Класс: RepeatedMeasuresModel
Дисперсионный анализ для эффектов между предметами
anovatbl = anova(rm)anovatbl = anova(rm,'WithinModel',WM)\rm Повторная модель мерRepeatedMeasuresModelПовторная модель мер, возвращенная как объект RepeatedMeasuresModel.
Для свойств и методов этого объекта, смотрите RepeatedMeasuresModel.
WM — Модель в предмете'separatemeans' (значение по умолчанию) | 'orthogonalcontrasts' | вектор символов или скаляр строки определение образцовой спецификации | r-by-nc матрица, задающая контрасты ncМодель в предмете, заданная как одно из следующего:
'separatemeans' — Ответ является средним значением повторных мер (среднее значение через модель в предмете).
'orthogonalcontrasts' — Это допустимо, когда модель в предмете имеет один числовой факторный T. Ответы являются средним значением, наклоном T в центре, и, в целом, всеми ортогональными контрастами для полинома до T ^ (p – 1), где p является количеством строк в модели в предмете. anova умножает Y, ответ вы используете в повторной модели rm мер по ортогональным контрастам, и использует столбцы получившейся матрицы продукта как ответы.
anova вычисляет ортогональные контрасты для T с помощью фактора Q QR-факторизации матрицы Вандермонда.
Вектор символов или скаляр строки, который задает образцовую спецификацию в факторах в предмете. Ответы заданы условиями в той модели. anova умножает Y, матрица ответа вы используете в повторной модели rm мер по условиям модели, и использует столбцы результата как ответы.
Например, если существует фактор Времени, и 'Time' является образцовой спецификацией, то anova использует два термина, константу и нецентрированный срок Времени. Значением по умолчанию является '1', чтобы выполнить в среднем ответ.
r-by-nc матрица, C, задавая контрасты nc среди r повторил меры. Если Y представляет матрицу повторных мер, вы используете в повторной модели rm мер, то вывод tbl содержит отдельный дисперсионный анализ для каждого столбца Y *C.
Таблица anova содержит отдельные одномерные результаты дисперсионного анализа для каждого ответа.
Пример: 'WithinModel','Time'
Пример: 'WithinModel','orthogonalcontrasts'
anovatbl — Результаты дисперсионного анализаРезультаты дисперсионного анализа для эффектов между предметами, возвращенных как таблица. Это включает все условия на модели между предметами и следующих столбцах.
| ColumnName | Определение |
|---|---|
Within | Факторы в предмете |
Between | Факторы между предметами |
SumSq | Сумма квадратов |
DF | Степени свободы |
MeanSq | Среднеквадратическая ошибка |
F | F- |
pValue | p - значение, соответствующее F - статистическая величина |
Загрузите выборочные данные.
load fisheririsВектор-столбец species состоит из ирисовых цветов трех различных разновидностей: setosa, versicolor, и virginica. Двойной матричный meas состоит из четырех типов измерений на цветах: длина и ширина чашелистиков и лепестков в сантиметрах, соответственно.
Храните данные в табличном массиве.
t = table(species,meas(:,1),meas(:,2),meas(:,3),meas(:,4),... 'VariableNames',{'species','meas1','meas2','meas3','meas4'}); Meas = dataset([1 2 3 4]','VarNames',{'Measurements'});
Соответствуйте повторной модели мер, где измерения являются ответами, и разновидность является переменной прогноза.
rm = fitrm(t,'meas1-meas4~species','WithinDesign',Meas);
Выполните дисперсионный анализ.
anova(rm)
ans=3×7 table
Within Between SumSq DF MeanSq F pValue
________ ________ ______ ___ _______ ______ ___________
Constant constant 7201.7 1 7201.7 19650 2.0735e-158
Constant species 309.61 2 154.8 422.39 1.1517e-61
Constant Error 53.875 147 0.36649
Существует 150 наблюдений и 3 разновидности. Степени свободы для разновидностей равняются 3 - 1 = 2, и для ошибки это 150 - 3 = 147. Маленькое - значение 1.1517e-61 указывает, что измерения значительно отличаются согласно разновидностям.
Загрузите демонстрационные данные о панели.
load(fullfile(matlabroot,'examples','stats','panelData.mat'));
Массив набора данных, panelData, содержит ежегодные наблюдения относительно восьми городов в течение 6 лет. Первая переменная, Growth, измеряет экономический рост (переменная отклика). Вторые и третьи переменные являются городом и индикаторами года, соответственно. Последняя переменная, Employ, измеряет занятость (переменная прогноза). Это - моделируемые данные.
