Класс: LinearMixedModel
Извлеките параметры ковариации линейной модели смешанных эффектов
[
возвращает параметры ковариации и связанную статистику в psi
,mse
,stats
]
= covarianceParameters(lme
,Name,Value
)stats
с дополнительными опциями, заданными одним или несколькими Name,Value
парные аргументы.
Например, можно задать доверительный уровень для пределов достоверности параметров ковариации.
lme
— Линейная модель смешанных эффектовLinearMixedModel
объектЛинейная модель смешанных эффектов в виде LinearMixedModel
объект, созданный с помощью fitlme
или fitlmematrix
.
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
.
'Alpha'
— Уровень значенияУровень значения в виде разделенной запятой пары, состоящей из 'Alpha'
и скалярное значение в области значений от 0 до 1. Для значения α, доверительный уровень равняется 100* (1–α) %.
Например, для 99% доверительных интервалов, можно задать доверительный уровень можно следующим образом.
Пример: 'Alpha',0.01
Типы данных: single
| double
psi
— Оценка параметров ковариацииОценка параметров ковариации, которые параметрируют предшествующую ковариацию случайных эффектов, возвратилась как массив ячеек длины R, такой что psi{r}
содержит ковариационную матрицу случайных эффектов, сопоставленных со сгруппированной переменной gr, r = 1, 2..., R. Порядок сгруппированных переменных является тем же заказом, который вы вводите, когда вы подбираете модель.
mse
— Остаточная оценка отклоненияОстаточная оценка отклонения, возвращенная как скалярное значение.
stats
— Параметр ковариации оценивает и связанная статистикаПараметр ковариации оценивает и связанная статистика, возвращенная как массив ячеек длины (R + 1) содержащий массивы набора данных со следующими столбцами.
Group | Имя сгруппированной переменной |
Name1 | Имя первого переменного предиктора |
Name2 | Имя второго переменного предиктора |
Type |
|
Estimate |
Стандартное отклонение случайного эффекта сопоставило с предиктором Корреляция между случайными эффектами сопоставила с предикторами |
Lower | Нижний предел 95%-го доверительного интервала для параметра ковариации |
Upper | Верхний предел 95%-го доверительного интервала для параметра ковариации |
stats{r}
массив набора данных, содержащий статистику по параметрам ковариации для r th сгруппированная переменная, r = 1, 2..., R. stats{R+1}
содержит статистику по остаточному стандартному отклонению. Массив набора данных для остаточной ошибки имеет поля Group
Имя
, Estimate
ниже
, и Upper
.
Загрузите выборочные данные.
load('fertilizer.mat');
Массив набора данных включает данные из эксперимента графика разделения, где почва разделена на три блока на основе типа грунта: песчаный, илистый, и глинистый. Каждый блок разделен на пять графиков, где пять различных типов томатных объектов (вишня, семейная реликвия, виноград, виноградная лоза и слива) случайным образом присвоены этим графикам. Томатные объекты в графиках затем разделены на подграфики, где каждый подграфик обработан одним из четырех удобрений. Это - симулированные данные.
Храните данные в массиве набора данных под названием ds
, практически, и задайте Tomato
, Soil
, и Fertilizer
как категориальные переменные.
ds = fertilizer; ds.Tomato = nominal(ds.Tomato); ds.Soil = nominal(ds.Soil); ds.Fertilizer = nominal(ds.Fertilizer);
Подбирайте линейную модель смешанных эффектов, где Fertilizer
переменная фиксированных эффектов, и средний урожай варьируется блоком (тип грунта) и графики в блоках (томатные типы в типах грунта) независимо. Эта модель соответствует
где = 1, 2..., 60 соответствует наблюдениям, = 2..., 5 соответствует томатным типам, и = 1, 2, 3 соответствует блокам (почва). представляет тип грунта th, и представляет томатный тип th, вложенный в тип грунта th. фиктивная переменная, представляющая уровень из томатного типа.
Случайные эффекты и ошибка наблюдения имеют следующие предшествующие распределения: , , и .
lme = fitlme(ds,'Yield ~ Fertilizer + (1|Soil) + (1|Soil:Tomato)');
Вычислите оценки параметра ковариации (оценки и ) из условий случайных эффектов.
psi = covarianceParameters(lme)
psi=2×1 cell array
{[4.2642e-17]}
{[ 352.8481]}
Вычислите остаточное отклонение ().
[~,mse] = covarianceParameters(lme)
mse = 151.9007
Загрузите выборочные данные.
load('weight.mat');
weight
содержит данные из продольного исследования, где 20 предметов случайным образом присвоены 4 программам подготовки, и их потеря веса зарегистрирована более чем шесть 2-недельных периодов времени. Это - симулированные данные.
