Класс: LinearMixedModel
Дисперсионный анализ для линейной модели смешанных эффектов
также возвращает массив набора данных stats
= anova(lme
,Name,Value
)stats
с дополнительными опциями, заданными одним или несколькими Name,Value
парные аргументы.
lme
— Линейная модель смешанных эффектовLinearMixedModel
объектЛинейная модель смешанных эффектов в виде LinearMixedModel
объект создал использование fitlme
или fitlmematrix
.
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
.
'DFMethod'
— Метод для вычисления аппроксимированных степеней свободы'residual'
(значение по умолчанию) | 'satterthwaite'
| 'none'
Метод для вычисления аппроксимированных степеней свободы, чтобы использовать в F-тесте в виде разделенной запятой пары, состоящей из 'DFMethod'
и одно из следующих.
'residual' | Значение по умолчанию. Степени свободы приняты постоянным и равняются n – p, где n является количеством наблюдений, и p является количеством фиксированных эффектов. |
'satterthwaite' | Приближение Satterthwaite. |
'none' | Все степени свободы установлены в бесконечность. |
Например, можно задать приближение Satterthwaite можно следующим образом.
Пример: 'DFMethod','satterthwaite'
stats
— Результаты F - тестируют на условия фиксированных эффектовРезультаты F - тестируют на условия фиксированных эффектов, возвращенные как массив набора данных со следующими столбцами.
Term | Имя фиксированного термина эффектов |
Fstat | F- для термина |
DF1 | Степени свободы числителя для F - статистическая величина |
DF2 | Степени свободы знаменателя для F - статистическая величина |
pValue | p- теста для термина |
Существует одна строка для каждого термина фиксированных эффектов. Каждый термин является непрерывной переменной, сгруппированной переменной или взаимодействием между двумя или больше непрерывными или сгруппированными переменными. Для каждого термина фиксированных эффектов, anova
выполняет F - тест (крайний тест), чтобы определить, ли все коэффициенты, представляющие термин фиксированных эффектов, 0. Чтобы выполнить тесты для гипотезы типа III, необходимо использовать 'effects'
контрасты, подбирая линейную модель смешанных эффектов.
Загрузите выборочные данные.
load('shift.mat')
Данные показывают отклонения от целевой качественной характеристики, измеренной от продуктов, что пять операторов производят во время трех сдвигов: утро, вечер и ночь. Это - рандомизированная блочная конструкция, где операторы являются блоками. Эксперимент спроектирован, чтобы изучить удар времени сдвига на эффективности. Критерием качества работы является отклонение качественных характеристик от целевого значения. Это - симулированные данные.
Shift
и Operator
номинальные переменные.
shift.Shift = nominal(shift.Shift); shift.Operator = nominal(shift.Operator);
Подбирайте линейную модель смешанных эффектов со случайной точкой пересечения, сгруппированной оператором, чтобы оценить, если эффективность значительно отличается согласно времени сдвига. Используйте ограниченный метод максимального правдоподобия и 'effects'
контрасты.
'effects'
контрасты указывают, что коэффициенты суммируют к 0, и fitlme
создает две закодированных контрастом переменные в матрице проекта фиксированных эффектов, 1$X$ и 2$X$, где
и
Модель соответствует
где ~ N (0, ) и ~ N (0, ).
lme = fitlme(shift,'QCDev ~ Shift + (1|Operator)',... 'FitMethod','REML','DummyVarCoding','effects')
lme = Linear mixed-effects model fit by REML Model information: Number of observations 15 Fixed effects coefficients 3 Random effects coefficients 5 Covariance parameters 2 Formula: QCDev ~ 1 + Shift + (1 | Operator) Model fit statistics: AIC BIC LogLikelihood Deviance 58.913 61.337 -24.456 48.913 Fixed effects coefficients (95% CIs): Name Estimate SE tStat DF pValue {'(Intercept)' } 3.6525 0.94109 3.8812 12 0.0021832 {'Shift_Evening'} -0.53293 0.31206 -1.7078 12 0.11339 {'Shift_Morning'} -0.91973 0.31206 -2.9473 12 0.012206 Lower Upper 1.6021 5.703 -1.2129 0.14699 -1.5997 -0.23981 Random effects covariance parameters (95% CIs): Group: Operator (5 Levels) Name1 Name2 Type Estimate {'(Intercept)'} {'(Intercept)'} {'std'} 2.0457 Lower Upper 0.98207 4.2612 Group: Error Name Estimate Lower Upper {'Res Std'} 0.85462 0.52357 1.395
Выполните - протестируйте, чтобы определить, ли все коэффициенты фиксированных эффектов 0.
