fitglme

Подгонка обобщила линейную модель смешанных эффектов

Синтаксис

glme = fitglme(tbl,formula)
glme = fitglme(tbl,formula,Name,Value)

Описание

пример

glme = fitglme(tbl,formula) возвращает обобщенную линейную модель смешанных эффектов, glme. Модель задана formula и адаптирована к переменным прогноза в таблице или массиве набора данных, tbl.

glme = fitglme(tbl,formula,Name,Value) возвращает обобщенную линейную модель смешанных эффектов, использующую дополнительные опции, заданные одним или несколькими аргументами пары Name,Value. Например, можно задать распределение ответа, функции ссылки или шаблона ковариации условий случайных эффектов.

Примеры

свернуть все

Загрузите выборочные данные.

load mfr

Эти моделируемые данные от компании-производителя, которая управляет 50 фабриками во всем мире с каждой фабрикой, запускающей процесс пакетной обработки, чтобы создать готовое изделие. Компания хочет сократить число дефектов в каждом пакете, таким образом, это разработало новый производственный процесс. Чтобы протестировать эффективность нового процесса, компания выбрала 20 своих фабрик наугад, чтобы участвовать в эксперименте: Десять фабрик реализовали новый процесс, в то время как другие десять продолжали запускать старый процесс. На каждой из этих 20 фабрик компания запустила пять пакетов (для в общей сложности 100 пакетов) и записала следующие данные:

  • Отметьте, чтобы указать, использовал ли пакет новый процесс (newprocess)

  • Время вычислений для каждого пакета, в часах (time)

  • Температура пакета, в градусах Цельсия (temp)

  • Категориальная переменная, указывающая на поставщика химиката, использовала в пакете (supplier)

  • Количество дефектов в пакете (defects)

Данные также включают time_dev и temp_dev, которые представляют абсолютное отклонение времени и температуры, соответственно, из стандарта процесса 3 часов на уровне 20 градусов Цельсия.

Соответствуйте обобщенной линейной модели смешанных эффектов использование newprocess, time_dev, temp_dev и supplier как предикторы фиксированных эффектов. Включайте термин случайных эффектов для прерывания, сгруппированного factory, чтобы составлять качественные различия, которые могут существовать из-за специфичных для фабрики изменений. Переменная отклика defects имеет распределение Пуассона и соответствующую функцию ссылки для этой модели, является журналом. Используйте подходящий метод Лапласа, чтобы оценить коэффициенты. Задайте фиктивную переменную, кодирующую как 'effects', таким образом, фиктивная переменная содействующая сумма к 0.

Количество дефектов может быть смоделировано с помощью распределения Пуассона

дефектыijПуассон(μij).

Это соответствует обобщенной линейной модели смешанных эффектов

журнал(μij)=β0+β1newprocessij+β2time_devij+β3temp_devij+β4supplier_Cij+β5supplier_Bij+bi,

где

  • дефектыij количество дефектов, наблюдаемых в пакете, произведенном фабрикой i во время пакета j.

  • μij среднее количество дефектов, соответствующих фабрике i (где i=1,2,...,20) во время пакета j (где j=1,2,...,5).

  • newprocessij, time_devij, и temp_devij измерения для каждой переменной, которые соответствуют фабрике i во время пакета j. Например, newprocessij указывает ли пакет, произведенный фабрикой i во время пакета j используемый новый процесс.

  • supplier_Cij и supplier_Bij фиктивные переменные, которые используют эффекты (сумма к нулю), кодирование, чтобы указать или компания C или B, соответственно, предоставило химикаты процесса для пакета, произведенного фабрикой i во время пакета j.

