fixedEffects

Класс: GeneralizedLinearMixedModel

Оценки фиксированных эффектов и связанной статистики

Синтаксис

beta = fixedEffects(glme)
[beta,betanames] = fixedEffects(glme)
[beta,betanames,stats] = fixedEffects(glme)
[___] = fixedEffects(glme,Name,Value)

Описание

beta = fixedEffects(glme) возвращает предполагаемые коэффициенты фиксированных эффектов, beta, обобщенной линейной модели glme смешанных эффектов.

[beta,betanames] = fixedEffects(glme) также возвращает имена предполагаемых коэффициентов фиксированных эффектов в betanames. Каждое имя соответствует коэффициенту фиксированных эффектов в beta.

пример

[beta,betanames,stats] = fixedEffects(glme) также возвращает таблицу статистики, stats, связанного с предполагаемыми коэффициентами фиксированных эффектов glme.

[___] = fixedEffects(glme,Name,Value) возвращает любой из выходных аргументов в предыдущих синтаксисах с помощью дополнительных опций, заданных одним или несколькими аргументами пары Name,Value. Например, можно задать доверительный уровень или метод для вычисления аппроксимированных степеней свободы для t - статистическая величина.

Входные параметры

развернуть все

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.

Уровень 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

Метод для вычисления аппроксимированных степеней свободы, заданных как пара, разделенная запятой, состоящая из 'DFMethod' и одно из следующих.

ЗначениеОписание
'residual'Значение степеней свободы принято, чтобы быть постоянным и равным np, где n является количеством наблюдений, и p является количеством фиксированных эффектов.
'none'Степени свободы установлены в бесконечность.

Пример: 'DFMethod','none'

Выходные аргументы

развернуть все

Предполагаемые коэффициенты фиксированных эффектов подходящей обобщенной линейной модели glme смешанных эффектов, возвращенной как вектор.

Имена коэффициентов фиксированных эффектов в beta, возвращенном как таблица.

Фиксированные 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
NameИмя коэффициента фиксированных эффектов
EstimateПредполагаемое содействующее значение
SEСтандартная погрешность оценки
tStatt- для теста, что коэффициент 0
DFПредполагаемые степени свободы для t - статистическая величина
pValuep- для the t-статистической-величины
LowerНижний предел 95%-го доверительного интервала для коэффициента фиксированных эффектов
UpperВерхний 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.

Примеры

развернуть 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 (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

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');

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 p- 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.

Для просмотра документации необходимо авторизоваться на сайте