Класс: GeneralizedLinearMixedModel
Оценки фиксированных эффектов и связанной статистики
beta = fixedEffects(glme)
[beta,betanames]
= fixedEffects(glme)
[beta,betanames,stats]
= fixedEffects(glme)
[___] = fixedEffects(glme,Name,Value)
[___] = fixedEffects(
возвращает любой из выходных аргументов в предыдущих синтаксисах с помощью дополнительных опций, заданных одним или несколькими аргументами пары glme
,Name,Value
)Name,Value
. Например, можно задать доверительный уровень или метод для вычисления аппроксимированных степеней свободы для t - статистическая величина.
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
'DFMethod'
— Метод для вычисления аппроксимированных степеней свободы'residual'
(значение по умолчанию) | 'none'
Метод для вычисления аппроксимированных степеней свободы, заданных как пара, разделенная запятой, состоящая из 'DFMethod'
и одно из следующих.
Значение | Описание |
---|---|
'residual' | Значение степеней свободы принято, чтобы быть постоянным и равным n – p, где n является количеством наблюдений, и p является количеством фиксированных эффектов. |
'none' | Степени свободы установлены в бесконечность. |
Пример: 'DFMethod','none'
\beta
Предполагаемые коэффициенты фиксированных эффектовПредполагаемые коэффициенты фиксированных эффектов подходящей обобщенной линейной модели glme
смешанных эффектов, возвращенной как вектор.
betanames
— Имена коэффициентов фиксированных эффектовИмена коэффициентов фиксированных эффектов в beta
, возвращенном как таблица.
статистика
Фиксированные эффекты оценивают и связанная статистикаФиксированные эффекты оценивают и связанная статистика, возвращенная как массив набора данных, который ссорится для каждого из фиксированных эффектов и одного столбца для каждых из следующих статистических данных.
ColumnName | Описание |
---|---|
Name | Имя коэффициента фиксированных эффектов |
Estimate | Предполагаемое содействующее значение |
SE | Стандартная погрешность оценки |
tStat | t- для теста, что коэффициент 0 |
DF | Предполагаемые степени свободы для t - статистическая величина |
pValue | p- для the t-статистической-величины |
Lower | Нижний предел 95%-го доверительного интервала для коэффициента фиксированных эффектов |
Upper | Верхний предел 95%-го доверительного интервала для коэффициента фиксированных эффектов |
Когда подбор кривой модели с помощью fitglme
и одного из наибольшего правдоподобия соответствует методам ('Laplace'
или 'ApproximateLaplace'
), если вы задаете аргумент пары "имя-значение" 'CovarianceMethod'
как 'conditional'
, затем SE
не составляет неуверенность в оценке параметров ковариации. Чтобы составлять эту неуверенность, задайте 'CovarianceMethod'
как 'JointHessian'
.
При подборе кривой модели GLME с помощью fitglme
и одного из псевдо методов подгонки вероятности ('MPL'
или 'REMPL'
), fixedEffects
основывает закрепленные оценки эффектов и связанную статистику по 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 предполагаемые содействующие значения фиксированных эффектов и связанную статистику.
[beta,betanames,stats] = fixedEffects(glme); stats
stats = Fixed effect coefficients: DFMethod = 'residual', Alpha = 0.05 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
Возвращенные результаты показывают, например, что предполагаемый коэффициент для temp_dev
–0.28317. Его большое - значение, 0.76907, указывает, что это не статистически значительный предиктор на 5%-м уровне значения. Кроме того, Lower
контуров доверительного интервала и Upper
указывают, что 95%-й доверительный интервал для коэффициента для temp_dev
[-2.1926, 1.6263]. Этот интервал содержит 0, который поддерживает заключение, что temp_dev
не является статистически значительным на 5%-м уровне значения.
GeneralizedLinearMixedModel
| coefCI
| coefTest
| fitglme
| 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.