  • biN(0,σb2) прерывание случайных эффектов для каждой фабрики i это составляет специфичное для фабрики изменение по качеству.

glme = fitglme(mfr,'defects ~ 1 + newprocess + time_dev + temp_dev + supplier + (1|factory)', ...
    'Distribution','Poisson','Link','log','FitMethod','Laplace', ...
    'DummyVarCoding','effects');

Отобразите модель.

disp(glme)
Generalized linear mixed-effects model fit by ML

Model information:
    Number of observations             100
    Fixed effects coefficients           6
    Random effects coefficients         20
    Covariance parameters                1
    Distribution                    Poisson
    Link                            Log   
    FitMethod                       Laplace

Formula:
    defects ~ 1 + newprocess + time_dev + temp_dev + supplier + (1 | factory)

Model fit statistics:
    AIC       BIC       LogLikelihood    Deviance
    416.35    434.58    -201.17          402.35  

Fixed effects coefficients (95% CIs):
    Name                 Estimate     SE          tStat       DF    pValue    
    '(Intercept)'           1.4689     0.15988      9.1875    94    9.8194e-15
    'newprocess'          -0.36766     0.17755     -2.0708    94      0.041122
    'time_dev'           -0.094521     0.82849    -0.11409    94       0.90941
    'temp_dev'            -0.28317      0.9617    -0.29444    94       0.76907
    'supplier_C'         -0.071868    0.078024     -0.9211    94       0.35936
    'supplier_B'          0.071072     0.07739     0.91836    94       0.36078


    Lower        Upper    
       1.1515       1.7864
     -0.72019    -0.015134
      -1.7395       1.5505
      -2.1926       1.6263
     -0.22679     0.083051
    -0.082588      0.22473

Random effects covariance parameters:
Group: factory (20 Levels)
    Name1                Name2                Type         Estimate
    '(Intercept)'        '(Intercept)'        'std'        0.31381 

Group: Error
    Name                      Estimate
    'sqrt(Dispersion)'        1       

Таблица Model information показывает общее количество наблюдений в выборочных данных (100), количество фиксированных - и коэффициенты случайных эффектов (6 и 20, соответственно), и количество параметров ковариации (1). Это также указывает, что переменная отклика имеет распределение Poisson, функцией ссылки является Log, и подходящим методом является Laplace.

Formula указывает на образцовую спецификацию с помощью обозначения Уилкинсона.

Статистика отображений таблицы Model fit statistics раньше оценивала качество подгонки модели. Это включает критерий информации о Akaike (AIC), Байесов информационный критерий (BIC) значения, логарифмическая вероятность (LogLikelihood) и отклонение (Deviance) значения.

Таблица Fixed effects coefficients показывает, что fitglme возвратил 95% доверительных интервалов. Это содержит одну строку для каждого предиктора фиксированных эффектов, и каждый столбец содержит статистику, соответствующую тому предиктору. Столбец 1 (Name) содержит имя каждого коэффициента фиксированных эффектов, столбец 2 (Estimate) содержит свою ориентировочную стоимость, и столбец 3 (SE) содержит стандартную погрешность коэффициента. Столбец 4 (tStat) содержит t- статистическая величина для теста гипотезы, что коэффициент равен 0. Столбец 5 (DF) и столбец 6 (pValue) содержит степени свободы и p- значение, которые соответствуют t- статистическая величина, соответственно. Последние два столбца (Lower и Upper) отображают нижние и верхние пределы, соответственно, 95%-го доверительного интервала для каждого коэффициента фиксированных эффектов.

Random effects covariance parameters отображает таблицу для каждой группирующей переменной (здесь, только factory), включая его общее количество уровней (20), и тип и оценка параметра ковариации. Здесь, std указывает, что fitglme возвращает стандартное отклонение случайного эффекта, сопоставленного с предиктором фабрики, который имеет ориентировочную стоимость 0,31381. Это также отображает таблицу, содержащую тип параметра ошибок (здесь, квадратный корень из дисперсионного параметра), и его ориентировочная стоимость 1.

Стандартное отображение, сгенерированное fitglme, не обеспечивает доверительные интервалы для параметров случайных эффектов. Чтобы вычислить и отобразить эти значения, используйте covarianceParameters.

