Подбирайте обобщенную линейную модель смешанных эффектов
возвращает обобщенную линейную модель смешанных эффектов, использующую дополнительные опции, заданные одним или несколькими glme
= fitglme(tbl
,formula
,Name,Value
)Name,Value
парные аргументы. Например, можно задать распределение ответа, функции ссылки или шаблона ковариации условий случайных эффектов.
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 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 точки пересечения, сгруппированной 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
Это соответствует обобщенной линейной модели смешанных эффектов
где
количество дефектов, наблюдаемых в пакете, произведенном фабрикой во время пакета .
среднее количество дефектов, соответствующих фабрике (где ) во время пакета (где ).
, , и измерения для каждой переменной, которые соответствуют фабрике во время пакета . Например, указывает ли пакет, произведенный фабрикой во время пакета используемый новый процесс.
и фиктивные переменные, которые используют эффекты (сумма к нулю) кодирование, чтобы указать ли компания C
или B
, соответственно, предоставленный химикаты процесса для пакета производятся фабрикой во время пакета .
точка пересечения случайных эффектов для каждой фабрики 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');
Отобразите модель.
disp(glme)
Generalized linear mixed-effects model fit by ML Model information: Number of observations 100 Fixed effects coefficients 6 Random effects coefficients 20 Covariance parameters 1 Distribution Poisson Link Log FitMethod Laplace Formula: defects ~ 1 + newprocess + time_dev + temp_dev + supplier + (1 | factory) Model fit statistics: AIC BIC LogLikelihood Deviance 416.35 434.58 -201.17 402.35 Fixed effects coefficients (95% CIs): Name Estimate SE tStat DF pValue {'(Intercept)'} 1.4689 0.15988 9.1875 94 9.8194e-15 {'newprocess' } -0.36766 0.17755 -2.0708 94 0.041122 {'time_dev' } -0.094521 0.82849 -0.11409 94 0.90941 {'temp_dev' } -0.28317 0.9617 -0.29444 94 0.76907 {'supplier_C' } -0.071868 0.078024 -0.9211 94 0.35936 {'supplier_B' } 0.071072 0.07739 0.91836 94 0.36078 Lower Upper 1.1515 1.7864 -0.72019 -0.015134 -1.7395 1.5505 -2.1926 1.6263 -0.22679 0.083051 -0.082588 0.22473 Random effects covariance parameters: Group: factory (20 Levels) Name1 Name2 Type Estimate {'(Intercept)'} {'(Intercept)'} {'std'} 0.31381 Group: Error Name Estimate {'sqrt(Dispersion)'} 1
Model information
таблица показывает общее количество наблюдений в выборочных данных (100), количество фиксированных - и коэффициенты случайных эффектов (6 и 20, соответственно), и количество параметров ковариации (1). Это также указывает, что переменная отклика имеет Poisson
распределение, функцией ссылки является Log
, и подходящим методом является Laplace
.
Formula
указывает на спецификацию модели с помощью обозначения Уилкинсона.
Model fit statistics
табличная статистика отображений раньше оценивала качество подгонки модели. Это включает критерий информации о Akaike (AIC
), Байесов информационный критерий (BIC
) значения, логарифмическая вероятность (LogLikelihood
), и отклонение (Deviance
Значения.
Fixed effects coefficients
таблица показывает тот fitglme
возвращенные 95% доверительных интервалов. Это содержит одну строку для каждого предиктора фиксированных эффектов, и каждый столбец содержит статистику, соответствующую тому предиктору. Столбец 1 (Name
) содержит имя каждого коэффициента фиксированных эффектов, столбец 2 (Estimate
) содержит его ориентировочную стоимость и столбец 3 (SE
) содержит стандартную погрешность коэффициента. Столбец 4 (tStat
) содержит - статистическая величина для теста гипотезы, что коэффициент равен 0. Столбец 5 (DF
) и столбец 6 (pValue
) содержите степени свободы и - значение, которые соответствуют - статистическая величина, соответственно. Последние два столбца (Lower
и Upper
) отобразите нижние и верхние пределы, соответственно, 95%-го доверительного интервала для каждого коэффициента фиксированных эффектов.
