multcompare

Несколько сравнение предполагаемых крайних средних значений

Синтаксис

tbl = multcompare(rm,var)

tbl = multcompare(rm,var,Name,Value)

Описание

tbl = multcompare(rm,var) возвращает несколько сравнений предполагаемых крайних средних значений на основе переменной var в модели rm повторных измерений.

пример

tbl = multcompare(rm,var,Name,Value) возвращает несколько сравнений предполагаемых крайних средних значений с дополнительными опциями, заданными одним или несколькими Name,Value парные аргументы.

Например, можно задать тип сравнения или который переменная сгруппироваться.

Входные параметры

развернуть все

`rm` — Модель повторных измерений
`RepeatedMeasuresModel` объект

Модель повторных измерений, возвращенная как RepeatedMeasuresModel объект.

Для свойств и методов этого объекта, смотрите RepeatedMeasuresModel.

`var` — Переменные, для которых можно вычислить крайние средние значения
вектор символов | строковый скаляр

Переменные, для которых можно вычислить крайние средние значения в виде вектора символов или строкового скаляра, представляющего имя между - или в предметах включить rm. Если var фактор между предметами, это должно быть категориальным.

Типы данных: char | string

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.

`'Alpha'` — Уровень значения
0,05 (значения по умолчанию) | скалярное значение в области значений от 0 до 1

Уровень значения доверительных интервалов для крайнего населения означает в виде разделенной запятой пары, состоящей из 'alpha' и скалярное значение в области значений от 0 до 1. Доверительный уровень равняется 100* (1–alpha)%.

Пример: 'alpha',0.01

Типы данных: double | single

`'By'` — Фактор, чтобы выполнить сравнения
вектор символов | строковый скаляр

Фактор, чтобы сделать сравнения в виде разделенной запятой пары, состоящей из 'By' и вектор символов или строковый скаляр. Сравнение между уровнями var происходит отдельно для каждого значения фактора, который вы задаете.

Если у вас есть больше чем один фактор между предметами, A, B и C, и если вы хотите сделать сравнения уровней A отдельно для каждого уровня C, то задайте A как var аргумент и задает C с помощью 'By' аргумент можно следующим образом.

Пример: 'By',C

Типы данных: char | string

`'ComparisonType'` — Тип критического значения, чтобы использовать
`'tukey-kramer'` (значение по умолчанию) | `'dunn-sidak'` | `'bonferroni'` | `'scheffe'` | `'lsd'`

Тип критического значения, чтобы использовать в виде разделенной запятой пары, состоящей из 'ComparisonType' и одно из следующих.

Тип сравнения	Определение
`'tukey-kramer'`	Значение по умолчанию. Также Честная процедура Значительной разницы названного Туки. Это основано на распределении области значений Studentized. Согласно бездоказательной догадке Туки-Крамера, также правильно для проблем, где сравниваемые количества коррелируются, как в ковариационном анализе с несбалансированными ковариационными значениями.
`'dunn-sidak'`	Используйте критические значения от распределения t после корректировки к нескольким сравнениям, которая была предложена Данном и оказалась точной Sidák. Критическое значение $\| t \| = \frac{\| {\bar{y}}_{i} - {\bar{y}}_{j} \|}{\sqrt{M S E (\frac{1}{n_{i}} + \frac{1}{n_{j}})}} > t_{1 - η / 2, v,}$ где $η = 1 - {(1 - α)}^{^{\frac{1}{(\begin{array}{l} k \\ 2 \end{array})}}}$ и ng является количеством групп (крайние средние значения). Эта процедура похожа на, но менее консервативна, чем, процедура Bonferroni.
`'bonferroni'`	Используйте критические значения от распределения t после корректировки Bonferroni, чтобы компенсировать несколько сравнений. Критическое значение $t_{α / 2 (\begin{matrix} n g \\ 2 \end{matrix}), v},$ где ng является количеством групп (крайние средние значения), и v является ошибочными степенями свободы. Эта процедура консервативна, но обычно меньше, чем процедура Scheffé.
`'scheffe'`	Используйте критические значения из процедуры S Шеффе, выведенной из распределения F. Критическое значение $\sqrt{(n g - 1) F_{α, n g - 1, v}},$ где ng является количеством групп (крайние средние значения), и v является ошибочными степенями свободы. Эта процедура обеспечивает одновременный доверительный уровень для сравнений всех линейных комбинаций средних значений, и это консервативно для сравнений простых различий пар.
`'lsd'`	Младшее значащее различие. Эта опция использует плоскость t - тесты. Критическое значение $t_{α / 2, v},$ где v является ошибочными степенями свободы. Это не обеспечивает защиты против нескольких проблема сравнения.

Пример: 'ComparisonType','dunn-sidak'

Выходные аргументы

развернуть все

`tbl` — Результаты нескольких сравнение
таблица

Результаты нескольких сравнений предполагаемых крайних средних значений, возвращенных как таблица. tbl имеет следующие столбцы.

