Класс: RepeatedMeasuresModel
Дисперсионный анализ повторных измерений
rm
— Модель повторных измеренийRepeatedMeasuresModel
объектМодель повторных измерений, возвращенная как RepeatedMeasuresModel
объект.
Для свойств и методов этого объекта, смотрите RepeatedMeasuresModel
.
WM
— Модель, задающая ответы'separatemeans'
(значение по умолчанию) | r - в-отличие-от-этого-nc, матрица | вектор символов или строковый скаляр, который задает спецификацию моделиМодель, задающая ответы в виде одного из следующего:
'separatemeans'
— Вычислите отдельное среднее значение для каждой группы.
C
— r - в-отличие-от-этого-nc, матрица, задающая nc, контрастирует среди повторных измерений r. Если Y представляет матрицу повторных измерений, ranova
тестирует гипотезу, что средние значения Y *C являются нулем.
Вектор символов или строковый скаляр, который задает спецификацию модели в факторах в предмете. Можно задать основанное на модели на правилах для terms
в modelspec
аргумент fitrm
. Также см. Спецификацию Модели для Моделей Повторных измерений.
Например, если существует три фактора в предмете w1
, w2
, и w3
, затем можно задать модель для факторов в предмете можно следующим образом.
Пример: 'WithinModel','w1+w2+w2*w3'
Типы данных: single
| double
| char
| string
ranovatbl
— Результаты повторных измерений anovaРезультаты повторных измерений anova, возвращенный как table
.
ranovatbl
включает термин, представляющий все различия через факторы в предметах. Этот термин имеет или имя фактора в предметах, если задано, подбирая модель или имя Time
если имя фактора в предметах не задано, подбирая модель или существует больше чем один фактор в предметах. ranovatbl
также включает все взаимодействия между условиями в модели в предмете и всеми условиями модели между предметами. Это содержит следующие столбцы.
ColumnName | Определение |
---|---|
SumSq | Сумма квадратов. |
DF | Степени свободы. |
MeanSq | Среднеквадратическая ошибка. |
F | F-. |
pValue | p - значение для соответствующего F - статистическая величина. Маленький p - значение указывает на значительный эффект термина. |
pValueGG | p- с корректировкой Greenhouse-Geisser. |
pValueHF | p- с корректировкой Huynh-Feldt. |
pValueLB | p- с корректировкой Нижней границы. |
Последние три p - значениями является настроенный p - значения для использования, когда составному предположению симметрии не удовлетворяют. Для получения дополнительной информации смотрите Составные Коррекции Предположения и Эпсилона Симметрии. mauchy
метод тестирует на шарообразность (следовательно, составная симметрия) и epsilon
метод возвращает значения корректировки эпсилона.
A
— Спецификация на основе модели между предметамиСпецификация на основе модели между предметами, возвращенной как матрица или массив ячеек. Это разрешает гипотезу на элементах в рамках данных столбцов B
(в рамках гипотезы времени). Если ranovatbl
содержит несколько тестов гипотезы, A
может быть массив ячеек.
Типы данных: single
| double
| cell
C
— Спецификация на основе модели в предметахСпецификация на основе модели в предметах, возвращенной как матрица или массив ячеек. Это разрешает гипотезы на элементах в данных строках B
(между гипотезами времени). Если ranovatbl
содержит несколько тестов гипотезы, C
может быть массив ячеек.
Типы данных: single
| double
| cell
D
— Значение гипотезыЗначение гипотезы, возвращенное как 0.
Загрузите выборочные данные.
load fisheriris
Вектор-столбец species
состоит из ирисовых цветов трех различных разновидностей: setosa, versicolor, 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 = table([1 2 3 4]','VariableNames',{'Measurements'});
Подбирайте модель повторных измерений, где измерения являются ответами, и разновидность является переменным предиктором.
rm = fitrm(t,'meas1-meas4~species','WithinDesign',Meas);
Выполните дисперсионный анализ повторных измерений.
