fitrm

Подбирайте модель повторных измерений

Описание

пример

rm = fitrm(t,modelspec) возвращает модель повторных измерений, заданную modelspec, адаптированный к переменным в таблице или массиве набора данных t.

пример

rm = fitrm(t,modelspec,Name,Value) возвращает модель повторных измерений, с дополнительными опциями, заданными одним или несколькими Name,Value парные аргументы.

Например, можно задать гипотезу для факторов в предмете.

Примеры

свернуть все

Загрузите выборочные данные.

load fisheriris

Вектор-столбец species состоит из ирисовых цветов трех различных разновидностей: setosa, versicolor, и virginica. Двойной матричный meas состоит из четырех типов измерений на цветах: длина и ширина чашелистиков и лепестков в сантиметрах, соответственно.

Храните данные в табличном массиве.

t = table(species,meas(:,1),meas(:,2),meas(:,3),meas(:,4),...
'VariableNames',{'species','meas1','meas2','meas3','meas4'});
Meas = table([1 2 3 4]','VariableNames',{'Measurements'});

Подбирайте модель повторных измерений, где измерения являются ответами, и разновидность является переменным предиктором.

rm = fitrm(t,'meas1-meas4~species','WithinDesign',Meas)
rm = 
  RepeatedMeasuresModel with properties:

   Between Subjects:
         BetweenDesign: [150x5 table]
         ResponseNames: {'meas1'  'meas2'  'meas3'  'meas4'}
    BetweenFactorNames: {'species'}
          BetweenModel: '1 + species'

   Within Subjects:
          WithinDesign: [4x1 table]
     WithinFactorNames: {'Measurements'}
           WithinModel: 'separatemeans'

   Estimates:
          Coefficients: [3x4 table]
            Covariance: [4x4 table]

Отобразите коэффициенты.

rm.Coefficients
ans=3×4 table
                           meas1       meas2      meas3      meas4  
                          ________    ________    ______    ________

    (Intercept)             5.8433      3.0573     3.758      1.1993
    species_setosa        -0.83733     0.37067    -2.296    -0.95333
    species_versicolor    0.092667    -0.28733     0.502     0.12667

fitrm использует 'effects' контрасты, что означает, что коэффициенты суммируют к 0. rm.DesignMatrix имеет один столбец 1 с для прерывания и два других столбца species_setosa и species_versicolor, которые являются следующие:

species_setosa={1ifsetosa0ifversicolor-1ifvirginicaandspecies_versicolor={0ifsetosa1ifversicolor-1ifvirginica

Отобразите ковариационную матрицу.

rm.Covariance
ans=4×4 table
              meas1       meas2       meas3       meas4  
             ________    ________    ________    ________

    meas1     0.26501    0.092721     0.16751    0.038401
    meas2    0.092721     0.11539    0.055244     0.03271
    meas3     0.16751    0.055244     0.18519    0.042665
    meas4    0.038401     0.03271    0.042665    0.041882

Загрузите выборочные данные.

load('longitudinalData.mat');

Матричный Y содержит данные об ответе для 16 индивидуумов. Ответ является уровнем в крови препарата, измеренного в пяти моментах времени (время = 0, 2, 4, 6, и 8). Каждая строка Y соответствует индивидууму, и каждый столбец соответствует моменту времени. Первыми восемью предметами является розетка, и вторыми восемью предметами является штекер. Это - симулированные данные.

Задайте переменную, которая хранит гендерную информацию.

Gender = ['F' 'F' 'F' 'F' 'F' 'F' 'F' 'F' 'M' 'M' 'M' 'M' 'M' 'M' 'M' 'M']';

Храните данные в соответствующем табличном формате массивов, чтобы провести анализ повторных измерений.

t = table(Gender,Y(:,1),Y(:,2),Y(:,3),Y(:,4),Y(:,5),...
'VariableNames',{'Gender','t0','t2','t4','t6','t8'});

Задайте переменную в предметах.

