RepeatedMeasuresModel class

Класс модели повторных измерений

Описание

RepeatedMeasuresModel объект представляет модель, подбиравшую данным с несколькими измерениями на предмет. Объект включает данные, адаптированные коэффициенты, параметры ковариации, матрицу проекта, ошибочные степени свободы, и между - и факторные имена в предметах для модели повторных измерений. Можно предсказать ответы модели с помощью predict метод и генерирует случайные данные в новых точках проекта с помощью random метод.

Конструкция

Можно подбирать модель повторных измерений использование fitrm(t,modelspec).

Входные параметры

развернуть все

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

Типы данных: table

Формула для спецификации модели в виде вектора символов или строкового скаляра формы 'y1-yk ~ terms'. Задайте условия 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 массив ячеек из символьных векторов.

Пример: 'y1-y4 ~ x1 + x2 * x3'

Типы данных: char | string

Свойства

развернуть все

Спроектируйте для факторов между предметами и значений повторных измерений, сохраненных как таблица.

Типы данных: table

Модель для факторов между предметами, сохраненных как вектор символов. Этот вектор символов является текстовым представлением справа от тильды в спецификации модели, которую вы предоставляете, подбирая модель повторных измерений использование fitrm.

Типы данных: char

Имена переменных, используемых в качестве между предметами, включают модель повторных измерений, rm, сохраненный как массив ячеек из символьных векторов.

Типы данных: cell

Имена переменных, используемых в качестве переменных отклика в модели повторных измерений, rm, сохраненный как массив ячеек из символьных векторов.

Типы данных: cell

Значения факторов в предмете, сохраненных как таблица.

Типы данных: table

Модель для факторов в предметах, сохраненных как вектор символов.

Можно задать WithinModel как вектор символов или строковый скаляр с помощью записи через точку: Mdl.WithinModel = newWithinModelValue.

Имена факторов в предмете, сохраненных как массив ячеек из символьных векторов.

Типы данных: cell

Значения предполагаемых коэффициентов для подбора кривой повторным измерениям как функция условий в модели между предметами, сохраненной как таблица.

fitrm' задает коэффициенты для категориального термина с помощью кодирования 'эффектов', что значит содействующую сумму для 0. Существует один коэффициент для каждого уровня кроме первого. Подразумеваемый коэффициент для первого уровня является суммой других коэффициентов для термина.

Можно отобразить содействующие значения как матрицу, а не таблицу с помощью coef = r.Coefficients{:,:}.

Можно отобразить крайние средние значения для всех уровней с помощью margmean метод.

Типы данных: table

Предполагаемые ковариации ответа, то есть, ковариация повторных измерений, сохраненных как таблица. fitrm вычисляет ковариации вокруг среднего значения, возвращенного подходящей моделью rm повторных измерений.

Можно отобразить значения ковариации как матрицу, а не таблицу с помощью coef = r.Covariance{:,:}.

Типы данных: table

Ошибочные степени свободы, сохраненные как скалярное значение. DFE количество наблюдений минус количество предполагаемых коэффициентов в модели между предметами.

Типы данных: double

Методы

anovaДисперсионный анализ для эффектов между предметами
\epsilonКорректировка эпсилона к повторным измерениям anova
grpstatsВычислите описательную статистику данных о повторных измерениях группой
manovaМногомерный дисперсионный анализ
margmean Оцените крайние средние значения
mauchlyТест Мочли для шарообразности
multcompareНесколько сравнение предполагаемых крайних средних значений
графикОтобразите данные на графике с дополнительной группировкой
plotprofile Постройте ожидаемые крайние средние значения с дополнительной группировкой
предсказатьВычислите ожидаемые значения, данные значения предиктора
случайный Сгенерируйте новые случайные значения отклика, данные значения предиктора
RenovaДисперсионный анализ повторных измерений

Примеры

свернуть все

Загрузите выборочные данные.

load fisheriris

Вектор-столбец, species, состоит из ирисовых цветов трех различных разновидностей: setosa, versicolor, 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={1,ifsetosa0,ifversicolor-1,ifvirginica

и

species_versicolor={0,ifsetosa1,ifversicolor-1,ifvirginica.

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

Отобразите ошибочные степени свободы.

rm.DFE
ans = 147

Ошибочные степени свободы являются количеством наблюдений минус количество предполагаемых коэффициентов в модели между предметами, e.g. 150 – 3 = 147.

Больше о

развернуть все

Для просмотра документации необходимо авторизоваться на сайте