ranovatbl = ranova(rm)
ranovatbl=3×8 table
SumSq DF MeanSq F pValue pValueGG pValueHF pValueLB
______ ___ ________ ______ ___________ ___________ ___________ ___________
(Intercept):Measurements 1656.3 3 552.09 6873.3 0 9.4491e-279 2.9213e-283 2.5871e-125
species:Measurements 282.47 6 47.078 586.1 1.4271e-206 4.9313e-156 1.5406e-158 9.0151e-71
Error(Measurements) 35.423 441 0.080324
Существует четыре измерения, три типа разновидностей и 150 наблюдений. Так, степени свободы для измерений (4–1) = 3, для взаимодействия измерений разновидностей, которое это (4–1) * (3–1) = 6, и для ошибки это (150–3) * (4–1) = 441. ranova
вычисляет последние три - значения с помощью Greenhouse-Geisser, Хуин-Фелдта, и коррекций Нижней границы, соответственно. Можно проверять составную симметрию (шарообразность) предположение с помощью mauchly
метод и отображение коррекции эпсилона с помощью epsilon
метод.
Загрузите выборочные данные.
load('longitudinalData.mat');
Матричный Y
содержит данные об ответе для 16 индивидуумов. Ответ является уровнем в крови препарата, измеренного в пяти моментах времени (время = 0, 2, 4, 6, и 8). Каждая строка Y
соответствует индивидууму, и каждый столбец соответствует моменту времени. Первыми восемью предметами является розетка, и вторыми восемью предметами является штекер. Это - симулированные данные.
Задайте переменную, которая хранит гендерную информацию.
Gender = ['F' 'F' 'F' 'F' 'F' 'F' 'F' 'F' 'M' 'M' 'M' 'M' 'M' 'M' 'M' 'M']';
Храните данные в соответствующем табличном формате массивов, чтобы сделать анализ повторных измерений.
t = table(Gender,Y(:,1),Y(:,2),Y(:,3),Y(:,4),Y(:,5),... 'VariableNames',{'Gender','t0','t2','t4','t6','t8'});
Задайте переменную в предметах.
Time = [0 2 4 6 8]';
Подбирайте модель повторных измерений, где уровни в крови являются ответами, и пол является переменным предиктором.
rm = fitrm(t,'t0-t8 ~ Gender','WithinDesign',Time);
Выполните дисперсионный анализ повторных измерений.
ranovatbl = ranova(rm)
ranovatbl=3×8 table
SumSq DF MeanSq F pValue pValueGG pValueHF pValueLB
______ __ ______ _______ __________ __________ __________ __________
(Intercept):Time 881.7 4 220.43 37.539 3.0348e-15 4.7325e-09 2.4439e-10 2.6198e-05
Gender:Time 17.65 4 4.4125 0.75146 0.56126 0.4877 0.50707 0.40063
Error(Time) 328.83 56 5.872
Существует 5 моментов времени, 2 пола и 16 наблюдений. Так, степени свободы в течение времени (5–1) = 4, для разового полом взаимодействия, которое это (5–1) * (2–1) = 4, и для ошибки это (16–2) * (5–1) = 56. Маленькое - значение 2.6198e–05 указывает, что существует значительный эффект времени на артериальном давлении. - значение 0,40063 указывает, что нет никакого значительного разового полом взаимодействия.
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 во включает переменные w1
в предмете и
w2
. Это - симулированные данные. Гипотетически, ответ может быть результатами теста памяти. Переменная w1
в предмете может быть тип осуществления, которое предмет делает перед тестом и
w2
могут быть различные точки в день, предмет берет тест памяти. Так, один предмет делает два других типа упражнений A и B прежде, чем взять тест и берет тест в четыре различных раза в различные дни. Для каждого предмета измерения проведены при этих условиях:
Тренируйтесь, чтобы выполнить перед тестом: B B B B
Тестовое время: 1 1 2 2 3 3 4 4
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.
rm = fitrm(between,'y1-y8 ~ Group*Gender + Age + IQ','WithinDesign',within);
Выполните дисперсионный анализ повторных измерений.
ranovatbl = ranova(rm)
ranovatbl=7×8 table
SumSq DF MeanSq F pValue pValueGG pValueHF pValueLB
______ ___ ______ _______ _________ ________ _________ ________
(Intercept):Time 6645.2 7 949.31 2.2689 0.031674 0.071235 0.056257 0.14621
Age:Time 5824.3 7 832.05 1.9887 0.059978 0.10651 0.090128 0.17246
IQ:Time 5188.3 7 741.18 1.7715 0.096749 0.14492 0.12892 0.19683
Group:Time 15800 14 1128.6 2.6975 0.0014425 0.011884 0.0064346 0.089594
Gender:Time 4455.8 7 636.55 1.5214 0.16381 0.20533 0.19258 0.23042
Group:Gender:Time 4247.3 14 303.38 0.72511 0.74677 0.663 0.69184 0.49549
Error(Time) 64433 154 418.39
Задайте модель для факторов в предмете. Также отобразите матрицы, используемые в тесте гипотезы.
