Класс: GeneralizedLinearMixedModel
Сравните обобщенные линейные модели смешанных эффектов
возвращает результаты теста отношения правдоподобия, который сравнивает обобщенные линейные модели results
= compare(glme
,altglme
)glme
смешанных эффектов и
altglme
. Чтобы провести допустимый тест отношения правдоподобия, обе модели должны использовать тот же вектор отклика в подгонке и glme
должен быть вложен в altglme
. Вход Always меньшая модель сначала, и большая секунда модели.
compare
тестирует следующие нулевые и альтернативные гипотезы:
H 0: Наблюдаемый вектор отклика сгенерирован glme
.
H 1: Наблюдаемый вектор отклика сгенерирован моделью altglme
.
возвращает результаты теста отношения правдоподобия с помощью дополнительных опций, заданных одним или несколькими results
= compare(glme
,altglme
,Name,Value
)Name,Value
парные аргументы. Например, можно проверять если первая входная модель, glme
, вкладывается во второй входной модели, altglme
.
glme
— Обобщенная линейная модель смешанных эффектовGeneralizedLinearMixedModel
объектОбобщенная линейная модель смешанных эффектов в виде GeneralizedLinearMixedModel
объект. Для свойств и методов этого объекта, смотрите GeneralizedLinearMixedModel
.
Можно создать GeneralizedLinearMixedModel
объект, подбирая обобщенную линейную модель смешанных эффектов к вашим выборочным данным с помощью fitglme
. Чтобы провести допустимый тест отношения правдоподобия на двух моделях, которые имеют распределения ответа кроме нормального, необходимо подбирать обе модели с помощью 'ApproximateLaplace'
или 'Laplace'
подходящий метод. Модели с распределениями ответа кроме нормальных, которые адаптированы с помощью 'MPL'
или 'REMPL'
не может быть сравнен с помощью теста отношения правдоподобия.
altglme
— Альтернативная обобщенная линейная модель смешанных эффектовGeneralizedLinearMixedModel
объектАльтернативная обобщенная линейная модель смешанных эффектов в виде GeneralizedLinearMixedModel
объект. altglme
будьте должен соответствовать к тому же вектору отклика как glme
, но с различными техническими требованиями модели. glme
должен быть вложен в altglme
, таким образом, что можно получить glme
от altglme
путем устанавливания некоторых параметров модели altglme
к фиксированным значениям такой как 0.
Можно создать GeneralizedLinearMixedModel
объект, подбирая обобщенную линейную модель смешанных эффектов к вашим выборочным данным с помощью fitglme
. Чтобы провести допустимый тест отношения правдоподобия на двух моделях, которые имеют распределения ответа кроме нормального, необходимо подбирать обе модели с помощью 'ApproximateLaplace'
или 'Laplace'
подходящий метод. Модели с распределениями ответа кроме нормальных, которые адаптированы с помощью 'MPL'
или 'REMPL'
не может быть сравнен с помощью теста отношения правдоподобия.
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
.
'CheckNesting'
— Индикатор, чтобы проверять вложение между двумя моделямиtrue
(значение по умолчанию) | false
Индикатор, чтобы проверять вложение между двумя моделями в виде разделенной запятой пары, состоящей из 'CheckNesting'
и любой true
или false
. Если 'CheckNesting'
true
, затем compare
проверки, если меньшая модель glme
вкладывается в большей модели altglme
. Если вложенным требованиям не удовлетворяют, то compare
возвращает ошибку. Если 'CheckNesting'
false
, затем compare
не выполняет эту проверку.
Пример: 'CheckNesting',true
results
— Результаты теста отношения правдоподобияРезультаты теста отношения правдоподобия, возвращенного как таблица с двумя строками. Первая строка для glme
, и вторая строка для altglme
. Столбцы results
содержите следующее.
ColumnName | Описание |
---|---|
Model | Имя модели |
DF | Степени свободы |
AIC | Критерий информации о Akaike модели |
BIC | Байесов информационный критерий модели |
LogLik | Максимизируемая логарифмическая вероятность для модели |
LRStat | Тестовая статистическая величина отношения правдоподобия для сравнения altglme и glme |
deltaDF | DF для altglme минус DF для glme |
pValue | p- для теста отношения правдоподобия |
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 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.
Соответствуйте фиксированным эффектам только модель с помощью newprocess
, time_dev
, temp_dev
, и supplier
как предикторы фиксированных эффектов. Задайте распределение ответа как Пуассона, функцию ссылки как журнал и подходящий метод как Лаплас. Задайте фиктивную переменную, кодирующую как 'effects'
, таким образом, фиктивные переменные коэффициенты суммируют к 0.
