Класс: LinearMixedModel
Предскажите ответ линейной модели смешанных эффектов
ypred = predict(lme)ypred в исходных предикторах, используемых, чтобы соответствовать линейной модели lme смешанных эффектов.
ypred = predict(lme,tblnew)ypred из подходящей линейной модели lme смешанных эффектов в значениях в новой таблице или массиве набора данных tblnew. Используйте таблицу или массив набора данных для predict если вы используете таблицу или массив набора данных для подбора кривой модели lme.
Если конкретная сгруппированная переменная в tblnew имеет уровни, которые не находятся в исходных данных, затем случайные эффекты для той сгруппированной переменной не способствуют 'Conditional' прогноз при наблюдениях, где сгруппированная переменная имеет новые уровни.
ypred = predict(lme,Xnew,Znew)ypred из подходящей линейной модели lme смешанных эффектов в значениях в новых матрицах, построенных на основе фиксированных или случайных эффектов, Xnew и Znew, соответственно. Znew может также быть массив ячеек матриц. В этом случае, сгруппированная переменная G ones(n,1), где n является количеством наблюдений, используемых в подгонке.
Используйте матричный формат в predict при использовании матриц проекта в подборе кривой модели lme.
ypred = predict(lme,Xnew,Znew,Gnew)ypred из подходящей линейной модели lme смешанных эффектов в значениях в новых матрицах, построенных на основе фиксированных или случайных эффектов, Xnew и Znew, соответственно, и сгруппированная переменная Gnew.
Znew и Gnew могут также быть массивы ячеек матриц и сгруппированных переменных, соответственно.
ypred = predict(___,Name,Value)ypred из подходящей линейной модели lme смешанных эффектов с дополнительными опциями, заданными одним или несколькими Name,Value парные аргументы.
Например, можно задать доверительный уровень, одновременные доверительные границы или вклады только от фиксированных эффектов.
Загрузите выборочные данные.
load(fullfile(matlabroot,'examples','stats','fertilizer.mat'));
Массив набора данных включает данные из эксперимента графика разделения, где почва разделена на три блока на основе типа грунта: песчаный, илистый, и глинистый. Каждый блок разделен на пять графиков, где пять различных типов томатных объектов (вишня, семейная реликвия, виноград, виноградная лоза и слива) случайным образом присвоены этим графикам. Томатные объекты в графиках затем разделены на подграфики, где каждый подграфик обработан одним из четырех удобрений. Это - симулированные данные.
Храните данные в массиве набора данных под названием ds, практически, и задайте Tomato, Soil, и Fertilizer как категориальные переменные.
ds = fertilizer; ds.Tomato = nominal(ds.Tomato); ds.Soil = nominal(ds.Soil); ds.Fertilizer = nominal(ds.Fertilizer);
Подбирайте линейную модель смешанных эффектов, где Fertilizer и Tomato переменные фиксированных эффектов, и средний урожай варьируется блоком (тип грунта) и графики в блоках (томатные типы в типах грунта) независимо.
lme = fitlme(ds,'Yield ~ Fertilizer * Tomato + (1|Soil) + (1|Soil:Tomato)');Предскажите значения ответа в значениях первоначального проекта. Отобразите первые пять прогнозов с наблюдаемыми значениями ответа.
yhat = predict(lme); [yhat(1:5) ds.Yield(1:5)]
ans = 5×2
115.4788 104.0000
135.1455 136.0000
152.8121 158.0000
160.4788 174.0000
58.0839 57.0000
Загрузите выборочные данные.
load carsmallПодбирайте линейную модель смешанных эффектов с фиксированным эффектом для Weight, и случайное прерывание, сгруппированное Model_Year. Во-первых, храните данные в таблице.
tbl = table(MPG,Weight,Model_Year);
lme = fitlme(tbl,'MPG ~ Weight + (1|Model_Year)');Создайте предсказанные ответы на данные.
yhat = predict(lme,tbl);
Постройте исходные ответы и предсказанные ответы, чтобы видеть, как они отличаются. Сгруппируйте их к модельному году.
figure() gscatter(Weight,MPG,Model_Year) hold on gscatter(Weight,yhat,Model_Year,[],'o+x') legend('70-data','76-data','82-data','70-pred','76-pred','82-pred') hold off
Загрузите выборочные данные.
load(fullfile(matlabroot,'examples','stats','fertilizer.mat'));
Массив набора данных включает данные из эксперимента графика разделения, где почва разделена на три блока на основе типа грунта: песчаный, илистый, и глинистый. Каждый блок разделен на пять графиков, где пять различных типов томатных объектов (вишня, семейная реликвия, виноград, виноградная лоза и слива) случайным образом присвоены этим графикам. Томатные объекты в графиках затем разделены на подграфики, где каждый подграфик обработан одним из четырех удобрений. Это - симулированные данные.
Храните данные в массиве набора данных под названием ds, практически, и задайте Tomato, Soil, и Fertilizer как категориальные переменные.
ds = fertilizer; ds.Tomato = nominal(ds.Tomato); ds.Soil = nominal(ds.Soil); ds.Fertilizer = nominal(ds.Fertilizer);
Подбирайте линейную модель смешанных эффектов, где Fertilizer и Tomato переменные фиксированных эффектов, и средний урожай варьируется блоком (тип грунта) и графики в блоках (томатные типы в типах грунта) независимо.
lme = fitlme(ds,'Yield ~ Fertilizer * Tomato + (1|Soil) + (1|Soil:Tomato)');Создайте новый массив набора данных с расчетными значениями. Новый массив набора данных должен иметь те же переменные как исходный массив набора данных, который вы используете в подборе кривой модели lme.
dsnew = dataset();
dsnew.Soil = nominal({'Sandy';'Silty'});
dsnew.Tomato = nominal({'Cherry';'Vine'});
dsnew. Fertilizer = nominal([2;2]);Предскажите условные и крайние ответы в точках первоначального проекта.
yhatC = predict(lme,dsnew);
yhatM = predict(lme,dsnew,'Conditional',false);
[yhatC yhatM]ans = 2×2
92.7505 111.6667
87.5891 82.6667
Загрузите выборочные данные.
load carbigПодбирайте линейную модель смешанных эффектов для миль на галлон (MPG), с фиксированными эффектами для ускорения, лошадиной силы и цилиндров, и потенциально коррелировал случайные эффекты для прерывания и ускорения, сгруппированного модельным годом.
