Класс: RepeatedMeasuresModel
Многомерный дисперсионный анализ
также возвращает результаты manova с дополнительными опциями, заданными одним или несколькими manovatbl
= manova(rm
,Name,Value
)Name,Value
парные аргументы.
rm
— Модель повторных измеренийRepeatedMeasuresModel
объектМодель повторных измерений, возвращенная как RepeatedMeasuresModel
объект.
Для свойств и методов этого объекта, смотрите RepeatedMeasuresModel
.
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
.
'WithinModel'
— Модель, задающая тест гипотезы в предметах'separatemeans'
(значение по умолчанию) | спецификация модели с помощью формулы | r-by-nc матрицаМодель, задающая тест гипотезы в предметах, заданный как одно из следующего:
'separatemeans'
— Вычислите отдельное среднее значение для каждой группы и тест для равенства среди средних значений.
Спецификация модели — Это - спецификация модели в факторах в предмете. Протестируйте каждый член в модели. В этом случае, tbl
содержит отдельный manova для каждого термина в формуле, с многомерным ответом, равным вектору коэффициентов того термина.
r-by-nc матрица, C, задавая nc контрастирует среди повторных измерений r. Если Y представляет матрицу повторных измерений, вы используете в модели rm
повторных измерений, затем выход
tbl
содержит отдельный manova для каждого столбца Y *C.
Пример: 'WithinModel','separatemeans'
Типы данных: single
| double
| char
| string
'By'
— Один фактор между предметамиОдин фактор между предметами, заданный как разделенная запятой пара, состоящая из 'By'
и вектор символов или скаляр строки. manova
выполняет отдельный тест модели в предметах для каждого значения этого фактора.
Например, если у вас есть фактор между предметами, Препарат, затем можно указать что фактор, чтобы выполнить manova можно следующим образом.
Пример: 'By','Drug'
Типы данных: char |
string
manovatbl
— Результаты многомерного дисперсионного анализаРезультаты многомерного дисперсионного анализа для модели rm
повторных измерений, возвращенный как
table
.
manova
использование эти методы, чтобы измерить вклады модели называет к полной ковариации:
Lambda Уилкса
Трассировка Пиллая
Трассировка Hotelling-Lawley
Максимум Роя базируется статистическая величина
Для получения дополнительной информации смотрите Многомерный Дисперсионный анализ для Повторных измерений.
manova
возвращает результаты для этих тестов для каждой группы. manovatbl
содержит следующие столбцы.
ColumnName | Определение |
---|---|
Within | Условия в предмете |
Between | Условия между предметами |
Statistic | Имя статистической величины вычисляется |
Value | Значение соответствующей статистической величины |
F | F- значение |
RSquare | Измерьтесь для объясненного отклонения |
df1 | Степени свободы числителя |
df2 | Степени свободы знаменателя |
pValue | p - значение для соответствующего F - статистическое значение |
Типы данных: table
A
— Спецификация на основе модели между предметамиСпецификация на основе модели между предметами, возвращенной как матрица или массив ячеек. Это разрешает гипотезу на элементах в рамках данных столбцов B
(в рамках гипотезы времени). Если manovatbl
содержит несколько тестов гипотезы, A
может быть массив ячеек.
Типы данных: single
| double
| cell
C
— Спецификация на основе модели в предметахСпецификация на основе модели в предметах, возвращенной как матрица или массив ячеек. Это разрешает гипотезы на элементах в данных строках B
(между гипотезами времени). Если manovatbl
содержит несколько тестов гипотезы, C
может быть массив ячеек.
Типы данных: single
| double
| cell
D
— Значение гипотезыЗначение гипотезы, возвращенное как 0.
