Класс: GeneralizedLinearMixedModel
Доверительные интервалы для коэффициентов обобщенной линейной модели смешанных эффектов
возвращает доверительные интервалы с помощью дополнительных опций, заданных одним или несколькими feCI
= coefCI(glme
,Name,Value
)Name,Value
парные аргументы. Например, можно задать различный доверительный уровень, или метод использовался для расчета аппроксимированных степеней свободы.
glme
— Обобщенная линейная модель смешанных эффектовGeneralizedLinearMixedModel
объектОбобщенная линейная модель смешанных эффектов в виде GeneralizedLinearMixedModel
объект. Для свойств и методов этого объекта, смотрите GeneralizedLinearMixedModel
.
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
.
'Alpha'
— Уровень значенияУровень значения в виде разделенной запятой пары, состоящей из 'Alpha'
и скалярное значение в области значений [0,1]. Для значения α, доверительный уровень является 100 × (1 – α) %.
Например, для 99% доверительных интервалов, можно задать доверительный уровень можно следующим образом.
Пример: 'Alpha',0.01
Типы данных: single
| double
'DFMethod'
— Метод для вычисления аппроксимированных степеней свободы'residual'
(значение по умолчанию) | 'none'
Метод для вычисления аппроксимированных степеней свободы в виде разделенной запятой пары, состоящей из 'DFMethod'
и одно из следующих.
Значение | Описание |
---|---|
'residual' | Значение степеней свободы принято постоянным и равно n – p, где n является количеством наблюдений, и p является количеством фиксированных эффектов. |
'none' | Степени свободы установлены в бесконечность. |
Пример: 'DFMethod','none'
feCI
— Доверительные интервалы фиксированных эффектовДоверительные интервалы фиксированных эффектов, возвращенные как p-by-2 матрица. feCI
содержит пределы достоверности, которые соответствуют p-by-1 вектор фиксированных эффектов, возвращенный fixedEffects
метод. Первый столбец feCI
содержит более низкие пределы достоверности, и второй столбец содержит верхние пределы достоверности.
При подборе кривой использованию модели GLME fitglme
и одно из наибольшего правдоподобия соответствует методам ('Laplace'
или 'ApproximateLaplace'
):
Если вы задаете 'CovarianceMethod'
аргумент пары "имя-значение" как 'conditional'
, затем доверительные интервалы являются условным выражением на предполагаемых параметрах ковариации.
Если вы задаете 'CovarianceMethod'
аргумент пары "имя-значение" как 'JointHessian'
, затем доверительные интервалы составляют неопределенность в предполагаемых параметрах ковариации.
При подборе кривой использованию модели GLME fitglme
и одна из псевдо вероятности соответствует методам ('MPL'
или 'REMPL'
), coefci
использует подбиравшую линейную смешанную модель эффектов от итоговой псевдо итерации вероятности, чтобы вычислить доверительные интервалы на фиксированных эффектах.
reCI
— Доверительные интервалы случайных эффектовДоверительные интервалы случайных эффектов, возвращенные как q-by-2 матрица. reCI
содержит пределы достоверности, соответствующие q-by-1 вектор случайных эффектов B
возвращенный randomEffects
метод. Первый столбец reCI
содержит более низкие пределы достоверности, и второй столбец содержит верхние пределы достоверности.
При подборе кривой использованию модели GLME fitglme
и одно из наибольшего правдоподобия соответствует методам ('Laplace'
или 'ApproximateLaplace'
), coefCI
вычисляет доверительные интервалы с помощью условной среднеквадратической ошибки предсказания условное выражение подхода (CMSEP) на предполагаемых параметрах ковариации и наблюдаемом ответе. В качестве альтернативы можно интерпретировать доверительные интервалы от coefCI
как аппроксимируют Байесово вероятное условное выражение интервалов на предполагаемых параметрах ковариации и наблюдаемом ответе.
При подборе кривой использованию модели GLME fitglme
и одна из псевдо вероятности соответствует методам ('MPL'
или 'REMPL'
), coefci
использует подбиравшую линейную смешанную модель эффектов от итоговой псевдо итерации вероятности, чтобы вычислить доверительные интервалы на случайных эффектах.
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 (A
B
, 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 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');
Используйте fixedEffects
отобразить оценки и имена коэффициентов фиксированных эффектов в glme
.