anova(lme)
ans = ANOVA marginal tests: DFMethod = 'Residual' Term FStat DF1 DF2 pValue {'(Intercept)'} 15.063 1 12 0.0021832 {'Shift' } 11.091 2 12 0.0018721
- значение для постоянного термина, 0.0021832, эквивалентно в содействующей таблице в lme
отображение. - значение 0,0018721 для Shift
измеряет объединенное значение для обоих коэффициентов, представляющих Shift
.
Загрузите выборочные данные.
load('fertilizer.mat')
Массив набора данных включает данные из эксперимента графика разделения, где почва разделена на три блока на основе типа грунта: песчаный, илистый, и глинистый. Каждый блок разделен на пять графиков, где пять типов томатных объектов (вишня, семейная реликвия, виноград, виноградная лоза и слива) случайным образом присвоены этим графикам. Томатные объекты в графиках затем разделены на подграфики, где каждый подграфик обработан одним из четырех удобрений. Это - симулированные данные.
Храните данные в массиве набора данных под названием ds
, практически, и задайте Tomato
, Soil
, и Fertilizer
как категориальные переменные.
ds = fertilizer; ds.Tomato = nominal(ds.Tomato); ds.Soil = nominal(ds.Soil); ds.Fertilizer = nominal(ds.Fertilizer);
Подбирайте линейную модель смешанных эффектов, где Fertilizer
и Tomato
переменные фиксированных эффектов, и среднее выражение варьируется блоком (тип грунта) и графики в блоках (томатные типы в типах грунта) независимо. Используйте 'effects'
контрасты, когда подгонка данных для суммы квадратов типа III.
lme = fitlme(ds,'Yield ~ Fertilizer * Tomato + (1|Soil) + (1|Soil:Tomato)',... 'DummyVarCoding','effects')
lme = Linear mixed-effects model fit by ML Model information: Number of observations 60 Fixed effects coefficients 20 Random effects coefficients 18 Covariance parameters 3 Formula: Yield ~ 1 + Tomato*Fertilizer + (1 | Soil) + (1 | Soil:Tomato) Model fit statistics: AIC BIC LogLikelihood Deviance 522.57 570.74 -238.29 476.57 Fixed effects coefficients (95% CIs): Name Estimate SE tStat DF {'(Intercept)' } 104.6 3.3008 31.69 40 {'Tomato_Cherry' } 1.4 5.9353 0.23588 40 {'Tomato_Grape' } -7.7667 5.9353 -1.3085 40 {'Tomato_Heirloom' } -11.183 5.9353 -1.8842 40 {'Tomato_Plum' } 30.233 5.9353 5.0938 40 {'Fertilizer_1' } -28.267 2.3475 -12.041 40 {'Fertilizer_2' } -1.9333 2.3475 -0.82356 40 {'Fertilizer_3' } 10.733 2.3475 4.5722 40 {'Tomato_Cherry:Fertilizer_1' } -0.73333 4.6951 -0.15619 40 {'Tomato_Grape:Fertilizer_1' } -7.5667 4.6951 -1.6116 40 {'Tomato_Heirloom:Fertilizer_1'} 5.1833 4.6951 1.104 40 {'Tomato_Plum:Fertilizer_1' } 2.7667 4.6951 0.58927 40 {'Tomato_Cherry:Fertilizer_2' } 7.6 4.6951 1.6187 40 {'Tomato_Grape:Fertilizer_2' } -1.9 4.6951 -0.40468 40 {'Tomato_Heirloom:Fertilizer_2'} 5.5167 4.6951 1.175 40 {'Tomato_Plum:Fertilizer_2' } -3.9 4.6951 -0.83066 40 {'Tomato_Cherry:Fertilizer_3' } -6.0667 4.6951 -1.2921 40 {'Tomato_Grape:Fertilizer_3' } 3.7667 4.6951 0.80226 40 {'Tomato_Heirloom:Fertilizer_3'} 3.1833 4.6951 0.67802 40 {'Tomato_Plum:Fertilizer_3' } 1.1 4.6951 0.23429 40 pValue Lower Upper 5.9086e-30 97.929 111.27 0.81473 -10.596 13.396 0.19816 -19.762 4.2291 0.066821 -23.179 0.81242 8.777e-06 18.238 42.229 7.0265e-15 -33.011 -23.522 0.41507 -6.6779 2.8112 4.577e-05 5.9888 15.478 0.87667 -10.222 8.7558 0.11491 -17.056 1.9224 0.27619 -4.3058 14.672 0.55899 -6.7224 12.256 0.11337 -1.8891 17.089 0.68787 -11.389 7.5891 0.24695 -3.9724 15.006 0.4111 -13.389 5.5891 0.20373 -15.556 3.4224 0.42714 -5.7224 13.256 0.50167 -6.3058 12.672 0.81596 -8.3891 10.589 Random effects covariance parameters (95% CIs): Group: Soil (3 Levels) Name1 Name2 Type Estimate {'(Intercept)'} {'(Intercept)'} {'std'} 2.5028 Lower Upper 0.027711 226.05 Group: Soil:Tomato (15 Levels) Name1 Name2 Type Estimate {'(Intercept)'} {'(Intercept)'} {'std'} 10.225 Lower Upper 6.1497 17.001 Group: Error Name Estimate Lower Upper {'Res Std'} 10.499 8.5389 12.908
Выполните дисперсионный анализ, чтобы протестировать на фиксированные эффекты.
anova(lme)
ans = ANOVA marginal tests: DFMethod = 'Residual' Term FStat DF1 DF2 pValue {'(Intercept)' } 1004.2 1 40 5.9086e-30 {'Tomato' } 7.1663 4 40 0.00018935 {'Fertilizer' } 58.833 3 40 1.0024e-14 {'Tomato:Fertilizer'} 1.4182 12 40 0.19804
- значение для постоянного термина, 5.9086e-30, эквивалентно в содействующей таблице в lme
отображение. - значения 0,00018935, 1.0024e-14, и 0.19804 для Tomato
, Fertilizer
, и Tomato:Fertilizer
представляйте объединенное значение для всех томатных коэффициентов, коэффициентов удобрения и коэффициентов, представляющих взаимодействие между помидором и удобрением, соответственно. - значение 0,19804 указывает, что взаимодействие между помидором и удобрением не является значительным.
Загрузите выборочные данные.
load('weight.mat')
weight
содержит данные из продольного исследования, где 20 предметов случайным образом присвоены 4 программы подготовки, и их потеря веса зарегистрирована более чем шесть 2-недельных периодов времени. Это - симулированные данные.
Храните данные в таблице. Задайте Subject
и Program
как категориальные переменные.
tbl = table(InitialWeight,Program,Subject,Week,y); tbl.Subject = nominal(tbl.Subject); tbl.Program = nominal(tbl.Program);
Подбирайте модель с помощью 'effects'
контрасты.
