Класс: LinearMixedModel
Зафиксированный - и случайные эффекты разрабатывают матрицы
D = designMatrix(lme)D =
designMatrix(lme,'Fixed')D = designMatrix(lme,'Random')Dsub = designMatrix(lme,'Random',gnumbers)[Dsub,gnames]
= designMatrix(lme,'Random',gnumbers)lme — Линейная модель смешанных эффектовLinearMixedModelЛинейная модель смешанных эффектов, заданная как объект LinearMixedModel, созданный с помощью fitlme или fitlmematrix.
gnumbers — Числа группирующей переменнойЧисла группирующей переменной, заданные как целочисленный массив, где R является длиной массива ячеек, который содержит группирующие переменные для линейной модели lme смешанных эффектов.
Например, можно задать группирующие переменные g1, g3, и gr можно следующим образом.
Пример: [1,3,r]
Типы данных: double | single
D Матрица проектаМатрица проекта линейной модели lme смешанных эффектов, возвращенной как одно из следующего:
Фиксированные эффекты разрабатывают матрицу — n-by-p матрица, состоящая из проекта фиксированных эффектов lme, где n является количеством наблюдений, и p является количеством условий фиксированных эффектов.
Случайные эффекты разрабатывают матрицу — n-by-k матрица, состоя из случайных эффектов разрабатывает матрицу lme. Здесь, k равен length(B), где B является содействующим вектором случайных эффектов линейной модели lme смешанных эффектов.
Если lme имеет группирующие переменные R g1, g2..., gR, с уровнями m 1, m 2..., m R, соответственно, и если q 1, q 2..., q R является длинами векторов случайных эффектов, которые сопоставлены с g1, g2..., gR, соответственно, то B является вектор-столбцом длины q 1*m1 + q 2*m2 +... + q R *mR.
B сделан путем конкатенации лучших линейных несмещенных предикторов векторов случайных эффектов, соответствующих каждому уровню каждой группирующей переменной как [g1level1; g1level2; ...; g1levelm1; g2level1; g2level2; ...; g2levelm2; ...; gRlevel1; gRlevel2; ...; gRlevelmR]'.
Типы данных: single | double
Dsub — Субматрица случайных эффектов разрабатывает матрицуСубматрица матрицы проекта случайных эффектов, соответствующей группирующим переменным, обозначенным целыми числами в gnumbers, возвратилась как n-by-k матрица, где k является длиной вектор-столбца Bsub.
Bsub содержит конкатенированные лучшие линейные несмещенные предикторы (BLUPs) векторов случайных эффектов, соответствуя каждому уровню группирующих переменных, заданных gnumbers.
Если, например, gnumbers является [1,3,r], это соответствует группирующим переменным g1, g3, и gr. Затем Bsub содержит конкатенированный BLUPs векторов случайных эффектов, соответствующих каждому уровню группирующих переменных g1, g3, и gr, такой как
[g1level1; g1level2; ...; g1levelm1; g3level1; g3level2; ...; g3levelm3; grlevel1; grlevel2; ...; grlevelmr]'.
Таким образом Dsub*Bsub представляет вклад всего случайного соответствия эффектов группирующим переменным g1, g3, и gr к ответу lme.
Если gnumbers пуст, то Dsub является полной матрицей проекта случайных эффектов.
Типы данных: single | double
gnames — Имена группирующих переменныхИмена группирующих переменных, соответствующих целым числам в gnumbers, если типом проекта является 'Random', возвратились как k-by-1 массив ячеек. Если типом проекта является 'Fixed', то gnames является пустой матричный [].
Типы данных: cell
Загрузите выборочные данные.
load(fullfile(matlabroot,'examples','stats','shift.mat'));
Данные показывают отклонения от целевой качественной характеристики, измеренной от продуктов, что 5 операторов производят во время трех различных сдвигов, утро, вечер и ночь. Это - рандомизированная блочная конструкция, где операторы являются блоками. Эксперимент разработан, чтобы изучить влияние времени сдвига на производительности. Критерием качества работы является отклонение качественных характеристик от целевого значения. Это - моделируемые данные.
Shift и Operator являются номинальными переменными.
shift.Shift = nominal(shift.Shift); shift.Operator = nominal(shift.Operator);
Соответствуйте линейной модели смешанных эффектов случайным прерыванием, сгруппированным оператором, чтобы оценить, если производительность значительно отличается согласно времени сдвига.
lme = fitlme(shift,'QCDev ~ Shift + (1|Operator)');Отобразитесь фиксированные эффекты разрабатывают матрицу.
designMatrix(lme)
ans = 15×3
1 1 0
1 0 0
1 0 1
1 1 0
1 0 0
1 0 1
1 1 0
1 0 0
1 0 1
1 1 0
⋮
Столбец 1 с представляет постоянный член в модели. fitlme берет вечернюю смену в качестве ссылочной группы и создает две фиктивных переменные, чтобы представлять утренние и ночные смены, соответственно.
