Загрузите выборочные данные.

load(fullfile(matlabroot,'examples','stats','weight.mat'));

Набор данных weight содержит данные из продольного исследования, где 20 предметов случайным образом присвоены 4 программам подготовки и их потере веса, зарегистрирован более чем шесть 2-недельных периодов времени. Это - моделируемые данные.

Храните данные в таблице. Задайте Subject и Program как категориальные переменные.

tbl = table(InitialWeight,Program,Subject,Week,y);
tbl.Subject = nominal(tbl.Subject);
tbl.Program = nominal(tbl.Program);

Соответствуйте линейной модели смешанных эффектов, где начальный вес, тип программы, неделя и взаимодействие между неделей и программой являются фиксированными эффектами. Прерывание и неделя отличается предметом.

lme = fitlme(tbl,'y ~ InitialWeight + Program*Week + (Week|Subject)');

Отобразите содействующие оценки фиксированных эффектов и соответствующие имена фиксированных эффектов.

[beta,betanames] = fixedEffects(lme)

beta = 9×1

    0.6610
    0.0032
    0.3608
   -0.0333
    0.1132
    0.1732
    0.0388
    0.0305
    0.0331

betanames=9×1 table
          Name      
    ________________

    '(Intercept)'   
    'InitialWeight' 
    'Program_B'     
    'Program_C'     
    'Program_D'     
    'Week'          
    'Program_B:Week'
    'Program_C:Week'
    'Program_D:Week'

Загрузите выборочные данные.

load carbig

Соответствуйте линейной модели смешанных эффектов для миль на галлон (MPG) с фиксированными эффектами для ускорения и лошадиной силы, и потенциально коррелировал случайные эффекты для прерывания и ускорения, сгруппированного модельным годом. Во-первых, храните данные в таблице.

tbl = table(Acceleration,Horsepower,Model_Year,MPG);

Соответствуйте модели.

lme = fitlme(tbl, 'MPG ~ Acceleration + Horsepower + (Acceleration|Model_Year)');

Вычислите содействующие оценки фиксированных эффектов и связанную статистику.

[~,~,stats] = fixedEffects(lme)

stats = 
    Fixed effect coefficients: DFMethod = 'Residual', Alpha = 0.05

    Name                  Estimate    SE           tStat      DF     pValue    
    '(Intercept)'           50.133       2.2652     22.132    389    7.7727e-71
    'Acceleration'        -0.58327      0.13394    -4.3545    389    1.7075e-05
    'Horsepower'          -0.16954    0.0072609     -23.35    389     5.188e-76


    Lower       Upper   
      45.679      54.586
    -0.84661    -0.31992
    -0.18382    -0.15527

Маленькое $$p$$- значения (под pValue) указывают, что все коэффициенты фиксированных эффектов являются значительными.

Загрузите выборочные данные.

load(fullfile(matlabroot,'examples','stats','shift.mat'));

Данные показывают отклонения от целевой качественной характеристики, измеренной от продуктов, что пять операторов производят во время трех 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)');

Вычислите 99% доверительных интервалов для коэффициентов фиксированных эффектов, с помощью остаточного метода, чтобы вычислить степени свободы. Это - метод по умолчанию.

[~,~,stats] = fixedEffects(lme,'alpha',0.01)

stats = 
    Fixed effect coefficients: DFMethod = 'Residual', Alpha = 0.01

    Name                   Estimate    SE         tStat       DF    pValue   
    '(Intercept)'           3.1196     0.88681      3.5178    12    0.0042407
    'Shift_Morning'        -0.3868     0.48344    -0.80009    12      0.43921
    'Shift_Night'           1.9856     0.48344      4.1072    12    0.0014535


    Lower      Upper 
    0.41081    5.8284
    -1.8635    1.0899
     0.5089    3.4623

Вычислите 99% доверительных интервалов для коэффициентов фиксированных эффектов, с помощью приближения Satterthwaite, чтобы вычислить степени свободы.

[~,~,stats] = fixedEffects(lme,'DFMethod','satterthwaite','alpha',0.01)

stats = 
    Fixed effect coefficients: DFMethod = 'Satterthwaite', Alpha = 0.01

    Name                   Estimate    SE         tStat       DF       pValue 
    '(Intercept)'           3.1196     0.88681      3.5178    6.123    0.01214
    'Shift_Morning'        -0.3868     0.48344    -0.80009       10    0.44225
    'Shift_Night'           1.9856     0.48344      4.1072       10    0.00212


    Lower       Upper 
    -0.14122    6.3804
      -1.919    1.1454
     0.45343    3.5178

Приближение Satterthwaite обычно производит меньшие значения DF, чем остаточный метод. Именно поэтому это производит больше $$p$$- значения (pValue) и большие доверительные интервалы (см. Lower и Upper).