Класс: RepeatedMeasuresModel
Несколько сравнение предполагаемых крайних средних значений
tbl = multcompare(rm,var)
tbl = multcompare(rm,var,Name,Value)
возвращает несколько сравнений предполагаемых крайних средних значений с дополнительными опциями, заданными одним или несколькими аргументами пары tbl
= multcompare(rm
,var
,Name,Value
)Name,Value
.
Например, можно задать тип сравнения или который переменная сгруппироваться.
\rm
Повторная модель мерRepeatedMeasuresModel
Повторная модель мер, возвращенная как объект RepeatedMeasuresModel
.
Для свойств и методов этого объекта, смотрите RepeatedMeasuresModel
.
var
Переменные, для которых можно вычислить крайние средние значенияПеременные, для которых можно вычислить крайние средние значения, заданные как вектор символов, или представить в виде строки скаляр, представляющий имя между - или в предметах включить rm
. Если var
является фактором между предметами, это должно быть категориальным.
Типы данных: char | string
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.
\alpha
Уровень значенияУровень значения доверительных интервалов для генеральной совокупности крайние средние значения, заданные как пара, разделенная запятой, состоящая из 'alpha'
и скалярного значения в области значений от 0 до 1. Доверительный уровень равняется 100* (1–alpha)
%.
Пример: 'alpha',0.01
Типы данных: double | single
'By'
— Фактор, чтобы выполнить сравненияФактор, чтобы сделать сравнения, заданный как пара, разделенная запятой, состоящая из 'By'
и вектора символов или представить скаляр в виде строки. Сравнение между уровнями var
происходит отдельно для каждого значения фактора, который вы задаете.
Если у вас есть более затем факторы между предметами, A, B и C, и если вы хотите сделать сравнения уровней A отдельно для каждого уровня C, затем задать A в качестве аргумента var
и задать C с помощью аргумента 'By'
можно следующим образом.
Пример: 'By',C
Типы данных: char | string
'ComparisonType'
— Тип критического значения, чтобы использовать'tukey-kramer'
(значение по умолчанию) | 'dunn-sidak'
| 'bonferroni'
| 'scheffe'
| 'lsd'
Тип критического значения, чтобы использовать, заданный как пара, разделенная запятой, состоящая из 'ComparisonType'
и одно из следующих.
Тип сравнения | Определение |
---|---|
'tukey-kramer' | Значение по умолчанию. Также Честная процедура Значительной разницы названного Туки. Это основано на распределении области значений Studentized. Согласно бездоказательной догадке Туки-Крамера, также правильно для проблем, где сравниваемые количества коррелируются, как в ковариационном анализе с несбалансированными ковариационными значениями. |
'dunn-sidak' |
Используйте критические значения от распределения t после корректировки к нескольким сравнениям, которая была предложена Данном и оказалась точной Sidák. Критическое значение где и ng является количеством групп (крайние средние значения). Эта процедура подобна, но менее консервативна, чем, процедура Bonferroni. |
'bonferroni' | Используйте критические значения от распределения t после корректировки Bonferroni, чтобы компенсировать несколько сравнений. Критическое значение где ng является количеством групп (крайние средние значения), и v является ошибочными степенями свободы. Эта процедура консервативна, но обычно меньше, чем процедура Scheffé. |
'scheffe' | Используйте критические значения из процедуры S Шеффе, выведенной от распределения F. Критическое значение где ng является количеством групп (крайние средние значения), и v является ошибочными степенями свободы. Эта процедура обеспечивает одновременный доверительный уровень для сравнений всех линейных комбинаций средних значений, и это консервативно для сравнений простых различий пар. |
'lsd' |
Младшее значащее различие. Эта опция использует плоскость t - тесты. Критическое значение где v является ошибочными степенями свободы. Это не обеспечивает защиты против нескольких проблема сравнения. |
Пример: 'ComparisonType','dunn-sidak'
tbl
Результаты нескольких сравнениеРезультаты нескольких сравнений предполагаемых крайних средних значений, возвращенных как таблица. tbl
имеет следующие столбцы.
ColumnName | Описание |
---|---|
Difference | Предполагаемое различие между соответствующими двумя крайними средними значениями |
StdErr | Стандартная погрешность предполагаемого различия между соответствующими двумя крайними средними значениями |
pValue | p- для теста, что различие между соответствующими двумя крайними средними значениями 0 |
Lower | Нижний предел одновременных 95% доверительных интервалов для истинного различия |
Upper | Верхний предел одновременных 95% доверительных интервалов для истинного различия |
Загрузите выборочные данные.
load fisheriris
Вектор-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 сравнение кратного предполагаемых крайних средних значений разновидностей.
tbl = multcompare(rm,'species')
tbl=6×7 table
species_1 species_2 Difference StdErr pValue Lower Upper
____________ ____________ __________ ________ __________ ________ ________
'setosa' 'versicolor' -1.0375 0.060539 9.5606e-10 -1.1794 -0.89562
'setosa' 'virginica' -1.7495 0.060539 9.5606e-10 -1.8914 -1.6076
'versicolor' 'setosa' 1.0375 0.060539 9.5606e-10 0.89562 1.1794
'versicolor' 'virginica' -0.712 0.060539 9.5606e-10 -0.85388 -0.57012
'virginica' 'setosa' 1.7495 0.060539 9.5606e-10 1.6076 1.8914
'virginica' 'versicolor' 0.712 0.060539 9.5606e-10 0.57012 0.85388
Маленькое - значения (в поле pValue
) указывают, что предполагаемые крайние средние значения для трех разновидностей значительно отличаются друг от друга.
