covarianceParameters

Класс: GeneralizedLinearMixedModel

Извлеките параметры ковариации обобщенной линейной модели смешанных эффектов

Описание

psi = covarianceParameters(glme) возвращает предполагаемые предшествующие параметры ковариации предикторов случайных эффектов в обобщенной линейной модели glme смешанных эффектов.

[psi,dispersion] = covarianceParameters(glme) также возвращает оценку дисперсионного параметра.

пример

[psi,dispersion,stats] = covarianceParameters(glme) также возвращает массив ячеек stats содержание параметра ковариации оценивает и связанная статистика.

[___] = covarianceParameters(glme,Name,Value) возвращает любой из вышеупомянутых выходных аргументов с помощью дополнительных опций, заданных одним или несколькими Name,Value парные аргументы. Например, можно задать доверительный уровень для пределов достоверности параметров ковариации.

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.

Уровень значения в виде разделенной запятой пары, состоящей из 'Alpha' и скалярное значение в области значений [0,1]. Для значения α, доверительный уровень является 100 × (1 – α) %.

Например, для 99% доверительных интервалов, можно задать доверительный уровень можно следующим образом.

Пример: 'Alpha',0.01

Типы данных: single | double

Выходные аргументы

развернуть все

Предполагаемые предшествующие параметры ковариации для предикторов случайных эффектов, возвращенных как массив ячеек длины R, где R является количеством сгруппированных переменных, используемых в модели. psi{r} содержит ковариационную матрицу случайных эффектов, сопоставленных со сгруппированной переменной gr, где r = 1, 2..., R, порядок сгруппированных переменных в psi совпадает с заказом, введенным, подбирая модель. Для получения дополнительной информации о сгруппированных переменных смотрите Сгруппированные переменные.

Дисперсионный параметр, возвращенный как скалярное значение.

Параметр ковариации оценивает и связанная статистика, возвращенная как массив ячеек длины (R + 1), где R является количеством сгруппированных переменных, используемых в модели. Первые ячейки R stats каждый содержит массив набора данных со следующими столбцами.

ColumnName Описание
GroupИмя сгруппированной переменной
Name1Имя первого переменного предиктора
Name2Имя второго переменного предиктора
Type

Если Name1 и Name2 то же самое, затем Type std Стандартное отклонение.

Если Name1 и Name2 отличаются, затем Type corr Корреляция.

Estimate

Если Name1 и Name2 то же самое, затем Estimate стандартное отклонение случайного эффекта, сопоставленного с предиктором Name1 или Name2.

Если Name1 и Name2 отличаются, затем Estimate корреляция между случайными эффектами, сопоставленными с предикторами Name1 и Name2.

LowerНижний предел доверительного интервала для параметра ковариации
UpperВерхний предел доверительного интервала для параметра ковариации

Ячейка R + 1 содержит связанную статистику для дисперсионного параметра.

Рекомендуется что присутствие или отсутствие параметров ковариации в glme будьте протестированы с помощью compare метод, который использует тест отношения правдоподобия.

Подбирая модель GLME с помощью fitglme и одно из наибольшего правдоподобия соответствует методам ('Laplace' или 'ApproximateLaplace'), covarianceParameters выводит доверительные интервалы в stats на основе приближения Лапласа к логарифмической вероятности обобщенной линейной модели смешанных эффектов.

Подбирая модель GLME с помощью fitglme и одна из псевдо вероятности соответствует методам ('MPL' или 'REMPL'), covarianceParameters выводит доверительные интервалы в stats на основе подбиравшей линейной модели смешанных эффектов от итоговой псевдо итерации вероятности.

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

defectsijПуассон(μij)

Это соответствует обобщенной линейной модели смешанных эффектов

log(μij)=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');

Вычислите и отобразите оценку предшествующего параметра ковариации для предиктора случайных эффектов.

[psi,dispersion,stats] = covarianceParameters(glme);
psi{1}
ans = 0.0985

psi{1} оценка предшествующей ковариационной матрицы первой сгруппированной переменной. В этом примере существует только одна сгруппированная переменная (factory), таким образом, psi{1} оценка σb2.

Отобразите дисперсионный параметр.

dispersion
dispersion = 1

Отобразите предполагаемое стандартное отклонение случайного эффекта, сопоставленного с предиктором. Первая ячейка stats содержит статистику для factory, в то время как вторая ячейка содержит статистику для дисперсионного параметра.

stats{1}
ans = 
    Covariance Type: Isotropic

    Group      Name1                  Name2                  Type       
    factory    {'(Intercept)'}        {'(Intercept)'}        {'std'}    


    Estimate    Lower      Upper  
    0.31381     0.19253    0.51148

Предполагаемое стандартное отклонение случайного эффекта, сопоставленного с предиктором, 0.31381. 95%-й доверительный интервал [0.19253, 0.51148]. Поскольку доверительный интервал не содержит 0, случайное прерывание является значительным на 5%-м уровне значения.

Для просмотра документации необходимо авторизоваться на сайте