Класс: модель GeneralizedLinearDepartedModel
Оценки случайных эффектов и соответствующая статистика
[ возвращает любой из приведенных выше аргументов вывода, используя дополнительные параметры, указанные одним или несколькими B,BNames,stats] = randomEffects(glme,Name,Value)Name,Value аргументы пары. Например, можно задать уровень доверительного интервала или метод вычисления приблизительных степеней свободы.
glme - Обобщенная линейная модель смешанных эффектовGeneralizedLinearMixedModel объектОбобщенная линейная модель смешанных эффектов, указанная как GeneralizedLinearMixedModel объект. Свойства и методы этого объекта см. в разделе GeneralizedLinearMixedModel.
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.
'Alpha' - Уровень значимостиУровень 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
'DFMethod' - Метод вычисления приблизительных степеней свободы'residual' (по умолчанию) | 'none'Метод вычисления приблизительных степеней свободы, определяемый как разделенная запятыми пара, состоящая из 'DFMethod' и одно из следующих.
| Стоимость | Описание |
|---|---|
'residual' | Значение степеней свободы принимается постоянным и равным n - p, где n - число наблюдений, а p - число фиксированных эффектов. |
'none' | Степени свободы устанавливаются на бесконечность. |
Пример: 'DFMethod','none'
B - Оценочные эмпирические предикторы Байеса для случайных эффектовОцененные эмпирические предикторы Байеса (EBP) для случайных эффектов в обобщенной линейной модели смешанных эффектов glme, возвращается в виде вектора столбца. EBP в B аппроксимируют модой эмпирического апостериорного распределения случайных эффектов с учетом оцененных параметров ковариации и наблюдаемого ответа.
Предположим glme имеет R группирующих переменных g1, g2,..., gR, с уровнями m1, m2,..., mR соответственно. Также предположим, что q1, q2,..., qR - длины векторов случайных эффектов, которые связаны с g1, g2,..., gR соответственно. Затем, B - вектор столбца длиной q1 * m1 + q2 * m2 +... + qR * mR.
randomEffects создает B путем объединения эмпирических байесовских предикторов векторов случайных эффектов, соответствующих каждому уровню каждой группирующей переменной, как [g1level1; g1level2; ...; g1levelm1; g2level1; g2level2; ...; g2levelm2; ...; gRlevel1; gRlevel2; ...; gRlevelmR]'.
BNames - Названия коэффициентов случайных эффектовИмена коэффициентов случайных эффектов в B, возвращено в виде таблицы.
stats - Оценочные эмпирические предикторы Байеса и соответствующая статистикаОцененные эмпирические предикторы Байеса (EBP) и связанная статистика для случайных эффектов в обобщенной линейной модели смешанных эффектов glme, возвращено в виде таблицы. stats имеет одну строку для каждого случайного эффекта и один столбец для каждой из следующих статистических данных.
| Имя столбца | Описание |
|---|---|
Group | Группировка переменных, связанных со случайным эффектом |
Level | Уровень в пределах переменной группировки, соответствующей случайному эффекту |
Name | Имя коэффициента случайного эффекта |
Estimate | Эмпирический предиктор Байеса (EBP) случайного эффекта |
SEPred | Квадратный корень условной среднеквадратичной ошибки прогнозирования (CMSEP) с заданными параметрами ковариации и ответом |
tStat | t-статистика для теста на то, что коэффициент случайных эффектов равен 0 |
DF | Расчетные степени свободы для t-статистики |
pValue | p-значение для t-статистики |
Lower | Нижний предел 95% доверительного интервала для коэффициента случайных эффектов |
Upper | Верхний предел 95% доверительного интервала для коэффициента случайных эффектов |
randomEffects вычисляет доверительные интервалы с использованием подхода условной среднеквадратичной ошибки прогнозирования (CMSEP), обусловленного оцененными параметрами ковариации и наблюдаемым ответом. Альтернативная интерпретация доверительных интервалов заключается в том, что они являются приблизительными байесовскими достоверными интервалами, обусловленными оцененными параметрами ковариации и наблюдаемым ответом.
При подгонке модели GLME с использованием fitglme и один из методов псевдоправдоподобия ('MPL' или 'REMPL'), randomEffects вычисляет доверительные интервалы и связанную статистику на основе аппроксимированной линейной модели смешанных эффектов из окончательной псевдопонятной итерации.
Загрузите образцы данных.
load mfrЭти 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
)
Это соответствует обобщенной линейной модели смешанных эффектов
β5supplier _ Bij + bi,
где
- количество дефектов, наблюдаемых в партии, произведенной заводом во время партии .
- среднее число дефектов, соответствующих заводу (где 20) во время партии j (..., 5).
, и являются измерениями для каждой переменной, которые соответствуют фабрике i во время партии jНапример, указывает, использовала ли партия, произведенная заводом i во время партии j, новый процесс.
и являются фиктивными переменными, которые используют кодирование эффектов (сумма к нулю), чтобы указать, C или B, соответственно, поставлялись технологические химикаты для партии, произведенной заводом во время партии .
startb2) - перехват случайных эффектов для каждой 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 имена и оценочные значения эмпирических предикторов Байеса (EBP) для случайных эффектов.