Random effects covariance parameters
отображает таблицу для каждой сгруппированной переменной (здесь, только factory
), включая его общее количество уровней (20), и тип и оценка параметра ковариации. Здесь, std
указывает на тот fitglme
возвращает стандартное отклонение случайного эффекта, сопоставленного с предиктором фабрики, который имеет ориентировочную стоимость 0,31381. Это также отображает таблицу, содержащую тип параметра ошибок (здесь, квадратный корень из дисперсионного параметра), и его ориентировочная стоимость 1.
Стандартное отображение сгенерировано fitglme
не обеспечивает доверительные интервалы для параметров случайных эффектов. Чтобы вычислить и отобразить эти значения, используйте covarianceParameters
.
tbl
— Входные данныеВходные данные, который включает переменную отклика, переменные предикторы и сгруппированные переменные в виде массива набора данных или таблицы. Переменные предикторы могут быть непрерывными или сгруппированные переменные (см. Сгруппированные переменные). Необходимо задать модель для переменных с помощью formula
.
formula
— Формула для спецификации модели'y ~ fixed + (random1|grouping1) + ... + (randomR|groupingR)'
Формула для спецификации модели в виде вектора символов или строкового скаляра формы 'y ~ fixed + (random1|grouping1) + ... + (randomR|groupingR)'
. Формула является чувствительной к регистру. Для полного описания смотрите Формулу.
Пример: 'y ~ treatment + (1|block)'
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
.
'Distribution','Poisson','Link','log','FitMethod','Laplace','DummyVarCoding','effects'
задает распределение переменной отклика как Пуассона, функцию ссылки как журнал, подходящий метод как Лаплас и фиктивное кодирование переменной, где коэффициенты суммируют к 0.'BinomialSize'
— Количество испытаний за биномиальное распределениеКоличество испытаний за биномиальное распределение, которое является объемом выборки в виде разделенной запятой пары, состоящей из скалярного значения, вектор из той же длины как ответ или имя переменной во входной таблице. Если вы задаете имя переменной, то переменная должна иметь ту же длину как ответ. BinomialSize
применяется только когда Distribution
параметром является 'binomial'
.
Если BinomialSize
скалярное значение, которое означает, что все наблюдения имеют то же количество испытаний.
Типы данных: single
| double
'CheckHessian'
— Индикатор, чтобы проверять положительную определенность Гессианаfalse
(значение по умолчанию) | true
Индикатор, чтобы проверять положительную определенность Гессиана целевой функции относительно неограниченных параметров в сходимости в виде разделенной запятой пары, состоящей из 'CheckHessian'
и любой false
или true
. Значением по умолчанию является false
.
Задайте 'CheckHessian'
как true
проверить оптимальность решения или определить, сверхпараметрируется ли модель в количестве параметров ковариации.
Если вы задаете 'FitMethod'
как 'MPL'
или 'REMPL'
, затем ковариация фиксированных эффектов и параметров ковариации основана на подбиравшей линейной модели смешанных эффектов от итоговой псевдо итерации вероятности.
Пример: 'CheckHessian',true
'CovarianceMethod'
— Метод, чтобы вычислить ковариацию предполагаемых параметров'conditional'
(значение по умолчанию) | 'JointHessian'
Метод, чтобы вычислить ковариацию предполагаемых параметров в виде разделенной запятой пары, состоящей из 'CovarianceMethod'
и любой 'conditional'
или 'JointHessian'
. Если вы задаете 'conditional'
то fitglme
вычисляет быстрое приближение к ковариации фиксированных эффектов, учитывая предполагаемые параметры ковариации. Это не вычисляет ковариацию параметров ковариации. Если вы задаете 'JointHessian'
то fitglme
вычисляет объединенную ковариацию фиксированных эффектов и параметров ковариации через наблюдаемую информационную матрицу использование Лапласовой логарифмической правдоподобности.
Если вы задаете 'FitMethod'
как 'MPL'
или 'REMPL'
, затем ковариация фиксированных эффектов и параметров ковариации основана на подбиравшей линейной модели смешанных эффектов от итоговой псевдо итерации вероятности.
Пример: 'CovarianceMethod','JointHessian'
'CovariancePattern'
— Шаблон ковариационной матрицы'FullCholesky'
| 'Isotropic'
| 'Full'
| 'Diagonal'
| 'CompSymm'
| квадратная симметричная логическая матрица | массив строк | массив ячеек из символьных векторов или логические матрицыШаблон ковариационной матрицы случайных эффектов в виде разделенной запятой пары, состоящей из 'CovariancePattern'
и 'FullCholesky'
, 'Isotropic'
полный
, 'Diagonal'
, 'CompSymm'
, квадратная симметричная логическая матрица, массив строк или массив ячеек, содержащий векторы символов или логические матрицы.
