Класс: GeneralizedLinearMixedModel
Извлеките параметры ковариации обобщенной линейной модели смешанных эффектов
psi = covarianceParameters(glme)
[psi,dispersion]
= covarianceParameters(glme)
[psi,dispersion,stats]
= covarianceParameters(glme)
[___] = covarianceParameters(glme,Name,Value)
[
также возвращает оценку дисперсионного параметра.psi
,dispersion
]
= covarianceParameters(glme
)
[
также возвращает массив ячеек psi
,dispersion
,stats
]
= covarianceParameters(glme
)stats
, содержащий оценки параметра ковариации и связанную статистику.
[___] = covarianceParameters(
возвращает любой из вышеупомянутых выходных аргументов с помощью дополнительных опций, заданных одним или несколькими аргументами пары glme
,Name,Value
)Name,Value
. Например, можно задать доверительный уровень для пределов достоверности параметров ковариации.
glme
— Обобщенная линейная модель смешанных эффектовGeneralizedLinearMixedModel
Обобщенная линейная модель смешанных эффектов, заданная как объект GeneralizedLinearMixedModel
. Для свойств и методов этого объекта, смотрите GeneralizedLinearMixedModel
.
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.
\alpha
Уровень значенияУровень значения, заданный как пара, разделенная запятой, состоящая из 'Alpha'
и скалярного значения в области значений [0,1]. Для значения α, доверительный уровень является 100 × (1 – α) %.
Например, для 99% доверительных интервалов, можно задать доверительный уровень можно следующим образом.
Пример: 'Alpha',0.01
Типы данных: single | double
\psi
Предполагаемые предшествующие параметры ковариацииПредполагаемые предшествующие параметры ковариации для предикторов случайных эффектов, возвращенных как массив ячеек длины R, где R является количеством группирующих переменных, используемых в модели. psi{r}
содержит ковариационную матрицу случайных эффектов, сопоставленных с группирующей переменной gr, где r = 1, 2..., R, порядок группирующих переменных в psi
совпадает с заказом, введенным при подборе кривой модели. Для получения дополнительной информации о группирующих переменных смотрите Группирующие переменные.
dispersion
— Дисперсионный параметрДисперсионный параметр, возвращенный как скалярное значение.
статистика
Параметр ковариации оценивает и связанная статистикаПараметр ковариации оценивает и связанная статистика, возвращенная как массив ячеек длины (R + 1), где R является количеством группирующих переменных, используемых в модели. Первые ячейки R stats
каждый содержит массив набора данных со следующими столбцами.
ColumnName | Описание |
---|---|
Group | Имя группирующей переменной |
Name1 | Имя первой переменной прогноза |
Name2 | Имя второй переменной прогноза |
Type |
Если Если |
Estimate |
Если Если |
Lower | Нижний предел доверительного интервала для параметра ковариации |
Upper | Верхний предел доверительного интервала для параметра ковариации |
Ячейка R + 1 содержит связанную статистику для дисперсионного параметра.
Рекомендуется, чтобы присутствие или отсутствие параметров ковариации в glme
были протестированы с помощью метода compare
, который использует тест отношения правдоподобия.
При подборе кривой модели GLME с помощью fitglme
и одного из методов подгонки наибольшего правдоподобия ('Laplace'
или 'ApproximateLaplace'
), covarianceParameters
выводит доверительные интервалы в stats
на основе приближения Лапласа к логарифмической вероятности обобщенной линейной модели смешанных эффектов.
При подборе кривой модели GLME с помощью fitglme
и одного из псевдо методов подгонки вероятности ('MPL'
или 'REMPL'
), covarianceParameters
выводит доверительные интервалы в stats
на основе подходящей линейной модели смешанных эффектов от итоговой псевдо итерации вероятности.
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 (A
, B
или C
) химиката, используемого 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
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');
Вычислите и отобразите оценку предшествующего параметра ковариации для предиктора случайных эффектов.
[psi,dispersion,stats] = covarianceParameters(glme); psi{1}
ans = 0.0985
psi{1}
является оценкой предшествующей ковариационной матрицы первой группирующей переменной. В этом примере существует только одна группирующая переменная (factory
), таким образом, psi{1}
является оценкой .
Отобразите дисперсионный параметр.
dispersion
dispersion = 1
Отобразите предполагаемое стандартное отклонение случайного эффекта, сопоставленного с предиктором. Первая ячейка stats
содержит статистику для factory
, в то время как вторая ячейка содержит статистику для дисперсионного параметра.
stats{1}
ans = Covariance Type: Isotropic Group Name1 Name2 Type Estimate factory '(Intercept)' '(Intercept)' 'std' 0.31381 Lower Upper 0.19253 0.51148
Предполагаемое стандартное отклонение случайного эффекта, сопоставленного с предиктором, 0.31381. 95%-й доверительный интервал [0.19253, 0.51148]. Поскольку доверительный интервал не содержит 0, случайное прерывание является значительным на 5%-м уровне значения.
GeneralizedLinearMixedModel
| compare
| fitglme
| 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.