Класс: GeneralizedLinearMixedModel
Остаточные значения подбиравшей обобщенной линейной модели смешанных эффектов
возвращает остаточные значения с помощью дополнительных опций, заданных одним или несколькими r
= residuals(glme
,Name,Value
)Name,Value
парные аргументы. Например, можно задать, чтобы возвратить остаточные значения Пирсона для модели.
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 условных остаточных значенийtrue
(значение по умолчанию) | false
Индикатор для условных остаточных значений 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 |
Условные остаточные значения включают вклады и от зафиксированного - и от предикторы случайных эффектов. Крайние остаточные значения включают вклад только от фиксированных эффектов. Получить крайние остаточные значения, residuals
вычисляет условное среднее значение ответа с эмпирическим вектором предиктора Бейеса случайных эффектов, b, набора к 0.
Пример: 'Conditional',false
'ResidualType'
— Остаточный тип'raw'
(значение по умолчанию) | 'Pearson'
Остаточный тип в виде разделенной запятой пары, состоящей из 'ResidualType'
и одно из следующих.
Остаточный тип | Условное выражение | Крайний |
---|---|---|
'raw' |
| |
'Pearson' |
|
В каждом из этих уравнений:
yi является i th элемент n-by-1 вектор отклика, y, где i = 1..., n.
g-1 является обратной функцией ссылки для модели.
xi T является i th, строка фиксированных эффектов проектируют матричный X.
zi T является i th, строка случайных эффектов проектируют матричный Z.
δi является i th значение смещения.
σ 2 является дисперсионным параметром.
wi является i th вес наблюдения.
vi является термином отклонения для i th наблюдение.
μi является средним значением ответа для i th наблюдение.
и ориентировочные стоимости β и b.
Необработанные остаточные значения обобщенной линейной модели смешанных эффектов имеют непостоянное отклонение. Остаточные значения Пирсона, как ожидают, будут иметь приблизительно постоянное отклонение и обычно используются в анализе.
Пример: 'ResidualType','Pearson'
r
— Остаточные значенияОстаточные значения подходящей обобщенной линейной модели glme
смешанных эффектов возвращенный 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 условное выражение, остаточные значения Пирсона и условное выражение соответствовали значениям из модели.
r = residuals(glme,'ResidualType','Pearson'); mufit = fitted(glme);
Отобразите первые десять строк остаточных значений Пирсона.
r(1:10)
ans = 10×1
0.4530
0.4339
0.3833
-0.2653
0.2811
-0.0935
-0.2984
-0.2509
1.5547
-0.3027
Постройте остаточные значения Пирсона по сравнению с подходящими значениями, чтобы проверять на знаки непостоянного отклонения среди остаточных значений (heteroscedasticity).
figure scatter(mufit,r) title('Residuals versus Fitted Values') xlabel('Fitted Values') ylabel('Residuals')
График не показывает систематическую зависимость от подходящих значений, таким образом, нет никаких знаков непостоянного отклонения среди остаточных значений.
GeneralizedLinearMixedModel
| designMatrix
| fitted
| 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.