Класс: LinearMixedModel
Сравните линейные модели смешанных эффектов
возвращает результаты теста отношения правдоподобия, который сравнивает линейные модели results
= compare(lme
,altlme
)lme
смешанных эффектов и
altlme
. Обе модели должны использовать тот же вектор отклика в подгонке и lme
должен быть вложен в altlme
для допустимого теоретического теста отношения правдоподобия. Вход Always меньшая модель сначала, и большая секунда модели.
compare
тестирует следующие нулевые и альтернативные гипотезы:
H 0: Наблюдаемый вектор отклика сгенерирован lme
.
H 1: Наблюдаемый вектор отклика сгенерирован моделью altlme
.
Рекомендуется, чтобы вы соответствовали lme
и altlme
использование метода наибольшего правдоподобия (ML) до сравнения модели. Если вы используете ограниченное наибольшее правдоподобие (REML) метод, то обе модели должны иметь ту же матрицу проекта фиксированных эффектов.
Чтобы протестировать на фиксированные эффекты, используйте compare
с симулированным отношением правдоподобия тестируют когда lme
и altlme
подходящий ML использования или использует fixedEffects
, anova
, или coefTest
методы.
также возвращает результаты теста отношения правдоподобия, который сравнивает линейные модели results
= compare(___,Name,Value
)lme
смешанных эффектов и
altlme
с дополнительными опциями, заданными одним или несколькими Name,Value
парные аргументы.
Например, можно проверять, вкладывается ли первая входная модель во второй входной модели.
[
возвращает результаты симулированного теста отношения правдоподобия, который сравнивает линейные модели results
,siminfo
]
= compare(lme
,altlme
,'NSim',nsim
)lme
смешанных эффектов и
altlme
.
Можно соответствовать lme
и altlme
использование ML или REML. Кроме того, lme
не должен быть вложен в altlme
. Если вы используете ограниченное наибольшее правдоподобие (REML) метод, чтобы подбирать модели, то обе модели должны иметь ту же матрицу проекта фиксированных эффектов.
[
также возвращает результаты симулированного теста отношения правдоподобия, который сравнивает линейные модели results
,siminfo
]
= compare(___,Name,Value
)lme
смешанных эффектов и
altlme
с дополнительными опциями, заданными одним или несколькими Name,Value
парные аргументы.
Например, можно изменить опции для выполнения симулированного теста отношения правдоподобия или изменить доверительный уровень доверительного интервала для p - значение.
lme
— Линейная модель смешанных эффектовLinearMixedModel
объектЛинейная модель смешанных эффектов в виде LinearMixedModel
объект создал использование fitlme
или fitlmematrix
.
altlme
— Альтернативная линейная модель смешанных эффектовLinearMixedModel
объектАльтернативная линейная модель смешанных эффектов соответствует к тому же вектору отклика, но с различными техническими требованиями модели в виде LinearMixedModel
объект. lme
должен быть вложен в altlme
, то есть, lme
должен быть получен из altlme
путем установки некоторых параметров на фиксированные значения, такой как 0. Можно создать линейный объект смешанных эффектов использование fitlme
или fitlmematrix
.
nsim
— Количество репликаций для симуляцийКоличество репликаций для симуляций в симулированном отношении правдоподобия тестирует в виде положительного целого числа. Необходимо задать nsim
сделать симулированный тест отношения правдоподобия.
Пример: 'NSim',1000
Типы данных: double |
single
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 от 0 до 1. Для значения α, доверительный уровень равняется 100* (1–α) %.
Например, для 99% доверительных интервалов, можно задать доверительный уровень можно следующим образом.
Пример: 'Alpha',0.01
Типы данных: single
| double
'Options'
— Опции для выполнения симулированного теста отношения правдоподобияОпции для выполнения симулированного отношения правдоподобия тестируют параллельно в виде разделенной запятой пары, состоящей из 'Options'
, и структура создается statset('LinearMixedModel')
.
Эти опции требуют Parallel Computing Toolbox™.
compare
использует следующие поля.
'UseParallel' |
Вам нужен Parallel Computing Toolbox для параллельного расчета. |
'UseSubstreams' |
|
'Streams' |
|
Для получения информации о параллельном статистическом вычислении в командной строке войти
help parallelstats
Типы данных: struct
'CheckNesting'
— Индикатор, чтобы проверять вложение между двумя моделямиfalse
(значение по умолчанию) | true
Индикатор, чтобы проверять вложение между двумя моделями в виде разделенной запятой пары, состоящей из 'CheckNesting'
и одно из следующих.
false | Значение по умолчанию. Никакие проверки. |
true | compare проверки, если меньшая модель lme вкладывается в большей модели altlme . |
lme
должен быть вложен в альтернативной модели altlme
для допустимого теоретического теста отношения правдоподобия. compare
возвращает сообщение об ошибке, если вложенным требованиям не удовлетворяют.
