Класс: RepeatedMeasuresModel
Вычислите ожидаемые значения, данные значения предиктора
ypred = predict(rm,tnew,Name,Value)rm повторных измерений с дополнительными опциями, заданными одним или несколькими Name,Value парные аргументы.
Например, можно задать матрицу проекта в предметах.
Загрузите выборочные данные.
load fisheririsВектор-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);
Предскажите ответы для трех разновидностей.
Y = predict(rm,t([1 51 101],:))
Y = 3×4
5.0060 3.4280 1.4620 0.2460
5.9360 2.7700 4.2600 1.3260
6.5880 2.9740 5.5520 2.0260
Загрузите выборочные данные.
load longitudinalDataМатричный 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 выполнить 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.
rm = fitrm(t,'t0-t8 ~ Gender','WithinDesign',Time);
Предскажите ответы в промежуточные времена.
time = linspace(0,8)'; Y = predict(rm,t([1 5 8 12],:), ... 'WithinModel','orthogonalcontrasts','WithinDesign',time);
Постройте прогнозы наряду с предполагаемыми крайними средними значениями.
plotprofile(rm,'Time','Group',{'Gender'}) hold on; plot(time,Y,'Color','k','LineStyle',':'); legend('Gender=F','Gender=M','Predictions') hold off
Загрузите выборочные данные.
load longitudinalDataМатричный 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 выполнить 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.
rm = fitrm(t,'t0-t8 ~ Gender','WithinDesign',Time);
Предскажите ответы в промежуточные времена.
time = linspace(0,8)'; [ypred,ypredci] = predict(rm,t([1 5 8 12],:), ... 'WithinModel','orthogonalcontrasts','WithinDesign',time);
Постройте прогнозы и доверительные интервалы для прогнозов наряду с предполагаемыми крайними средними значениями.
p1 = plotprofile(rm,'Time','Group',{'Gender'}); hold on; p2 = plot(time,ypred,'Color','k','LineStyle',':'); p3 = plot(time,ypredci(:,:,1),'k--'); p4 = plot(time,ypredci(:,:,2),'k--'); legend([p1;p2(1);p3(1)],'Gender=F','Gender=M','Predictions','Confidence Intervals') hold off
