anova

Класс: GeneralizedLinearMixedModel

Дисперсионный анализ для обобщенной линейной модели смешанных эффектов

Описание

пример

stats = anova(glme) возвращает таблицу, stats, это содержит результаты F - тесты, чтобы определить, называют ли все коэффициенты, представляющие каждый фиксированные эффекты, в обобщенной линейной модели glme смешанных эффектов равны 0.

stats = anova(glme,Name,Value) возвращает таблицу, stats, использование дополнительных опций задано одним или несколькими Name,Value парные аргументы. Например, можно указать, что метод использовался для расчета аппроксимированных степеней свободы знаменателя в F - тесты.

Входные параметры

развернуть все

Обобщенная линейная модель смешанных эффектов в виде GeneralizedLinearMixedModel объект. Для свойств и методов этого объекта, смотрите GeneralizedLinearMixedModel.

Аргументы в виде пар имя-значение

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.

Метод для вычисления аппроксимированных степеней свободы знаменателя, чтобы использовать в F - тестирует в виде разделенной запятой пары, состоящей из 'DFMethod' и одно из следующих.

ЗначениеОписание
'residual'Степени свободы приняты постоянным и равняются np, где n является количеством наблюдений, и p является количеством фиксированных эффектов.
'none'Все степени свободы установлены в бесконечность.

Степени свободы знаменателя для F - статистическая величина соответствуют столбцу DF2 в структуре output stats.

Пример: 'DFMethod','none'

Выходные аргументы

развернуть все

Результаты F - тестируют на условия фиксированных эффектов, возвращенные как таблица с одной строкой для каждого термина фиксированных эффектов в glme и следующие столбцы.

ColumnName Описание
TermИмя термина фиксированных эффектов
FStatF- для термина
DF1Степени свободы числителя для F - статистическая величина
DF2Степени свободы знаменателя для F - статистическая величина
pValuep- для термина

Каждый термин фиксированных эффектов является непрерывной переменной, сгруппированной переменной или взаимодействием между двумя или больше непрерывными или сгруппированными переменными. Для каждого термина фиксированных эффектов, anova выполняет F - тест (крайний тест), чтобы определить, равны ли все коэффициенты, представляющие термин фиксированных эффектов, 0.

Выполнять тесты для гипотезы типа III, при подборе кривой обобщенной линейной модели fitglme смешанных эффектов, необходимо использовать 'effects' контрасты для 'DummyVarCoding' аргумент пары "имя-значение".

Примеры

развернуть все

Загрузите выборочные данные.

load mfr

Эти симулированные данные от компании-производителя, которая управляет 50 фабриками во всем мире с каждой фабрикой, запускающей процесс пакетной обработки, чтобы создать готовое изделие. Компания хочет сократить число дефектов в каждом пакете, таким образом, это разработало новый производственный процесс. Чтобы протестировать эффективность нового процесса, компания выбрала 20 своих фабрик наугад, чтобы участвовать в эксперименте: Десять фабрик реализовали новый процесс, в то время как другие десять продолжали запускать старый процесс. На каждой из этих 20 фабрик компания запустила пять пакетов (для в общей сложности 100 пакетов) и записала следующие данные:

  • Отметьте, чтобы указать, использовал ли пакет новый процесс (newprocess)

  • Время вычислений для каждого пакета, в часах (time)

  • Температура пакета, в градусах Цельсия (temp)

  • Категориальная переменная, указывающая на поставщика (AB, или C) из химиката, используемого в пакете (supplier)

  • Количество дефектов в пакете (defects)

Данные также включают time_dev и temp_dev, которые представляют абсолютное отклонение времени и температуры, соответственно, из стандарта процесса 3 часов на уровне 20 градусов Цельсия.

Подбирайте обобщенную линейную модель смешанных эффектов использование newprocess, time_dev, temp_dev, и supplier как предикторы фиксированных эффектов. Включайте термин случайных эффектов для прерывания, сгруппированного factory, составлять качественные различия, которые могут существовать из-за специфичных для фабрики изменений. Переменная отклика defects имеет распределение Пуассона, и соответствующая функция ссылки для этой модели является журналом. Используйте подходящий метод Лапласа, чтобы оценить коэффициенты. Задайте фиктивную переменную, кодирующую как 'effects', таким образом, фиктивные переменные коэффициенты суммируют к 0.

Количество дефектов может быть смоделировано с помощью распределения Пуассона

defectij Пуассон(μij)

Это соответствует обобщенной линейной модели смешанных эффектов

logμij=β0+β1newprocessij+β2time_devij+β3temp_devij+β4supplier_Cij+β5supplier_Bij+bi,

где

  • defectsij количество дефектов, наблюдаемых в пакете, произведенном фабрикой i во время пакета j.

  • μij среднее количество дефектов, соответствующих фабрике i (где i=1,2,...,20) во время пакета j (где j=1,2,...,5).

