Класс: GeneralizedLinearMixedModel
Сравните обобщенные линейные модели смешанных эффектов
results = compare(glme,altglme)results = compare(glme,altglme,Name,Value)results = compare(glme,altglme)glme и altglme смешанных эффектов. Чтобы провести допустимый тест отношения правдоподобия, обе модели должны использовать тот же вектор отклика в подгонке, и glme должен быть вложен в altglme. Вход Always меньшая модель сначала, и большая образцовая секунда.
compare тестирует следующие нулевые и альтернативные гипотезы:
H 0: Наблюдаемый вектор отклика сгенерирован glme.
H 1: Наблюдаемый вектор отклика сгенерирован моделью altglme.
results = compare(glme,altglme,Name,Value)Name,Value. Например, можно проверять, вкладывается ли первая входная модель, glme, во второй входной модели, altglme.
glme — Обобщенная линейная модель смешанных эффектовGeneralizedLinearMixedModelОбобщенная линейная модель смешанных эффектов, заданная как объект GeneralizedLinearMixedModel. Для свойств и методов этого объекта, смотрите GeneralizedLinearMixedModel.
Можно создать объект GeneralizedLinearMixedModel путем подбора кривой обобщенной линейной модели смешанных эффектов к выборочным данным с помощью fitglme. Чтобы провести допустимый тест отношения правдоподобия на двух моделях, которые имеют дистрибутивы ответа кроме нормального, необходимо соответствовать обеим моделям с помощью 'ApproximateLaplace' или метода подгонки 'Laplace'. Модели с дистрибутивами ответа кроме нормальных, которые адаптированы с помощью 'MPL' или 'REMPL', не могут быть сравнены с помощью теста отношения правдоподобия.
altglme — Альтернатива обобщила линейную модель смешанных эффектовGeneralizedLinearMixedModelАльтернатива обобщила линейную модель смешанных эффектов, заданную как объект GeneralizedLinearMixedModel. altglme быть должен соответствовать к тому же вектору отклика как glme, но с различными образцовыми спецификациями. glme должен быть вложен в altglme, таком, что можно получить glme из altglme путем устанавливания некоторых параметров модели altglme к фиксированным значениям такой как 0.
Можно создать объект GeneralizedLinearMixedModel путем подбора кривой обобщенной линейной модели смешанных эффектов к выборочным данным с помощью fitglme. Чтобы провести допустимый тест отношения правдоподобия на двух моделях, которые имеют дистрибутивы ответа кроме нормального, необходимо соответствовать обеим моделям с помощью 'ApproximateLaplace' или метода подгонки 'Laplace'. Модели с дистрибутивами ответа кроме нормальных, которые адаптированы с помощью 'MPL' или 'REMPL', не могут быть сравнены с помощью теста отношения правдоподобия.
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.
'CheckNesting' — Индикатор, чтобы проверять вложение между двумя моделямиtrue (значение по умолчанию) | falseИндикатор, чтобы проверять вложение между двумя моделями, заданными как пара, разделенная запятой, состоящая из 'CheckNesting' и или true или false. Если 'CheckNesting' является true, то compare проверяет, вкладывается ли меньшая модель glme в большей модели altglme. Если вложенные требования не удовлетворены, то compare возвращает ошибку. Если 'CheckNesting' является false, то compare не выполняет эту проверку.
Пример: 'CheckNesting',true
results — Результаты теста отношения правдоподобияРезультаты теста отношения правдоподобия, возвращенного как таблица с двумя строками. Первая строка для glme, и вторая строка для altglme. Столбцы results содержат следующее.
| ColumnName | Описание |
|---|---|
Model | Имя модели |
DF | Степени свободы |
AIC | Критерий информации о Akaike модели |
BIC | Байесов информационный критерий модели |
LogLik | Максимизируемая логарифмическая вероятность для модели |
LRStat | Тестовая статистическая величина отношения правдоподобия для сравнения altglme и glme |
deltaDF | DF для altglme минус DF для glme |
pValue | p- для теста отношения правдоподобия |
Загрузите выборочные данные.
load mfrЭти 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 фиксированным эффектам только модель с помощью newprocess, time_dev, temp_dev и supplier как предикторы фиксированных эффектов. Задайте распределение ответа как Пуассона, функцию ссылки как журнал и подходящий метод как Лаплас. Задайте фиктивную переменную, кодирующую как 'effects', таким образом, фиктивная переменная содействующая сумма к 0.