Входные параметры

свернуть все

Входные данные, который включает переменную отклика, переменные прогноза и группирующие переменные, заданные как массив набора данных или таблица. Переменные прогноза могут быть непрерывными или группирующие переменные (см. Группирующие переменные). Необходимо задать модель для переменных с помощью formula.

Формула для образцовой спецификации, заданной как вектор символов или скаляр строки формы 'y ~ fixed + (random1|grouping1) + ... + (randomR|groupingR)'. Формула является чувствительной к регистру. Для полного описания смотрите Формулу.

Пример: 'y ~ treatment + (1|block)'

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.

Пример: 'Distribution','Poisson','Link','log','FitMethod','Laplace','DummyVarCoding','effects' задает распределение переменной отклика как Пуассона, функцию ссылки как журнал, подходящий метод как Лаплас и фиктивное кодирование переменной, где коэффициенты суммируют к 0.

Количество испытаний за биномиальное распределение, которое является объемом выборки, заданным как пара, разделенная запятой, состоящая из скалярного значения, вектор той же длины как ответ или имя переменной во входной таблице. Если вы задаете имя переменной, то переменная должна иметь ту же длину как ответ. BinomialSize применяется только, когда параметром Distribution является 'binomial'.

Если BinomialSize является скалярным значением, которое означает, что все наблюдения имеют то же количество испытаний.

Типы данных: single | double

Индикатор, чтобы проверять положительную определенность Гессиана целевой функции относительно неограниченных параметров в сходимости, заданной как пара, разделенная запятой, состоящая из 'CheckHessian' и или false или true. Значением по умолчанию является false.

Задайте 'CheckHessian' как true, чтобы проверить оптимальность решения или определить, сверхпараметризована ли модель в количестве параметров ковариации.

Если вы задаете 'FitMethod' как 'MPL' или 'REMPL', то ковариация фиксированных эффектов и параметров ковариации основана на подходящей линейной модели смешанных эффектов от итоговой псевдо итерации вероятности.

Пример: 'CheckHessian',true

Метод, чтобы вычислить ковариацию предполагаемых параметров, заданных как пара, разделенная запятой, состоящая из 'CovarianceMethod' и или 'conditional' или 'JointHessian'. Если вы задаете 'conditional', то fitglme вычисляет быстрое приближение к ковариации фиксированных эффектов, учитывая предполагаемые параметры ковариации. Это не вычисляет ковариацию параметров ковариации. Если вы задаете 'JointHessian', то fitglme вычисляет объединенную ковариацию фиксированных эффектов и параметров ковариации через наблюдаемую информационную матрицу использование Лапласиана loglikelihood.

Если вы задаете 'FitMethod' как 'MPL' или 'REMPL', то ковариация фиксированных эффектов и параметров ковариации основана на подходящей линейной модели смешанных эффектов от итоговой псевдо итерации вероятности.

Пример: 'CovarianceMethod','JointHessian'

Шаблон ковариационной матрицы случайных эффектов, заданных как пара, разделенная запятой, состоящая из 'CovariancePattern' и 'FullCholesky', 'Isotropic', 'Full', 'Diagonal', 'CompSymm', квадратной симметричной логической матрицы, массива строк или массива ячеек, содержащего векторы символов или логические матрицы.

Если существуют условия случайных эффектов R, то значение 'CovariancePattern' должно быть массивом строк или массивом ячеек длины R, где каждый элемент r массива задает шаблон ковариационной матрицы вектора случайных эффектов, сопоставленного с r th термин случайных эффектов. Опции для каждого элемента следуют.

ЗначениеОписание
'FullCholesky'Полная ковариационная матрица с помощью параметризации Холесского. fitglme оценивает все элементы ковариационной матрицы.
'Isotropic'

Диагональная ковариационная матрица с равными отклонениями. Таким образом, недиагональные элементы ковариационной матрицы ограничиваются быть 0, и диагональные элементы ограничиваются быть равными. Например, если существует три условия случайных эффектов с изотропной структурой ковариации, эта ковариационная матрица похожа

(σb2000σb2000σb2)

где σ21 является общим отклонением условий случайных эффектов.

