sbionlinfit

Выполните регрессию нелинейного метода наименьших квадратов с помощью моделей SimBiology (требует программного обеспечения Statistics and Machine Learning Toolbox),

sbionlinfit будет удален в будущем релизе. Используйте sbiofit вместо этого.

Синтаксис

results = sbionlinfit(modelObj, pkModelMapObject, pkDataObj, InitEstimates) results = sbionlinfit(modelObj, pkModelMapObject, pkDataObj, InitEstimates, Name,Value) results = sbionlinfit(modelObj, pkModelMapObject, pkDataObj, InitEstimates, optionStruct) [results, SimDataI] = sbionlinfit(...)

Описание

results = sbionlinfit(modelObj, pkModelMapObject, pkDataObj, InitEstimates) выполняет регрессию наименьших квадратов с помощью модели SimBiology^®, modelObj, и возвращает оцененные результаты в структуре results.

results = sbionlinfit(modelObj, pkModelMapObject, pkDataObj, InitEstimates, Name,Value) выполняет регрессию наименьших квадратов, с дополнительными опциями, заданными одним или несколькими аргументами пары Name,Value.

Следующее является альтернативой предыдущему синтаксису:

results = sbionlinfit(modelObj, pkModelMapObject, pkDataObj, InitEstimates, optionStruct) задает optionStruct, структура, содержащая поля и значения, используемые структурой входа options к функции nlinfit.

[results, SimDataI] = sbionlinfit(...) возвращает симуляции модели SimBiology, modelObj, с помощью ориентировочных стоимостей параметров.

Входные параметры

`modelObj`	Объект модели SimBiology раньше соответствовал наблюдаемым данным. Примечание При использовании объекта модели, содержащего активные дозы (то есть, содержа объекты дозы создал использование метода `adddose` и задал как активное использование свойства `Active` объекта дозы), имеют в виду, что эти активные дозы проигнорированы функцией `sbionlinfit`.
`pkModelMapObject`	Объект `PKModelMap`, который задает роли компонентов модели по оценке. Для получения дополнительной информации смотрите `PKModelMap object`. Примечание При использовании объекта `PKModelMap`, который задает несколько доз, гарантируйте, что каждый элемент в свойстве `Dosed` уникален.
`pkDataObj`	Объект `PKData`, который задает данные, чтобы использовать в подборе кривой и ролях столбцов данных, используемых для оценки. Для получения дополнительной информации смотрите `PKData object`. Примечание Для каждого подмножества данных, принадлежащих одной группе (как задано в столбце данных, заданном свойством `GroupLabel`), программное обеспечение позволяет несколько наблюдений, сделанных одновременно. Если это верно для ваших данных, имеют в виду что: Эти точки данных не усреднены, но адаптированы индивидуально. Различные количества наблюдений в разное время заставляют некоторые моменты времени быть взвешенными больше.
`InitEstimates`	Вектор начального параметра оценивает для каждого параметра, оцененного в `pkModelMapObject`.`Estimated`. Длина `InitEstimates` должна равняться, по крайней мере, длине `pkmodelMapObject`.`Estimated`. Элементы `InitEstimates` преобразовываются, как задано аргументом пары "имя-значение" `ParamTransform`.
`optionStruct`	Структура, содержащая поля и значения, используемые структурой входа `options` к функции `nlinfit`. Структура может также использовать пары "имя-значение", описанные ниже в качестве полей и значений. Значения по умолчанию для `optionStruct` эквивалентны для структуры входа `options` к `nlinfit`, за исключением: `DerivStep` — Значением по умолчанию является меньший из `1e-4` или значение свойства `SolverOptions.RelativeTolerance` конфигурации модели, сопоставленной с `modelObj`, с минимумом `eps^(1/3)`. `FunValCheck` — Значением по умолчанию является `off`. Если у вас есть Parallel Computing Toolbox™, можно включить параллельные вычисления для более быстрых данных, соответствующих путем установки аргумента пары "имя-значение" `'UseParallel'` `true` в структуре опций `statset` можно следующим образом: parpool; % Open a parpool for parallel computing opt = statset(...,'UseParallel',true); % Enable parallel computing results = sbionlinfit(...,opt); % Perform data fitting

Аргументы в виде пар имя-значение

Укажите необязательные аргументы в виде пар ""имя, значение"", разделенных запятыми. Имя (Name) — это имя аргумента, а значение (Value) — соответствующее значение. Name должен появиться в кавычках. Вы можете задать несколько аргументов в виде пар имен и значений в любом порядке, например: Name1, Value1, ..., NameN, ValueN.