Храните данные в массиве набора данных. Задайте Subject
и Program
как категориальные переменные.
ds = dataset(InitialWeight,Program,Subject,Week,y); ds.Subject = nominal(ds.Subject); ds.Program = nominal(ds.Program);
Подбирайте линейную модель смешанных эффектов, где начальный вес, тип программы, неделя и взаимодействие между неделей и типом программы являются фиксированными эффектами. Прерывание и неделя варьируется предметом.
Для 'reference'
фиктивное переменное кодирование, fitlme
Программа A использования как ссылка и создает необходимые фиктивные переменные . Эта модель соответствует
где соответствует номеру наблюдения, , и соответствует подчиненному номеру, . коэффициенты фиксированных эффектов, , и и случайные эффекты. обозначает начальный вес и фиктивная переменная, представляющая тип программы. Например, фиктивная переменная Программа B представления.
Случайные эффекты и ошибка наблюдения имеют следующие предшествующие распределения:
и
lme = fitlme(ds,'y ~ InitialWeight + Program + (Week|Subject)');
Вычислите оценки параметров ковариации для случайных эффектов.
[psi,mse,stats] = covarianceParameters(lme)
psi = 1x1 cell array
{2x2 double}
mse = 0.0105
stats=2×1 cell array
{3x7 classreg.regr.lmeutils.titleddataset}
{1x5 classreg.regr.lmeutils.titleddataset}
mse
предполагаемое остаточное отклонение. Это - оценка для .
Видеть параметры ковариации оценивает для условий случайных эффектов (, , и ), индексируйте в psi
.
psi{1}
ans = 2×2
0.0572 0.0490
0.0490 0.0624
Оценка отклонения случайных эффектов называет для прерывания, , 0.0572. Оценка отклонения случайных эффектов называет в течение недели, , 0.0624. Оценка для ковариации случайных эффектов называет для прерывания и неделя, , 0.0490.
stats
2 1 массив ячеек. Первая ячейка stats
содержит доверительные интервалы для стандартного отклонения случайных эффектов и корреляции между случайными эффектами для прерывания и неделя. Чтобы отобразить их, индексируйте в stats
.
stats{1}
ans = Covariance Type: FullCholesky Group Name1 Name2 Type Subject {'(Intercept)'} {'(Intercept)'} {'std' } Subject {'Week' } {'(Intercept)'} {'corr'} Subject {'Week' } {'Week' } {'std' } Estimate Lower Upper 0.23927 0.14364 0.39854 0.81971 0.38662 0.95658 0.2497 0.18303 0.34067
Отображение показывает имя группирующегося параметра (Group
), переменные случайных эффектов (Name1
, Name2
), тип параметров ковариации (Type
), оценка (Estimate
) для каждого параметра, и 95% доверительных интервалов для параметров (Lower
верхний
). Оценки в этой таблице связаны с оценками в psi
можно следующим образом.
Стандартное отклонение термина случайных эффектов для прерывания 0.23927 = sqrt (0.0527). Аналогично, стандартное отклонение случайного термина эффектов в течение недели 0.2497 = sqrt (0.0624). Наконец, корреляция между условиями случайных эффектов прерывания и неделя 0.81971 = 0.0490 / (0.23927*0.2497).
Обратите внимание на то, что это отображение также показывает, какой шаблон ковариации вы используете, подбирая модель. В этом случае шаблоном ковариации является FullCholesky
. Чтобы изменить шаблон ковариации для условий случайных эффектов, необходимо использовать 'CovariancePattern'
аргумент пары "имя-значение", подбирая модель.
Вторая ячейка stats
включает подобную статистику для остаточного стандартного отклонения. Отобразите содержимое второй ячейки.
stats{2}
ans = Group Name Estimate Lower Upper Error {'Res Std'} 0.10261 0.087882 0.11981
Оценка для остаточного стандартного отклонения является квадратным корнем из mse
, 0.10261 = sqrt (0.0105).
Загрузите выборочные данные.
load carbig
Подбирайте линейную модель смешанных эффектов для миль на галлон (MPG), с фиксированными эффектами для ускорения и веса, потенциально коррелированым случайным эффектом для прерывания и ускорения, сгруппированного модельным годом и независимым случайным эффектом для веса, сгруппированного источником автомобиля. Эта модель соответствует
где представляет уровни для переменной Model_Year
, и представляет уровни для переменной Origin
. мили на галлон для ith наблюдения, |m | th модельный год, and|k | th источник, которые соответствуют ith наблюдению. Условия случайных эффектов и ошибка наблюдения имеют следующие предшествующие распределения:
Здесь, термин случайных эффектов представляет первый случайный эффект на уровне из первой сгруппированной переменной. Термин случайных эффектов соответствует первому случайному сроку эффектов (1), для прерывания (0), в уровень th ( ) из первой сгруппированной переменной. Аналогично уровень для первого предиктора (1) в первом сроке случайных эффектов (1).
Точно так же обозначает второй случайный термин эффектов в уровне из второй сгруппированной переменной.
отклонение термина случайных эффектов для прерывания, отклонение случайного термина эффектов для ускорения предиктора, и ковариация условий случайных эффектов для прерывания и ускорения предиктора. отклонение второго срока случайных эффектов, и остаточное отклонение.