Если существуют условия случайных эффектов R, то значение 'CovariancePattern'
должен быть массив строк или массив ячеек длины R, где каждый элемент r массива задает шаблон ковариационной матрицы вектора случайных эффектов, сопоставленного с r th термин случайных эффектов. Опции для каждого элемента следуют.
Значение | Описание |
---|---|
'FullCholesky' | Полная ковариационная матрица с помощью параметризации Холесского. fitglme оценки все элементы ковариационной матрицы. |
'Isotropic' |
Диагональная ковариационная матрица с равными отклонениями. Таким образом, недиагональные элементы ковариационной матрицы ограничиваются быть 0, и диагональные элементы ограничиваются быть равными. Например, если существует три условия случайных эффектов с изотропной структурой ковариации, эта ковариационная матрица похожа где σ21 является общим отклонением условий случайных эффектов. |
'Full' | Полная ковариационная матрица, с помощью параметризации логарифмического Холесского. fitlme оценки все элементы ковариационной матрицы. |
'Diagonal' |
Диагональная ковариационная матрица. Таким образом, недиагональные элементы ковариационной матрицы ограничиваются быть 0. |
'CompSymm' |
Составная структура симметрии. Таким образом, общее отклонение по диагоналям и равной корреляции между всеми случайными эффектами. Например, если существует три условия случайных эффектов с ковариационной матрицей, имеющей составную структуру симметрии, эта ковариационная матрица похожа где σ2b1 является общим отклонением условий случайных эффектов, и σb1, b2 является общей ковариацией между любыми двумя терминами случайных эффектов. |
PAT | Квадратная симметричная логическая матрица. Если 'CovariancePattern' задан матричным PAT , и если PAT(a,b) = false , затем (a,b) элемент соответствующей ковариационной матрицы ограничивается быть 0. |
Для скалярных условий случайных эффектов значением по умолчанию является 'Isotropic'
. В противном случае значением по умолчанию является 'FullCholesky'
.
Пример: 'CovariancePattern','Diagonal'
Пример: 'CovariancePattern',{'Full','Diagonal'}
Типы данных: char |
string
| logical
| cell
'DispersionFlag'
— Индикатор, чтобы вычислить дисперсионный параметрfalse
для 'binomial'
и 'poisson'
распределения (значение по умолчанию) | true
Индикатор, чтобы вычислить дисперсионный параметр для 'binomial'
и 'poisson'
распределения в виде разделенной запятой пары, состоящей из 'DispersionFlag'
и одно из следующих.
Значение | Описание |
---|---|
true | Оцените дисперсионный параметр при вычислении стандартных погрешностей |
false | Используйте теоретическое значение 1.0 при вычислении стандартных погрешностей |
'DispersionFlag'
только применяется если 'FitMethod'
'MPL'
или 'REMPL'
.
Подходящая функция всегда оценивает дисперсию для других распределений.
Пример: 'DispersionFlag',true
'Distribution'
— Распределение переменной отклика'Normal'
(значение по умолчанию) | 'Binomial'
| 'Poisson'
| 'Gamma'
| 'InverseGaussian'
Распределение переменной отклика в виде разделенной запятой пары, состоящей из 'Distribution'
и одно из следующих.
Значение | Описание |
---|---|
'Normal' | Нормальное распределение |
'Binomial' | Биномиальное распределение |
'Poisson' | Распределение Пуассона |
'Gamma' | Гамма распределение |
'InverseGaussian' | Обратное Распределение Гаусса |
Пример: 'Distribution','Binomial'
'DummyVarCoding'
— Кодирование, чтобы использовать для фиктивных переменных'reference'
(значение по умолчанию) | 'effects'
| 'full'
Кодирование, чтобы использовать для фиктивных переменных, созданных из категориальных переменных в виде разделенной запятой пары, состоящей из 'DummyVarCoding'
и одна из переменных в этой таблице.