Аргументы Name,Value совпадают с полями и значениями в структуре options, принятой nlinfit. Для полного списка смотрите входной параметр options на странице с описанием nlinfit в документации Statistics and Machine Learning Toolbox™. Значения по умолчанию для аргументов Name,Value эквивалентны для структуры options, принятой nlinfit, за исключением:

DerivStep — Значением по умолчанию является меньший из 1e-4 или значение свойства SolverOptions.RelativeTolerance конфигурации модели, сопоставленной с modelObj, с минимумом eps^(1/3).
FunValCheck — Значением по умолчанию является off.

Следующее является дополнительными аргументами Name,Value, которые можно использовать с sbionlinfit.

`'ParamTransform'`	Вектор целых чисел, задающих преобразование, функционирует для каждого предполагаемого параметра. Функция преобразования, `f`, берет `estimate` в качестве входа и возвращает `beta`: beta = f(estimate) Каждый элемент в векторе должен быть одним из этих целых чисел, задающих преобразование для соответствующего значения `estimate`: `0` – `beta = estimate` `1` – `beta = log(estimate)` (значение по умолчанию) `2` – `beta = probit(estimate)` `3` – `beta = logit(estimate)`
`'ErrorModel'`	Вектор символов, задающий форму остаточного члена. Значением по умолчанию является `'constant'`. Каждая модель задает ошибку стандартная нормальная переменная (Gaussian) e, значение функции f и один или два параметра a и b. Выбор: `'constant'`: y = f + a e `'proportional'`: y = f + b abs (f) e `'combined'`: y = f + (a +babs (f)) e `'exponential'`: y = f exp (a e), или эквивалентно регистрируют (y) = журнал (f) + a e Если вы задаете ошибочную модель, выходной аргумент `results` включает свойство `errorparam`, которое имеет значение: a для `'constant'` и `'exponential'` b для `'proportional'` [a b] для `'combined'` Примечание Если вы задаете ошибочную модель, вы не можете задать веса.
`'Weights'`	Любое из следующего: Матрица действительных положительных весов, где количество столбцов соответствует количеству ответов. Таким образом, количество столбцов должно равняться количеству записей в свойстве `DependentVarLabel` `pkDataObj`. Количество строк в матрице должно равняться количеству строк в наборе данных. Указатель на функцию, который принимает вектор предсказанных значений ответа и возвращает вектор действительных положительных весов. Примечание При использовании указателя на функцию веса должны быть функцией ответа (зависимая переменная). Значением по умолчанию не являются никакие веса. Если вы задаете веса, вы не можете задать ошибочную модель.
`'Pooled'`	Логическое определение, делает ли `sbionlinfit` подхождение каждому человеку (`false`) или если это объединяет все отдельные данные и делает одну подгонку (`true`). Если установлено в `true`, `sbionlinfit` использует те же параметры модели для каждого уровня дозы. По умолчанию: false

Выходные аргументы

results

1 N массивом объектов, где N является количеством групп в pkDataObj. Существует один объект на группу, и каждый объект содержит эти свойства:

ParameterEstimates — Массив dataset, содержащий адаптированные коэффициенты и их стандартные погрешности.
CovarianceMatrix — Предполагаемая ковариационная матрица для подходящих коэффициентов.
\beta Вектор скаляров, задающих приспособленные коэффициенты на преобразованном пробеле.
R Вектор скаляров, задающих остаточные значения, где R (i, j) является невязкой для i th момент времени и j th ответ в группе данных. Если ваша модель incudes:
- Один ответ, затем R является вектор-столбцом остаточных значений, сопоставленных с моментами времени в группе данных.
- Множественные ответы, затем R является матрицей остаточных значений, сопоставленных с моментами времени в группе данных для каждого ответа.
J Матрица, задающая якобиан модели, относительно предполагаемого параметра, который является
$J (i, j, k) = {\frac{\partial y_{k}}{\partial β_{j}} |}_{t_{i}}$
где _ti является i th момент времени, _βj является j th оцененный параметр на преобразованном пробеле, и _yk является k th ответ в группе данных.
Если ваша модель incudes:
- Один ответ, затем J является матрицей якобиевских значений, сопоставленных с моментами времени в группе данных.
- Множественные ответы, затем J является трехмерным массивом якобиевских значений, сопоставленных с моментами времени в группе данных для каждого ответа.
COVB — Предполагаемая ковариационная матрица для преобразованных коэффициентов.
mse — Скаляр, задающий оценку ошибки термина отклонения.
errorparam — Предполагаемые параметры ошибочной модели. Это свойство является скаляром, если вы задаете 'constant', 'exponential' или 'proportional' для ошибочной модели. Это свойство является двухэлементным вектором, если вы задаете 'combined' для ошибочной модели. Это свойство является пустым массивом, если вы задаете веса с помощью аргумента пары "имя-значение" 'Weights'.

SimDataI

SimData object, содержащий данные из симуляции модели с помощью оцененных значений параметров для людей. Этот объект включает наблюдаемые состояния и регистрируемые состояния.