Загрузите выборочные данные.
load repeatedmeas
Таблица between
включает возраст переменных между предметами, IQ, группу, пол и восемь повторных мер y1
через y8
как ответы. Таблица within
включает переменные w1
и w2
в предмете. Это - моделируемые данные.
Соответствуйте повторной модели мер, где повторными мерами, y1
через y8
является ответами, и возрастом, IQ, группой, полом и взаимодействием пола группы, являются переменные прогноза. Также задайте матрицу проекта в предмете.
R = fitrm(between,'y1-y8 ~ Group*Gender + Age + IQ','WithinDesign',within);
Выполните сравнение кратного предполагаемых крайних средних значений на основе переменной Group
.
T = multcompare(R,'Group')
T=6×7 table
Group_1 Group_2 Difference StdErr pValue Lower Upper
_______ _______ __________ ______ _________ _______ _______
A B 4.9875 5.6271 0.65436 -9.1482 19.123
A C 23.094 5.9261 0.0021493 8.2074 37.981
B A -4.9875 5.6271 0.65436 -19.123 9.1482
B C 18.107 5.8223 0.013588 3.4805 32.732
C A -23.094 5.9261 0.0021493 -37.981 -8.2074
C B -18.107 5.8223 0.013588 -32.732 -3.4805
Маленькое - значение 0,0021493 указывает, что существует значительная разница между крайними средними значениями групп A и C. - значение 0,65436 указывает, что различие между крайними средними значениями для групп A и B не существенно отличается от 0.
multcompare
использует тестовую статистическую величину Туки-Крамера по умолчанию. Измените тип сравнения на процедуру Scheffe.
T = multcompare(R,'Group','ComparisonType','Scheffe')
T=6×7 table
Group_1 Group_2 Difference StdErr pValue Lower Upper
_______ _______ __________ ______ _________ _______ _______
A B 4.9875 5.6271 0.67981 -9.7795 19.755
A C 23.094 5.9261 0.0031072 7.5426 38.646
B A -4.9875 5.6271 0.67981 -19.755 9.7795
B C 18.107 5.8223 0.018169 2.8273 33.386
C A -23.094 5.9261 0.0031072 -38.646 -7.5426
C B -18.107 5.8223 0.018169 -33.386 -2.8273
Тест Scheffe производит больше - значения, но подобные заключения.
Выполните несколько сравнений предполагаемых крайних средних значений на основе переменной Group
для каждого пола отдельно.
T = multcompare(R,'Group','By','Gender')
T=12×8 table
Gender Group_1 Group_2 Difference StdErr pValue Lower Upper
______ _______ _______ __________ ______ ________ _________ __________
Female A B 4.1883 8.0177 0.86128 -15.953 24.329
Female A C 24.565 8.2083 0.017697 3.9449 45.184
Female B A -4.1883 8.0177 0.86128 -24.329 15.953
Female B C 20.376 8.1101 0.049957 0.0033459 40.749
Female C A -24.565 8.2083 0.017697 -45.184 -3.9449
Female C B -20.376 8.1101 0.049957 -40.749 -0.0033459
Male A B 5.7868 7.9498 0.74977 -14.183 25.757
Male A C 21.624 8.1829 0.038022 1.0676 42.179
Male B A -5.7868 7.9498 0.74977 -25.757 14.183
Male B C 15.837 8.0511 0.14414 -4.3881 36.062
Male C A -21.624 8.1829 0.038022 -42.179 -1.0676
Male C B -15.837 8.0511 0.14414 -36.062 4.3881
Результаты показывают, что различие между крайними средними значениями для групп A и B не является значительным от 0 ни для одного пола (соответствующий - значения 0.86128 для розеток и 0.74977 для штекеров). Различие между крайними средними значениями для групп A и C является значительным для обоих полов (соответствующий - значения 0.017697 для розеток и 0.038022 для штекеров). В то время как различие между крайними средними значениями для групп B и C существенно отличается от 0 для розеток (- значение 0.049957), это не существенно отличается от 0 для штекеров (- значение 0.14414).
[1] G. A. Милликругозор и Джонсон, D. E. Анализ грязных данных. Объем I: разработанные эксперименты. Нью-Йорк, Нью-Йорк: Chapman & Hall, 1992.
fitrm
| margmean
| plotprofile
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.