[beta,betanames] = fixedEffects(glme)
beta = 6×1
1.4689
-0.3677
-0.0945
-0.2832
-0.0719
0.0711
betanames=6×1 table
Name
_______________
{'(Intercept)'}
{'newprocess' }
{'time_dev' }
{'temp_dev' }
{'supplier_C' }
{'supplier_B' }
Каждая строка beta
содержит ориентировочную стоимость для коэффициента, названного в соответствующей строке betanames
. Например, значение –0.0945 в строке 3 beta
предполагаемый коэффициент для переменного предиктора time_dev
.
Вычислите 95% доверительных интервалов для коэффициентов фиксированных эффектов.
feCI = coefCI(glme)
feCI = 6×2
1.1515 1.7864
-0.7202 -0.0151
-1.7395 1.5505
-2.1926 1.6263
-0.2268 0.0831
-0.0826 0.2247
Столбец 1 feCI
содержит нижнюю границу 95%-го доверительного интервала. Столбец 2 содержит верхнюю границу. Строка 1 соответствует термину точки пересечения. Строки 2, 3, и 4 соответствуют newprocess
, time_dev
, и temp_dev
, соответственно. Строки 5 и 6 соответствуют переменным supplier_C
индикатора и
supplier_B
, соответственно. Например, 95%-й доверительный интервал для коэффициента для time_dev
[-1.7395, 1.5505]. Некоторые доверительные интервалы включают 0, который указывает, что те предикторы не являются значительными на 5%-м уровне значения. Получить конкретный - значения для каждого термина фиксированных эффектов, используйте fixedEffects
. Чтобы протестировать значение на целые условия, используйте anova
.
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 (A
B
, 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 точку пересечения случайных эффектов, сгруппированную 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.
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');
Используйте randomEffects
вычислить и отобразить оценки эмпирических предикторов Бейеса (EBPs) для случайных эффектов, сопоставленных с factory
.
[B,Bnames] = randomEffects(glme)
B = 20×1
0.2913
0.1542
-0.2633
-0.4257
0.5453
-0.1069
0.3040
-0.1653
-0.1458
-0.0816
⋮
Bnames=20×3 table
Group Level Name
___________ ______ _______________
{'factory'} {'1' } {'(Intercept)'}
{'factory'} {'2' } {'(Intercept)'}
{'factory'} {'3' } {'(Intercept)'}
{'factory'} {'4' } {'(Intercept)'}
{'factory'} {'5' } {'(Intercept)'}
{'factory'} {'6' } {'(Intercept)'}
{'factory'} {'7' } {'(Intercept)'}
{'factory'} {'8' } {'(Intercept)'}
{'factory'} {'9' } {'(Intercept)'}
{'factory'} {'10'} {'(Intercept)'}
{'factory'} {'11'} {'(Intercept)'}
{'factory'} {'12'} {'(Intercept)'}
{'factory'} {'13'} {'(Intercept)'}
{'factory'} {'14'} {'(Intercept)'}
{'factory'} {'15'} {'(Intercept)'}
{'factory'} {'16'} {'(Intercept)'}
⋮
Каждая строка B
содержит предполагаемый EBPs для коэффициента случайных эффектов, названного в соответствующей строке Bnames
. Например, значение-0.2633 в строке 3 B
предполагаемый коэффициент '(Intercept)'
для уровня '3'
из factory
.
Вычислите 99% доверительных интервалов EBPs для случайных эффектов.
[feCI,reCI] = coefCI(glme,'Alpha',0.01);
reCI
reCI = 20×2
-0.2125 0.7951
-0.3510 0.6595
-0.8219 0.2954
-0.9953 0.1440
0.0730 1.0176
-0.6362 0.4224
-0.1796 0.7877
-0.7044 0.3738
-0.6795 0.3880
-0.6142 0.4509
⋮
Столбец 1 reCI
содержит нижнюю границу 99%-го доверительного интервала. Столбец 2 содержит верхнюю границу. Каждая строка соответствует уровню factory
, в порядке, показанном в Bnames
. Например, строка 3 соответствует коэффициенту '(Intercept)'
для уровня '3'
из factory
, который имеет 99%-й доверительный интервал [-0.8219, 0.2954]. Для дополнительной статистики, связанной с каждым термином случайных эффектов, используйте randomEffects
.
[1] Стенд, J.G., и Дж.П. Хоберт. “Стандартные погрешности Предсказания в Обобщенных линейных Смешанных Моделях”. Журнал американской Статистической Ассоциации. Издание 93, 1998, стр 262–272.
anova
| coefTest
| covarianceParameters
| fixedEffects
| GeneralizedLinearMixedModel
| randomEffects
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.