Exponenta Banner
exponenta event banner

\epsilon

Класс: RepeatedMeasuresModel

Корректировка эпсилона к повторным мерам anova

расширьте все на странице

Синтаксис

tbl = epsilon(rm)
tbl = epsilon(rm,C)

Описание

пример

tbl = epsilon(rm) возвращает поправочные коэффициенты эпсилона для повторной модели rm мер.

tbl = epsilon(rm,C) возвращает поправочные коэффициенты эпсилона для теста на основе контрастного матричного C.

Входные параметры

развернуть все

Повторная модель мер, возвращенная как объект RepeatedMeasuresModel.

Для свойств и методов этого объекта, смотрите RepeatedMeasuresModel.

Контрасты, заданные как матрица. Значение по умолчанию C является Q, включают разложение QR матрицы M, где M задан так, чтобы Y*M был различием между всеми последовательными парами столбцов повторной матрицы Y мер.

Типы данных: single | double

Выходные аргументы

развернуть все

Поправочные коэффициенты эпсилона для повторной модели rm мер, возвращенной как таблица. tbl содержит четыре различных корректировки к epsilon.

ИсправлениеОпределение
UncorrectedНикакие корректировки, эпсилон = 1
Greenhouse-GeiserПриближение Greenhouse-Geiser
Huynh-FeldtПриближение Huynh-Feldt
Lower boundНижняя граница на p - значение

Для получения дополнительной информации смотрите Составные Исправления Предположения и Эпсилона Симметрии.

Типы данных: table

Примеры

развернуть все

Попробовать в MATLAB

Загрузите выборочные данные. 

load fisheriris

Вектор-столбец, species состоит из ирисовых цветов трех различных разновидностей: setosa, versicolor, 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 повторенный дисперсионный анализ мер. 

ranovatbl = ranova(rm)
ranovatbl=3×8 table
                                SumSq     DF      MeanSq       F         pValue        pValueGG       pValueHF       pValueLB  
                                ______    ___    ________    ______    ___________    ___________    ___________    ___________

    (Intercept):Measurements    1656.3      3      552.09    6873.3              0    9.4491e-279    2.9213e-283    2.5871e-125
    species:Measurements        282.47      6      47.078     586.1    1.4271e-206    4.9313e-156    1.5406e-158     9.0151e-71
    Error(Measurements)         35.423    441    0.080324

ranova вычисляет последние три p- значения с помощью Greenhouse-Geisser, Хуин-Фелдта, и исправлений нижней границы, соответственно.

Отобразите значения исправления эпсилона. 

epsilon(rm)
ans=1×4 table
    Uncorrected    GreenhouseGeisser    HuynhFeldt    LowerBound
    ___________    _________________    __________    __________

         1              0.75179          0.76409       0.33333

Можно проверять составную симметрию (шарообразность) предположение с помощью метода mauchly.

Советы

  • Метод mauchly тестирует на шарообразность.

  • Метод ranova содержит p - значения на основе каждого значения эпсилона.

Алгоритмы

ranova вычисляет регулярный p - значение (в столбце pValue таблицы rmanova) использование F - статистическая кумулятивная функция распределения:

p - значение = 1 – fcdf (F, v 1, v 2).

Когда составное предположение симметрии не удовлетворено, ranova использует эпсилон поправочного коэффициента, ε, чтобы вычислить исправленный p - значения можно следующим образом:

p-value_corrected = 1 – fcdf (F, ε *v1, ε *v2).

Метод epsilon возвращает значения корректировки эпсилона.

Смотрите также

| |

Темы

Документация Statistics and Machine Learning Toolbox
Поддержка