lme = fitlme(tbl,'y ~ InitialWeight + Program*Week + (Week|Subject)',... 'DummyVarCoding','effects')
lme = Linear mixed-effects model fit by ML Model information: Number of observations 120 Fixed effects coefficients 9 Random effects coefficients 40 Covariance parameters 4 Formula: y ~ 1 + InitialWeight + Program*Week + (1 + Week | Subject) Model fit statistics: AIC BIC LogLikelihood Deviance -22.981 13.257 24.49 -48.981 Fixed effects coefficients (95% CIs): Name Estimate SE tStat DF {'(Intercept)' } 0.77122 0.24309 3.1725 111 {'InitialWeight' } 0.0031879 0.0013814 2.3078 111 {'Program_A' } -0.11017 0.080377 -1.3707 111 {'Program_B' } 0.25061 0.08045 3.1151 111 {'Program_C' } -0.14344 0.080475 -1.7824 111 {'Week' } 0.19881 0.033727 5.8946 111 {'Program_A:Week'} -0.025607 0.058417 -0.43835 111 {'Program_B:Week'} 0.013164 0.058417 0.22535 111 {'Program_C:Week'} 0.0049357 0.058417 0.084492 111 pValue Lower Upper 0.0019549 0.28951 1.2529 0.022863 0.00045067 0.0059252 0.17323 -0.26945 0.0491 0.0023402 0.091195 0.41003 0.077424 -0.3029 0.016031 4.1099e-08 0.13198 0.26564 0.66198 -0.14136 0.090149 0.82212 -0.10259 0.12892 0.93282 -0.11082 0.12069 Random effects covariance parameters (95% CIs): Group: Subject (20 Levels) Name1 Name2 Type Estimate {'(Intercept)'} {'(Intercept)'} {'std' } 0.18407 {'Week' } {'(Intercept)'} {'corr'} 0.66841 {'Week' } {'Week' } {'std' } 0.15033 Lower Upper 0.12281 0.27587 0.21076 0.88573 0.11004 0.20537 Group: Error Name Estimate Lower Upper {'Res Std'} 0.10261 0.087882 0.11981
- значения 0.022863 и 4.1099e-08 указывают, что значительные эффекты начальных весов предметов и время включают сумму потерянного веса. Потеря веса предметов, кто находится в программе B, существенно отличается относительно потери веса предметов, которые находятся в программе A. Нижние и верхние пределы параметров ковариации для случайных эффектов не включают нуль, таким образом они являются значительными.
Выполните F-тест, что все коэффициенты фиксированных эффектов являются нулем.
anova(lme)
ans = ANOVA marginal tests: DFMethod = 'Residual' Term FStat DF1 DF2 pValue {'(Intercept)' } 10.065 1 111 0.0019549 {'InitialWeight'} 5.326 1 111 0.022863 {'Program' } 3.6798 3 111 0.014286 {'Week' } 34.747 1 111 4.1099e-08 {'Program:Week' } 0.066648 3 111 0.97748
- значения для постоянного термина, начального веса, и неделя эквивалентны в содействующей таблице в предыдущем lme
выведите отображение. - значение 0,014286 для Program
представляет объединенное значение для всех коэффициентов программы. Точно так же - значение для взаимодействия между программой и неделя (Program:Week
) измеряет объединенное значение для всех коэффициентов, представляющих это взаимодействие.
Теперь используйте метод Satterthwaite, чтобы вычислить степени свободы.
anova(lme,'DFMethod','satterthwaite')
ans = ANOVA marginal tests: DFMethod = 'Satterthwaite' Term FStat DF1 DF2 pValue {'(Intercept)' } 10.065 1 20.445 0.004695 {'InitialWeight'} 5.326 1 20 0.031827 {'Program' } 3.6798 3 19.14 0.030233 {'Week' } 34.747 1 20 9.1346e-06 {'Program:Week' } 0.066648 3 20 0.97697
Метод Satterthwaite производит меньшие степени свободы знаменателя и немного больше Значения.
Для каждого термина фиксированных эффектов, anova
выполняет F - тест (крайний тест), что все коэффициенты, представляющие термин фиксированных эффектов, 0. Чтобы выполнить тесты для гипотез типа III, необходимо установить 'DummyVarCoding'
аргумент пары "имя-значение" 'effects'
контрасты, подбирая вашу линейную модель смешанных эффектов.
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.