FEglme = fitglme(mfr,'defects ~ 1 + newprocess + time_dev + temp_dev + supplier','Distribution','Poisson','Link','log','FitMethod','Laplace','DummyVarCoding','effects');
Соответствуйте второй модели, которая использует те же предикторы фиксированных эффектов, распределение ответа, функцию ссылки и подходящий метод. На этот раз включайте прерывание случайных эффектов, сгруппированное factory, чтобы составлять качественные различия, которые могут существовать из-за специфичных для фабрики изменений.
Количество дефектов может быть смоделировано с помощью распределения Пуассона
Это соответствует обобщенной линейной модели смешанных эффектов
где
количество дефектов, наблюдаемых в пакете, произведенном фабрикой во время пакета .
среднее количество дефектов, соответствующих фабрике (где ) во время пакета (где ).
, , и измерения для каждой переменной, которые соответствуют фабрике во время пакета . Например, указывает ли пакет, произведенный фабрикой во время пакета используемый новый процесс.
и фиктивные переменные, которые используют эффекты (сумма к нулю), кодирование, чтобы указать или компания C или B, соответственно, предоставило химикаты процесса для пакета, произведенного фабрикой во время пакета .
прерывание случайных эффектов для каждой фабрики 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');
Сравните эти две модели с помощью теоретического теста отношения правдоподобия. Задайте 'CheckNesting' как true, таким образом, compare возвращает предупреждение, если вложенные требования не удовлетворены.
results = compare(FEglme,glme,'CheckNesting',true)results =
Theoretical Likelihood Ratio Test
Model DF AIC BIC LogLik LRStat deltaDF
FEglme 6 431.02 446.65 -209.51
glme 7 416.35 434.58 -201.17 16.672 1
pValue
4.4435e-05
Поскольку compare не возвратил ошибку, вложенные требования удовлетворены. Маленькое - значение указывает, что compare отклоняет нулевую гипотезу, что наблюдаемый вектор отклика сгенерирован моделью FEglme, и вместо этого принимает альтернативную модель glme. Меньший AIC и значения BIC для glme также поддерживают заключение, что glme предоставляет лучшую подходящую модель для ответа.
Тест отношения правдоподобия сравнивает спецификации двух вложенных моделей путем оценки значения ограничений на расширенную модель с неограниченными параметрами. По нулевой гипотезе H 0, тестовая статистическая величина отношения правдоподобия имеет аппроксимированное ссылочное распределение в квадрате хи со степенями свободы deltaDF.
При сравнении двух моделей compare вычисляет p - значение для теста отношения правдоподобия путем сравнения наблюдаемого отношения правдоподобия тестирует статистическую величину с этим ссылочным распределением в квадрате хи. Маленький p - значение приводит к отклонению H 0 в пользу H 1, и принятие альтернативной модели altglme. С другой стороны, большой p - значение указывает, что мы не можем отклонить H 0 и отражаем недостаточные доказательства, чтобы принять модель altglme.
p - полученное использование значений теста отношения правдоподобия может быть консервативным при тестировании на присутствие или отсутствие условий случайных эффектов и антиконсерватора при тестировании на присутствие или отсутствие условий фиксированных эффектов. Вместо этого используйте fixedEffects или методы coefTest, чтобы протестировать на фиксированные эффекты.
Чтобы провести допустимый тест отношения правдоподобия на моделях GLME, обе модели должны быть адаптированы с помощью Лапласа или аппроксимированного подходящего метода Лапласа. Модели соответствовали использованию максимальной псевдо вероятности (MPL) или ограничили максимальную псевдо вероятность (REMPL), метод не может быть сравнен с помощью теста отношения правдоподобия. Когда сравнение моделей соответствовало использованию MPL, максимизируемая логарифмическая вероятность псевдоданных из итоговой псевдо итерации вероятности используется в тесте отношения правдоподобия. Если вы сравниваете модели с ненормальными распределениями, адаптированными с помощью MPL, то compare дает предупреждение, что тест отношения правдоподобия использует максимизируемую логарифмическую вероятность псевдоданных из итоговой псевдо итерации вероятности. Чтобы использовать истинную максимизируемую логарифмическую вероятность в тесте отношения правдоподобия, соответствуйте и glme и altglme с помощью аппроксимированного Лапласа или Лапласа до образцового сравнения.
Чтобы провести допустимый тест отношения правдоподобия, glme должен быть вложен в altglme. Аргумент пары "имя-значение" 'CheckNesting',true проверяет следующие требования и возвращает ошибку, если кто-либо не удовлетворен:
Необходимо соответствовать обеим моделям (glme и altglme) использование 'ApproximateLaplace' или метода подгонки 'Laplace'. Вы не можете сравнить модели GLME, адаптированные с помощью 'MPL' или 'REMPL' с помощью теста отношения правдоподобия.