Во-первых, подготовьте матрицы проекта к тому, что они подбирали линейную модель смешанных эффектов.
X = [ones(406,1) Acceleration Horsepower]; Z = [ones(406,1) Acceleration]; Model_Year = nominal(Model_Year); G = Model_Year;
Теперь подбирайте модель с помощью fitlmematrix с заданными матрицами проекта и сгруппированными переменными.
lme = fitlmematrix(X,MPG,Z,G,'FixedEffectPredictors',.... {'Intercept','Acceleration','Horsepower'},'RandomEffectPredictors',... {{'Intercept','Acceleration'}},'RandomEffectGroups',{'Model_Year'});
Создайте матрицы проекта, которые содержат данные, в которых можно предсказать значения ответа. Xnew должен иметь три столбца как в X. Первый столбец должен быть столбцом 1 с. И значения в последних двух столбцах должны соответствовать Acceleration и Horsepower, соответственно. Первый столбец Znew должен быть столбец 1 с, и второй столбец должен содержать тот же Acceleration значения как в Xnew. Исходная сгруппированная переменная в G модельный год. Так, Gnew должен содержать значения в течение модельного года. Обратите внимание на то, что Gnew должен содержать номинальную стоимость.
Xnew = [1,13.5,185; 1,17,205; 1,21.2,193];
Znew = [1,13.5; 1,17; 1,21.2]; % alternatively Znew = Xnew(:,1:2);
Gnew = nominal([73 77 82]);Предскажите ответы для данных в новых матрицах проекта.
yhat = predict(lme,Xnew,Znew,Gnew)
yhat = 3×1
8.7063
5.4423
12.5384
Теперь повторите то же самое для линейной модели смешанных эффектов с некоррелироваными условиями случайных эффектов для прерывания и ускорения. Во-первых, измените исходный случайный проект эффектов и случайные сгруппированные переменные эффектов. Затем переоборудуйте модель.
Z = {ones(406,1),Acceleration};
G = {Model_Year,Model_Year};
lme = fitlmematrix(X,MPG,Z,G,'FixedEffectPredictors',....
{'Intercept','Acceleration','Horsepower'},'RandomEffectPredictors',...
{{'Intercept'},{'Acceleration'}},'RandomEffectGroups',{'Model_Year','Model_Year'});Теперь воссоздайте новый случайный проект эффектов, Znew, и проект сгруппированной переменной, Gnew, использование, чтобы предсказать значения ответа.
Znew = {[1;1;1],[13.5;17;21.2]};
MY = nominal([73 77 82]);
Gnew = {MY,MY};Предскажите ответы с помощью новых матриц проекта.
yhat = predict(lme,Xnew,Znew,Gnew)
yhat = 3×1
8.6365
5.9199
12.1247
Загрузите выборочные данные.
load carbigПодбирайте линейную модель смешанных эффектов для миль на галлон (MPG), с фиксированными эффектами для ускорения, лошадиной силы и цилиндров, и потенциально коррелировал случайные эффекты для прерывания и ускорения, сгруппированного модельным годом. Во-первых, сохраните переменные в таблице.
tbl = table(MPG,Acceleration,Horsepower,Model_Year);
Теперь подбирайте модель с помощью fitlme с заданными матрицами проекта и сгруппированными переменными.
lme = fitlme(tbl,'MPG ~ Acceleration + Horsepower + (Acceleration|Model_Year)');Создайте новые данные и сохраните их в новой таблице.
tblnew = table(); tblnew.Acceleration = linspace(8,25)'; tblnew.Horsepower = linspace(nanmin(Horsepower),nanmax(Horsepower))'; tblnew.Model_Year = repmat(70,100,1);
linspace создает 100 одинаково дистанцированной стоимости между ниже и верхние входные пределы. Model_Year фиксируется в 70. Можно повторить это в течение любого модельного года.
Вычислите и постройте ожидаемые значения и 95% (неодновременных) пределов достоверности.
[ypred,yCI,DF] = predict(lme,tblnew); figure(); h1 = line(tblnew.Acceleration,ypred); hold on; h2 = plot(tblnew.Acceleration,yCI,'g-.');
Отобразите степени свободы.
DF(1)
ans = 389
Вычислите и постройте одновременные доверительные границы.
[ypred,yCI,DF] = predict(lme,tblnew,'Simultaneous',true); h3 = plot(tblnew.Acceleration,yCI,'r--');
Отобразите степени свободы.
DF
DF = 389
Вычислите одновременные доверительные границы с помощью метода Satterthwaite, чтобы вычислить степени свободы.
[ypred,yCI,DF] = predict(lme,tblnew,'Simultaneous',true,'DFMethod','satterthwaite'); h4 = plot(tblnew.Acceleration,yCI,'k:'); hold off xlabel('Acceleration') ylabel('Response') ylim([-50,60]) xlim([8,25]) legend([h1,h2(1),h3(1),h4(1)],'Predicted response','95%','95% Sim',... '95% Sim-Satt','Location','Best')
Отобразите степени свободы.
DF
DF = 3.6001