Храните данные в табличном массиве и задайте город как номинальную переменную.
t = table(panelData.Growth,panelData.City,panelData.Year,... 'VariableNames',{'Growth','City','Year'});
Преобразуйте данные в соответствующем формате, чтобы сделать повторенный анализ мер.
t = unstack(t,'Growth','Year','NewDataVariableNames',... {'year1','year2','year3','year4','year5','year6'});
Добавьте средний уровень занятости населения за эти годы как переменную прогноза к таблице t.
t(:,8) = table(grpstats(panelData.Employ,panelData.City));
t.Properties.VariableNames{'Var8'} = 'meanEmploy';Задайте переменную в предметах.
Year = [1 2 3 4 5 6]';
Соответствуйте повторной модели мер, где фигуры роста за эти 6 лет являются ответами, и средняя занятость является переменной прогноза.
rm = fitrm(t,'year1-year6 ~ meanEmploy','WithinDesign',Year);
Выполните дисперсионный анализ.
anovatbl = anova(rm,'WithinModel',Year)anovatbl=3×7 table
Within Between SumSq DF MeanSq F pValue
_________ __________ __________ __ __________ ________ _________
Contrast1 constant 588.17 1 588.17 0.038495 0.85093
Contrast1 meanEmploy 3.7064e+05 1 3.7064e+05 24.258 0.0026428
Contrast1 Error 91675 6 15279
Загрузите выборочные данные.
load(fullfile(matlabroot,'examples','stats','longitudinalData.mat'));
Матричный Y содержит данные об ответе для 16 человек. Ответ является уровнем в крови препарата, измеренного в пяти моментах времени (время = 0, 2, 4, 6, и 8). Каждая строка Y соответствует человеку, и каждый столбец соответствует моменту времени. Первыми восемью предметами является розетка, и вторыми восемью предметами является штекер. Это - моделируемые данные.
Задайте переменную, которая хранит гендерную информацию.
Gender = ['F' 'F' 'F' 'F' 'F' 'F' 'F' 'F' 'M' 'M' 'M' 'M' 'M' 'M' 'M' 'M']';
Храните данные в соответствующем табличном формате массивов, чтобы сделать повторенный анализ мер.
t = table(Gender,Y(:,1),Y(:,2),Y(:,3),Y(:,4),Y(:,5),... 'VariableNames',{'Gender','t0','t2','t4','t6','t8'});
Задайте переменную в предметах.
Time = [0 2 4 6 8]';
Соответствуйте повторной модели мер, где уровни в крови являются ответами, и пол является переменной прогноза.
rm = fitrm(t,'t0-t8 ~ Gender','WithinDesign',Time);
Выполните дисперсионный анализ.
anovatbl = anova(rm)
anovatbl=3×7 table
Within Between SumSq DF MeanSq F pValue
________ ________ ______ __ ______ ______ __________
Constant constant 54702 1 54702 1079.2 1.1897e-14
Constant Gender 2251.7 1 2251.7 44.425 1.0693e-05
Constant Error 709.6 14 50.685
Существует 2 пола и 16 наблюдений, таким образом, степени свободы для пола (2 - 1) = 1, и для ошибки это (16 - 2) * (2 - 1) = 14. Маленькое - значение 1.0693e-05 указывает, что существует значительный эффект пола на кровяном давлении.
Повторите дисперсионный анализ с помощью ортогональных контрастов.
anovatbl = anova(rm,'WithinModel','orthogonalcontrasts')
anovatbl=15×7 table
Within Between SumSq DF MeanSq F pValue
________ ________ __________ __ __________ __________ __________
Constant constant 54702 1 54702 1079.2 1.1897e-14
Constant Gender 2251.7 1 2251.7 44.425 1.0693e-05
Constant Error 709.6 14 50.685
Time constant 310.83 1 310.83 31.023 6.9065e-05
Time Gender 13.341 1 13.341 1.3315 0.26785
Time Error 140.27 14 10.019
Time^2 constant 565.42 1 565.42 98.901 1.0003e-07
Time^2 Gender 1.4076 1 1.4076 0.24621 0.62746
Time^2 Error 80.039 14 5.7171
Time^3 constant 2.6127 1 2.6127 1.4318 0.25134
Time^3 Gender 7.8853e-06 1 7.8853e-06 4.3214e-06 0.99837
Time^3 Error 25.546 14 1.8247
Time^4 constant 2.8404 1 2.8404 0.47924 0.50009
Time^4 Gender 2.9016 1 2.9016 0.48956 0.49559
Time^4 Error 82.977 14 5.9269
Матрица Вандермонда является матрицей, где столбцы являются степенями векторного a, то есть, V (i, j) = a (i) (n — j), где n является длиной a.
QR-факторизация m-by-n матричный A является факторизацией, что матрицей в продукт A = Q *R, где R является m-by-n верхняя треугольная матрица и Q, является m-by-m унитарная матрица.
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.