Необходимо соответствовать обеим моделям с помощью того же вектора отклика, распределения ответа и функции ссылки.
Меньшая модель (glme) должна быть вложена в большей модели (altglme), такой, что можно получить glme из altglme путем устанавливания некоторых параметров модели altglme к фиксированным значениям такой как 0.
Максимизируемая логарифмическая вероятность большей модели (altglme) должна быть больше, чем или равной максимизируемой логарифмической вероятности меньшей модели (glme).
Векторы веса, используемые, чтобы соответствовать glme и altglme, должны быть идентичными.
Матрица проекта случайных эффектов большей модели (altglme) должна содержать матрицу проекта случайных эффектов меньшей модели (glme).
Матрица проекта фиксированных эффектов большей модели (altglme) должна содержать матрицу проекта фиксированных эффектов меньшей модели (glme).
Критерием информации о Akaike (AIC) является AIC = –2logLM + 2 (param).
logLM зависит от метода, используемого, чтобы соответствовать модели.
Если вы используете 'Laplace' или 'ApproximateLaplace', то logLM является максимизируемой логарифмической вероятностью.
Если вы используете 'MPL', то logLM является максимизируемой логарифмической вероятностью псевдо данных из итоговой псевдо итерации вероятности.
Если вы используете 'REMPL', то logLM является максимизируемой ограниченной логарифмической вероятностью псевдо данных из итоговой псевдо итерации вероятности.
param является общим количеством параметров, оцененных в модели. Для большинства моделей GLME param равен nc + p + 1, где nc является общим количеством параметров в ковариации случайных эффектов, исключая остаточное отклонение, и p является количеством коэффициентов фиксированных эффектов. Однако, если дисперсионный параметр фиксируется в 1,0 для бинома или дистрибутивов Пуассона, то param равен (nc + p).
Байесовым информационным критерием (BIC) является BIC = –2*logLM + ln (neff) (param).
logLM зависит от метода, используемого, чтобы соответствовать модели.
Если вы используете 'Laplace' или 'ApproximateLaplace', то logLM является максимизируемой логарифмической вероятностью.
Если вы используете 'MPL', то logLM является максимизируемой логарифмической вероятностью псевдо данных из итоговой псевдо итерации вероятности.
Если вы используете 'REMPL', то logLM является максимизируемой ограниченной логарифмической вероятностью псевдо данных из итоговой псевдо итерации вероятности.
neff является эффективным количеством наблюдений.
Если вы используете 'MPL', 'Laplace' или 'ApproximateLaplace', то neff = n, где n является количеством наблюдений.
Если вы используете 'REMPL', то neff = n – p.
param является общим количеством параметров, оцененных в модели. Для большинства моделей GLME param равен nc + p + 1, где nc является общим количеством параметров в ковариации случайных эффектов, исключая остаточное отклонение, и p является количеством коэффициентов фиксированных эффектов. Однако, если дисперсионный параметр фиксируется в 1,0 для бинома или дистрибутивов Пуассона, то param равен (nc + p).
Нижнее значение отклонения указывает на лучшую подгонку. Когда значение отклонения уменьшается, и AIC и BIC имеют тенденцию уменьшаться. И AIC и BIC также включают условия штрафа на основе количества оцененных параметров, p. Так, когда количество увеличения параметров, значения AIC и BIC имеют тенденцию увеличиваться также. При сравнении различных моделей модель с самым низким AIC или значением BIC рассматривается как модель оптимальной подгонки.
Для моделей, адаптированных с помощью 'MPL' и 'REMPL', AIC и BIC основаны на логарифмической вероятности (или ограниченной логарифмической вероятности) псевдо данных из итоговой псевдо итерации вероятности. Поэтому прямое сравнение AIC и значений BIC между моделями, адаптированными с помощью 'MPL' и 'REMPL', не является соответствующим.
GeneralizedLinearMixedModel | covarianceParameters | fixedEffects | randomEffects
1. Если смысл перевода понятен, то лучше оставьте как есть и не придирайтесь к словам, синонимам и тому подобному. О вкусах не спорим.
2. Не дополняйте перевод комментариями “от себя”. В исправлении не должно появляться дополнительных смыслов и комментариев, отсутствующих в оригинале. Такие правки не получится интегрировать в алгоритме автоматического перевода.
3. Сохраняйте структуру оригинального текста - например, не разбивайте одно предложение на два.
4. Не имеет смысла однотипное исправление перевода какого-то термина во всех предложениях. Исправляйте только в одном месте. Когда Вашу правку одобрят, это исправление будет алгоритмически распространено и на другие части документации.
5. По иным вопросам, например если надо исправить заблокированное для перевода слово, обратитесь к редакторам через форму технической поддержки.