compare

Класс: GeneralizedLinearMixedModel

Сравните обобщенные линейные модели смешанных эффектов

Описание

пример

results = compare(glme,altglme) возвращает результаты теста отношения правдоподобия, который сравнивает обобщенные линейные модели glme смешанных эффектов и altglme. Чтобы провести допустимый тест отношения правдоподобия, обе модели должны использовать тот же вектор отклика в подгонке и glme должен быть вложен в altglme. Вход Always меньшая модель сначала, и большая секунда модели.

compare тестирует следующие нулевые и альтернативные гипотезы:

  • H 0: Наблюдаемый вектор отклика сгенерирован glme.

  • H 1: Наблюдаемый вектор отклика сгенерирован моделью altglme.

results = compare(glme,altglme,Name,Value) возвращает результаты теста отношения правдоподобия с помощью дополнительных опций, заданных одним или несколькими Name,Value парные аргументы. Например, можно проверять если первая входная модель, glme, вкладывается во второй входной модели, altglme.

Входные параметры

развернуть все

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

Можно создать GeneralizedLinearMixedModel объект, подбирая обобщенную линейную модель смешанных эффектов к вашему использованию выборочных данных fitglme. Чтобы провести допустимый тест отношения правдоподобия на двух моделях, которые имеют распределения ответа кроме нормального, необходимо подбирать обе модели с помощью 'ApproximateLaplace' или 'Laplace' подходящий метод. Модели с распределениями ответа кроме нормальных, которые адаптированы с помощью 'MPL' или 'REMPL' не может быть сравнен с помощью теста отношения правдоподобия.

Альтернативная обобщенная линейная модель смешанных эффектов в виде GeneralizedLinearMixedModel объект. altglme будьте должен соответствовать к тому же вектору отклика как glme, но с различными техническими требованиями модели. glme должен быть вложен в altglme, таким образом, что можно получить glme от altglme путем устанавливания некоторых параметров модели altglme к фиксированным значениям такой как 0.

Можно создать GeneralizedLinearMixedModel объект, подбирая обобщенную линейную модель смешанных эффектов к вашему использованию выборочных данных fitglme. Чтобы провести допустимый тест отношения правдоподобия на двух моделях, которые имеют распределения ответа кроме нормального, необходимо подбирать обе модели с помощью 'ApproximateLaplace' или 'Laplace' подходящий метод. Модели с распределениями ответа кроме нормальных, которые адаптированы с помощью 'MPL' или 'REMPL' не может быть сравнен с помощью теста отношения правдоподобия.

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.

Индикатор, чтобы проверять вложение между двумя моделями в виде разделенной запятой пары, состоящей из 'CheckNesting' и любой true или false. Если 'CheckNesting' true, затем compare проверки, если меньшая модель glme вкладывается в большей модели altglme. Если вложенным требованиям не удовлетворяют, то compare возвращает ошибку. Если 'CheckNesting' false, затем compare не выполняет эту проверку.

Пример: 'CheckNesting',true

Выходные аргументы

развернуть все

Результаты теста отношения правдоподобия, возвращенного как таблица с двумя строками. Первая строка для glme, и вторая строка для altglme. Столбцы results содержите следующее.

ColumnName Описание
ModelИмя модели
DFСтепени свободы
AICКритерий информации о Akaike модели
BICБайесов информационный критерий модели
LogLikМаксимизируемая логарифмическая вероятность для модели
LRStatТестовая статистическая величина отношения правдоподобия для сравнения altglme и glme
deltaDFDF для altglme минус DF для glme
pValuep- для теста отношения правдоподобия

Примеры

развернуть все

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.

Соответствуйте фиксированным эффектам только модель с помощью newprocess, time_dev, temp_dev, и supplier как предикторы фиксированных эффектов. Задайте распределение ответа как Пуассона, функцию ссылки как журнал и подходящий метод как Лаплас. Задайте фиктивную переменную, кодирующую как 'effects', таким образом, фиктивные переменные коэффициенты суммируют к 0.

FEglme = fitglme(mfr,'defects ~ 1 + newprocess + time_dev + temp_dev + supplier','Distribution','Poisson','Link','log','FitMethod','Laplace','DummyVarCoding','effects');

Подбирайте вторую модель, которая использует те же предикторы фиксированных эффектов, распределение ответа, функцию ссылки и подходящий метод. На этот раз включайте точку пересечения случайных эффектов, сгруппированную factory, с учетом качественных различий, которые могут существовать из-за специфичных для фабрики изменений.

Количество дефектов может быть смоделировано с помощью распределения Пуассона

defectsijПуассон(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.

  • biN(0,σb2) точка пересечения 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');

Сравните эти две модели с помощью теоретического теста отношения правдоподобия. Задайте 'CheckNesting' как true, так compare возвращает предупреждение, если вложенным требованиям не удовлетворяют.

results = compare(FEglme,glme,'CheckNesting',true)
results = 
    Theoretical Likelihood Ratio Test

    Model     DF    AIC       BIC       LogLik     LRStat    deltaDF
    FEglme    6     431.02    446.65    -209.51                     
    glme      7     416.35    434.58    -201.17    16.672    1      


    pValue    
              
    4.4435e-05

Начиная с compare не возвратил ошибку, вложенным требованиям удовлетворяют. Маленькое p- значение указывает на тот compare отклоняет нулевую гипотезу, что наблюдаемый вектор отклика сгенерирован моделью FEglme, и вместо этого принимает альтернативную модель glme. Меньший AIC и BIC значения для glme также поддержите заключение что glme предоставляет лучшую подбирающую модель для ответа.

Больше о

развернуть все

Для просмотра документации необходимо авторизоваться на сайте