[ranovatbl,A,C,D] = ranova(rm,'WithinModel','w1+w2')
ranovatbl=21×8 table
SumSq DF MeanSq F pValue pValueGG pValueHF pValueLB
______ __ ______ ________ _________ _________ _________ _________
(Intercept) 3141.7 1 3141.7 2.5034 0.12787 0.12787 0.12787 0.12787
Age 537.48 1 537.48 0.42828 0.51962 0.51962 0.51962 0.51962
IQ 2975.9 1 2975.9 2.3712 0.13785 0.13785 0.13785 0.13785
Group 20836 2 10418 8.3012 0.0020601 0.0020601 0.0020601 0.0020601
Gender 3036.3 1 3036.3 2.4194 0.13411 0.13411 0.13411 0.13411
Group:Gender 211.8 2 105.9 0.084385 0.91937 0.91937 0.91937 0.91937
Error 27609 22 1255 1 0.5 0.5 0.5 0.5
(Intercept):w1 146.75 1 146.75 0.23326 0.63389 0.63389 0.63389 0.63389
Age:w1 942.02 1 942.02 1.4974 0.23402 0.23402 0.23402 0.23402
IQ:w1 11.563 1 11.563 0.01838 0.89339 0.89339 0.89339 0.89339
Group:w1 4481.9 2 2240.9 3.562 0.045697 0.045697 0.045697 0.045697
Gender:w1 270.65 1 270.65 0.4302 0.51869 0.51869 0.51869 0.51869
Group:Gender:w1 240.37 2 120.19 0.19104 0.82746 0.82746 0.82746 0.82746
Error(w1) 13841 22 629.12 1 0.5 0.5 0.5 0.5
(Intercept):w2 3663.8 3 1221.3 3.8381 0.013513 0.020339 0.01575 0.062894
Age:w2 1199.9 3 399.95 1.2569 0.2964 0.29645 0.29662 0.27432
⋮
A=6×1 cell array
{[1 0 0 0 0 0 0 0]}
{[0 1 0 0 0 0 0 0]}
{[0 0 1 0 0 0 0 0]}
{2x8 double }
{[0 0 0 0 0 1 0 0]}
{2x8 double }
C=1×3 cell array
{8x1 double} {8x1 double} {8x3 double}
D = 0
Отобразите содержимое A
.
[A{1};A{2};A{3};A{4};A{5};A{6}]
ans = 8×8
1 0 0 0 0 0 0 0
0 1 0 0 0 0 0 0
0 0 1 0 0 0 0 0
0 0 0 1 0 0 0 0
0 0 0 0 1 0 0 0
0 0 0 0 0 1 0 0
0 0 0 0 0 0 1 0
0 0 0 0 0 0 0 1
Отобразите содержимое C
.
[C{1} C{2} C{3}]
ans = 8×5
1 1 1 0 0
1 1 0 1 0
1 1 0 0 1
1 1 -1 -1 -1
1 -1 1 0 0
1 -1 0 1 0
1 -1 0 0 1
1 -1 -1 -1 -1
ranova
вычисляет регулярный p - значение (в pValue
столбец rmanova
таблица) использование F - статистическая кумулятивная функция распределения:
p - значение = 1 – fcdf (F, v 1, v 2).
Когда составному предположению симметрии не удовлетворяют, ranova
использует эпсилон поправочного коэффициента, ε, чтобы вычислить откорректированный p - значения можно следующим образом:
p-value_corrected = 1 – fcdf (F, ε *v1, ε *v2).
mauchly
метод тестирует на шарообразность (следовательно, составная симметрия) и epsilon
метод возвращает значения корректировки эпсилона.
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.