Значение | Описание |
---|---|
'reference' (значение по умолчанию) | fitglme создает фиктивные переменные со ссылочной группой. Эта схема обрабатывает первую категорию как ссылочную группу и создает ту меньше фиктивных переменных, чем количество категорий. Можно проверять порядок категории категориальной переменной при помощи categories функция и изменение порядок при помощи reordercats функция. |
'effects' | fitglme создает фиктивные переменные с помощью кодирования эффектов. Эта схема использует –1, чтобы представлять последнюю категорию. Эта схема создает тот меньше фиктивных переменных, чем количество категорий. |
'full' | fitglme создает полные фиктивные переменные. Эта схема создает одну фиктивную переменную для каждой категории. |
Для получения дополнительной информации о создании фиктивных переменных, смотрите Автоматическое Создание Фиктивных Переменных.
Пример: 'DummyVarCoding','effects'
'EBMethod'
— Метод раньше аппроксимировал эмпирические оценки Бейеса случайных эффектов'Auto'
(значение по умолчанию) | 'LineSearchNewton'
| 'TrustRegion2D'
| 'fsolve'
Метод раньше аппроксимировал эмпирические оценки Бейеса случайных эффектов в виде разделенной запятой пары, состоящей из 'EBMethod'
и одно из следующих.
'Auto'
'LineSearchNewton'
'TrustRegion2D'
'fsolve'
'Auto'
похоже на 'LineSearchNewton'
но использует различный критерий сходимости и не отображает итеративный прогресс. 'Auto'
и 'LineSearchNewton'
может перестать работать для неканонических функций ссылки. Для неканонических функций ссылки, 'TrustRegion2D'
или 'fsolve'
рекомендуются. У вас должен быть Optimization Toolbox™, чтобы использовать 'fsolve'
.
Пример: 'EBMethod','LineSearchNewton'
'EBOptions'
— Опции для эмпирической оптимизации БейесаОпции для эмпирической оптимизации Бейеса в виде разделенной запятой пары, состоящей из 'EBOptions'
и структура, содержащая следующее.
Значение | Описание |
---|---|
'TolFun' | Относительная погрешность на норме градиента. Значением по умолчанию является 1e-6. |
'TolX' | Абсолютная погрешность на размере шага. Значением по умолчанию является 1e-8. |
'MaxIter' | Максимальное количество итераций. Значение по умолчанию равняется 100. |
'Display' | 'off' , 'iter' , или 'final' . Значением по умолчанию является 'off' . |
Если EBMethod
'Auto'
и 'FitMethod'
'Laplace'
, TolFun
относительная погрешность на линейном предикторе модели и 'Display'
опция не применяется.
Если 'EBMethod'
'fsolve'
, затем 'EBOptions'
должен быть задан как объект, созданный optimoptions('fsolve')
.
Типы данных: struct
'Exclude'
— Индексы для строк, чтобы исключитьNaNs
(значение по умолчанию) | вектор из целочисленных или логических значенийИндексы для строк, чтобы исключить из обобщенной линейной модели смешанных эффектов в данных в виде разделенной запятой пары, состоящей из 'Exclude'
и вектор из целочисленных или логических значений.
Например, можно исключить 13-е и 67-е строки из подгонки можно следующим образом.
Пример: 'Exclude',[13,67]
Типы данных: single
| double
| logical
'FitMethod'
— Метод для оценки параметров модели'MPL'
(значение по умолчанию) | 'REMPL'
| 'Laplace'
| 'ApproximateLaplace
Метод для оценки параметров модели в виде разделенной запятой пары, состоящей из 'FitMethod'
и одно из следующих.
'MPL'
— Максимальная псевдо вероятность
'REMPL'
— Ограниченная максимальная псевдо вероятность
'Laplace'
— Наибольшее правдоподобие с помощью приближения Лапласа
'ApproximateLaplace'
— Наибольшее правдоподобие с помощью аппроксимированного приближения Лапласа с фиксированными эффектами, профилируемыми
Пример: 'FitMethod','REMPL'
'InitPLIterations'
— Начальное количество псевдо итераций вероятностиНачальное количество псевдо итераций вероятности раньше инициализировало параметры для ApproximateLaplace
и Laplace
подходящие методы в виде разделенной запятой пары, состоящей из 'InitPLIterations'
и целочисленное значение, больше, чем или равный 1.
