подходящий

Класс: GeneralizedLinearMixedModel

Подходящие ответы из обобщенной линейной модели смешанных эффектов

расширьте все на странице

Синтаксис

mufit = fitted(glme)

mufit = fitted(glme,Name,Value)

Описание

пример

mufit = fitted(glme) возвращает подходящий условный ответ обобщенной линейной модели glme смешанных эффектов.

mufit = fitted(glme,Name,Value) возвращает подходящий ответ с дополнительными опциями, заданными одним или несколькими аргументами пары "имя-значение". Например, можно задать, чтобы вычислить крайний подходящий ответ.

Входные параметры

развернуть все

`glme` — Обобщенная линейная модель смешанных эффектов
Объект `GeneralizedLinearMixedModel`

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

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.

`'Conditional'` — Индикатор для условного ответа
`true` (значение по умолчанию) | `false`

Индикатор для условного ответа, заданного как пара, разделенная запятой, состоящая из 'Conditional' и одно из следующих.

Значение	Описание
`true`	Вклады и от зафиксированных эффектов и от случайных эффектов (условное выражение)
`false`	Вклад только от фиксированных (крайних) эффектов

Чтобы получить адаптированные крайние значения ответа, fitted вычисляет условное среднее значение ответа с эмпирическим вектором предиктора Бейеса случайных эффектов набор b, равный 0. Для получения дополнительной информации смотрите Условный и Крайний Ответ

Пример: 'Conditional',false

Выходные аргументы

развернуть все

`mufit` — Подходящие значения ответа
n-by-1 вектор

Подходящие значения ответа, возвращенные как n-by-1 вектор, где n является количеством наблюдений.

Примеры

развернуть все

График, наблюдаемый по сравнению с подходящими значениями

Скрипт Open Live Script

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

${дефекты}_{i j} \sim Пуассон (μ_{i j})$

Это соответствует обобщенной линейной модели смешанных эффектов

$журнал (μ_{i j}) = β_{0} + β_{1} {newprocess}_{i j} + β_{2} {time_dev}_{i j} + β_{3} {temp_dev}_{i j} + β_{4} {supplier_C}_{i j} + β_{5} {supplier_B}_{i j} + b_{i},$

где

${дефекты}_{i j}$ количество дефектов, наблюдаемых в пакете, произведенном фабрикой $i$ во время пакета $j$ .
$μ_{i j}$ среднее количество дефектов, соответствующих фабрике $i$ (где $i = 1, 2, . . ., 20$ ) во время пакета $j$ (где $j = 1, 2, . . ., 5$ ).
${newprocess}_{i j}$ , ${time_dev}_{i j}$ , и ${temp_dev}_{i j}$ измерения для каждой переменной, которые соответствуют фабрике $i$ во время пакета $j$ . Например, ${newprocess}_{i j}$ указывает ли пакет, произведенный фабрикой $i$ во время пакета $j$ используемый новый процесс.
${supplier_C}_{i j}$ и ${supplier_B}_{i j}$ 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 $j$ .
$b_{i} \sim N (0, σ_{b}^{2})$ 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');

Сгенерируйте подходящие условные средние значения для модели.

mufit = fitted(glme);

Создайте scatterplot наблюдаемых величин по сравнению с подходящими значениями.

figure
scatter(mfr.defects,mufit)
title('Residuals versus Fitted Values')
xlabel('Fitted Values')
ylabel('Residuals')

Больше о

развернуть все

Условный и крайний ответ

Условный ответ включает вклады и от зафиксированного - и от предикторы случайных эффектов. Крайний ответ включает вклад только от фиксированных эффектов.

Предположим, что обобщенная линейная модель glme смешанных эффектов имеет n-by-p, фиксированные эффекты разрабатывают матричный X, и n-by-q случайные эффекты разрабатывают матричный Z. Кроме того, предположите, что предполагаемый p-by-1 вектор фиксированных эффектов $\hat{β}$ , и q-by-1 эмпирический вектор предиктора Бейеса случайных эффектов $\hat{b}$ .

Подходящий условный ответ соответствует аргументу пары "имя-значение" 'Conditional',true и задан как

${\hat{μ}}_{c o n d} = g^{- 1} ({\hat{η}}_{M E}),$

где ${\hat{η}}_{M E}$ линейный предиктор включая фиксированное - и случайные эффекты обобщенной линейной модели смешанных эффектов

${\hat{η}}_{M E} = X \hat{β} + Z \hat{b} + δ .$

Подходящий крайний ответ соответствует аргументу пары "имя-значение" 'Conditional',false и задан как

${\hat{μ}}_{m a r} = g^{- 1} ({\hat{η}}_{F E}),$

где ${\hat{η}}_{F E}$ линейный предиктор только включая фрагмент фиксированных эффектов обобщенной линейной модели смешанных эффектов

${\hat{η}}_{F E} = X \hat{β} + δ .$

Документация

подходящий

Синтаксис

Описание

Входные параметры

`glme` — Обобщенная линейная модель смешанных эффектов
Объект `GeneralizedLinearMixedModel`

Аргументы в виде пар имя-значение

`'Conditional'` — Индикатор для условного ответа
`true` (значение по умолчанию) | `false`

Выходные аргументы

`mufit` — Подходящие значения ответа
n-by-1 вектор

Примеры

График, наблюдаемый по сравнению с подходящими значениями

Больше о

Условный и крайний ответ

Смотрите также

Документация Statistics and Machine Learning Toolbox

Поддержка

Документация

подходящий

Синтаксис

Описание

Входные параметры

glme — Обобщенная линейная модель смешанных эффектов Объект GeneralizedLinearMixedModel

Аргументы в виде пар имя-значение

'Conditional' — Индикатор для условного ответа true (значение по умолчанию) | false

Выходные аргументы

mufit — Подходящие значения ответа n-by-1 вектор

Примеры

График, наблюдаемый по сравнению с подходящими значениями

Больше о

Условный и крайний ответ

Смотрите также

Документация Statistics and Machine Learning Toolbox

Поддержка

`glme` — Обобщенная линейная модель смешанных эффектов
Объект `GeneralizedLinearMixedModel`

`'Conditional'` — Индикатор для условного ответа
`true` (значение по умолчанию) | `false`

`mufit` — Подходящие значения ответа
n-by-1 вектор