[B,BNames] = randomEffects(glme)
B = 20×1
0.2913
0.1542
-0.2633
-0.4257
0.5453
-0.1069
0.3040
-0.1653
-0.1458
-0.0816
⋮
BNames=20×3 table
Group Level Name
___________ ______ _______________
{'factory'} {'1' } {'(Intercept)'}
{'factory'} {'2' } {'(Intercept)'}
{'factory'} {'3' } {'(Intercept)'}
{'factory'} {'4' } {'(Intercept)'}
{'factory'} {'5' } {'(Intercept)'}
{'factory'} {'6' } {'(Intercept)'}
{'factory'} {'7' } {'(Intercept)'}
{'factory'} {'8' } {'(Intercept)'}
{'factory'} {'9' } {'(Intercept)'}
{'factory'} {'10'} {'(Intercept)'}
{'factory'} {'11'} {'(Intercept)'}
{'factory'} {'12'} {'(Intercept)'}
{'factory'} {'13'} {'(Intercept)'}
{'factory'} {'14'} {'(Intercept)'}
{'factory'} {'15'} {'(Intercept)'}
{'factory'} {'16'} {'(Intercept)'}
⋮
Каждая строка B содержит оцененный EPB для коэффициента случайных эффектов, названного в соответствующей строке Bnames. Например, значение -0.2633 в строке 3 B - расчетный EPB для '(Intercept)' для уровня '3' из factory.
Загрузите образцы данных.
load mfrЭти 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
)
Это соответствует обобщенной линейной модели смешанных эффектов
β5supplier _ Bij + bi,
где
- количество дефектов, наблюдаемых в партии, произведенной заводом во время партии .
- среднее число дефектов, соответствующих заводу (где 20) во время партии j (..., 5).
, и являются измерениями для каждой переменной, которые соответствуют фабрике i во время партии jНапример, указывает, использовала ли партия, произведенная заводом i во время партии j, новый процесс.
и являются фиктивными переменными, которые используют кодирование эффектов (сумма к нулю), чтобы указать, C или B, соответственно, поставлялись технологические химикаты для партии, произведенной заводом во время партии .
startb2) - перехват случайных эффектов для каждой 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 99% доверительные интервалы для коэффициентов случайных эффектов.
[B,BNames,stats] = randomEffects(glme,'Alpha',0.01);
statsstats =
Random effect coefficients: DFMethod = 'residual', Alpha = 0.01
Group Level Name Estimate SEPred
{'factory'} {'1' } {'(Intercept)'} 0.29131 0.19163
{'factory'} {'2' } {'(Intercept)'} 0.15423 0.19216
{'factory'} {'3' } {'(Intercept)'} -0.26325 0.21249
{'factory'} {'4' } {'(Intercept)'} -0.42568 0.21667
{'factory'} {'5' } {'(Intercept)'} 0.5453 0.17963
{'factory'} {'6' } {'(Intercept)'} -0.10692 0.20133
{'factory'} {'7' } {'(Intercept)'} 0.30404 0.18397
{'factory'} {'8' } {'(Intercept)'} -0.16527 0.20505
{'factory'} {'9' } {'(Intercept)'} -0.14577 0.203
{'factory'} {'10'} {'(Intercept)'} -0.081632 0.20256
{'factory'} {'11'} {'(Intercept)'} 0.014529 0.21421
{'factory'} {'12'} {'(Intercept)'} 0.17706 0.20721
{'factory'} {'13'} {'(Intercept)'} 0.24872 0.20522
{'factory'} {'14'} {'(Intercept)'} 0.21145 0.20678
{'factory'} {'15'} {'(Intercept)'} 0.2777 0.20345
{'factory'} {'16'} {'(Intercept)'} -0.25175 0.22568
{'factory'} {'17'} {'(Intercept)'} -0.13507 0.22301
{'factory'} {'18'} {'(Intercept)'} -0.1627 0.22269
{'factory'} {'19'} {'(Intercept)'} -0.32083 0.23294
{'factory'} {'20'} {'(Intercept)'} 0.058418 0.21481
tStat DF pValue Lower Upper
1.5202 94 0.13182 -0.21251 0.79514
0.80259 94 0.42423 -0.351 0.65946
-1.2389 94 0.21846 -0.82191 0.29541
-1.9646 94 0.052408 -0.99534 0.14398
3.0356 94 0.0031051 0.073019 1.0176
-0.53105 94 0.59664 -0.63625 0.42241
1.6527 94 0.10173 -0.17964 0.78771
-0.80597 94 0.42229 -0.70438 0.37385
-0.71806 94 0.4745 -0.67949 0.38795
-0.403 94 0.68786 -0.61419 0.45093
0.067826 94 0.94607 -0.54866 0.57772
0.85446 94 0.39502 -0.36774 0.72185
1.212 94 0.22857 -0.29083 0.78827
1.0226 94 0.30913 -0.33221 0.75511
1.365 94 0.17552 -0.25719 0.81259
-1.1156 94 0.26746 -0.84509 0.34158
-0.60568 94 0.54619 -0.7214 0.45125
-0.73061 94 0.46684 -0.74817 0.42278
-1.3773 94 0.17168 -0.93325 0.29159
0.27195 94 0.78626 -0.50635 0.62319
Первые три столбца stats содержат имя группы, уровень и имя коэффициента случайных эффектов. Столбец 4 содержит оценочную EBP коэффициента случайных эффектов. Последние два столбца stats, Lower и Upper, содержат нижнюю и верхнюю границы 99% доверительного интервала соответственно. Например, для коэффициента для '(Intercept)' для уровня 3 из factoryрасчетный EBP составляет -0,26325, а доверительный интервал 99% - [-0,82191,29541].
[1] Бут, Дж.Г. и Дж.П. Хоберт. «Стандартные ошибки прогнозирования в обобщенных линейных смешанных моделях». Журнал Американской статистической ассоциации, том 93, 1998, стр. 262-272.
coefCI | coefTest | fixedEffects | GeneralizedLinearMixedModel
Имеется измененная версия этого примера. Открыть этот пример с помощью изменений?
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.