Несмотря на то, что допустимый для обоих тестов, вложенные требования более слабы для симулированного теста отношения правдоподобия.
Пример: 'CheckNesting',true
Типы данных: single
| double
results
— Результаты отношения правдоподобия тестируют или симулированный тест отношения правдоподобияРезультаты отношения правдоподобия тестируют или симулированный тест отношения правдоподобия, возвращенный как массив набора данных с двумя строками. Первая строка для lme
, и вторая строка для altlme
. Столбцы results
зависьте от того, является ли тест отношением правдоподобия или симулированным тестом отношения правдоподобия.
Если вы используете тест отношения правдоподобия, то results
содержит следующие столбцы.
Model | Имя модели |
DF | Степени свободы, то есть, количество свободных параметров в модели |
AIC | Критерий информации о Akaike модели |
BIC | Байесов информационный критерий модели |
LogLik | Максимизируемая логарифмическая вероятность для модели |
LRStat | Тестовая статистическая величина отношения правдоподобия для сравнения altlme по сравнению с lme |
deltaDF | DF для altlme минус DF для lme |
pValue | p- для теста отношения правдоподобия |
Если вы используете симулированный тест отношения правдоподобия, то results
содержит следующие столбцы.
Model | Имя модели |
DF | Степени свободы, то есть, количество свободных параметров в модели |
LogLik | Максимизируемая логарифмическая вероятность для модели |
LRStat | Тестовая статистическая величина отношения правдоподобия для сравнения altlme по сравнению с lme |
pValue | p- для теста отношения правдоподобия |
Lower | Нижний предел доверительного интервала для pValue |
Upper | Верхний предел доверительного интервала для pValue |
siminfo
Выходные данные моделированияSimulation выходной параметр, возвращенный как структура со следующими полями.
nsim | Набор значений для nsim . |
alpha | Набор значений для 'Alpha' . |
pValueSim | Основанный на симуляции p - значение. |
pValueSimCI | Доверительный интервал для pValueSim . Первым элементом вектора является нижний предел, и второй элемент вектора содержит верхний предел. |
deltaDF | Количество свободных параметров в altlme минус количество свободных параметров в lme . DF для altlme минус DF для lme . |
THO | Вектор из симулированного отношения правдоподобия тестирует статистику по нулевой гипотезе что модель lme сгенерированный наблюдаемый вектор отклика y . |
Загрузите выборочные данные.
load flu
flu
массив набора данных имеет Date
переменная и 10 переменных, содержащих оцененные уровни гриппа (в 9 различных областях, оцененных от поисковых запросов Google®, плюс общенациональная оценка от CDC).
Чтобы подбирать линейно смешанную модель эффектов, ваши данные должны быть в правильно отформатированном массиве набора данных. Чтобы подбирать линейную модель смешанных эффектов с уровнями гриппа как ответы и область как переменный предиктор, объедините эти девять столбцов, соответствующих областям в массив. Новый массив набора данных, flu2
, должен иметь переменную отклика, FluRate
, номинальная переменная, Region
, это показывает, какая область каждая оценка от, и сгруппированная переменная Date
.
flu2 = stack(flu,2:10,'NewDataVarName','FluRate',... 'IndVarName','Region'); flu2.Date = nominal(flu2.Date);
Подбирайте линейную модель смешанных эффектов, с различной точкой пересечения и различным наклоном для каждой области, сгруппированной Date
.
altlme = fitlme(flu2,'FluRate ~ 1 + Region + (1 + Region|Date)');
Подбирайте линейную модель смешанных эффектов с фиксированными эффектами для области и случайной точки пересечения, которая варьируется Date
.
lme = fitlme(flu2,'FluRate ~ 1 + Region + (1|Date)');
Сравните эти две модели. Также проверяйте если lme2
вкладывается в lme
.
compare(lme,altlme,'CheckNesting',true)
ans = Theoretical Likelihood Ratio Test Model DF AIC BIC LogLik LRStat deltaDF pValue lme 11 318.71 364.35 -148.36 altlme 55 -305.51 -77.346 207.76 712.22 44 0
Маленькое - значение 0 указывает на ту модель altlme
значительно лучше, чем более простая модель lme
.
