Класс: LinearMixedModel
Остаточные значения подбиравшей линейной модели смешанных эффектов
возвращает остаточные значения линейной модели R
= residuals(lme
,Name,Value
)lme
смешанных эффектов с дополнительными опциями, заданными одним или несколькими
Name,Value
парные аргументы.
Например, можно задать Пирсона или стандартизированные остаточные значения или остаточные значения с вкладами только от фиксированных эффектов.
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
.
'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.
True | Вклад и от зафиксированных эффектов и от случайных эффектов (условное выражение) |
False | Вклад только от фиксированных (крайних) эффектов |
Пример: 'Conditional,'False'
'ResidualType'
— Остаточный тип'Raw'
(значение по умолчанию) | 'Pearson'
| 'Standardized'
Остаточный тип, заданный разделенной запятой парой, состоящей из ResidualType
и одно из следующих.
Остаточный тип | Условное выражение | Крайний |
---|---|---|
'Raw' |
|
|
'Pearson' |
|
|
'Standardized' |
|
|
Для получения дополнительной информации об условных и крайних остаточных значениях и остаточных отклонениях, смотрите Definitions
в конце этой страницы.
Пример: 'ResidualType','Standardized'
R
— Остаточные значенияОстаточные значения подходящей линейной модели lme
смешанных эффектоввозвращенный как n-by-1 вектор, где n является количеством наблюдений.
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 таблице. Задайте Subject
и Program
как категориальные переменные.
tbl = table(InitialWeight,Program,Subject,Week,y); tbl.Subject = nominal(tbl.Subject); tbl.Program = nominal(tbl.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.
lme = fitlme(tbl,'y ~ InitialWeight + Program*Week + (Week|Subject)');
Вычислите подходящие значения и необработанные остаточные значения.
F = fitted(lme); R = residuals(lme);
Постройте остаточные значения по сравнению с подходящими значениями.
plot(F,R,'bx') xlabel('Fitted Values') ylabel('Residuals')
Теперь постройте остаточные значения по сравнению с подходящими значениями, сгруппированными программой.
figure(); gscatter(F,R,Program)
Остаточные значения, кажется, ведут себя так же через уровни программы как ожидалось.
Загрузите выборочные данные.
load carbig
Сохраните переменные для миль на галлон (MPG), ускорения, лошадиной силы, цилиндров, и модельный год в таблице.
tbl = table(MPG,Acceleration,Horsepower,Cylinders,Model_Year);
Подбирайте линейную модель смешанных эффектов для миль на галлон (MPG), с фиксированными эффектами для ускорения, лошадиной силы и цилиндров, и потенциально коррелировал случайные эффекты для прерывания и ускорения, сгруппированного модельным годом.
lme = fitlme(tbl,'MPG ~ Acceleration + Horsepower + Cylinders + (Acceleration|Model_Year)');
Вычислите условное выражение остаточные значения Пирсона и отобразите первые пять остаточных значений.
PR = residuals(lme,'ResidualType','Pearson'); PR(1:5)
ans = 5×1
-0.0533
0.0652
0.3655
-0.0106
-0.3340
Вычислите крайние остаточные значения Пирсона и отобразите первые пять остаточных значений.
PRM = residuals(lme,'ResidualType','Pearson','Conditional',false); PRM(1:5)
ans = 5×1
-0.1250
0.0130
0.3242
-0.0861
-0.3006
Загрузите выборочные данные.
load carbig
Сохраните переменные для миль на галлон (MPG), ускорения, лошадиной силы, цилиндров, и модельный год в таблице.
tbl = table(MPG,Acceleration,Horsepower,Cylinders,Model_Year);
Подбирайте линейную модель смешанных эффектов для миль на галлон (MPG), с фиксированными эффектами для ускорения, лошадиной силы и цилиндров, и потенциально коррелировал случайные эффекты для прерывания и ускорения, сгруппированного модельным годом.
lme = fitlme(tbl,'MPG ~ Acceleration + Horsepower + Cylinders + (Acceleration|Model_Year)');
Чертите гистограмму необработанных остаточных значений с нормальной подгонкой.
r = residuals(lme); histfit(r)
Нормальное распределение, кажется, подходящий вариант для остаточных значений.
Вычислите условное выражение Пирсон и стандартизированные остаточные значения и создайте диаграммы всех трех типов остаточных значений.
pr = residuals(lme,'ResidualType','Pearson'); st = residuals(lme,'ResidualType','Standardized'); X = [r pr st]; figure(); boxplot(X)
Красные знаки "плюс" показывают наблюдения с остаточными значениями выше или ниже и , где и 25-е и 75-е процентили, соответственно.
Найдите наблюдения с остаточными значениями, которые являются 2,5 стандартными отклонениями выше и ниже среднего значения.
find(r > nanmean(r) + 2.5*nanstd(r))
ans = 7×1
62
252
255
330
337
341
396
find(r < nanmean(r) - 2.5*nanstd(r))
ans = 3×1
119
324
375
Условные остаточные значения включают вклады и от зафиксированных и от случайных эффектов, тогда как крайние остаточные значения включают вклад только от фиксированных эффектов.
Предположим линейная модель lme
смешанных эффектовимеет n-by-p, фиксированные эффекты проектируют матричный X, и n-by-q случайные эффекты проектируют матричный Z. Кроме того, предположите, что p-by-1 оцененный вектор фиксированных эффектов , и q-by-1 оцененный вектор лучше всего линейного несмещенного предиктора (BLUP) случайных эффектов . Подходящий условный ответ
и подходящий крайний ответ
residuals
может возвратить три типа остаточных значений: сырые данные, Пирсон, и стандартизированный. Для любого типа можно вычислить условное выражение или крайние остаточные значения. Например, условная необработанная невязка
и крайняя необработанная невязка
Для получения дополнительной информации о других типах остаточных значений смотрите ResidualType
аргумент пары "имя-значение".
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.