  • newprocessij, time_devij, и temp_devij измерения для каждой переменной, которые соответствуют фабрике i во время пакета j. Например, newprocessij указывает ли пакет, произведенный фабрикой i во время пакета j используемый новый процесс.

  • supplier_Cij и supplier_Bij фиктивные переменные, которые используют эффекты (сумма к нулю) кодирование, чтобы указать ли компания C или B, соответственно, предоставленный химикаты процесса для пакета производятся фабрикой i во время пакета j.

  • biN(0,σb2) прерывание случайных эффектов для каждой фабрики i это составляет специфичное для фабрики изменение по качеству.

glme = fitglme(mfr,'defects ~ 1 + newprocess + time_dev + temp_dev + supplier + (1|factory)',...
'Distribution','Poisson','Link','log','FitMethod','Laplace','DummyVarCoding','effects')
glme = 
Generalized linear mixed-effects model fit by ML

Model information:
    Number of observations             100
    Fixed effects coefficients           6
    Random effects coefficients         20
    Covariance parameters                1
    Distribution                    Poisson
    Link                            Log   
    FitMethod                       Laplace

Formula:
    defects ~ 1 + newprocess + time_dev + temp_dev + supplier + (1 | factory)

Model fit statistics:
    AIC       BIC       LogLikelihood    Deviance
    416.35    434.58    -201.17          402.35  

Fixed effects coefficients (95% CIs):
    Name                   Estimate     SE          tStat       DF    pValue    
    {'(Intercept)'}           1.4689     0.15988      9.1875    94    9.8194e-15
    {'newprocess' }         -0.36766     0.17755     -2.0708    94      0.041122
    {'time_dev'   }        -0.094521     0.82849    -0.11409    94       0.90941
    {'temp_dev'   }         -0.28317      0.9617    -0.29444    94       0.76907
    {'supplier_C' }        -0.071868    0.078024     -0.9211    94       0.35936
    {'supplier_B' }         0.071072     0.07739     0.91836    94       0.36078


    Lower        Upper    
       1.1515       1.7864
     -0.72019    -0.015134
      -1.7395       1.5505
      -2.1926       1.6263
     -0.22679     0.083051
    -0.082588      0.22473

Random effects covariance parameters:
Group: factory (20 Levels)
    Name1                  Name2                  Type           Estimate
    {'(Intercept)'}        {'(Intercept)'}        {'std'}        0.31381 

Group: Error
    Name                        Estimate
    {'sqrt(Dispersion)'}        1       

Выполните F- протестируйте, чтобы определить, равны ли все коэффициенты фиксированных эффектов 0.

stats = anova(glme)
stats = 
    ANOVA marginal tests: DFMethod = 'residual'

    Term                   FStat       DF1    DF2    pValue    
    {'(Intercept)'}           84.41    1      94     9.8194e-15
    {'newprocess' }          4.2881    1      94       0.041122
    {'time_dev'   }        0.013016    1      94        0.90941
    {'temp_dev'   }        0.086696    1      94        0.76907
    {'supplier'   }         0.59212    2      94         0.5552

p- значения для прерывания, newprocess, time_dev, и temp_dev эквивалентны в содействующей таблице glme отображение. Маленькое p- значения для прерывания и newprocess укажите, что это значительные предикторы на 5%-м уровне значения. Большое p- значения для time_dev и temp_dev укажите, что это не значительные предикторы на этом уровне.

p- значение 0,5552 для supplier измеряет объединенное значение для обоих коэффициентов, представляющих категориальную переменную supplier. Это включает фиктивные переменные supplier_C и supplier_B как показано в содействующей таблице glme отображение. Большое p- значение указывает на тот supplier не значительный предиктор на 5%-м уровне значения.

Советы

  • Для каждого термина фиксированных эффектов, anova выполняет F - тест (крайний тест), чтобы определить, равны ли все коэффициенты, представляющие термин фиксированных эффектов, 0.

    Подбирая модель обобщенных линейных смешанных эффектов (GLME) использование fitglme и одно из наибольшего правдоподобия соответствует методам ('Laplace' или 'ApproximateLaplace'):

    • Если вы задаете 'CovarianceMethod' аргумент пары "имя-значение" как 'conditional', затем F - тесты являются условным выражением на предполагаемых параметрах ковариации.

    • Если вы задаете 'CovarianceMethod' пара "имя-значение" как 'JointHessian', затем F - тесты составляют неопределенность по оценке параметров ковариации.

    Подбирая модель GLME с помощью fitglme и одна из псевдо вероятности соответствует методам ('MPL' или 'REMPL'), anova использует подбиравшую линейную смешанную модель эффектов от итоговой псевдо итерации вероятности для вывода на фиксированных эффектах.

Для просмотра документации необходимо авторизоваться на сайте