ColumnName	Описание
`Difference`	Предполагаемое различие между соответствующими двумя крайними средними значениями
`StdErr`	Стандартная погрешность предполагаемого различия между соответствующими двумя крайними средними значениями
`pValue`	p- для теста, что различие между соответствующими двумя крайними средними значениями 0
`Lower`	Нижний предел одновременных 95% доверительных интервалов для истинного различия
`Upper`	Верхний предел одновременных 95% доверительных интервалов для истинного различия

Примеры

развернуть все

Несколько сравнение предполагаемых крайних средних значений

Скрипт Open Live Script

Загрузите выборочные данные.

load fisheriris

Вектор-столбец species состоит из ирисовых цветов трех различных разновидностей: setosa, versicolor, и virginica. Двойной матричный meas состоит из четырех типов измерений на цветах: длина и ширина чашелистиков и лепестков в сантиметрах, соответственно.

Храните данные в табличном массиве.

t = table(species,meas(:,1),meas(:,2),meas(:,3),meas(:,4),...
'VariableNames',{'species','meas1','meas2','meas3','meas4'});
Meas = dataset([1 2 3 4]','VarNames',{'Measurements'});

Подбирайте модель повторных измерений, где измерения являются ответами, и разновидность является переменным предиктором.

rm = fitrm(t,'meas1-meas4~species','WithinDesign',Meas);

Выполните сравнение кратного предполагаемых крайних средних значений разновидностей.

tbl = multcompare(rm,'species')

tbl=6×7 table
      species_1         species_2       Difference     StdErr       pValue       Lower       Upper  
    ______________    ______________    __________    ________    __________    ________    ________

    {'setosa'    }    {'versicolor'}     -1.0375      0.060539    9.5606e-10     -1.1794    -0.89562
    {'setosa'    }    {'virginica' }     -1.7495      0.060539    9.5606e-10     -1.8914     -1.6076
    {'versicolor'}    {'setosa'    }      1.0375      0.060539    9.5606e-10     0.89562      1.1794
    {'versicolor'}    {'virginica' }      -0.712      0.060539    9.5606e-10    -0.85388    -0.57012
    {'virginica' }    {'setosa'    }      1.7495      0.060539    9.5606e-10      1.6076      1.8914
    {'virginica' }    {'versicolor'}       0.712      0.060539    9.5606e-10     0.57012     0.85388

Маленькое $p$ - значения (в pValue поле), указывают, что предполагаемые крайние средние значения для трех разновидностей значительно отличаются друг от друга.

Выполните несколько сравнений с заданными опциями

Скрипт Open Live Script

Загрузите выборочные данные.

load repeatedmeas

Таблица between включает возраст переменных между предметами, IQ, группу, пол и восемь повторных измерений y1 через y8 как ответы. Таблица within включает переменные w1 в предмете и w2. Это - симулированные данные.

Подбирайте модель повторных измерений, где повторные измерения y1 через y8 ответы, и возраст, IQ, группа, пол, и взаимодействие пола группы является переменными предикторами. Также задайте матрицу проекта в предмете.

R = fitrm(between,'y1-y8 ~ Group*Gender + Age + IQ','WithinDesign',within);

Выполните сравнение кратного предполагаемых крайних средних значений на основе переменной Group.

T = multcompare(R,'Group')

T=6×7 table
    Group_1    Group_2    Difference    StdErr     pValue       Lower      Upper 
    _______    _______    __________    ______    _________    _______    _______

       A          B         4.9875      5.6271      0.65436    -9.1482     19.123
       A          C         23.094      5.9261    0.0021493     8.2074     37.981
       B          A        -4.9875      5.6271      0.65436    -19.123     9.1482
       B          C         18.107      5.8223     0.013588     3.4805     32.732
       C          A        -23.094      5.9261    0.0021493    -37.981    -8.2074
       C          B        -18.107      5.8223     0.013588    -32.732    -3.4805

Маленькое $p$ - значение 0,0021493 указывает, что существует значительная разница между крайними средними значениями групп A и C. $p$ - значение 0,65436 указывает, что различие между крайними средними значениями для групп A и B не существенно отличается от 0.

multcompare использует тестовую статистическую величину Туки-Крамера по умолчанию. Измените тип сравнения в процедуру Scheffe.

T = multcompare(R,'Group','ComparisonType','Scheffe')

T=6×7 table
    Group_1    Group_2    Difference    StdErr     pValue       Lower      Upper 
    _______    _______    __________    ______    _________    _______    _______

       A          B         4.9875      5.6271      0.67981    -9.7795     19.755
       A          C         23.094      5.9261    0.0031072     7.5426     38.646
       B          A        -4.9875      5.6271      0.67981    -19.755     9.7795
       B          C         18.107      5.8223     0.018169     2.8273     33.386
       C          A        -23.094      5.9261    0.0031072    -38.646    -7.5426
       C          B        -18.107      5.8223     0.018169    -33.386    -2.8273

Тест Scheffe производит больше $p$ - значения, но подобные заключения.

