Класс: GeneralizedLinearMixedModel
Вектор отклика обобщенной линейной модели смешанных эффектов
[
также возвращает биномиальный размер, сопоставленный с каждым элементом y
,binomialsize
]
= response(glme
)y
если условное распределение ответа, учитывая случайные эффекты является биномом.
glme
— Обобщенная линейная модель смешанных эффектовGeneralizedLinearMixedModel
объектОбобщенная линейная модель смешанных эффектов в виде GeneralizedLinearMixedModel
объект. Для свойств и методов этого объекта, смотрите GeneralizedLinearMixedModel
.
y
— Значения ответаЗначения ответа в виде n-by-1 вектор, где n является количеством наблюдений.
Для наблюдения i с предшествующими весами wip и биномиальный размер ni (когда применимый), значения ответа yi 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. Например, чтобы получить доступ к предшествующему свойству весов для модели glme
:
glme.ObservationInfo.Weights
binomialsize
— Биномиальный размерБиномиальный размер сопоставлен с каждым элементом y
, возвращенный как n-by-1 вектор, где n является количеством наблюдений. response
только возвращает binomialsize
если условное распределение ответа, учитывая случайные эффекты является биномом. binomialsize
пусто для других распределений.
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');
Извлеките наблюдаемые значения ответа для модели, затем используйте fitted
сгенерировать подходящие условные средние значения.
y = response(glme); % Observed response values yfit = fitted(glme); % Fitted response values
Создайте scatterplot наблюдаемых значений ответа по сравнению с подходящими значениями. Добавьте ссылочную линию, чтобы улучшить визуализацию.
figure scatter(yfit,y) xlim([0,12]) ylim([0,12]) refline(1,0) title('Response versus Fitted Values') xlabel('Fitted Values') ylabel('Response')
График показывает положительную корреляцию между подходящими значениями и наблюдаемыми значениями ответа.
[1] Hox, J. Многоуровневый анализ, методы и приложения. Lawrence Erlbaum Associates, Inc., 2002.
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.