Класс: RepeatedMeasuresModel
Несколько сравнение предполагаемых крайних средних значений
возвращает несколько сравнений предполагаемых крайних средних значений с дополнительными опциями, заданными одним или несколькими tbl
= multcompare(rm
,var
,Name,Value
)Name,Value
парные аргументы.
Например, можно задать тип сравнения или который переменная сгруппироваться.
rm
— Модель повторных измеренийRepeatedMeasuresModel
объектМодель повторных измерений, возвращенная как RepeatedMeasuresModel
объект.
Для свойств и методов этого объекта, смотрите RepeatedMeasuresModel
.
var
— Переменные, для которых можно вычислить крайние средние значенияПеременные, 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
фактор между предметами, это должно быть категориальным.
Типы данных: char |
string
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
.
'Alpha'
— Уровень значенияУровень значения доверительных интервалов для населения крайние средние значения, заданные как разделенная запятой пара, состоящая из 'alpha'
и скалярное значение 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 сравненияФактор, чтобы сделать сравнения, заданный как разделенная запятой пара, состоящая из 'By'
и вектор символов или скаляр строки. Сравнение между уровнями var
происходит отдельно для каждого значения фактора, который вы задаете.
Если у вас есть больше чем один фактор между предметами, A, B и C, и если вы хотите сделать сравнения уровней A отдельно для каждого уровня C, то задайте A как var
аргумент и задает C с помощью 'By'
аргумент 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 разделенная запятой пара, 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 где и ng является количеством групп (крайние средние значения). Эта процедура похожа на, но менее консервативна, чем, процедура Bonferroni. |
'bonferroni' | Используйте критические значения от распределения t после корректировки Bonferroni, чтобы компенсировать несколько сравнений. Критическое значение 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 из распределения F. Критическое значение 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 где v является ошибочными степенями свободы. Это не обеспечивает защиты против нескольких проблема сравнения. |
Пример: 'ComparisonType','dunn-sidak'
tbl
— Результаты нескольких сравнениеРезультаты 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 |
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'});
Подбирайте модель повторных измерений, где измерения являются ответами, и разновидность является переменным предиктором.
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 - значения (в pValue
поле), указывают, что предполагаемые крайние средние значения для трех разновидностей значительно отличаются друг от друга.
Загрузите выборочные данные.
load repeatedmeas
Таблица between
включает возраст переменных между предметами, IQ, группу, пол и восемь повторных измерений y1
через y8
как ответы. Таблица within
включает переменные w1
в предмете и
w2
. Это - симулированные данные.
Подбирайте модель повторных измерений, где повторные измерения y1
через y8
ответы, и возраст, IQ, группа, пол, и взаимодействие пола группы является переменными предикторами. 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 - значение 0,0021493 указывает, что существует значительная разница между крайними средними значениями групп A и C. - 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 в 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 - 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 - 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 - 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 (- значение 0.049957), это не существенно отличается от 0 для штекеров (- значение 0.14414).
[1] G. A. Милликругозор и Джонсон, D. E. Анализ грязных данных. Объем I: спроектированные эксперименты. Нью-Йорк, Нью-Йорк: Chapman & Hall, 1992.
fitrm
| margmean
| plotprofile
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.