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 различных 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.
lmeBig = fitlme(ds,'Yield ~ Fertilizer * Tomato + (1|Soil) + (1|Soil:Tomato)');
Переоборудуйте модель после удаления периода взаимодействия Tomato:Fertilizer
и случайные эффекты называют (1 | Soil)
.
lmeSmall = fitlme(ds,'Yield ~ Fertilizer + Tomato + (1|Soil:Tomato)');
Сравните эти две модели с помощью симулированного теста отношения правдоподобия с 1 000 репликаций. Необходимо использовать этот тест, чтобы протестировать и на зафиксированный - и на условия случайного эффекта. Обратите внимание на то, что обе модели являются подходящим использованием значения по умолчанию подходящий метод, ML. Вот почему нет никакого ограничения на матрицы проекта фиксированных эффектов. Если вы используете ограниченное наибольшее правдоподобие (REML) метод, обе модели должны иметь идентичные матрицы проекта фиксированных эффектов.
[table,siminfo] = compare(lmeSmall,lmeBig,'nsim',1000)
table = Simulated Likelihood Ratio Test: Nsim = 1000, Alpha = 0.05 Model DF AIC BIC LogLik LRStat pValue lmeSmall 10 511.06 532 -245.53 lmeBig 23 522.57 570.74 -238.29 14.491 0.57343 Lower Upper 0.54211 0.60431
siminfo = struct with fields:
nsim: 1000
alpha: 0.0500
pvalueSim: 0.5734
pvalueSimCI: [0.5421 0.6043]
deltaDF: 13
TH0: [1000x1 double]
Верхний уровень - значение предполагает что большая модель, lme
не значительно лучше, чем меньшая модель, lme2
. Меньшие значения Критериев информации о Akaike и Bayesian lme2
также поддержите это.
Загрузите выборочные данные.
load carbig
Подбирайте линейную модель смешанных эффектов для миль на галлон (MPG), с фиксированными эффектами для ускорения, лошадиной силы и цилиндров, и потенциально коррелировал случайные эффекты для точки пересечения и ускорения, сгруппированного модельным годом.
Во-первых, подготовьте матрицы проекта.
X = [ones(406,1) Acceleration Horsepower]; Z = [ones(406,1) Acceleration]; Model_Year = nominal(Model_Year); G = Model_Year;
Теперь подбирайте модель с помощью fitlmematrix
с заданными матрицами проекта и сгруппированными переменными.
lme = fitlmematrix(X,MPG,Z,G,'FixedEffectPredictors',.... {'Intercept','Acceleration','Horsepower'},'RandomEffectPredictors',... {{'Intercept','Acceleration'}},'RandomEffectGroups',{'Model_Year'});
Переоборудуйте модель некоррелироваными случайными эффектами для точки пересечения и ускорения. Сначала подготовьте случайный проект эффектов и случайные сгруппированные переменные эффектов.
Z = {ones(406,1),Acceleration}; G = {Model_Year,Model_Year}; lme2 = fitlmematrix(X,MPG,Z,G,'FixedEffectPredictors',.... {'Intercept','Acceleration','Horsepower'},'RandomEffectPredictors',... {{'Intercept'},{'Acceleration'}},'RandomEffectGroups',... {'Model_Year','Model_Year'});
Сравните lme
и lme2
использование симулированного теста отношения правдоподобия.
compare(lme2,lme,'CheckNesting',true,'NSim',1000)
ans = SIMULATED LIKELIHOOD RATIO TEST: NSIM = 1000, ALPHA = 0.05 Model DF AIC BIC LogLik LRStat pValue Lower lme2 6 2194.5 2218.3 -1091.3 lme 7 2193.5 2221.3 -1089.7 3.0323 0.095904 0.078373 Upper 0.11585
Верхний уровень - значение указывает на тот lme2
не значительно лучшая подгонка, чем lme
.
Этот пример использует:
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 различных 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 таблице под названием tbl
, и задайте Tomato
, Soil
, и Fertilizer
как категориальные переменные.
tbl = dataset2table(fertilizer); tbl.Tomato = categorical(tbl.Tomato); tbl.Soil = categorical(tbl.Soil); tbl.Fertilizer = categorical(tbl.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.
lme = fitlme(tbl,'Yield ~ Fertilizer * Tomato + (1|Soil) + (1|Soil:Tomato)');
Переоборудуйте модель после удаления периода взаимодействия Tomato:Fertilizer
и случайные эффекты называют (1|Soil)
.
lme2 = fitlme(tbl,'Yield ~ Fertilizer + Tomato + (1|Soil:Tomato)');
Создайте структуру опций для LinearMixedModel
.
opt = statset('LinearMixedModel')
opt = struct with fields:
Display: 'off'
MaxFunEvals: []
MaxIter: 10000
TolBnd: []
TolFun: 1.0000e-06
TolTypeFun: []
TolX: 1.0000e-12
TolTypeX: []
GradObj: []
Jacobian: []
DerivStep: []
FunValCheck: []
Robust: []
RobustWgtFun: []
WgtFun: []
Tune: []
UseParallel: []
UseSubstreams: []
Streams: {}
OutputFcn: []
Измените опции для параллельного тестирования.
opt.UseParallel = true;
Запустите параллельную среду.
mypool = parpool();
Starting parallel pool (parpool) using the 'local' profile ... Connected to the parallel pool (number of workers: 6).
