Класс: GeneralizedLinearMixedModel
Переоборудуйте обобщенную линейную модель смешанных эффектов
glme
— Обобщенная линейная модель смешанных эффектовGeneralizedLinearMixedModel
объектОбобщенная линейная модель смешанных эффектов в виде GeneralizedLinearMixedModel
объект. Для свойств и методов этого объекта, смотрите GeneralizedLinearMixedModel
.
ynew
— Новый вектор откликаНовый вектор отклика в виде n-by-1 вектор скалярных значений, где n является количеством наблюдений, раньше соответствовал glme
.
Для наблюдения i с предшествующими весами wip и биномиальный размер ni (когда применимый), значения ответа yi содержится в ynew
может иметь следующие значения.
Распределение | Разрешенные значения | Примечания |
---|---|---|
Binomial |
| wip и ni являются целочисленными значениями> 0 |
Poisson |
| wip является целочисленным значением> 0 |
Gamma | (0,∞) | wip ≥ 0 |
InverseGaussian | (0,∞) | wip ≥ 0 |
Normal | (–∞,∞) | wip ≥ 0 |
Можно получить доступ к предшествующему свойству wip весов с помощью записи через точку.
glme.ObservationInfo.Weights
Типы данных: single
| double
glmenew
— Обобщенная линейная модель смешанных эффектовGeneralizedLinearMixedModel
объектОбобщенная линейная модель смешанных эффектов, возвращенная как GeneralizedLinearMixedModel
объект. glmenew
обновленная версия обобщенной линейной модели glme
смешанных эффектов, переоборудуйте к значениям в векторе отклика
ynew
.
Для свойств и методов этого объекта, смотрите GeneralizedLinearMixedModel
.
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');
Используйте random
симулировать новый вектор отклика от подобранной модели.
rng(0,'twister'); % For reproducibility ynew = random(glme);
Переоборудуйте модель с помощью нового вектора отклика.
glme = refit(glme,ynew)
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 469.24 487.48 -227.62 455.24 Fixed effects coefficients (95% CIs): Name Estimate SE tStat DF pValue {'(Intercept)'} 1.5738 0.18674 8.4276 94 4.0158e-13 {'newprocess' } -0.21089 0.2306 -0.91455 94 0.36277 {'time_dev' } -0.13769 0.77477 -0.17772 94 0.85933 {'temp_dev' } 0.24339 0.84657 0.2875 94 0.77436 {'supplier_C' } -0.12102 0.07323 -1.6526 94 0.10175 {'supplier_B' } 0.098254 0.066943 1.4677 94 0.14551 Lower Upper 1.203 1.9445 -0.66875 0.24696 -1.676 1.4006 -1.4375 1.9243 -0.26642 0.024381 -0.034662 0.23117 Random effects covariance parameters: Group: factory (20 Levels) Name1 Name2 Type Estimate {'(Intercept)'} {'(Intercept)'} {'std'} 0.46587 Group: Error Name Estimate {'sqrt(Dispersion)'} 1
Можно использовать refit
и random
провести симулированный тест отношения правдоподобия или параметрическую начальную загрузку.
GeneralizedLinearMixedModel
| designMatrix
| fitted
| residuals
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.