Подбирайте модель повторных измерений
возвращает модель повторных измерений, с дополнительными опциями, заданными одним или несколькими rm
= fitrm(t
,modelspec
,Name,Value
)Name,Value
парные аргументы.
Например, можно задать гипотезу для факторов в предмете.
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 = table([1 2 3 4]','VariableNames',{'Measurements'});
Подбирайте модель повторных измерений, где измерения являются ответами, и разновидность является переменным предиктором.
rm = fitrm(t,'meas1-meas4~species','WithinDesign',Meas)
rm = RepeatedMeasuresModel with properties: Between Subjects: BetweenDesign: [150x5 table] ResponseNames: {'meas1' 'meas2' 'meas3' 'meas4'} BetweenFactorNames: {'species'} BetweenModel: '1 + species' Within Subjects: WithinDesign: [4x1 table] WithinFactorNames: {'Measurements'} WithinModel: 'separatemeans' Estimates: Coefficients: [3x4 table] Covariance: [4x4 table]
Отобразите коэффициенты.
rm.Coefficients
ans=3×4 table
meas1 meas2 meas3 meas4
________ ________ ______ ________
(Intercept) 5.8433 3.0573 3.758 1.1993
species_setosa -0.83733 0.37067 -2.296 -0.95333
species_versicolor 0.092667 -0.28733 0.502 0.12667
fitrm
использует 'effects'
контрасты, что означает, что коэффициенты суммируют к 0. rm.DesignMatrix
имеет один столбец 1 с для прерывания и два других столбца species_setosa
и species_versicolor
, которые являются следующие:
Отобразите ковариационную матрицу.
rm.Covariance
ans=4×4 table
meas1 meas2 meas3 meas4
________ ________ ________ ________
meas1 0.26501 0.092721 0.16751 0.038401
meas2 0.092721 0.11539 0.055244 0.03271
meas3 0.16751 0.055244 0.18519 0.042665
meas4 0.038401 0.03271 0.042665 0.041882
Загрузите выборочные данные.
load(fullfile(matlabroot,'examples','stats','longitudinalData.mat'));
Матричный Y
содержит данные об ответе для 16 индивидуумов. Ответ является уровнем в крови препарата, измеренного в пяти моментах времени (время = 0, 2, 4, 6, и 8). Каждая строка Y
соответствует индивидууму, и каждый столбец соответствует моменту времени. Первыми восемью предметами является розетка, и вторыми восемью предметами является штекер. Это - симулированные 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 провести анализ повторных измерений.
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]';
Подбирайте модель повторных измерений, где уровни в крови являются ответами, и пол является переменным предиктором. Также задайте гипотезу для факторов в предмете.
rm = fitrm(t,'t0-t8 ~ Gender','WithinDesign',Time,'WithinModel','orthogonalcontrasts')
rm = RepeatedMeasuresModel with properties: Between Subjects: BetweenDesign: [16x6 table] ResponseNames: {'t0' 't2' 't4' 't6' 't8'} BetweenFactorNames: {'Gender'} BetweenModel: '1 + Gender' Within Subjects: WithinDesign: [5x1 table] WithinFactorNames: {'Time'} WithinModel: 'orthogonalcontrasts' Estimates: Coefficients: [2x5 table] Covariance: [5x5 table]
Загрузите выборочные данные.
load repeatedmeas
Таблица between
включает восемь повторных измерений, y1
через y8
, как ответы и факторы между предметами Group
, Gender
, IQ
, и Age
. IQ
и Age
как непрерывные переменные. Таблица within
включает факторы в предмете w1
и w2
.
Подбирайте модель повторных измерений, где возраст, IQ и группа, пол является переменными предикторами, и модель включает эффект взаимодействия группы и пола. Также задайте факторы в предмете.
rm = fitrm(between,'y1-y8 ~ Group*Gender+Age+IQ','WithinDesign',within)
rm = RepeatedMeasuresModel with properties: Between Subjects: BetweenDesign: [30x12 table] ResponseNames: {'y1' 'y2' 'y3' 'y4' 'y5' 'y6' 'y7' 'y8'} BetweenFactorNames: {'Age' 'IQ' 'Group' 'Gender'} BetweenModel: '1 + Age + IQ + Group*Gender' Within Subjects: WithinDesign: [8x2 table] WithinFactorNames: {'w1' 'w2'} WithinModel: 'separatemeans' Estimates: Coefficients: [8x8 table] Covariance: [8x8 table]
Отобразите коэффициенты.
rm.Coefficients
ans=8×8 table
y1 y2 y3 y4 y5 y6 y7 y8
________ _______ _______ _______ _________ ________ _______ ________
(Intercept) 141.38 195.25 9.8663 -49.154 157.77 0.23762 -42.462 76.111
Age 0.32042 -4.7672 -1.2748 0.6216 -1.0621 0.89927 1.2569 -0.38328
IQ -1.2671 -1.1653 0.05862 0.4288 -1.4518 -0.25501 0.22867 -0.72548
Group_A -1.2195 -9.6186 22.532 15.303 12.602 12.886 10.911 11.487
Group_B 2.5186 1.417 -2.2501 0.50181 8.0907 3.1957 11.591 9.9188
Gender_Female 5.3957 -3.9719 8.5225 9.3403 6.0909 1.642 -2.1212 4.8063
Group_A:Gender_Female 4.1046 10.064 -7.3053 -3.3085 4.6751 2.4907 -4.325 -4.6057
Group_B:Gender_Female -0.48486 -2.9202 1.1222 0.69715 -0.065945 0.079468 3.1832 6.5733
Отображение показывает коэффициенты для подбора кривой повторным измерениям как функция условий в модели между предметами.
t
— Входные данныеВходные данные, который включает значения переменных отклика и факторов между предметами, чтобы использовать в качестве предикторов в модели повторных измерений, заданной как таблица.