Во-первых, подготовьте матрицы проекта к тому, что они подбирали линейную модель смешанных эффектов.
X = [ones(406,1) Acceleration Weight]; Z = {[ones(406,1) Acceleration],[Weight]}; Model_Year = nominal(Model_Year); Origin = nominal(Origin); G = {Model_Year,Origin};
Подбирайте модель с помощью матриц проекта.
lme = fitlmematrix(X,MPG,Z,G,'FixedEffectPredictors',.... {'Intercept','Acceleration','Weight'},'RandomEffectPredictors',... {{'Intercept','Acceleration'},{'Weight'}},'RandomEffectGroups',{'Model_Year','Origin'});
Вычислите оценки параметров ковариации для случайных эффектов.
[psi,mse,stats] = covarianceParameters(lme)
psi=2×1 cell array
{2x2 double }
{[6.7555e-08]}
mse = 9.0802
stats=3×1 cell array
{3x7 classreg.regr.lmeutils.titleddataset}
{1x7 classreg.regr.lmeutils.titleddataset}
{1x5 classreg.regr.lmeutils.titleddataset}
Остаточное отклонение mse
9.0755. psi
2 1 массив ячеек и stats
массив ячеек 3 на 1. Чтобы видеть содержимое, необходимо индексировать в эти массивы ячеек.
Во-первых, индексируйте в первую ячейку psi
.
psi{1}
ans = 2×2
8.3081 -0.8359
-0.8359 0.1093
Первая ячейка psi
содержит параметры ковариации для коррелированых случайных эффектов для прерывания как 8,5160, и для ускорения как 0,1087. Оценка для ковариации случайных эффектов называет для прерывания и ускорения -0.8387.
Теперь индексируйте во вторую ячейку psi
.
psi{2}
ans = 6.7555e-08
Вторая ячейка psi
содержит оценку для отклонения термина случайных эффектов для веса .
Индексируйте в первую ячейку stats
.
stats{1}
ans = Covariance Type: FullCholesky Group Name1 Name2 Type Model_Year {'Intercept' } {'Intercept' } {'std' } Model_Year {'Acceleration'} {'Intercept' } {'corr'} Model_Year {'Acceleration'} {'Acceleration'} {'std' } Estimate Lower Upper 2.8824 1.1116 7.4738 -0.87704 -0.98411 -0.30222 0.33066 0.18918 0.57796
Эта таблица показывает оценки стандартного отклонения для условий случайных эффектов для прерывания и ускорения. Обратите внимание на то, что оценки стандартных отклонений являются квадратными корнями из диагональных элементов в первой ячейке psi
. А именно, 2.9182 = sqrt (8.5160) и 0.32968 = sqrt (0.1087). Корреляция является функцией ковариации прерывания и ускорения и стандартных отклонений прерывания и ускорения. Ковариация прерывания и ускорения является недиагональным значением в первой ячейке psi,-0.8387. Так, корреляция-.8387 / (0.32968*2.92182) =-0.87.
Сгруппированной переменной для прерывания и ускорения является Model_Year
.
Индексируйте во вторую ячейку stats
.
stats{2}
ans = Covariance Type: FullCholesky Group Name1 Name2 Type Estimate Origin {'Weight'} {'Weight'} {'std'} 0.00025991 Lower Upper 9.17e-05 0.0007367
Вторая ячейка stats
имеет оценку стандартного отклонения и 95% пределов достоверности для стандартного отклонения термина случайных эффектов для Weight
. Сгруппированной переменной является Origin
.
Индексируйте в третью ячейку stats
.
stats{3}
ans = Group Name Estimate Lower Upper Error {'Res Std'} 3.0133 2.8034 3.239
Третья ячейка stats
содержит оценку для остаточного стандартного отклонения и 95% пределов достоверности. Оценка для остаточного стандартного отклонения является квадратным корнем из mse
, sqrt (9.0755) = 3.0126.
Создайте 99% доверительных интервалов для параметров ковариации.
[~,~,stats] = covarianceParameters(lme,'Alpha',0.01);
stats{1}
ans = Covariance Type: FullCholesky Group Name1 Name2 Type Model_Year {'Intercept' } {'Intercept' } {'std' } Model_Year {'Acceleration'} {'Intercept' } {'corr'} Model_Year {'Acceleration'} {'Acceleration'} {'std' } Estimate Lower Upper 2.8824 0.82401 10.082 -0.87704 -0.99176 0.018244 0.33066 0.15873 0.68881
stats{2}
ans = Covariance Type: FullCholesky Group Name1 Name2 Type Estimate Origin {'Weight'} {'Weight'} {'std'} 0.00025991 Lower Upper 6.6099e-05 0.001022
stats{3}
ans = Group Name Estimate Lower Upper Error {'Res Std'} 3.0133 2.7405 3.3134
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.