Отобразитесь случайные эффекты разрабатывают матрицу.
designMatrix(lme,'random')ans = (1,1) 1 (2,1) 1 (3,1) 1 (4,2) 1 (5,2) 1 (6,2) 1 (7,3) 1 (8,3) 1 (9,3) 1 (10,4) 1 (11,4) 1 (12,4) 1 (13,5) 1 (14,5) 1 (15,5) 1
Первый номер, i, в (i, |j |) индексы соответствуют номеру наблюдения, and|j | соответствует уровню группирующей переменной, Operator, т.е. номера оператора.
Покажите, что полное отображение случайных эффектов разрабатывает матрицу.
full(designMatrix(lme,'random'))ans = 15×5
1 0 0 0 0
1 0 0 0 0
1 0 0 0 0
0 1 0 0 0
0 1 0 0 0
0 1 0 0 0
0 0 1 0 0
0 0 1 0 0
0 0 1 0 0
0 0 0 1 0
⋮
Каждый столбец соответствует уровню группирующей переменной, Operator.
Загрузите выборочные данные.
load(fullfile(matlabroot,'examples','stats','fertilizer.mat'));
Массив набора данных включает данные из эксперимента графика разделения, где почва разделена на три блока на основе типа грунта: песчаный, илистый, и глинистый. Каждый блок разделен на пять графиков, где пять различных типов томатных объектов (вишня, семейная реликвия, виноград, виноградная лоза и слива) случайным образом присвоены этим графикам. Томатные объекты в графиках затем разделены на подграфики, где каждый подграфик обработан одним из четырех удобрений. Это - моделируемые данные.
Храните данные в массиве набора данных под названием ds, практически, и задайте Tomato, Soil и Fertilizer как категориальные переменные.
ds = fertilizer; ds.Tomato = nominal(ds.Tomato); ds.Soil = nominal(ds.Soil); ds.Fertilizer = nominal(ds.Fertilizer);
Соответствуйте линейной модели смешанных эффектов, где Fertilizer и Tomato являются переменными фиксированных эффектов, и средний урожай отличается блоком (тип грунта) и графики в блоках (томатные типы в типах грунта) независимо.
lme = fitlme(ds,'Yield ~ Fertilizer * Tomato + (1|Soil) + (1|Soil:Tomato)');Сохраните и исследуйте полную матрицу проекта случайных эффектов.
D = full(designMatrix(lme,'random'));Первые три столбца матричного D содержат переменные fitlme индикатора, создает для этих трех уровней (Loamy, Silty, Sandy, соответственно) первой группирующей переменной, Soi|l. The next 15 columns contain the indicator variables created for the second grouping variable, |Tomato, вложенный под Soil. Это в основном поэлементные продукты фиктивных переменных, представляющих уровни Soil (Loamy, Silty и Sandy, соответственно) и уровни Tomato (Cherry, Grape, Heirloom, Plum, Vine, соответственно).
Загрузите выборочные данные.
load(fullfile(matlabroot,'examples','stats','fertilizer.mat'));
Массив набора данных включает данные из эксперимента графика разделения, где почва разделена на три блока на основе типа грунта: песчаный, илистый, и глинистый. Каждый блок разделен на пять графиков, где пять различных типов томатных объектов (вишня, семейная реликвия, виноград, виноградная лоза и слива) случайным образом присвоены этим графикам. Томатные объекты в графиках затем разделены на подграфики, где каждый подграфик обработан одним из четырех удобрений. Это - моделируемые данные.
Храните данные в массиве набора данных под названием ds, практически, и задайте Tomato, Soil и Fertilizer как категориальные переменные.
ds = fertilizer; ds.Tomato = nominal(ds.Tomato); ds.Soil = nominal(ds.Soil); ds.Fertilizer = nominal(ds.Fertilizer);
Соответствуйте линейной модели смешанных эффектов, где Fertilizer и Tomato являются переменными фиксированных эффектов, и средний урожай отличается блоком (тип грунта) и графики в блоках (томатные типы в типах грунта) независимо.
lme = fitlme(ds,'Yield ~ Fertilizer * Tomato + (1|Soil) + (1|Soil:Tomato)');Вычислите случайные эффекты, разрабатывают матрицу для второй группирующей переменной и отображают первые 12 строк.
[Dsub,gname] = designMatrix(lme,'random',2);
full(Dsub(1:12,:))ans = 12×15
0 0 0 0 0 0 0 0 1 0 0 0 0 0 0
0 0 0 0 0 0 0 0 1 0 0 0 0 0 0
0 0 0 0 0 0 0 0 1 0 0 0 0 0 0
0 0 0 0 0 0 0 0 1 0 0 0 0 0 0
0 0 0 0 0 1 0 0 0 0 0 0 0 0 0
0 0 0 0 0 1 0 0 0 0 0 0 0 0 0
0 0 0 0 0 1 0 0 0 0 0 0 0 0 0
0 0 0 0 0 1 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 1 0 0 0 0 0 0 0
0 0 0 0 0 0 0 1 0 0 0 0 0 0 0
⋮
Dsub содержит фиктивные переменные, созданные для второй группирующей переменной, то есть, помидор, вложенный под почвой. Это поэлементные продукты фиктивных переменных, представляющих уровни Soil (Loamy, Silty, Sandy, соответственно) и уровни Tomato (Cherry, Grape, Heirloom, Plum, Vine, соответственно).
Отобразите имя группирующей переменной.
gname
gname = 1x1 cell array
{'Soil:Tomato'}
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.