Типы данных: single
| double
'Link'
— Функция ссылки'identity'
| 'log'
| 'logit'
| 'probit'
| 'comploglog'
| 'reciprocal'
| скалярное значение | структураФункция ссылки в виде разделенной запятой пары, состоящей из 'Link'
и одно из следующих.
Значение | Описание |
---|---|
'identity' |
Это - значение по умолчанию для нормального распределения. |
'log' |
Это - значение по умолчанию для распределения Пуассона. |
'logit' |
Это - значение по умолчанию для биномиального распределения. |
'loglog' | g(mu) = log(-log(mu)) |
'probit' | g(mu) = norminv(mu) |
'comploglog' | g(mu) = log(-log(1-mu)) |
'reciprocal' | g(mu) = mu.^(-1) |
Скалярное значение P | g(mu) = mu.^P |
Структуры | Структура, содержащая четыре поля, значения которых являются указателями на функцию со следующими именами:
Спецификация |
Функция ссылки по умолчанию, используемая fitglme
каноническая ссылка, которая зависит от распределения ответа.
Распределение ответа | Каноническая функция ссылки |
---|---|
'Normal' | 'identity' |
'Binomial' | 'logit' |
'Poisson' | 'log' |
'Gamma' | -1
|
'InverseGaussian' | -2
|
Пример: 'Link','log'
Типы данных: char |
string
| single
| double
| struct
'MuStart'
— Начальное значение для условного среднего значенияНачальное значение для условного среднего значения в виде разделенной запятой пары, состоящей из 'MuStart'
и скалярное значение. Допустимые значения следующие.
Распределение ответа | Допустимые значения |
---|---|
'Normal' | (-Inf,Inf) |
'Binomial' | (0,1)
|
'Poisson' | (0,Inf) |
'Gamma' | (0,Inf) |
'InverseGaussian' | (0,Inf) |
Типы данных: single
| double
'Offset'
— Смещениеzeros(n,1)
(значение по умолчанию) | n-by-1 вектор из скалярных значенийВозместите в виде разделенной запятой пары, состоящей из 'Offset'
и n-by-1 вектор из скалярных значений, где n является длиной вектора отклика. Можно также задать имя переменной n-by-1 вектор из скалярных значений. 'Offset'
используется в качестве дополнительного предиктора, которому зафиксировали содействующее значение в 1.0
.
Типы данных: single
| double
'Optimizer'
— Алгоритм оптимизации'quasinewton'
(значение по умолчанию) | 'fminsearch'
| 'fminunc'
Алгоритм оптимизации в виде разделенной запятой пары, состоящей из 'Optimizer'
и любое из следующих.
Значение | Описание |
---|---|
'quasinewton' | Использует доверительный находящийся в области оптимизатор квазиньютона. Можно изменить опции алгоритма с помощью statset('fitglme') . Если вы не задаете опции, то fitglme использует опции по умолчанию statset('fitglme') . |
'fminsearch' | Использует метод Nelder-меда без производных. Можно изменить опции алгоритма с помощью optimset('fminsearch') . Если вы не задаете опции, то fitglme использует опции по умолчанию optimset('fminsearch') . |
'fminunc' | Использует линию основанный на поиске приближенный метод ньютона. У вас должен быть Optimization Toolbox, чтобы задать эту опцию. Можно изменить опции алгоритма с помощью optimoptions('fminunc') . Если вы не задаете опции, то fitglme использует опции по умолчанию optimoptions('fminunc') с 'Algorithm' установите на 'quasi-newton' . |
Пример: 'Optimizer','fminsearch'
'OptimizerOptions'
— Опции для алгоритма оптимизацииstatset
| структура возвращена optimset
| объект возвращен optimoptions
Опции для алгоритма оптимизации в виде разделенной запятой пары, состоящей из 'OptimizerOptions'
и структура, возвращенная statset('fitglme')
, структура создается optimset('fminsearch')
, или объект, возвращенный optimoptions('fminunc')
.
Если 'Optimizer'
'fminsearch'
, затем используйте optimset('fminsearch')
изменить опции алгоритма. Если 'Optimizer'
'fminsearch'
и вы не предоставляете 'OptimizerOptions'
, затем значения по умолчанию, используемые в fitglme
опции по умолчанию, созданные optimset('fminsearch')
.