Загрузите выборочные данные.
load fisheriris
Вектор-столбец species
состоит из ирисовых цветов трех различных разновидностей: setosa, versicolor, 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);
Выполните многомерный дисперсионный анализ.
manova(rm)
ans=8×9 table
Within Between Statistic Value F RSquare df1 df2 pValue
________ ___________ _________ _________ ______ _______ ___ ___ ___________
Constant (Intercept) Pillai 0.99013 4847.5 0.99013 3 145 3.7881e-145
Constant (Intercept) Wilks 0.0098724 4847.5 0.99013 3 145 3.7881e-145
Constant (Intercept) Hotelling 100.29 4847.5 0.99013 3 145 3.7881e-145
Constant (Intercept) Roy 100.29 4847.5 0.99013 3 145 3.7881e-145
Constant species Pillai 0.96909 45.749 0.48455 6 292 2.4729e-39
Constant species Wilks 0.041153 189.92 0.79714 6 290 2.3958e-97
Constant species Hotelling 23.051 555.17 0.92016 6 288 4.6662e-155
Constant species Roy 23.04 1121.3 0.9584 3 146 1.4771e-100
Выполните многомерный anova отдельно для каждой разновидности.
manova(rm,'By','species')
ans=12×9 table
Within Between Statistic Value F RSquare df1 df2 pValue
________ __________________ _________ ________ ______ _______ ___ ___ ___________
Constant species=setosa Pillai 0.9823 2682.7 0.9823 3 145 9.0223e-127
Constant species=setosa Wilks 0.017698 2682.7 0.9823 3 145 9.0223e-127
Constant species=setosa Hotelling 55.504 2682.7 0.9823 3 145 9.0223e-127
Constant species=setosa Roy 55.504 2682.7 0.9823 3 145 9.0223e-127
Constant species=versicolor Pillai 0.97 1562.8 0.97 3 145 3.7058e-110
Constant species=versicolor Wilks 0.029999 1562.8 0.97 3 145 3.7058e-110
Constant species=versicolor Hotelling 32.334 1562.8 0.97 3 145 3.7058e-110
Constant species=versicolor Roy 32.334 1562.8 0.97 3 145 3.7058e-110
Constant species=virginica Pillai 0.97261 1716.1 0.97261 3 145 5.1113e-113
Constant species=virginica Wilks 0.027394 1716.1 0.97261 3 145 5.1113e-113
Constant species=virginica Hotelling 35.505 1716.1 0.97261 3 145 5.1113e-113
Constant species=virginica Roy 35.505 1716.1 0.97261 3 145 5.1113e-113
Загрузите выборочные данные.
load fisheriris
Вектор-столбец species
состоит из ирисовых цветов трех различных разновидностей: setosa, versicolor, 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'});
Подбирайте модель повторных измерений, где измерения являются ответами, и разновидность является переменным предиктором.
rm = fitrm(t,'meas1-meas4~species','WithinDesign',Meas);
Выполните многомерный дисперсионный анализ. Также возвратите массивы для построения теста гипотезы.
[manovatbl,A,C,D] = manova(rm)
manovatbl=8×9 table
Within Between Statistic Value F RSquare df1 df2 pValue
________ ___________ _________ _________ ______ _______ ___ ___ ___________
Constant (Intercept) Pillai 0.99013 4847.5 0.99013 3 145 3.7881e-145
Constant (Intercept) Wilks 0.0098724 4847.5 0.99013 3 145 3.7881e-145
Constant (Intercept) Hotelling 100.29 4847.5 0.99013 3 145 3.7881e-145
Constant (Intercept) Roy 100.29 4847.5 0.99013 3 145 3.7881e-145
Constant species Pillai 0.96909 45.749 0.48455 6 292 2.4729e-39
Constant species Wilks 0.041153 189.92 0.79714 6 290 2.3958e-97
Constant species Hotelling 23.051 555.17 0.92016 6 288 4.6662e-155
Constant species Roy 23.04 1121.3 0.9584 3 146 1.4771e-100
A=2×1 cell
{1x3 double}
{2x3 double}
C = 4×3
1 0 0
-1 1 0
0 -1 1
0 0 -1
D = 0
Индексируйте в матрицу А.
A{1}
ans = 1×3
1 0 0
A{2}
ans = 2×3
0 1 0
0 0 1
Многомерный ответ для каждого наблюдения (предмет) является вектором повторных измерений.
Протестировать более общую гипотезу A*B*C = D
, используйте coeftest
.
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.