Time = [0 2 4 6 8]';

Подбирайте модель повторных измерений, где уровни в крови являются ответами, и пол является переменным предиктором. Также задайте гипотезу для факторов в предмете.

rm = fitrm(t,'t0-t8 ~ Gender','WithinDesign',Time,'WithinModel','orthogonalcontrasts')
rm = 
  RepeatedMeasuresModel with properties:

   Between Subjects:
         BetweenDesign: [16x6 table]
         ResponseNames: {'t0'  't2'  't4'  't6'  't8'}
    BetweenFactorNames: {'Gender'}
          BetweenModel: '1 + Gender'

   Within Subjects:
          WithinDesign: [5x1 table]
     WithinFactorNames: {'Time'}
           WithinModel: 'orthogonalcontrasts'

   Estimates:
          Coefficients: [2x5 table]
            Covariance: [5x5 table]

Загрузите выборочные данные.

load repeatedmeas

Таблица between включает восемь повторных измерений, y1 через y8, как ответы и факторы между предметами Group, Gender, IQ, и Age. IQ и Age как непрерывные переменные. Таблица within включает факторы в предмете w1 и w2.

Подбирайте модель повторных измерений, где возраст, IQ, группа и пол являются переменными предикторами, и модель включает эффект взаимодействия группы и пола. Также задайте факторы в предмете.

rm = fitrm(between,'y1-y8 ~ Group*Gender+Age+IQ','WithinDesign',within)
rm = 
  RepeatedMeasuresModel with properties:

   Between Subjects:
         BetweenDesign: [30x12 table]
         ResponseNames: {'y1'  'y2'  'y3'  'y4'  'y5'  'y6'  'y7'  'y8'}
    BetweenFactorNames: {'Age'  'IQ'  'Group'  'Gender'}
          BetweenModel: '1 + Age + IQ + Group*Gender'

   Within Subjects:
          WithinDesign: [8x2 table]
     WithinFactorNames: {'w1'  'w2'}
           WithinModel: 'separatemeans'

   Estimates:
          Coefficients: [8x8 table]
            Covariance: [8x8 table]

Отобразите коэффициенты.

rm.Coefficients
ans=8×8 table
                                y1         y2         y3         y4          y5           y6         y7          y8   
                             ________    _______    _______    _______    _________    ________    _______    ________

    (Intercept)                141.38     195.25     9.8663    -49.154       157.77     0.23762    -42.462      76.111
    Age                       0.32042    -4.7672    -1.2748     0.6216      -1.0621     0.89927     1.2569    -0.38328
    IQ                        -1.2671    -1.1653    0.05862     0.4288      -1.4518    -0.25501    0.22867    -0.72548
    Group_A                   -1.2195    -9.6186     22.532     15.303       12.602      12.886     10.911      11.487
    Group_B                    2.5186      1.417    -2.2501    0.50181       8.0907      3.1957     11.591      9.9188
    Gender_Female              5.3957    -3.9719     8.5225     9.3403       6.0909       1.642    -2.1212      4.8063
    Group_A:Gender_Female      4.1046     10.064    -7.3053    -3.3085       4.6751      2.4907     -4.325     -4.6057
    Group_B:Gender_Female    -0.48486    -2.9202     1.1222    0.69715    -0.065945    0.079468     3.1832      6.5733

Отображение показывает коэффициенты для подбора кривой повторным измерениям как функция условий в модели между предметами.

Входные параметры

свернуть все

Входные данные, который включает значения переменных отклика и факторов между предметами, чтобы использовать в качестве предикторов в модели повторных измерений в виде таблицы.

Имена переменных в t должны быть допустимые идентификаторы MATLAB®. Можно проверить имена переменных при помощи isvarname функция. Следующий код возвращает логический 1 TRUE) для каждой переменной, которая имеет допустимое имя переменной.

cellfun(@isvarname,t.Properties.VariableNames)
Если имена переменных в t не допустимы, затем преобразуют их при помощи matlab.lang.makeValidName функция.
t.Properties.VariableNames = matlab.lang.makeValidName(t.Properties.VariableNames);

Типы данных: table

Формула для спецификации модели в виде вектора символов или строкового скаляра формы 'y1-yk ~ terms'. Ответы и условия заданы с помощью обозначения Уилкинсона. fitrm обрабатывает переменные, используемые в терминах модели с должности категориальных, если они являются категориальными (номинальный или порядковый), логический, символьные массивы, строковые массивы или массивы ячеек из символьных векторов.