Если 'Optimizer'
'fminunc'
, затем используйте optimoptions('fminunc')
изменить опции алгоритма оптимизации. Смотрите optimoptions
для опций 'fminunc'
использование. Если 'Optimizer'
'fminunc'
и вы не предоставляете 'OptimizerOptions'
, затем значения по умолчанию, используемые в fitglme
опции по умолчанию, созданные optimoptions('fminunc')
с 'Algorithm'
установите на 'quasi-newton'
.
Если 'Optimizer'
'quasinewton'
, затем используйте statset('fitglme')
изменить параметры оптимизации. Если 'Optimizer'
'quasinewton'
и вы не изменяете использование параметров оптимизации statset
то fitglme
использует опции по умолчанию, созданные statset('fitglme')
.
'quasinewton'
оптимизатор использует следующие поля в структуре, созданной statset('fitglme')
.
TolFun
— Относительная погрешность на градиенте целевой функции1e-6
(значение по умолчанию) | значение положительной скалярной величиныОтносительная погрешность на градиенте целевой функции в виде значения положительной скалярной величины.
TolX
— Абсолютная погрешность на размере шага1e-12
(значение по умолчанию) | значение положительной скалярной величиныАбсолютная погрешность на размере шага в виде значения положительной скалярной величины.
MaxIter
— Максимальное количество итераций позволено
(значение по умолчанию) | значение положительной скалярной величиныМаксимальное количество итераций позволено в виде значения положительной скалярной величины.
Display
— Level of display'off'
(значение по умолчанию) | 'iter'
| 'final'
Level of display в виде одного из 'off'
, 'iter'
, или 'final'
.
'PLIterations'
— Максимальное количество псевдо итераций вероятности
(значение по умолчанию) | положительное целочисленное значениеМаксимальное количество итераций псевдо вероятности (PL) в виде разделенной запятой пары, состоящей из 'PLIterations'
и положительное целочисленное значение. PL используется для того, чтобы подбирать модель если 'FitMethod'
'MPL'
или 'REMPL'
. Для другого 'FitMethod'
значения, итерации PL используются, чтобы инициализировать параметры для последующей оптимизации.
Пример: 'PLIterations',200
Типы данных: single
| double
'PLTolerance'
— Фактор относительной погрешности для псевдо итераций вероятности1e–08
(значение по умолчанию) | значение положительной скалярной величиныФактор относительной погрешности для псевдо итераций вероятности в виде разделенной запятой пары, состоящей из 'PLTolerance'
и значение положительной скалярной величины.
Пример: 'PLTolerance',1e-06
Типы данных: single
| double
'StartMethod'
— Метод, чтобы запустить итеративную оптимизацию'default'
(значение по умолчанию) | 'random'
Метод, чтобы запустить итеративную оптимизацию в виде разделенной запятой пары, состоящей из 'StartMethod'
и любое из следующих.
Значение | Описание |
---|---|
'default' | Внутренне заданное значение по умолчанию |
'random' | Случайное начальное значение |
Пример: 'StartMethod','random'
'UseSequentialFitting'
— Начальный подходящий типfalse
(значение по умолчанию) | true
В виде разделенной запятой пары, состоящей из 'UseSequentialFitting'
и любой false
или true
. Если 'UseSequentialFitting'
false
, все методы максимального правдоподобия инициализируются с помощью одной или нескольких псевдо итераций вероятности. Если 'UseSequentialFitting'
true
, начальные значения от псевдо итераций вероятности усовершенствованы с помощью 'ApproximateLaplace'
для 'Laplace'
подбор кривой.
Пример: 'UseSequentialFitting',true
'Verbose'
— Индикатор, чтобы отобразить процесс оптимизации на экране
(значение по умолчанию) | 1
| 2
Индикатор, чтобы отобразить процесс оптимизации на экране в виде разделенной запятой пары, состоящей из 'Verbose'
и 0
, 1, или
2
. Если 'Verbose'
задан как 1
или 2
то fitglme
отображает прогресс итеративного процесса модели подходящего. Определение 'Verbose'
как 2
отображает итеративную информацию об оптимизации от отдельных псевдо итераций вероятности. Определение 'Verbose'
как 1
не использует это отображение.
Установка для 'Verbose'
заменяет поле 'Display'
в 'OptimizerOptions'
.