'Full'Полная ковариационная матрица, с помощью параметризации логарифмического Холесского. fitlme оценивает все элементы ковариационной матрицы.
'Diagonal'

Диагональная ковариационная матрица. Таким образом, недиагональные элементы ковариационной матрицы ограничиваются быть 0.

(σb12000σb22000σb32)

'CompSymm'

Составная структура симметрии. Таким образом, общее отклонение по диагоналям и равной корреляции между всеми случайными эффектами. Например, если существует три условия случайных эффектов с ковариационной матрицей, имеющей составную структуру симметрии, эта ковариационная матрица похожа

(σb12σb1,b2σb1,b2σb1,b2σb12σb1,b2σb1,b2σb1,b2σb12)

где σ2b1 является общим отклонением условий случайных эффектов, и σb1, b2 является общей ковариацией между любыми двумя терминами случайных эффектов.

PATКвадратная симметричная логическая матрица. Если 'CovariancePattern' задан матричным PAT, и если PAT(a,b) = false, то элемент (a,b) соответствующей ковариационной матрицы ограничивается быть 0.

Для скалярных условий случайных эффектов значением по умолчанию является 'Isotropic'. В противном случае значением по умолчанию является 'FullCholesky'.

Пример: 'CovariancePattern','Diagonal'

Пример: 'CovariancePattern',{'Full','Diagonal'}

Типы данных: char | string | logical | cell

Индикатор, чтобы вычислить дисперсионный параметр для 'binomial' и дистрибутивов 'poisson', заданных как пара, разделенная запятой, состоящая из 'DispersionFlag' и одно из следующих.

ЗначениеОписание
trueОцените дисперсионный параметр при вычислении стандартных погрешностей
falseИспользуйте теоретическое значение 1.0 при вычислении стандартных погрешностей

'DispersionFlag' только применяется, если 'FitMethod' является 'MPL' или 'REMPL'.

Подходящая функция всегда оценивает дисперсию для других дистрибутивов.

Пример: 'DispersionFlag',true

Распределение переменной отклика, заданной как пара, разделенная запятой, состоящая из 'Distribution' и одно из следующих.

ЗначениеОписание
'Normal'Нормальное распределение
'Binomial'Биномиальное распределение
'Poisson'Распределение Пуассона
'Gamma'Гамма распределение
'InverseGaussian'Обратное Распределение Гаусса

Пример: 'Distribution','Binomial'

Кодирование, чтобы использовать для фиктивных переменных, созданных из категориальных переменных, заданных как пара, разделенная запятой, состоящая из 'DummyVarCoding' и одно из следующих.

ЗначениеОписание
'reference'Значение по умолчанию. Коэффициент для первого набора категории к 0.
'effects'Коэффициенты суммируют к 0.
'full'Одна фиктивная переменная для каждой категории.

Пример: 'DummyVarCoding','effects'

Метод раньше аппроксимировал эмпирические оценки Бейеса случайных эффектов, заданных как пара, разделенная запятой, состоящая из 'EBMethod' и одно из следующих.

  • 'Auto'

  • 'LineSearchNewton'

  • 'TrustRegion2D'

  • 'fsolve'

'Auto' подобен 'LineSearchNewton', но использует различный критерий сходимости и не отображает итеративный прогресс. 'Auto' и 'LineSearchNewton' могут перестать работать для неканонических функций ссылки. Для неканонических функций ссылки рекомендуются 'TrustRegion2D' или 'fsolve'. У вас должен быть Optimization Toolbox™, чтобы использовать 'fsolve'.

