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 species является переменной прогноза.

  rm = fitrm(t,'meas1-meas4~species','WithinDesign',Meas);

Случайным образом сгенерируйте новые значения ответа.

ysim = random(rm);

random использует значения предиктора в исходных выборочных данных, которые вы используете, чтобы приспособить повторную модель rm мер в таблице t.

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 в предмете $$w1$$ и $$w2$$. Это - моделируемые данные.

Соответствуйте повторной модели мер, где повторные меры $$y1$$ через $$y8$$ ответы, и возраст, IQ, группа, пол, и взаимодействие пола группы является переменными прогноза. Также задайте матрицу проекта в предмете.

rm = fitrm(between,'y1-y8 ~ Group*Gender + Age + IQ','WithinDesign',within);

Задайте таблицу с новыми значениями для переменных прогноза.

tnew = table(16,93,{'B'},{'Male'},'VariableNames',{'Age','IQ','Group','Gender'})

tnew=1×4 table
    Age    IQ    Group    Gender
    ___    __    _____    ______

    16     93     'B'     'Male'

Случайным образом сгенерируйте новые значения ответа с помощью значений в новой таблице tnew.

ysim = random(rm,tnew)

ysim = 1×8

   46.2252   66.8003  -40.4987   -1.9930   27.5213  -37.9809    4.8905   -3.7568