Выполните несколько сравнений предполагаемых крайних средних значений на основе переменной Group для каждого пола отдельно.

T = multcompare(R,'Group','By','Gender')

T=12×8 table
    Gender    Group_1    Group_2    Difference    StdErr     pValue       Lower        Upper   
    ______    _______    _______    __________    ______    ________    _________    __________

    Female       A          B         4.1883      8.0177     0.86128      -15.953        24.329
    Female       A          C         24.565      8.2083    0.017697       3.9449        45.184
    Female       B          A        -4.1883      8.0177     0.86128      -24.329        15.953
    Female       B          C         20.376      8.1101    0.049957    0.0033459        40.749
    Female       C          A        -24.565      8.2083    0.017697      -45.184       -3.9449
    Female       C          B        -20.376      8.1101    0.049957      -40.749    -0.0033459
    Male         A          B         5.7868      7.9498     0.74977      -14.183        25.757
    Male         A          C         21.624      8.1829    0.038022       1.0676        42.179
    Male         B          A        -5.7868      7.9498     0.74977      -25.757        14.183
    Male         B          C         15.837      8.0511     0.14414      -4.3881        36.062
    Male         C          A        -21.624      8.1829    0.038022      -42.179       -1.0676
    Male         C          B        -15.837      8.0511     0.14414      -36.062        4.3881

Результаты показывают, что различие между крайними средними значениями для групп A и B не является значительным от 0 ни для одного пола (соответствующий $p$ - значения 0.86128 для розеток и 0.74977 для штекеров). Различие между крайними средними значениями для групп A и C является значительным для обоих полов (соответствующий $p$ - значения 0.017697 для розеток и 0.038022 для штекеров). В то время как различие между крайними средними значениями для групп B и C существенно отличается от 0 для розеток ( $p$ - значение 0.049957), это не существенно отличается от 0 для штекеров ( $p$ - значение 0.14414).

Ссылки

[1] G. A. Милликругозор и Джонсон, D. E. Анализ грязных данных. Объем I: спроектированные эксперименты. Нью-Йорк, Нью-Йорк: Chapman & Hall, 1992.

Смотрите также

fitrm | margmean | plotprofile

Документация

multcompare

Синтаксис

Описание

Входные параметры

`rm` — Модель повторных измерений
`RepeatedMeasuresModel` объект

`var` — Переменные, для которых можно вычислить крайние средние значения
вектор символов | строковый скаляр

Аргументы в виде пар имя-значение

`'Alpha'` — Уровень значения
0,05 (значения по умолчанию) | скалярное значение в области значений от 0 до 1

`'By'` — Фактор, чтобы выполнить сравнения
вектор символов | строковый скаляр

`'ComparisonType'` — Тип критического значения, чтобы использовать
`'tukey-kramer'` (значение по умолчанию) | `'dunn-sidak'` | `'bonferroni'` | `'scheffe'` | `'lsd'`

Выходные аргументы

`tbl` — Результаты нескольких сравнение
таблица

Примеры

Несколько сравнение предполагаемых крайних средних значений

Выполните несколько сравнений с заданными опциями

Ссылки

Смотрите также

Документация Statistics and Machine Learning Toolbox

Поддержка

Документация

multcompare

Синтаксис

Описание

Входные параметры

rm — Модель повторных измерений RepeatedMeasuresModel объект

var — Переменные, для которых можно вычислить крайние средние значения вектор символов | строковый скаляр

Аргументы в виде пар имя-значение

'Alpha' — Уровень значения 0,05 (значения по умолчанию) | скалярное значение в области значений от 0 до 1

'By' — Фактор, чтобы выполнить сравнения вектор символов | строковый скаляр

'ComparisonType' — Тип критического значения, чтобы использовать 'tukey-kramer' (значение по умолчанию) | 'dunn-sidak' | 'bonferroni' | 'scheffe' | 'lsd'

Выходные аргументы

tbl — Результаты нескольких сравнение таблица

Примеры

Несколько сравнение предполагаемых крайних средних значений

Выполните несколько сравнений с заданными опциями

Ссылки

Смотрите также

Документация Statistics and Machine Learning Toolbox

Поддержка

`rm` — Модель повторных измерений
`RepeatedMeasuresModel` объект

`var` — Переменные, для которых можно вычислить крайние средние значения
вектор символов | строковый скаляр

`'Alpha'` — Уровень значения
0,05 (значения по умолчанию) | скалярное значение в области значений от 0 до 1

`'By'` — Фактор, чтобы выполнить сравнения
вектор символов | строковый скаляр

`'ComparisonType'` — Тип критического значения, чтобы использовать
`'tukey-kramer'` (значение по умолчанию) | `'dunn-sidak'` | `'bonferroni'` | `'scheffe'` | `'lsd'`

`tbl` — Результаты нескольких сравнение
таблица