Пример: 'EBMethod','LineSearchNewton'

Опции для эмпирической оптимизации Бейеса, заданной как пара, разделенная запятой, состоящая из 'EBOptions' и структуры, содержащей следующее.

ЗначениеОписание
'TolFun'Относительный допуск на норме градиента. Значением по умолчанию является 1e-6.
'TolX'Абсолютный допуск на размере шага. Значением по умолчанию является 1e-8.
'MaxIter'Максимальное количество итераций. Значение по умолчанию равняется 100.
'Display''off', 'iter' или 'final'. Значением по умолчанию является 'off'.

Если EBMethod является 'Auto', и 'FitMethod' является 'Laplace', TolFun является относительным допуском на линейном предикторе модели, и опция 'Display' не применяется.

Если 'EBMethod' является 'fsolve', то 'EBOptions' должен быть задан как объект, созданный optimoptions('fsolve').

Типы данных: struct

Индексы для строк, чтобы исключить из обобщенной линейной модели смешанных эффектов в данных, заданных как пара, разделенная запятой, состоящая из 'Exclude' и вектор целочисленных или логических значений.

Например, можно исключить 13-е и 67-е строки из подгонки можно следующим образом.

Пример: 'Exclude',[13,67]

Типы данных: single | double | logical

Метод для оценки параметров модели, заданных как пара, разделенная запятой, состоящая из 'FitMethod' и одно из следующих.

  • 'MPL' — Максимальная псевдо вероятность

  • 'REMPL' — Ограниченная максимальная псевдо вероятность

  • 'Laplace' — Наибольшее правдоподобие с помощью приближения Лапласа

  • 'ApproximateLaplace' — Наибольшее правдоподобие с помощью аппроксимированного приближения Лапласа с фиксированными эффектами, профилируемыми

Пример: 'FitMethod','REMPL'

Начальное количество псевдо итераций вероятности раньше инициализировало параметры для ApproximateLaplace и методов подгонки Laplace, заданных как пара, разделенная запятой, состоящая из 'InitPLIterations' и целочисленного значения, больше, чем или равный 1.

Типы данных: single | double

Начальное значение для условного среднего значения, заданного как пара, разделенная запятой, состоящая из 'MuStart' и скалярного значения. Допустимые значения следующие.

Распределение ответаДопустимые значения
'Normal'(-Inf,Inf)
'Binomial'(0,1)
'Poisson'(0,Inf)
'Gamma'(0,Inf)
'InverseGaussian'(0,Inf)

Типы данных: single | double

Сместите, заданный как пара, разделенная запятой, состоящая из 'Offset' и n-by-1 вектор скалярных значений, где n является длиной вектора отклика. Можно также задать имя переменной n-by-1 вектор скалярных значений. 'Offset' используется в качестве дополнительного предиктора, которому зафиксировали содействующее значение в 1.0.

Типы данных: single | double

Алгоритм оптимизации, заданный как пара, разделенная запятой, состоящая из 'Optimizer' и любое из следующих.

ЗначениеОписание
'quasinewton'Использует доверительный находящийся в области оптимизатор квазиньютона. Можно изменить опции алгоритма с помощью statset('fitglme'). Если вы не задаете опции, то fitglme использует опции по умолчанию statset('fitglme').
'fminsearch'Использует метод Nelder-меда без производных. Можно изменить опции алгоритма с помощью optimset('fminsearch'). Если вы не задаете опции, то fitglme использует опции по умолчанию optimset('fminsearch').
'fminunc'Использует строку основанный на поиске приближенный метод ньютона. У вас должен быть Optimization Toolbox, чтобы задать эту опцию. Можно изменить опции алгоритма с помощью optimoptions('fminunc'). Если вы не задаете опции, то fitglme использует опции по умолчанию optimoptions('fminunc') с набором 'Algorithm' к 'quasi-newton'.