Сравните lme2
и lme
использование симулированного отношения правдоподобия тестирует с 1 000 репликаций и параллельных вычислений.
compare(lme2,lme,'nsim',1000,'Options',opt)
ans = Simulated Likelihood Ratio Test: Nsim = 1000, Alpha = 0.05 Model DF AIC BIC LogLik LRStat pValue Lower Upper lme2 10 511.06 532 -245.53 lme 23 522.57 570.74 -238.29 14.491 0.53447 0.503 0.56573
Верхний уровень - значение предполагает что большая модель, lme
не значительно лучше, чем меньшая модель, lme2
. Меньшие значения AIC
и BIC
для lme2
также поддержите это.
По нулевой гипотезе H 0, наблюдаемая тестовая статистическая величина отношения правдоподобия имеет аппроксимированное ссылочное распределение в квадрате хи со степенями свободы deltaDF
. При сравнении двух моделей, compare
вычисляет p - значение для теста отношения правдоподобия путем сравнения наблюдаемого отношения правдоподобия тестирует статистическую величину с этим ссылочным распределением в квадрате хи.
p - полученное использование значений теста отношения правдоподобия может быть консервативным при тестировании на присутствие или отсутствие условий случайных эффектов и антиконсерватора при тестировании на присутствие или отсутствие условий фиксированных эффектов. Следовательно, используйте fixedEffects
, anova
, или coefTest
метод или симулированное отношение правдоподобия тестируют при тестировании на фиксированные эффекты.
Выполнять симулированный тест отношения правдоподобия, compare
сначала генерирует ссылочное распределение тестовой статистической величины отношения правдоподобия по нулевой гипотезе. Затем это оценивает статистическое значение альтернативной модели путем сравнения наблюдаемой тестовой статистической величины отношения правдоподобия с этим ссылочным распределением.
compare
производит симулированное ссылочное распределение тестовой статистической величины отношения правдоподобия по нулевой гипотезе можно следующим образом:
Сгенерируйте случайные данные ysim
от подобранной модели lme
.
Подбирайте модель, заданную в lme
и альтернативная модель altlme
к симулированным данным ysim
.
Вычислите отношение правдоподобия тестируют статистическую величину с помощью результатов шага 2 и хранят значение.
Повторите шаг 1 - 3 nsim
\times.
Затем compare
вычисляет p - значение для симулированного теста отношения правдоподобия путем сравнения наблюдаемого отношения правдоподобия тестирует статистическую величину с симулированным ссылочным распределением. p - оценка значения является отношением числа раз, которому симулированная тестовая статистическая величина отношения правдоподобия равна или превышает наблюдаемую величину плюс одна к количеству репликаций плюс одна.
Предположим, что наблюдаемой статистической величиной отношения правдоподобия является T, и симулированное ссылочное распределение хранится в векторном T H 0. То,
С учетом неопределенности в симулированном ссылочном распределении, compare
вычисляет 100* (1 – α) доверительный интервал % для истинного p - значение.
Можно использовать симулированный тест отношения правдоподобия, чтобы сравнить произвольные линейные модели смешанных эффектов. Таким образом, когда вы используете симулированный тест отношения правдоподобия, lme
не должен быть вложен в altlme
, и можно соответствовать lme
и altlme
использование или наибольшее правдоподобие (ML) или ограниченное наибольшее правдоподобие (REML) методы. Если вы используете ограниченное наибольшее правдоподобие (REML) метод, чтобы подбирать модели, то обе модели должны иметь ту же матрицу проекта фиксированных эффектов.
'CheckNesting','True'
аргумент пары "имя-значение" проверяет следующие требования.
Для симулированного теста отношения правдоподобия:
Необходимо использовать тот же метод, чтобы подбирать обе модели (lme
и altlme
Сравнение
не может сравнить подходящий ML использования модели с подгонкой модели с помощью REML.
Необходимо подбирать обе модели к тому же вектору отклика.
Если вы используете REML, чтобы соответствовать lme
и altlme
, затем обе модели должны иметь ту же матрицу проекта фиксированных эффектов.
