Класс: GeneralizedLinearMixedModel
Оценки случайных эффектов и связанной статистики
[ возвращает любой из вышеупомянутых выходных аргументов с помощью дополнительных опций, заданных одним или несколькими B,BNames,stats]
= randomEffects(glme,Name,Value)Name,Value парные аргументы. Например, можно задать уровень доверительного интервала или метод для вычисления 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'
B — Предполагаемые эмпирические предикторы Бейеса для случайных эффектовПредполагаемые эмпирические предикторы Бейеса (EBPs) для случайных эффектов в обобщенной линейной модели glme смешанных эффектов, возвращенный как вектор-столбец. EBPs в B аппроксимированы режимом эмпирического апостериорного распределения случайных эффектов, учитывая предполагаемые параметры ковариации и наблюдаемый ответ.
Предположим glme имеет сгруппированные переменные R g1, g2..., gR, с уровнями m 1, m 2..., m R, соответственно. Также предположите q 1, q 2..., q R длины векторов случайных эффектов, которые сопоставлены с g1, g2..., gR, соответственно. Затем B вектор-столбец длины q 1*m1 + q 2*m2 +... + q R *mR.
randomEffects создает B путем конкатенации эмпирических предикторов Бейеса векторов случайных эффектов, соответствующих каждому уровню каждой сгруппированной переменной как [g1level1; g1level2; ...; g1levelm1; g2level1; g2level2; ...; g2levelm2; ...; gRlevel1; gRlevel2; ...; gRlevelmR]'.
BNames — Имена коэффициентов случайных эффектовИмена коэффициентов случайных эффектов в B, возвращенный как таблица.
stats — Предполагаемые эмпирические предикторы Бейеса и связанная статистикаПредполагаемые эмпирические предикторы Бейеса (EBPs) и связанная статистика для случайных эффектов в обобщенной линейной модели glme смешанных эффектов, возвращенный как таблица. stats ссорится для каждого из случайных эффектов и одного столбца для каждых из следующих статистических данных.
| ColumnName | Описание |
|---|---|
Group | Сгруппированная переменная сопоставлена со случайным эффектом |
Level | Уровень в сгруппированной переменной, соответствующей случайному эффекту |
Name | Имя коэффициента случайного эффекта |
Estimate | Эмпирический байесов предиктор (EBP) случайного эффекта |
SEPred | Квадратный корень из условной среднеквадратической ошибки предсказания (CMSEP), данный параметры ковариации и ответ |
tStat | t- для теста, что коэффициент случайных эффектов равен 0 |
DF | Предполагаемые степени свободы для t - статистическая величина |
pValue | p - значение для t - статистическая величина |
Lower | Нижний предел 95%-го доверительного интервала для коэффициента случайных эффектов |
Upper | Верхний предел 95%-го доверительного интервала для коэффициента случайных эффектов |
randomEffects вычисляет доверительные интервалы с помощью условной среднеквадратической ошибки предсказания условное выражение подхода (CMSEP) на предполагаемых параметрах ковариации и наблюдаемом ответе. Альтернативная интерпретация доверительных интервалов - то, что они - аппроксимированное 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'), randomEffects вычисляет доверительные интервалы и связанную статистику на основе подбиравшей линейной модели смешанных эффектов от итоговой псевдо итерации вероятности.
Загрузите выборочные данные.
load mfrЭти 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 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');
Вычислите и отобразите имена и ориентировочные стоимости эмпирических предикторов Бейеса (EBPs) для случайных эффектов.
[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 EPB для коэффициента случайных эффектов, названного в соответствующей строке Bnames. Например, значение –0.2633 в строке 3 B предполагаемый EPB для '(Intercept)' для уровня '3' из factory.
Загрузите выборочные данные.
load mfrЭти 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 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');
Вычислите и отобразите 99% доверительных интервалов для коэффициентов случайных эффектов.
[B,BNames,stats] = randomEffects(glme,'Alpha',0.01);
statsstats =
Random effect coefficients: DFMethod = 'residual', Alpha = 0.01
Group Level Name Estimate SEPred
{'factory'} {'1' } {'(Intercept)'} 0.29131 0.19163
{'factory'} {'2' } {'(Intercept)'} 0.15423 0.19216
{'factory'} {'3' } {'(Intercept)'} -0.26325 0.21249
{'factory'} {'4' } {'(Intercept)'} -0.42568 0.21667
{'factory'} {'5' } {'(Intercept)'} 0.5453 0.17963
{'factory'} {'6' } {'(Intercept)'} -0.10692 0.20133
{'factory'} {'7' } {'(Intercept)'} 0.30404 0.18397
{'factory'} {'8' } {'(Intercept)'} -0.16527 0.20505
{'factory'} {'9' } {'(Intercept)'} -0.14577 0.203
{'factory'} {'10'} {'(Intercept)'} -0.081632 0.20256
{'factory'} {'11'} {'(Intercept)'} 0.014529 0.21421
{'factory'} {'12'} {'(Intercept)'} 0.17706 0.20721
{'factory'} {'13'} {'(Intercept)'} 0.24872 0.20522
{'factory'} {'14'} {'(Intercept)'} 0.21145 0.20678
{'factory'} {'15'} {'(Intercept)'} 0.2777 0.20345
{'factory'} {'16'} {'(Intercept)'} -0.25175 0.22568
{'factory'} {'17'} {'(Intercept)'} -0.13507 0.22301
{'factory'} {'18'} {'(Intercept)'} -0.1627 0.22269
{'factory'} {'19'} {'(Intercept)'} -0.32083 0.23294
{'factory'} {'20'} {'(Intercept)'} 0.058418 0.21481
tStat DF pValue Lower Upper
1.5202 94 0.13182 -0.21251 0.79514
0.80259 94 0.42423 -0.351 0.65946
-1.2389 94 0.21846 -0.82191 0.29541
-1.9646 94 0.052408 -0.99534 0.14398
3.0356 94 0.0031051 0.073019 1.0176
-0.53105 94 0.59664 -0.63625 0.42241
1.6527 94 0.10173 -0.17964 0.78771
-0.80597 94 0.42229 -0.70438 0.37385
-0.71806 94 0.4745 -0.67949 0.38795
-0.403 94 0.68786 -0.61419 0.45093
0.067826 94 0.94607 -0.54866 0.57772
0.85446 94 0.39502 -0.36774 0.72185
1.212 94 0.22857 -0.29083 0.78827
1.0226 94 0.30913 -0.33221 0.75511
1.365 94 0.17552 -0.25719 0.81259
-1.1156 94 0.26746 -0.84509 0.34158
-0.60568 94 0.54619 -0.7214 0.45125
-0.73061 94 0.46684 -0.74817 0.42278
-1.3773 94 0.17168 -0.93325 0.29159
0.27195 94 0.78626 -0.50635 0.62319
Первые три столбца stats содержите название группы, уровень и содействующее имя случайных эффектов. Столбец 4 содержит предполагаемый EBP коэффициента случайных эффектов. Последние два столбца statsниже и Upper, содержите нижние и верхние границы 99%-го доверительного интервала, соответственно. Например, для коэффициента для '(Intercept)' для уровня 3 из factory, предполагаемый EBP-0.26325, и 99%-й доверительный интервал [-0.82191,0.29541].
[1] Стенд, J.G., и Дж.П. Хоберт. “Стандартные погрешности Предсказания в Обобщенных линейных Смешанных Моделях”. Журнал американской Статистической Ассоциации, Издания 93, 1998, стр 262–272.
coefCI | coefTest | fixedEffects | GeneralizedLinearMixedModel
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.