Пример: 'Optimizer','fminsearch'

Опции для алгоритма оптимизации, заданного как пара, разделенная запятой, состоящая из 'OptimizerOptions' и структуры, возвращенной statset('fitglme'), структура, созданная optimset('fminsearch') или объектом, возвращенным optimoptions('fminunc').

  • Если 'Optimizer' является 'fminsearch', то используйте optimset('fminsearch'), чтобы изменить опции алгоритма. Если 'Optimizer' является 'fminsearch', и вы не предоставляете 'OptimizerOptions', то значениями по умолчанию, используемыми в fitglme, являются опции по умолчанию, созданные optimset('fminsearch').

  • Если 'Optimizer' является 'fminunc', то используйте optimoptions('fminunc'), чтобы изменить опции алгоритма оптимизации. Смотрите optimoptions для опций использование 'fminunc'. Если 'Optimizer' является 'fminunc', и вы не предоставляете 'OptimizerOptions', то значениями по умолчанию, используемыми в fitglme, являются опции по умолчанию, созданные optimoptions('fminunc') с набором 'Algorithm' к 'quasi-newton'.

  • Если 'Optimizer' является 'quasinewton', то используйте statset('fitglme'), чтобы изменить параметры оптимизации. Если 'Optimizer' является 'quasinewton', и вы не изменяете параметры оптимизации с помощью statset, то fitglme использует опции по умолчанию, созданные statset('fitglme').

Оптимизатор 'quasinewton' использует следующие поля в структуре, созданной statset('fitglme').

Относительный допуск на градиенте целевой функции, заданной как значение положительной скалярной величины.

Абсолютный допуск на размере шага, заданном как значение положительной скалярной величины.

Максимальное количество итераций, позволенных, заданных как значение положительной скалярной величины.

Уровень отображения, заданного как один из 'off', 'iter' или 'final'.

Максимальное количество итераций псевдо вероятности (PL), заданных как пара, разделенная запятой, состоящая из 'PLIterations' и положительного целочисленного значения. PL используется для подбора кривой модели, если 'FitMethod' является 'MPL' или 'REMPL'. Для других значений 'FitMethod' итерации PL используются, чтобы инициализировать параметры для последующей оптимизации.

Пример: 'PLIterations',200

Типы данных: single | double

Относительный фактор допуска для псевдо итераций вероятности, заданных как пара, разделенная запятой, состоящая из 'PLTolerance' и значения положительной скалярной величины.

Пример: 'PLTolerance',1e-06

Типы данных: single | double

Метод, чтобы запустить итеративную оптимизацию, заданную как пара, разделенная запятой, состоящая из 'StartMethod' и любое из следующих.

ЗначениеОписание
'default'Внутренне заданное значение по умолчанию
'random'Случайное начальное значение

Пример: 'StartMethod','random'

, заданный как пара, разделенная запятой, состоящая из 'UseSequentialFitting' и или false или true. Если 'UseSequentialFitting' является false, все методы максимального правдоподобия инициализируются с помощью одной или нескольких псевдо итераций вероятности. Если 'UseSequentialFitting' является true, начальные значения от псевдо итераций вероятности усовершенствованы с помощью 'ApproximateLaplace' для подбора кривой 'Laplace'.

Пример: 'UseSequentialFitting',true

Индикатор, чтобы отобразить процесс оптимизации на экране, заданном как пара, разделенная запятой, состоящая из 'Verbose' и 0, 1 или 2. Если 'Verbose' задан как 1 или 2, то fitglme отображает прогресс итеративного образцово подходящего процесса. При определении 'Verbose', когда 2 отображает итеративную информацию об оптимизации от отдельных псевдо итераций вероятности. При определении 'Verbose', когда 1 не использует это отображение.

Установка для 'Verbose' заменяет поле 'Display' в 'OptimizerOptions'.

Пример: 'Verbose',1

Веса наблюдения, заданные как пара, разделенная запятой, состоящая из 'Weights' и n-by-1 вектор неотрицательных скалярных значений, где n является количеством наблюдений. Если распределение ответа является биномом или Пуассоном, то 'Weights' должен быть вектором положительных целых чисел.

