refit

Переоборудуйте обобщенную линейную модель смешанных эффектов

Синтаксис

glmenew = refit(glme,ynew)

Описание

glmenew = refit(glme,ynew) возвращает переоборудованную обобщенную линейную модель смешанных эффектов, glmenew, на основе входной модели glme, с помощью нового вектора отклика, ynew.

Входные параметры

развернуть все

`glme` — Обобщенная линейная модель смешанных эффектов
`GeneralizedLinearMixedModel` объект

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

`ynew` — Новый вектор отклика
n-by-1 вектор из скалярных значений

Новый вектор отклика в виде n-by-1 вектор из скалярных значений, где n является количеством наблюдений, раньше соответствовал glme.

Для наблюдения i с предшествующими весами _wip и биномиальный размер _ni (когда применимый), значения отклика _yi содержится в ynew может иметь следующие значения.

Распределение	Разрешенные значения	Примечания
`Binomial`	${0, \frac{1}{w_{i}^{p} n_{i}}, \frac{2}{w_{i}^{p} n_{i}}, . \dots, 1}$	_wip и _ni являются целочисленными значениями> 0
`Poisson`	${0, \frac{1}{w_{i}^{p}}, \frac{2}{w_{i}^{p}}, \dots, 1}$	_wip является целочисленным значением> 0
`Gamma`	(0,∞)	_wip ≥ 0
`InverseGaussian`	(0,∞)	_wip ≥ 0
`Normal`	(–∞,∞)	_wip ≥ 0

Можно получить доступ к предшествующему свойству _wip весов с помощью записи через точку.

glme.ObservationInfo.Weights

Типы данных: single | double

Выходные аргументы

развернуть все

`glmenew` — Обобщенная линейная модель смешанных эффектов
`GeneralizedLinearMixedModel` объект

Обобщенная линейная модель смешанных эффектов, возвращенная как GeneralizedLinearMixedModel объект. glmenew обновленная версия обобщенной линейной модели glme смешанных эффектов, переоборудуйте к значениям в векторе отклика ynew.

Для свойств и методов этого объекта, смотрите GeneralizedLinearMixedModel.

Примеры

развернуть все

Модель ремонта к новому вектору отклика

Скрипт Open Live Script

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 (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

${defects}_{i j} \sim Пуассон (μ_{i j})$

Это соответствует обобщенной линейной модели смешанных эффектов

$\log (μ_{i j}) = β_{0} + β_{1} {newprocess}_{i j} + β_{2} {time_dev}_{i j} + β_{3} {temp_dev}_{i j} + β_{4} {supplier_C}_{i j} + β_{5} {supplier_B}_{i j} + b_{i},$

где

${defects}_{i j}$ количество дефектов, наблюдаемых в пакете, произведенном фабрикой $i$ во время пакета $j$ .
$μ_{i j}$ среднее количество дефектов, соответствующих фабрике $i$ (где $i = 1, 2, . . ., 20$ ) во время пакета $j$ (где $j = 1, 2, . . ., 5$ ).
${newprocess}_{i j}$ , ${time_dev}_{i j}$ , и ${temp_dev}_{i j}$ измерения для каждой переменной, которые соответствуют фабрике $i$ во время пакета $j$ . Например, ${newprocess}_{i j}$ указывает ли пакет, произведенный фабрикой $i$ во время пакета $j$ используемый новый процесс.
${supplier_C}_{i j}$ и ${supplier_B}_{i j}$ 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 $j$ .
$b_{i} \sim N (0, σ_{b}^{2})$ 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');

Используйте random симулировать новый вектор отклика от подобранной модели.

rng(0,'twister');  % For reproducibility
ynew = random(glme);

Переоборудуйте модель с помощью нового вектора отклика.

glme = refit(glme,ynew)

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
    469.24    487.48    -227.62          455.24  

Fixed effects coefficients (95% CIs):
    Name                   Estimate    SE          tStat       DF    pValue    
    {'(Intercept)'}          1.5738     0.18674      8.4276    94    4.0158e-13
    {'newprocess' }        -0.21089      0.2306    -0.91455    94       0.36277
    {'time_dev'   }        -0.13769     0.77477    -0.17772    94       0.85933
    {'temp_dev'   }         0.24339     0.84657      0.2875    94       0.77436
    {'supplier_C' }        -0.12102     0.07323     -1.6526    94       0.10175
    {'supplier_B' }        0.098254    0.066943      1.4677    94       0.14551


    Lower        Upper   
        1.203      1.9445
     -0.66875     0.24696
       -1.676      1.4006
      -1.4375      1.9243
     -0.26642    0.024381
    -0.034662     0.23117

Random effects covariance parameters:
Group: factory (20 Levels)
    Name1                  Name2                  Type           Estimate
    {'(Intercept)'}        {'(Intercept)'}        {'std'}        0.46587 

Group: Error
    Name                        Estimate
    {'sqrt(Dispersion)'}        1

Советы

Можно использовать refit и random провести симулированный тест отношения правдоподобия или параметрическую начальную загрузку.

Документация

refit

Синтаксис

Описание

Входные параметры

`glme` — Обобщенная линейная модель смешанных эффектов
`GeneralizedLinearMixedModel` объект

`ynew` — Новый вектор отклика
n-by-1 вектор из скалярных значений

Выходные аргументы

`glmenew` — Обобщенная линейная модель смешанных эффектов
`GeneralizedLinearMixedModel` объект

Примеры

Модель ремонта к новому вектору отклика

Советы

Смотрите также

Документация Statistics and Machine Learning Toolbox

Поддержка

Документация

refit

Синтаксис

Описание

Входные параметры

glme — Обобщенная линейная модель смешанных эффектов GeneralizedLinearMixedModel объект

ynew — Новый вектор отклика n-by-1 вектор из скалярных значений

Выходные аргументы

glmenew — Обобщенная линейная модель смешанных эффектов GeneralizedLinearMixedModel объект

Примеры

Модель ремонта к новому вектору отклика

Советы

Смотрите также

Документация Statistics and Machine Learning Toolbox

Поддержка

`glme` — Обобщенная линейная модель смешанных эффектов
`GeneralizedLinearMixedModel` объект

`ynew` — Новый вектор отклика
n-by-1 вектор из скалярных значений

`glmenew` — Обобщенная линейная модель смешанных эффектов
`GeneralizedLinearMixedModel` объект