым алгоритмом.

Если sbiofit использует алгоритм оценки nlinfit, объект результатов является объектом NLINResults. Если sbiofit использует какой-либо другой алгоритм поддержки, то объект результатов является объектом OptimResults. Смотрите, что sbiofit функционирует для списка поддерживаемых алгоритмов.

Сводные данные метода

коробчатая диаграмма (LeastSquaresResults, OptimResults, NLINResults)	Создайте диаграмму, показывающую изменение предполагаемых параметров модели SimBiology
адаптированный (LeastSquaresResults, OptimResults, NLINResults)	Возвратите результаты симуляции модели SimBiology, адаптированной с помощью регрессии наименьших квадратов
график (LeastSquaresResults, OptimResults, NLINResults)	Сравните результаты симуляции с данными тренировки, создав подграфик курса времени для каждой группы
plotActualVersusPredicted (LeastSquaresResults, OptimResults, NLINResults)	Сравните прогнозы с фактическими данными, создав подграфик для каждого ответа
plotResidualDistribution (LeastSquaresResults, OptimResults, NLINResults)	Постройте распределение невязок
plotResiduals (LeastSquaresResults, OptimResults, NLINResults)	Постройте невязки для каждого ответа, с помощью времени, группы или прогноза как ось X
предскажите (LeastSquaresResults, OptimResults, NLINResults)	Моделируйте и оцените адаптированную модель SimBiology
случайный (LeastSquaresResults, OptimResults, NLINResults)	Моделируйте модель SimBiology, добавив изменения путем выборки ошибочной модели
сводные данные (LeastSquaresResults, OptimResults, NLINResults)	Постройте итоговую фигуру, которая содержит статистика оценки и ориентировочные стоимости

Свойства

`GroupName`	Категориальная переменная, представляющая имя группы, сопоставила с результатами или `[]`, если аргумент пары "имя-значение" `'Pooled'` был установлен в `true`, когда вы запустили `sbiofit`.
`Beta`	Таблица предполагаемых параметров, где jth строка представляет jth, оценила параметр _βj. Это содержит преобразованные значения оценок параметра, если какой-либо параметр преобразовывает, задан. Стандартные погрешности этих, которые параметр оценивает (`StandardError`), вычисляются как: `sqrt(diag(COVB))`. Это может также содержать следующие переменные: `Границы` значения преобразованных границ параметра, которые вы задали во время подбора кривой `CategoryVariableName` — имена категорий или групп, которые вы задали во время подбора кривой `CategoryValue` — значения переменных категории заданы `CategoryVariableName` Эта таблица содержит одну строку на отличное значение параметров.
`ParameterEstimates`	Таблица предполагаемых параметров, где jth строка представляет jth, оценила параметр _βj. Эта таблица содержит непреобразованные значения оценок параметра. Стандартные погрешности этих, которые параметр оценивает (`StandardError`), вычисляются как: `sqrt(diag(CovarianceMatrix))`. Это может также содержать следующие переменные: `Границы` значения границ параметра, которые вы задали во время подбора кривой `CategoryVariableName` — имена категорий или групп, которые вы задали во время подбора кривой `CategoryValue` — значения переменных категории заданы `CategoryVariableName` Эта таблица содержит наборы значений параметров, которые идентифицированы для каждого человека или группы.
`J`	Якобиевская матрица модели, относительно предполагаемого параметра, то есть, $J (i, j, k) = {\frac{\partial y_{k}}{\partial β_{j}} \|}_{t_{i}}$ то, где _ti является i th момент времени, _βj является jth, оценило параметр на преобразованном пробеле, и _yk является kth ответом в группе данных.
`COVB`	Предполагаемая ковариационная матрица для `Beta`, который вычисляется как: `COVB = inv(J'J)MSE`.
`CovarianceMatrix`	Предполагаемая ковариационная матрица для `ParameterEstimates`, который вычисляется как: `CovarianceMatrix = T'COVBT`, где `T = diag(JInvT(Beta))`. `JInvT(Beta)` возвращает якобиевскую матрицу `Beta`, который является обратный преобразованный соответственно, если вы задали какое-либо преобразование к предполагаемым параметрам. Например, предположите, что вы задали логарифмическое преобразование для предполагаемого параметра `x`, когда вы запустили `sbiofit`. Обратное преобразование: `InvT = exp(x)` и его якобиан: `JInvT = exp(x)` начиная с производной `exp` является также `exp`.
`R`	Матрица невязок, где _Rij является невязкой для ith момента времени и jth ответа в группе данных.
`LogLikelihood`	Максимизируемый loglikelihood для подобранной модели.
`AIC`	Критерий информации о Akaike (AIC), вычисленный как `AIC = 2*(-LogLikelihood + P)`, где P является количеством параметров.
`BIC`	Байесов информационный критерий (BIC), вычисленный как `BIC = -2LogLikelihood + Plog(N)`, где N является количеством наблюдений и P, является количеством параметров.
`DFE`	Степени свободы для ошибки, вычисленной как `DFE = N-P`, где N является количеством наблюдений и P, являются количеством параметров.
`MSE`	Среднеквадратическая ошибка.
`SSE`	Сумма (взвешенных) ошибок в квадрате или невязок.
`Weights`	Матрица весов с одним столбцом на ответ и одной строкой на наблюдение.
`EstimatedParameterNames`	Массив ячеек из символьных векторов, задающий оцененные названия параметра.
`ErrorModelInfo`	Таблица, описывающая ошибочные модели и оцененные ошибочные параметры модели. Это ссорится на ошибочную модель. Свойство `ErrorModelInfo.Properties.RowsNames` идентифицирует, к каким ответам строка применяется. Таблица содержит три переменные: `ErrorModel`, `a` и `b`. Переменная `ErrorModel` является категориальной. Переменными `a` и `b` может быть `NaN`, когда они не применяются к конкретной ошибочной модели. Существует четыре встроенных ошибочных модели. Каждая модель задает ошибку стандартный средний нуль и переменная (Gaussian) модульного отклонения e, значение функции f и один или два параметра a и b. В SimBiology функциональный f представляет результаты симуляции из модели SimBiology. `'constant'`: $y = f + a e$ `'proportional'`: $y = f + b \| f \| e$ `'combined'`: $y = f + (a + b \| f \|) e$ `'exponential'`: $y = f * \exp (a e)$
`EstimationFunction`	Имя функции оценки.
`DependentFiles`	Имена файлов, чтобы включать для развертывания.

Примечание

Loglikelihood, AIC и свойства BIC пусты для объектов LeastSquaresResults, которые были получены перед R2016a.

Введенный в R2014a

Документация SimBiology

Поддержка

Сообщество Экспонента

Документация