Максимизируемая логарифмическая вероятность или ограниченная логарифмическая вероятность большей модели (altlme
) должен быть больше или быть равен той из меньшей модели (lme
).
Для теоретического теста, 'CheckNesting','True'
проверки все требования, перечисленные для симулированного теста отношения правдоподобия и следующего:
Векторы веса вы используете, чтобы соответствовать lme
и altlme
должно быть идентичным.
Если вы используете ML, чтобы соответствовать lme
и altlme
, фиксированные эффекты проектируют матрицу большей модели (altlme
) должен содержать ту из меньшей модели (lme
).
Случайные эффекты проектируют матрицу большей модели (altlme
) должен содержать ту из меньшей модели (lme
).
Критерием информации о Akaike (AIC) является AIC = –2*logLM + 2* (nc + p + 1), где logLM является максимизируемой логарифмической вероятностью (или максимизировал ограниченную логарифмическую вероятность) модели и nc +, p + 1 является количеством параметров, оцененных в модели. p является количеством коэффициентов фиксированных эффектов, и nc является общим количеством параметров в ковариации случайных эффектов, исключая остаточное отклонение.
Байесовым информационным критерием (BIC) является BIC = –2*logLM + ln (neff) * (nc + p + 1), где logLM является максимизируемой логарифмической вероятностью (или максимизировал ограниченную логарифмическую вероятность) модели, neff является эффективным количеством наблюдений, и (nc + p + 1) количество параметров, оцененных в модели.
Если подходящий метод является наибольшим правдоподобием (ML), то neff = n, где n является количеством наблюдений.
Если подходящий метод является ограниченным наибольшим правдоподобием (REML), то neff = n – p.
Нижнее значение отклонения указывает на лучшую подгонку. Когда значение отклонения уменьшается, и AIC и BIC имеют тенденцию уменьшаться. И AIC и BIC также включают условия штрафа на основе количества оцененных параметров, p. Так, когда количество увеличения параметров, значения AIC и BIC имеют тенденцию увеличиваться также. При сравнении различных моделей модель с самым низким AIC или значением BIC рассматривается как модель оптимальной подгонки.
LinearMixedModel
вычисляет отклонение модели M как минус два раза логарифмическая правдоподобность той модели. Позвольте L, M обозначает максимальное значение функции правдоподобия для модели M. Затем отклонение модели M
Нижнее значение отклонения указывает на лучшую подгонку. Предположим, что M 1 и M 2 является двумя различными моделями, где M 1 вкладывается в M 2. Затем припадок моделей может быть оценен путем сравнения отклонений Dev 1 и Dev 2 из этих моделей. Различие отклонений
Обычно, асимптотическое распределение этого различия имеет распределение хи-квадрат со степенями свободы v, равный количеству параметров, которые оцениваются в одной модели, но фиксируются (обычно в 0) в другом. Таким образом, это равно различию в количестве параметров, оцененных в M1 и M2. Можно получить p - значение для этого теста с помощью 1 – chi2cdf(Dev,V)
, где Dev = Dev 2 – Dev 1.
Однако в моделях смешанных эффектов, когда некоторые компоненты отклонения падают на контур пространства параметров, асимптотическое распределение этого различия более сложно. Например, рассмотрите гипотезы
H 0: D является q-by-q симметричная положительная полуопределенная матрица.
H 1: D (q +1) (q +1) симметричная положительная полуопределенная матрица.
Таким образом, H 1 состояние, что последняя строка и столбец D отличается от нуля. Здесь, большая модель M 2 имеет q +, 1 параметр и меньшая модель M 1 имеют параметры q. И Dev имеет 50:50 смесь χ 2q и χ 2 (q + 1) распределения (Стрэм и Ли, 1994).
[1] Hox, J. Многоуровневый анализ, методы и приложения. Lawrence Erlbaum Associates, Inc., 2002.
[2] Стрэм Д. О. и Дж. В. Ли. “Тестирование компонентов отклонения в продольной модели смешанных эффектов”. Биометрика, Издание 50, 4, 1994, стр 1171–1177.
Чтобы запуститься параллельно, задайте 'Options'
аргумент значения имени в вызове этой функции и набора 'UseParallel'
поле структуры опций к true
использование statset
.
Например: 'Options',statset('UseParallel',true)
Для получения дополнительной информации о параллельных вычислениях, смотрите функции MATLAB Запуска с Автоматической Параллельной Поддержкой (Parallel Computing Toolbox).
anova
| covarianceParameters
| fitlme
| fitlmematrix
| fixedEffects
| LinearMixedModel
| 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.