FEglme = fitglme(mfr,'defects ~ 1 + newprocess + time_dev + temp_dev + supplier','Distribution','Poisson','Link','log','FitMethod','Laplace','DummyVarCoding','effects');
Подбирайте вторую модель, которая использует те же предикторы фиксированных эффектов, распределение ответа, функцию ссылки и подходящий метод. На этот раз включайте прерывание случайных эффектов, сгруппированное factory
, составлять качественные различия, которые могут существовать из-за специфичных для фабрики изменений.
Количество дефектов может быть смоделировано с помощью распределения Пуассона
Это соответствует обобщенной линейной модели смешанных эффектов
где
количество дефектов, наблюдаемых в пакете, произведенном фабрикой во время пакета .
среднее количество дефектов, соответствующих фабрике (где ) во время пакета (где ).
, , и измерения для каждой переменной, которые соответствуют фабрике во время пакета . Например, указывает ли пакет, произведенный фабрикой во время пакета используемый новый процесс.
и фиктивные переменные, которые используют эффекты (сумма к нулю) кодирование, чтобы указать ли компания C
или B
, соответственно, предоставленный химикаты процесса для пакета производятся фабрикой во время пакета .
прерывание случайных эффектов для каждой фабрики 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');
Сравните эти две модели с помощью теоретического теста отношения правдоподобия. Задайте 'CheckNesting'
как true
, так compare
возвращает предупреждение, если вложенным требованиям не удовлетворяют.
results = compare(FEglme,glme,'CheckNesting',true)
results = Theoretical Likelihood Ratio Test Model DF AIC BIC LogLik LRStat deltaDF FEglme 6 431.02 446.65 -209.51 glme 7 416.35 434.58 -201.17 16.672 1 pValue 4.4435e-05
Начиная с compare
не возвратил ошибку, вложенным требованиям удовлетворяют. Маленькое - значение указывает на тот compare
отклоняет нулевую гипотезу, что наблюдаемый вектор отклика сгенерирован моделью FEglme
, и вместо этого принимает альтернативную модель glme
. Меньший AIC
и BIC
значения для glme
также поддержите заключение что glme
предоставляет лучшую подбирающую модель для ответа.
Тест отношения правдоподобия сравнивает технические требования двух вложенных моделей путем оценки значения ограничений на расширенную модель неограниченными параметрами. По нулевой гипотезе H 0, тестовая статистическая величина отношения правдоподобия имеет аппроксимированное ссылочное распределение в квадрате хи со степенями свободы deltaDF
.
При сравнении двух моделей, compare
вычисляет p - значение для теста отношения правдоподобия путем сравнения наблюдаемого отношения правдоподобия тестирует статистическую величину с этим ссылочным распределением в квадрате хи. Маленький p - значение приводит к отклонению H 0 в пользу H 1, и принятие альтернативной модели altglme
. С другой стороны, большой p - значение указывает, что мы не можем отклонить H 0 и отражаем недостаточные доказательства, чтобы принять модель altglme
.
p - полученное использование значений теста отношения правдоподобия может быть консервативным при тестировании на присутствие или отсутствие условий случайных эффектов и антиконсерватора при тестировании на присутствие или отсутствие условий фиксированных эффектов. Вместо этого используйте fixedEffects
или coefTest
методы, чтобы протестировать на фиксированные эффекты.
Чтобы провести допустимый тест отношения правдоподобия на моделях GLME, обе модели должны подбираться с помощью Лапласа или аппроксимированного подходящего метода Лапласа. Модели соответствовали использованию максимальной псевдо вероятности (MPL) или ограничили максимальную псевдо вероятность (REMPL), метод не может быть сравнен с помощью теста отношения правдоподобия. Когда сравнение моделей соответствовало использованию MPL, максимизируемая логарифмическая вероятность псевдоданных из итоговой псевдо итерации вероятности используется в тесте отношения правдоподобия. Если вы сравниваете модели с ненормальными распределениями, адаптированными с помощью MPL, то compare
дает предупреждение, что тест отношения правдоподобия использует максимизируемую логарифмическую вероятность псевдоданных из итоговой псевдо итерации вероятности. Чтобы использовать истинную максимизируемую логарифмическую вероятность в тесте отношения правдоподобия, соответствуйте обоим glme
и altglme
использование аппроксимированного Лапласа или Лапласа до сравнения модели.
