plotResiduals

Класс: GeneralizedLinearMixedModel

Постройте остаточные значения обобщенной линейной модели смешанных эффектов

расширьте все на странице

Синтаксис

plotResiduals(glme,plottype)
plotResiduals(glme,plottype,Name,Value)
h = plotResiduals(___)

Описание

plotResiduals(glme,plottype) строит необработанные условные остаточные значения обобщенной линейной модели glme смешанных эффектов в графике типа, заданного plottype.

пример

plotResiduals(glme,plottype,Name,Value) строит условные остаточные значения glme использование дополнительных опций задано одним или несколькими Name,Value парные аргументы. Например, можно задать, чтобы построить остаточные значения Пирсона.

h = plotResiduals(___) возвращает указатель, h, к линиям или закрашенным фигурам в графике остаточных значений.

Входные параметры

развернуть все

Обобщенная линейная модель смешанных эффектов в виде GeneralizedLinearMixedModel объект. Для свойств и методов этого объекта, смотрите GeneralizedLinearMixedModel.

Тип остаточного графика в виде одного из следующих.

ЗначениеОписание
'histogram'Гистограмма остаточных значений
'caseorder'Остаточные значения по сравнению с порядком случая. Порядок случая совпадает с порядком строк, используемым во входных данных tbl при подборе кривой использованию модели fitglme.
'fitted'Остаточные значения по сравнению с подходящими значениями
'lagged'Остаточные значения по сравнению с изолированной невязкой (r (t) по сравнению с r (t – 1))
'probability'График нормального распределения
'symmetry' График симметрии

Пример: plotResiduals(glme,'lagged')

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.

Остаточный тип, заданный разделенной запятой парой, состоящей из ResidualType и одно из следующих.

Остаточный типФормула
'raw'

rci=yi−g−1(xiTβ^+ziTb^+δi)

'Pearson'

rcipearson=rciσ2^wivi(μi(β^,b^))

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.

  • β^ и b^ 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 для анализа.

Пример: 'ResidualType','Pearson'

Выходные аргументы

развернуть все

Обработайте к остаточному графику, возвращенному как графический объект. Можно использовать запись через точку, чтобы изменить определенные значения свойств объекта, включая цвет поверхности для гистограммы, и стиль маркера и цвет для scatterplot. Для получения дополнительной информации см. Доступ к значениям свойств.

Примеры

развернуть все

Скрипт Open Live Script

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 (AB, 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, с учетом качественных различий, 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:

defectsij∼Пуассон(μij)

Это соответствует обобщенной линейной модели смешанных эффектов

log(μij)=β0+β1newprocessij+β2time_devij+β3temp_devij+β4supplier_Cij+β5supplier_Bij+bi,

где

  • defectsij количество дефектов, наблюдаемых в пакете, произведенном фабрикой i во время пакета j.

  • μij среднее количество дефектов, соответствующих фабрике i (где i=1,2,...,20) во время пакета j (где j=1,2,...,5).

  • newprocessij, time_devij, и temp_devij измерения для каждой переменной, которые соответствуют фабрике i во время пакета j. Например, newprocessij указывает ли пакет, произведенный фабрикой i во время пакета j используемый новый процесс.

  • supplier_Cij и supplier_Bij фиктивные переменные, которые используют эффекты (сумма к нулю) кодирование, чтобы указать ли компания C или B, соответственно, предоставленный химикаты процесса для пакета производятся фабрикой i во время пакета j.

  • bi∼N(0,σb2) прерывание случайных эффектов для каждой фабрики i 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');

Создайте диагностические графики с помощью остаточных значений Пирсона, чтобы протестировать предположения модели.

Постройте гистограмму, чтобы визуально подтвердить, что среднее значение остаточных значений Пирсона равно 0. Если модель будет правильна, мы ожидаем, что остаточные значения Пирсона будут сосредоточены в 0. 

plotResiduals(glme,'histogram','ResidualType','Pearson')

Гистограмма показывает, что остаточные значения Пирсона сосредоточены в 0.

Постройте остаточные значения Пирсона по сравнению с подходящими значениями, чтобы проверять на знаки непостоянного отклонения среди остаточных значений (heteroscedasticity). Мы ожидаем, что условное выражение остаточные значения Пирсона будет иметь постоянное отклонение. Поэтому график условного выражения, остаточные значения Пирсона по сравнению с условным выражением соответствовали значениям, не должен показывать, что любая систематическая зависимость от условного выражения соответствовала значениям. 

plotResiduals(glme,'fitted','ResidualType','Pearson')

График не показывает систематическую зависимость от подходящих значений, таким образом, нет никаких знаков непостоянного отклонения среди остаточных значений.

Постройте остаточные значения Пирсона по сравнению с изолированными остаточными значениями, чтобы проверять на корреляцию среди остаточных значений. Условное предположение независимости в GLME подразумевает, что условное выражение остаточные значения Пирсона является приблизительно некоррелированым. 

plotResiduals(glme,'lagged','ResidualType','Pearson')

Нет никакого шаблона к графику, таким образом, нет никаких знаков корреляции среди остаточных значений.

Смотрите также

| | | |

Документация Statistics and Machine Learning Toolbox

Поддержка

Для просмотра документации необходимо авторизоваться на сайте