Пример: 'Verbose',1
'Weights'
— Веса наблюденияВеса наблюдения в виде разделенной запятой пары, состоящей из 'Weights'
и n-by-1 вектор из неотрицательных скалярных значений, где n является количеством наблюдений. Если распределение ответа является биномом или Пуассоном, то 'Weights'
должен быть вектор из положительных целых чисел.
Типы данных: single
| double
glme
— Обобщенная линейная модель смешанных эффектовGeneralizedLinearMixedModel
объектОбобщенная линейная модель смешанных эффектов в виде GeneralizedLinearMixedModel
объект. Для свойств и методов этого объекта, смотрите GeneralizedLinearMixedModel
.
В общем случае формула для спецификации модели является вектором символов или строковым скаляром формы 'y ~ terms'
. Для обобщенных линейных моделей смешанных эффектов эта формула находится в форме 'y ~ fixed + (random1|grouping1) + ... + (randomR|groupingR)'
, где fixed
и random
содержите фиксированные эффекты и условия случайных эффектов.
Предположим таблица tbl
содержит следующее:
Переменная отклика, y
Переменные предикторы, Xj
, который может быть непрерывным или сгруппированные переменные
Сгруппированные переменные, g1
, g2
..., gR
,
где сгруппированные переменные в Xj
и gr
может быть категориальным, логическим, символьные массивы, строковые массивы или массивы ячеек из символьных векторов.
Затем в формуле формы, 'y ~ fixed + (random1|g1) + ... + (randomR|gR)'
, термин fixed
соответствует спецификации проекта фиксированных эффектов матричный X
, random
1 спецификация проекта случайных эффектов матричный Z
1 соответствие сгруппированной переменной g
1, и так же random
R является спецификацией проекта случайных эффектов матричный Z
R, соответствующий сгруппированной переменной g
R. Можно описать fixed
и random
условия с помощью обозначения Уилкинсона.
Обозначение Уилкинсона описывает факторы, существующие в моделях. Обозначение относится к факторам, существующим в моделях, не ко множителям (коэффициенты) тех факторов.
Обозначение Уилкинсона | Включает стандартное обозначение |
---|---|
1
| Постоянный (точка пересечения) термин |
X^k , где k положительное целое число | X x2 ..., Xk |
X1 + X2 | X1 x2 |
X1*X2 | X1 x2 , X1.*X2 (elementwise multiplication of X1 and X2) |
X1:X2 | X1.*X2 только |
- X2 | Не включайте X2 |
X1*X2 + X3 | X1 x2 , X3 x1, x2 |
X1 + X2 + X3 + X1:X2 | X1 x2 , X3 x1, x2 |
X1*X2*X3 - X1:X2:X3 | X1 x2 , X3 x1, x2 , X1*X3 , X2*X3 |
X1*(X2 + X3) | X1 x2 , X3 x1, x2 , X1*X3 |
Обозначение Statistics and Machine Learning Toolbox™ всегда включает постоянный термин, если вы явным образом не удаляете термин с помощью -1
. Вот некоторые примеры для обобщенной линейной спецификации модели смешанных эффектов.
Примеры:
Формула | Описание |
---|---|
'y ~ X1 + X2' | Фиксированные эффекты для точки пересечения, X1 и X2 . Это эквивалентно 'y ~ 1 + X1 + X2' . |
'y ~ -1 + X1 + X2' | Никакая точка пересечения и зафиксированные эффекты для X1 и X2 . Неявный термин точки пересечения подавлен включением -1 . |
'y ~ 1 + (1 | g1)' | Фиксированные эффекты для точки пересечения плюс случайный эффект для точки пересечения для каждого уровня сгруппированной переменной g1 . |
'y ~ X1 + (1 | g1)' | Случайная модель точки пересечения с фиксированным наклоном. |
'y ~ X1 + (X1 | g1)' | Случайная точка пересечения и наклон, с возможной корреляцией между ними. Это эквивалентно 'y ~ 1 + X1 + (1 + X1|g1)' . |
'y ~ X1 + (1 | g1) + (-1 + X1 | g1)' | Независимые случайные эффекты называют для точки пересечения и наклона. |
'y ~ 1 + (1 | g1) + (1 | g2) + (1 | g1:g2)' | Случайная модель точки пересечения с независимыми основными эффектами для g1 и g2 , плюс независимый эффект взаимодействия. |
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.