Exponenta Banner
exponenta event banner

covarianceParameters

Класс: модель GeneralizedLinearDepartedModel

Извлечь ковариационные параметры обобщенной линейной модели смешанных эффектов

развернуть все на странице

Синтаксис

psi = covarityParameters (glme)
[psi, дисперсия] = covarityParameters (glme)
[psi, дисперсия, stats] = covarityParameters (glme)
[___] = covarityParameters (glme, Name, Value)

Описание

psi = covarianceParameters(glme) возвращает оцененные предыдущие ковариационные параметры предсказателей случайных эффектов в обобщенной линейной модели смешанных эффектов glme.

[psi,dispersion] = covarianceParameters(glme) также возвращает оценку параметра дисперсии.

пример

[psi,dispersion,stats] = covarianceParameters(glme) также возвращает массив ячеек stats содержащий оценки ковариационных параметров и связанную статистику.

[___] = covarianceParameters(glme,Name,Value) возвращает любой из приведенных выше аргументов вывода, используя дополнительные параметры, указанные одним или несколькими Name,Value аргументы пары. Например, можно задать уровень достоверности для доверительных пределов параметров ковариации.

Входные аргументы

развернуть все

Обобщенная линейная модель смешанных эффектов, указанная как GeneralizedLinearMixedModel объект. Свойства и методы этого объекта см. в разделе GeneralizedLinearMixedModel.

Аргументы пары «имя-значение»

Укажите дополнительные пары, разделенные запятыми Name,Value аргументы. Name является именем аргумента и Value - соответствующее значение. Name должен отображаться внутри кавычек. Можно указать несколько аргументов пары имен и значений в любом порядке как Name1,Value1,...,NameN,ValueN.

Уровень значимости, указанный как разделенная запятыми пара, состоящая из 'Alpha' и скалярное значение в диапазоне [0,1]. Для значения α доверительный уровень равен 100 × (1 - α)%.

Например, для 99% доверительных интервалов можно указать доверительный уровень следующим образом.

Пример: 'Alpha',0.01

Типы данных: single | double

Выходные аргументы

развернуть все

Оцененные предшествующие параметры ковариации для предикторов случайных эффектов, возвращенные в виде массива ячеек длиной R, где R - количество группируемых переменных, используемых в модели. psi{r} содержит ковариационную матрицу случайных эффектов, связанных с группирующей переменной gr, где r = 1, 2,..., R, порядок группирования переменных в psi совпадает с порядком, введенным при подборе модели. Дополнительные сведения о группировании переменных см. в разделе Группирование переменных.

Параметр дисперсии, возвращаемый как скалярное значение.

Оценки ковариационных параметров и связанная статистика возвращаются в виде массива ячеек длиной (R + 1), где R - количество группируемых переменных, используемых в модели. Первые R-ячейки stats каждый содержит массив наборов данных со следующими столбцами.

Имя столбцаОписание
GroupИмя переменной группировки
Name1Имя первой предикторной переменной
Name2Имя второй предикторной переменной
Type

Если Name1 и Name2 те же самые, то Type является std (стандартное отклонение).

Если Name1 и Name2 отличаются, то Type является corr (корреляция).

Estimate

Если Name1 и Name2 те же самые, то Estimate - стандартное отклонение случайного эффекта, связанного с предиктором Name1 или Name2.

Если Name1 и Name2 отличаются, то Estimate - корреляция между случайными эффектами, связанными с предикторами Name1 и Name2.

LowerНижняя граница доверительного интервала для параметра ковариации
UpperВерхний предел доверительного интервала для параметра ковариации

Ячейка R + 1 содержит связанную статистику для параметра дисперсии.

Рекомендуется наличие или отсутствие параметров ковариации в glme пройти тестирование с использованием compare способ, который использует тест отношения правдоподобия.

При подгонке модели GLME с использованием fitglme и один из методов подгонки с максимальным правдоподобием ('Laplace' или 'ApproximateLaplace'), covarianceParameters выводит доверительные интервалы в stats на основе аппроксимации Лапласа к логарифмической вероятности обобщенной линейной модели смешанных эффектов.

При подгонке модели GLME с использованием fitglme и один из методов псевдоправдоподобия ('MPL' или 'REMPL'), covarianceParameters выводит доверительные интервалы в stats на основе аппроксимированной линейной модели смешанных эффектов из окончательной псевдо-правдоподобной итерации.