Например, если у вас есть четыре повторных измерения как ответы и факторы x1x2 , и x3 как переменные предикторы, затем можно задать модель повторных измерений можно следующим образом.

Пример: 'y1-y4 ~ x1 + x2 * x3'

Аргументы в виде пар имя-значение

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.

Пример: 'WithinDesign','W','WithinModel','w1+w2' задает матричный w как матрица проекта для факторов в предмете и модель для факторов в предмете w1 и w2 'w1+w2'.

Спроектируйте для факторов в предмете в виде разделенной запятой пары, состоящей из 'WithinDesign' и одно из следующего:

  • Числовой вектор из длины r, где r является количеством повторных измерений.

    В этом случае, fitrm обрабатывает значения в векторе как непрерывные, и это обычно временные стоимости.

  • r-by-k числовая матрица значений k факторы в предмете, w 1, w 2..., wk.

    В этом случае, fitrm обработки все переменные k как непрерывные.

  • r-by-k таблица, которая содержит значения k факторы в предмете.

    В этом случае, fitrm обработки все числовые переменные, столь же непрерывные, и все категориальные переменные как категориальный.

Например, если таблица weeks содержит значения факторов в предмете, затем можно задать таблицу проекта можно следующим образом.

Пример: 'WithinDesign',weeks

Типы данных: single | double | table

Модель, задающая гипотезу в предмете, тестирует в виде разделенной запятой пары, состоящей из 'WithinModel' и одно из следующего:

  • 'separatemeans' — Вычислите отдельное среднее значение для каждой группы.

  • 'orthogonalcontrasts' — Это допустимо только, когда модель в предмете имеет один числовой факторный T. Ответы являются средним значением, наклоном T в центре, и, в целом, всеми ортогональными контрастами для полинома до T ^ (p – 1), где p является номером если строки в модели в предмете.

  • Вектор символов или строковый скаляр, который задает спецификацию модели в факторах в предмете. Можно задать основанное на модели на правилах для terms в modelspec.

Например, если существует три фактора в предмете w1, w2, и w3, затем можно задать модель для факторов в предмете можно следующим образом.

Пример: 'WithinModel','w1+w2+w2*w3'

Типы данных: char | string

Выходные аргументы

свернуть все

Модель повторных измерений, возвращенная как RepeatedMeasuresModel объект.

Для свойств и методов этого объекта, смотрите RepeatedMeasuresModel.

Больше о

свернуть все

Спецификация модели Используя обозначение Уилкинсона

Обозначение Уилкинсона описывает факторы, существующие в моделях. Это не описывает множители (коэффициенты) тех факторов.

Следующие правила задают ответы в modelspec.

Обозначение УилкинсонаЗначение
Y1,Y2,Y3Определенный список переменных
Y1-Y5Все табличные переменные от Y1 через Y5

Следующие правила задают условия в modelspec.

Обозначение УилкинсонаВключает стандартное обозначение
1Постоянный (прерывание) термин
X^k, где k положительное целое числоXx2 ..., Xk
X1 + X2X1x2
X1*X2X1x2 x1, x2
X1:X2X1*X2 только
-X2Не включайте X2
X1*X2 + X3X1x2 , X3x1, x2
X1 + X2 + X3 + X1:X2X1x2 , X3x1, x2
X1*X2*X3 - X1:X2:X3X1x2 , X3x1, x2 , X1*X3, X2*X3
X1*(X2 + X3)X1x2 , X3x1, x2 , X1*X3

Обозначение Statistics and Machine Learning Toolbox™ всегда включает постоянный термин, если вы явным образом не удаляете термин с помощью -1.

Смотрите также

Введенный в R2014a
Для просмотра документации необходимо авторизоваться на сайте