Имена переменных в t
должны быть допустимые идентификаторы MATLAB®. Можно проверить имена переменных при помощи isvarname
функция. Следующий код возвращает логический 1
TRUE
) для каждой переменной, которая имеет допустимое имя переменной.
cellfun(@isvarname,t.Properties.VariableNames)
t
не допустимы, затем преобразуют их при помощи matlab.lang.makeValidName
функция.t.Properties.VariableNames = matlab.lang.makeValidName(t.Properties.VariableNames);
Типы данных: table
modelspec
— Формула для спецификации модели'y1-yk ~ terms'
Формула для спецификации модели, заданной как вектор символов или скаляр строки формы 'y1-yk ~ terms'
. Ответы и условия заданы с помощью обозначения Уилкинсона. fitrm
обрабатывает переменные, используемые в терминах модели с должности категориальных, если они являются категориальными (номинальный или порядковый), логический, символьные массивы, строковые массивы или массивы ячеек из символьных векторов.
Например, если у вас есть четыре повторных измерения как ответы и факторы x1
x2
, и x3
как переменные предикторы, затем можно задать модель повторных измерений можно следующим образом.
Пример: 'y1-y4 ~ x1 + x2 * x3'
Задайте дополнительные разделенные запятой пары Name,Value
аргументы. Name
имя аргумента и 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
.
'WithinDesign','W','WithinModel','w1+w2'
задает матричный w
как матрица проекта для факторов в предмете и модель для факторов в предмете w1
и w2
'w1+w2'
.'WithinDesign'
— Спроектируйте для факторов в предметеСпроектируйте для факторов в предмете, заданных как разделенная запятой пара, состоящая из 'WithinDesign'
и одно из следующего:
Числовой вектор длины r, где r является количеством повторных измерений.
В этом случае, fitrm
обрабатывает значения в векторе как непрерывные, и это обычно временные стоимости.
r-by-k числовая матрица значений k факторы в предмете, w 1, w 2..., wk.
В этом случае, fitrm
обработки все переменные k как непрерывные.
r-by-k таблица, которая содержит значения k факторы в предмете.
В этом случае, fitrm
обработки все числовые переменные, столь же непрерывные, и все категориальные переменные как категориальный.
Например, если таблица weeks
содержит значения факторов в предмете, затем можно задать таблицу проекта можно следующим образом.
Пример: 'WithinDesign',weeks
Типы данных: single
| double
| table
'WithinModel'
— Модель, задающая тест гипотезы в предмете'separatemeans'
(значение по умолчанию) | 'orthogonalcontrasts'
| вектор символов или скаляр строки, который задает модельМодель, задающая тест гипотезы в предмете, заданный как разделенная запятой пара, состоящая из 'WithinModel'
и одно из следующего:
'separatemeans'
— Вычислите отдельное среднее значение для каждой группы.
'orthogonalcontrasts'
— Это допустимо только, 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 номером если строки в модели в предмете.
Вектор символов или скаляр строки, который задает спецификацию модели в факторах в предмете. Можно задать основанное на модели на правилах для terms
в modelspec
.
Например, если существует три фактора в предмете w1
, w2
, и w3
, затем можно задать модель для факторов в предмете можно следующим образом.
Пример: 'WithinModel','w1+w2+w2*w3'
Типы данных: char |
string
rm
— Модель повторных измеренийRepeatedMeasuresModel
объектМодель повторных измерений, возвращенная как RepeatedMeasuresModel
объект.
Для свойств и методов этого объекта, смотрите RepeatedMeasuresModel
.
Обозначение Уилкинсона описывает факторы, существующие в моделях. Это не описывает множители (коэффициенты) тех факторов.
Следующие правила задают ответы в modelspec
.
Обозначение Уилкинсона | Значение |
---|---|
Y1,Y2,Y3 | Определенный список переменных |
Y1-Y5 | Все табличные переменные от Y1 через Y5 |
Следующие правила задают условия в modelspec
.
Обозначение Уилкинсона | Включает стандартное обозначение |
---|---|
1
| Постоянный (прерывание) термин |
X^k , где k положительное целое число | X x2 ..., Xk |
X1 + X2 | X1 x2 |
X1*X2 | X1 x2 x1, x2 |
X1:X2 | X1*X2 только |
-X2 | Не включайте X2 |
X1*X2 + X3 | X1 x2 , X3 x1, x2 |
X1 + X2 + X3 + X1:X2 | X1 x2 , X3 x1, x2 |
X1*X2*X3 - X1:X2:X3 | X1 x2 , X3 x1, x2 , X1*X3 , X2*X3 |
X1*(X2 + X3) | X1 x2 , X3 x1, x2 , X1*X3 |
Обозначение Statistics and Machine Learning Toolbox™ всегда включает постоянный термин, если вы явным образом не удаляете термин с помощью -1
.
У вас есть модифицированная версия этого примера. Вы хотите открыть этот пример со своими редактированиями?
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.