Примеры

развернуть все

Открыть сценарий в реальном времени

Загрузите образцы данных. 

load mfr

Эти смоделированные данные получены от производственной компании, которая эксплуатирует 50 заводов по всему миру, причем на каждом заводе выполняется пакетный процесс создания готового продукта. Компания хочет уменьшить количество дефектов в каждой партии, поэтому разработала новый производственный процесс. Чтобы проверить эффективность нового процесса, компания выбрала 20 своих заводов случайным образом для участия в эксперименте: Десять заводов реализовали новый процесс, в то время как другие десять продолжали запускать старый процесс. На каждом из 20 заводов компания провела пять партий (всего 100 партий) и записала следующие данные:

  • Флаг, указывающий, использовала ли партия новый процесс (newprocess)

  • Время обработки для каждой партии, в часах (time)

  • Температура партии, в градусах Цельсия (temp)

  • Категориальная переменная, указывающая поставщика (A, B, или C) химического вещества, используемого в партии (supplier)

  • Количество дефектов в партии (defects)

Данные также включают time_dev и temp_dev, которые представляют собой абсолютное отклонение времени и температуры соответственно от технологического стандарта 3 часов при 20 градусах Цельсия.

Подгонка обобщенной линейной модели смешанных эффектов с использованием newprocess, time_dev, temp_dev, и supplier в качестве предикторов с фиксированными эффектами. Включить термин случайных эффектов для перехвата, сгруппированного по factory, чтобы учесть различия в качестве, которые могут существовать из-за специфичных для завода вариаций. Переменная ответа defects имеет распределение Пуассона, и соответствующей функцией связи для этой модели является log. Для оценки коэффициентов используется метод аппроксимации Лапласа. Укажите фиктивную кодировку переменной как 'effects'так что фиктивные переменные коэффициенты суммируются до 0.

Количество дефектов можно смоделировать с помощью распределения Пуассона

defectsij∼Poisson (мкидж)

Это соответствует обобщенной линейной модели смешанных эффектов

log (micij) = β0 + β1newprocessij + β2time _ devij + β3temp _ devij + β4supplier _ Cij + β5supplier _ Bij + bi,

где

  • defectsij - количество дефектов, наблюдаемых в партии, произведенной заводом i во время партии j.

  • pciij - среднее число дефектов, соответствующих заводу i (где i = 1,2,..., 20) во время партии j (где j = 1,2,..., 5).

  • newprocessij, time_devij и temp_devij являются измерениями для каждой переменной, которые соответствуют фабрике i во время партии j. Например, newprocessij указывает, использовала ли партия, произведенная заводом i во время партии j, новый процесс.

  • supplier_Cij и supplier_Bij являются фиктивными переменными, которые используют кодирование эффектов (сумма к нулю), чтобы указать, C или B, соответственно, поставлялись технологические химикаты для партии, произведенной заводом i во время партии j.

  • bi∼N (0, startb2) - перехват случайных эффектов для каждой фабрики i, который учитывает специфичные для фабрики вариации качества.

glme = fitglme(mfr,'defects ~ 1 + newprocess + time_dev + temp_dev + supplier + (1|factory)','Distribution','Poisson','Link','log','FitMethod','Laplace','DummyVarCoding','effects');

Вычислите и отобразите оценку предыдущего параметра ковариации для предсказателя случайных эффектов. 

[psi,dispersion,stats] = covarianceParameters(glme);
psi{1}
ans = 0.0985

psi{1} - оценка предшествующей ковариационной матрицы первой переменной группирования. В этом примере существует только одна переменная группировки (factory), так psi{1} - это оценка, равная startb2.

Просмотрите параметр дисперсии. 

dispersion
dispersion = 1

Отображение расчетного стандартного отклонения случайного эффекта, связанного с предиктором. Первая ячейка stats содержит статистику для factory, в то время как вторая ячейка содержит статистику для параметра дисперсии. 

stats{1}
ans = 
    Covariance Type: Isotropic

    Group      Name1                  Name2                  Type       
    factory    {'(Intercept)'}        {'(Intercept)'}        {'std'}    


    Estimate    Lower      Upper  
    0.31381     0.19253    0.51148

Оцененное стандартное отклонение случайного эффекта, связанного с предиктором, составляет 0,31381. 95% доверительный интервал составляет [0,19253, 0,51148]. Поскольку доверительный интервал не содержит 0, случайный перехват значим на уровне значимости 5%.

См. также

| | | |

Документация по инструментам для статистического и машинного обучения

Поддержка