Провести допустимый тест отношения правдоподобия, glme
должен быть вложен в altglme
. 'CheckNesting',true
аргумент пары "имя-значение" проверяет следующие требования и возвращает ошибку, если кому-либо не удовлетворяют:
Необходимо подбирать обе модели (glme
и altglme
) использование 'ApproximateLaplace'
или 'Laplace'
подходящий метод. Вы не можете сравнить модели GLME, подбиравшие с помощью 'MPL'
или 'REMPL'
использование теста отношения правдоподобия.
Необходимо подбирать обе модели с помощью того же вектора отклика, распределения ответа и функции ссылки.
Меньшая модель (glme
) должен быть вложен в большей модели (altglme
), такой, что можно получить glme
от altglme
путем устанавливания некоторых параметров модели altglme
к фиксированным значениям такой как 0.
Максимизируемая логарифмическая вероятность большей модели (altglme
) должен быть больше или быть равен максимизируемой логарифмической вероятности меньшей модели (glme
).
Векторы веса раньше соответствовали glme
и altglme
должно быть идентичным.
Случайные эффекты проектируют матрицу большей модели (altglme
) должен содержать матрицу проекта случайных эффектов меньшей модели (glme
).
Фиксированные эффекты проектируют матрицу большей модели (altglme
) должен содержать матрицу проекта фиксированных эффектов меньшей модели (glme
).
Критерием информации о Akaike (AIC) является AIC = –2logLM + 2 (param).
logLM зависит от метода, используемого, чтобы подбирать модель.
Если вы используете 'Laplace'
или 'ApproximateLaplace'
, затем logLM является максимизируемой логарифмической вероятностью.
Если вы используете 'MPL'
, затем logLM является максимизируемой логарифмической вероятностью псевдо данных из итоговой псевдо итерации вероятности.
Если вы используете 'REMPL'
, затем logLM является максимизируемой ограниченной логарифмической вероятностью псевдо данных из итоговой псевдо итерации вероятности.
param является общим количеством параметров, оцененных в модели. Для большинства моделей GLME param равен nc + p + 1, где nc является общим количеством параметров в ковариации случайных эффектов, исключая остаточное отклонение, и p является количеством коэффициентов фиксированных эффектов. Однако, если дисперсионный параметр фиксируется в 1,0 для бинома или распределений Пуассона, то param равен (nc + p).
Байесовым информационным критерием (BIC) является BIC = –2*logLM + ln (neff) (param).
logLM зависит от метода, используемого, чтобы подбирать модель.
Если вы используете 'Laplace'
или 'ApproximateLaplace'
, затем logLM является максимизируемой логарифмической вероятностью.
Если вы используете 'MPL'
, затем logLM является максимизируемой логарифмической вероятностью псевдо данных из итоговой псевдо итерации вероятности.
Если вы используете 'REMPL'
, затем logLM является максимизируемой ограниченной логарифмической вероятностью псевдо данных из итоговой псевдо итерации вероятности.
neff является эффективным количеством наблюдений.
Если вы используете 'MPL'
, 'Laplace'
, или 'ApproximateLaplace'
, затем neff = n, где n является количеством наблюдений.
Если вы используете 'REMPL'
, затем neff = n – p.
param является общим количеством параметров, оцененных в модели. Для большинства моделей GLME param равен nc + p + 1, где nc является общим количеством параметров в ковариации случайных эффектов, исключая остаточное отклонение, и p является количеством коэффициентов фиксированных эффектов. Однако, если дисперсионный параметр фиксируется в 1,0 для бинома или распределений Пуассона, то param равен (nc + p).
Нижнее значение отклонения указывает на лучшую подгонку. Когда значение отклонения уменьшается, и AIC и BIC имеют тенденцию уменьшаться. И AIC и BIC также включают условия штрафа на основе количества оцененных параметров, p. Так, когда количество увеличения параметров, значения AIC и BIC имеют тенденцию увеличиваться также. При сравнении различных моделей модель с самым низким AIC или значением BIC рассматривается как модель оптимальной подгонки.
Для моделей, подбиравших с помощью 'MPL'
и 'REMPL'
, AIC и BIC основаны на логарифмической вероятности (или ограниченной логарифмической вероятности) псевдо данных из итоговой псевдо итерации вероятности. Поэтому прямое сравнение AIC и значений BIC между моделями, подбиравшими с помощью 'MPL'
и 'REMPL'
не является соответствующим.
GeneralizedLinearMixedModel
| covarianceParameters
| fixedEffects
| randomEffects
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.