multcompare

Несколько сравнение предполагаемых крайних средних значений

Синтаксис

tbl = multcompare(rm,var)

tbl = multcompare(rm,var,Name,Value)

Описание

tbl = multcompare(rm,var) возвращает несколько сравнений предполагаемых крайних средних значений на основе переменной var в повторной модели rm мер.

пример

tbl = multcompare(rm,var,Name,Value) возвращает несколько сравнений предполагаемых крайних средних значений с дополнительными опциями, заданными одним или несколькими аргументами пары Name,Value.

Например, можно задать тип сравнения или который переменная сгруппироваться.

Входные параметры

развернуть все

`\rm` Повторная модель мер
Объект `RepeatedMeasuresModel`

Повторная модель мер, возвращенная как объект RepeatedMeasuresModel.

Для свойств и методов этого объекта, смотрите RepeatedMeasuresModel.

`var` Переменные, для которых можно вычислить крайние средние значения
вектор символов | представляет скаляр в виде строки

Переменные, 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

Аргументы в виде пар имя-значение

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 значения
0,05 (значения по умолчанию) | скалярное значение в области значений от 0 до 1

Уровень 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 сравнения
вектор символов | представляет скаляр в виде строки

Фактор, 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 $\| t \| = \frac{\| {\bar{y}}_{i} - {\bar{y}}_{j} \|}{\sqrt{M S E (\frac{1}{n_{i}} + \frac{1}{n_{j}})}} > t_{1 - η / 2, v,}$ где $η = 1 - {(1 - α)}^{^{\frac{1}{(\begin{array}{l} k \\ 2 \end{array})}}}$ 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 $t_{α / 2 (\begin{matrix} n g \\ 2 \end{matrix}), v},$ 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 $\sqrt{(n g - 1) F_{α, n g - 1, v}},$ 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 $t_{α / 2, v},$ где v является ошибочными степенями свободы. Это не обеспечивает защиты против нескольких проблема сравнения.

Пример: 'ComparisonType','dunn-sidak'

Выходные аргументы

развернуть все

`tbl` Результаты нескольких сравнение
таблица

Результаты 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

Примеры

развернуть все

Несколько сравнение предполагаемых крайних средств

Скрипт Open Live Script

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 $p$ - значения (в поле pValue) указывают, что предполагаемые крайние средние значения для трех разновидностей значительно отличаются друг от друга.

Выполните несколько сравнений с заданными опциями

Скрипт Open Live Script

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 $p$ - значение 0,0021493 указывает, что существует значительная разница между крайними средними значениями групп A и C. $p$ - 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 $p$ - 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 $p$ - 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 $p$ - 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 ( $p$ - значение 0.049957), это не существенно отличается от 0 для штекеров ( $p$ - значение 0.14414).

Ссылки

[1] G. A. Милликругозор и Джонсон, D. E. Анализ грязных данных. Объем I: разработанные эксперименты. Нью-Йорк, Нью-Йорк: Chapman & Hall, 1992.

Смотрите также

fitrm | margmean | plotprofile

Документация

multcompare

Синтаксис

Описание

Входные параметры

`\rm` Повторная модель мер
Объект `RepeatedMeasuresModel`

`var` Переменные, для которых можно вычислить крайние средние значения
вектор символов | представляет скаляр в виде строки

Аргументы в виде пар имя-значение

`\alpha` Уровень значения
0,05 (значения по умолчанию) | скалярное значение в области значений от 0 до 1

`'By'` — Фактор, чтобы выполнить сравнения
вектор символов | представляет скаляр в виде строки

`'ComparisonType'` — Тип критического значения, чтобы использовать
`'tukey-kramer'` (значение по умолчанию) | `'dunn-sidak'` | `'bonferroni'` | `'scheffe'` | `'lsd'`

Выходные аргументы

`tbl` Результаты нескольких сравнение
таблица

Примеры

Несколько сравнение предполагаемых крайних средств

Выполните несколько сравнений с заданными опциями

Ссылки

Смотрите также

Документация Statistics and Machine Learning Toolbox

Поддержка

Документация

multcompare

Синтаксис

Описание

Входные параметры

\rm Повторная модель мер Объект RepeatedMeasuresModel

var Переменные, для которых можно вычислить крайние средние значения вектор символов | представляет скаляр в виде строки

Аргументы в виде пар имя-значение

\alpha Уровень значения 0,05 (значения по умолчанию) | скалярное значение в области значений от 0 до 1

'By' — Фактор, чтобы выполнить сравнения вектор символов | представляет скаляр в виде строки

'ComparisonType' — Тип критического значения, чтобы использовать 'tukey-kramer' (значение по умолчанию) | 'dunn-sidak' | 'bonferroni' | 'scheffe' | 'lsd'

Выходные аргументы

tbl Результаты нескольких сравнение таблица

Примеры

Несколько сравнение предполагаемых крайних средств

Выполните несколько сравнений с заданными опциями

Ссылки

Смотрите также

Документация Statistics and Machine Learning Toolbox

Поддержка

`\rm` Повторная модель мер
Объект `RepeatedMeasuresModel`

`var` Переменные, для которых можно вычислить крайние средние значения
вектор символов | представляет скаляр в виде строки

`\alpha` Уровень значения
0,05 (значения по умолчанию) | скалярное значение в области значений от 0 до 1

`'By'` — Фактор, чтобы выполнить сравнения
вектор символов | представляет скаляр в виде строки

`'ComparisonType'` — Тип критического значения, чтобы использовать
`'tukey-kramer'` (значение по умолчанию) | `'dunn-sidak'` | `'bonferroni'` | `'scheffe'` | `'lsd'`

`tbl` Результаты нескольких сравнение
таблица