Класс: GeneralizedLinearMixedModel
Подходящие ответы из обобщенной линейной модели смешанных эффектов
возвращает подходящий ответ с дополнительными опциями, заданными одним или несколькими аргументами пары "имя-значение". Например, можно задать, чтобы вычислить крайний подходящий ответ.mufit
= fitted(glme
,Name,Value
)
glme
— Обобщенная линейная модель смешанных эффектовGeneralizedLinearMixedModel
объектОбобщенная линейная модель смешанных эффектов в виде GeneralizedLinearMixedModel
объект. Для свойств и методов этого объекта, смотрите GeneralizedLinearMixedModel
.
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
.
'Conditional'
— Индикатор для условного ответаtrue
(значение по умолчанию) | false
Индикатор для условного ответа в виде разделенной запятой пары, состоящей из 'Conditional'
и одно из следующих.
Значение | Описание |
---|---|
true | Вклады и от зафиксированных эффектов и от случайных эффектов (условное выражение) |
false | Вклад только от фиксированных (крайних) эффектов |
Получить адаптированные крайние значения ответа, fitted
вычисляет условное среднее значение ответа с эмпирическим вектором предиктора Бейеса случайных эффектов набор b, равный 0. Для получения дополнительной информации смотрите Условный и Крайний Ответ
Пример: 'Conditional',false
mufit
— Подходящие значения ответаПодходящие значения ответа, возвращенные как n-by-1 вектор, где n является количеством наблюдений.
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 (A
B
, 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
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');
Сгенерируйте подходящие условные средние значения для модели.
mufit = fitted(glme);
Создайте scatterplot наблюдаемых величин по сравнению с подходящими значениями.
figure scatter(mfr.defects,mufit) title('Residuals versus Fitted Values') xlabel('Fitted Values') ylabel('Residuals')
Условный ответ включает вклады и от зафиксированного - и от предикторы случайных эффектов. Крайний ответ включает вклад только от фиксированных эффектов.
Предположим обобщенная линейная модель glme
смешанных эффектов имеет n-by-p, фиксированные эффекты проектируют матричный
X
и n-by-q случайные эффекты проектирует матричный Z
. Кроме того, предположите, что предполагаемый p-by-1 вектор фиксированных эффектов , и q-by-1 эмпирический вектор предиктора Бейеса случайных эффектов .
Подходящий условный ответ соответствует 'Conditional',true
аргумент пары "имя-значение", и задан как
где линейный предиктор включая фиксированное - и случайные эффекты обобщенной линейной модели смешанных эффектов
Подходящий крайний ответ соответствует 'Conditional',false
аргумент пары "имя-значение", и задан как
где линейный предиктор только включая фрагмент фиксированных эффектов обобщенной линейной модели смешанных эффектов
GeneralizedLinearMixedModel
| designMatrix
| fitglme
| residuals
| response
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.