Exponenta Banner
exponenta event banner

ремонт

Класс: модель GeneralizedLinearExistedModel

Переработка обобщенной линейной модели смешанных эффектов

развернуть все на странице

Синтаксис

glmenew = refit (glme, ynew)

Описание

пример

glmenew = refit(glme,ynew) возвращает переработанную обобщенную линейную модель смешанных эффектов, glmenew, на основе входной модели glme, используя новый вектор отклика, ynew.

Входные аргументы

развернуть все

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

Новый вектор отклика, заданный как вектор скалярных значений n-by-1, где n - количество наблюдений, используемых для подгонки glme.

Для наблюдения i с предшествующими весами wip и биномиальным размером ni (если применимо) значения ответа yi содержатся в ynew могут иметь следующие значения.

РаспределениеДопустимые значенияПримечания
Binomial

{0,1wipni, 2wipni. …, 1}

wip и ni - целочисленные значения > 0
Poisson

{0,1wip, 2wip, ⋯, 1}

wip - целое значение > 0
Gamma(0,∞)wip ≥ 0
InverseGaussian(0,∞)wip ≥ 0
Normal(–∞,∞)wip ≥ 0

Получить доступ к свойству wip предыдущих весов можно с помощью точечной нотации.

glme.ObservationInfo.Weights

Типы данных: single | double

Выходные аргументы

развернуть все

Обобщенная линейная модель смешанных эффектов, возвращенная как GeneralizedLinearMixedModel объект. glmenew является обновленной версией обобщенной линейной модели смешанных эффектов glme, исправить на значения в векторе ответа ynew.

Свойства и методы этого объекта см. в разделе GeneralizedLinearMixedModel.

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');

Использовать random для моделирования нового вектора отклика из подогнанной модели. 

rng(0,'twister');  % For reproducibility
ynew = random(glme);

Переформатируйте модель с помощью нового вектора отклика. 

glme = refit(glme,ynew)
glme = 
Generalized linear mixed-effects model fit by ML

Model information:
    Number of observations             100
    Fixed effects coefficients           6
    Random effects coefficients         20
    Covariance parameters                1
    Distribution                    Poisson
    Link                            Log   
    FitMethod                       Laplace

Formula:
    defects ~ 1 + newprocess + time_dev + temp_dev + supplier + (1 | factory)

Model fit statistics:
    AIC       BIC       LogLikelihood    Deviance
    469.24    487.48    -227.62          455.24  

Fixed effects coefficients (95% CIs):
    Name                   Estimate    SE          tStat       DF    pValue    
    {'(Intercept)'}          1.5738     0.18674      8.4276    94    4.0158e-13
    {'newprocess' }        -0.21089      0.2306    -0.91455    94       0.36277
    {'time_dev'   }        -0.13769     0.77477    -0.17772    94       0.85933
    {'temp_dev'   }         0.24339     0.84657      0.2875    94       0.77436
    {'supplier_C' }        -0.12102     0.07323     -1.6526    94       0.10175
    {'supplier_B' }        0.098254    0.066943      1.4677    94       0.14551


    Lower        Upper   
        1.203      1.9445
     -0.66875     0.24696
       -1.676      1.4006
      -1.4375      1.9243
     -0.26642    0.024381
    -0.034662     0.23117

Random effects covariance parameters:
Group: factory (20 Levels)
    Name1                  Name2                  Type           Estimate
    {'(Intercept)'}        {'(Intercept)'}        {'std'}        0.46587 

Group: Error
    Name                        Estimate
    {'sqrt(Dispersion)'}        1

Совет

  • Вы можете использовать refit и random для проведения моделируемого теста отношения правдоподобия или параметрической начальной загрузки.

См. также

| | |

Документация по инструментам для статистического и машинного обучения

Поддержка