Типы данных: single | double

Выходные аргументы

свернуть все

Обобщенная линейная модель смешанных эффектов, заданная как объект GeneralizedLinearMixedModel. Для свойств и методов этого объекта, смотрите GeneralizedLinearMixedModel.

Больше о

свернуть все

Формула

В целом формула для образцовой спецификации является вектором символов или скаляром строки формы 'y ~ terms'. Для обобщенных линейных моделей смешанных эффектов эта формула находится в форме 'y ~ fixed + (random1|grouping1) + ... + (randomR|groupingR)', где fixed и random содержат фиксированные эффекты и условия случайных эффектов.

Предположим, что таблица tbl содержит следующее:

  • Переменная отклика, y

  • Переменные прогноза, Xj, который может быть непрерывным или группирующие переменные

  • Группирующие переменные, g1, g2..., gR,

где группирующие переменные в Xj и gr могут быть категориальными, логическими, символьные массивы, строковые массивы или массивы ячеек из символьных векторов.

Затем в формуле формы, 'y ~ fixed + (random1|g1) + ... + (randomR|gR)', термин fixed соответствует спецификации проекта фиксированных эффектов матричный X, random 1 является спецификацией проекта случайных эффектов матричный Z 1 соответствие группирующей переменной g 1, и так же random, R является спецификацией случайных эффектов, разрабатывает матричный Z R, соответствующий группирующей переменной g R. Можно выразить fixed и условия random с помощью обозначения Уилкинсона.

Обозначение Уилкинсона описывает факторы, существующие в моделях. Обозначение относится к факторам, существующим в моделях, не ко множителям (коэффициенты) тех факторов.

Обозначение УилкинсонаВключает стандартное обозначение
1Постоянный (прерывание) термин
X^k, где k является положительным целым числомX, X2..., Xk
X1 + X2X1, x2
X1*X2X1, X2, X1.*X2 (elementwise multiplication of X1 and X2)
X1:X2X1.*X2 только
- X2Не включайте X2
X1*X2 + X3X1, X2, X3, X1*X2
X1 + X2 + X3 + X1:X2X1, X2, X3, X1*X2
X1*X2*X3 - X1:X2:X3X1, X2, X3, X1*X2, X1*X3, X2*X3
X1*(X2 + X3)X1, X2, X3, X1*X2, X1*X3

Обозначение Statistics and Machine Learning Toolbox™ всегда включает постоянный термин, если вы явным образом не удаляете термин с помощью -1. Вот некоторые примеры для обобщенной линейной спецификации модели смешанных эффектов.

Примеры:

ФормулаОписание
'y ~ X1 + X2'Фиксированные эффекты для прерывания, X1 и X2. Это эквивалентно 'y ~ 1 + X1 + X2'.
'y ~ -1 + X1 + X2'Никакое прерывание и зафиксированные эффекты для X1 и X2. Неявный термин прерывания подавлен включением -1.
'y ~ 1 + (1 | g1)'Фиксированные эффекты для прерывания плюс случайный эффект для прерывания для каждого уровня группирующей переменной g1.
'y ~ X1 + (1 | g1)'Случайная модель прерывания с фиксированным наклоном.
'y ~ X1 + (X1 | g1)'Случайное прерывание и наклон, с возможной корреляцией между ними. Это эквивалентно 'y ~ 1 + X1 + (1 + X1|g1)'.
'y ~ X1 + (1 | g1) + (-1 + X1 | g1)' Независимые случайные эффекты называют для прерывания и наклона.
'y ~ 1 + (1 | g1) + (1 | g2) + (1 | g1:g2)'Случайная модель прерывания с независимыми основными эффектами для g1 и g2, плюс независимый эффект взаимодействия.

Введенный в R2014b

Для просмотра документации необходимо авторизоваться на сайте