Класс модели РМ

Класс модели повторных измерений

Описание

A RepeatedMeasuresModel объект представляет модель, снабженную данными с несколькими измерениями на субъекта. Объект содержит данные, подогнанные коэффициенты, ковариационные параметры, расчетную матрицу, степени свободы ошибок и имена факторов между субъектами и внутри субъектов для модели повторяющихся измерений. Можно прогнозировать реакции модели с помощью predict и генерировать случайные данные в новых точках проектирования с помощью random способ.

Строительство

Можно подогнать модель повторяющихся измерений с помощью fitrm(t,modelspec).

Входные аргументы

развернуть все

`t` - Входные данные
стол

Входные данные, которые включают значения переменных ответа и факторов между субъектами для использования в качестве предикторов в модели повторных измерений, указаны в виде таблицы.

Типы данных: table

`modelspec` - Формула для спецификации модели
символьный вектор или строковый скаляр формы `'y1-yk ~ terms'`

Формула для спецификации модели, заданная как вектор символа или скаляр строки формы 'y1-yk ~ terms'. Укажите термины, используя нотацию Уилкинсона. fitrm рассматривает переменные, используемые в терминах модели, как категориальные, если они являются категориальными (номинальными или порядковыми), логическими, символьными массивами, строковыми массивами или массивом ячеек символьных векторов.

Пример: 'y1-y4 ~ x1 + x2 * x3'

Типы данных: char | string

Свойства

развернуть все

`BetweenDesign` - Дизайн для межобъектных факторов
стол

Дизайн для межобъектных факторов и значений повторных измерений, хранящихся в виде таблицы.

Типы данных: table

`BetweenModel` - Модель для факторов между субъектами
символьный вектор

Модель для факторов между субъектами, хранящаяся в виде символьного вектора. Этот символьный вектор является текстовым представлением справа от тильды в спецификации модели, которую вы предоставляете при подгонке модели повторяющихся измерений с помощью fitrm.

Типы данных: char

`BetweenFactorNames` - названия переменных, используемых в качестве межобъектных факторов;
массив ячеек символьных векторов

Названия переменных, используемых в качестве факторов между субъектами в модели повторных измерений, rm, хранящийся как массив ячеек символьных векторов.

Типы данных: cell

`ResponseNames` - имена переменных, используемых в качестве переменных ответа;
массив ячеек символьных векторов

Имена переменных, используемых в качестве переменных ответа в модели повторных измерений, rm, хранящийся как массив ячеек символьных векторов.

Типы данных: cell

`WithinDesign` - Значения внутриобъектовых факторов
стол

Значения факторов внутри субъекта, хранящиеся в виде таблицы.

Типы данных: table

`WithinModel` - Модель для факторов внутри субъектов
символьный вектор

Модель для факторов внутри субъектов, хранящаяся в виде символьного вектора.

Можно указать WithinModel в качестве символьного вектора или строкового скаляра с использованием точечной нотации: Mdl.WithinModel = newWithinModelValue.

`WithinFactorNames` - Названия факторов в рамках темы
массив ячеек символьных векторов

Имена факторов внутри субъекта, хранящиеся в виде клеточного массива векторов символов.

Типы данных: cell

`Coefficients` - Значения расчетных коэффициентов
стол

Значения оцененных коэффициентов для подгонки повторных измерений как функции терминов в модели между субъектами, сохраненные в виде таблицы.

fitrm' определяет коэффициенты для категориального термина, используя кодирование «эффектов», что означает, что коэффициенты суммируются до 0. Существует один коэффициент для каждого уровня, кроме первого. Подразумеваемый коэффициент для первого уровня является суммой других коэффициентов для члена.

Значения коэффициентов можно отобразить в виде матрицы, а не таблицы с помощью coef = r.Coefficients{:,:}.

Можно отобразить маргинальные значения для всех уровней с помощью margmean способ.

Типы данных: table

`Covariance` - Оценочные ковариации ответа
стол

Оцененные ковариации ответа, то есть ковариация повторяющихся мер, хранятся в виде таблицы. fitrm вычисляет ковариации вокруг среднего значения, возвращаемого установленной моделью повторных измерений rm.

Значения ковариации можно отобразить в виде матрицы, а не таблицы с помощью coef = r.Covariance{:,:}.

Типы данных: table

`DFE` - Погрешность степеней свободы
скалярное значение

Степени свободы ошибок, хранящиеся как скалярное значение. DFE - количество наблюдений минус количество оцененных коэффициентов в модели между субъектами.

Типы данных: double

Методы

anova	Анализ дисперсии для эффектов между субъектами
эпсилон	Эпсилоновая корректировка для повторных мероприятий anova
grpstats	Вычислить описательную статистику данных повторных измерений по группам
manova	Многомерный анализ дисперсии
margmean	Оценочные предельные значения
mauchly	Тест Маучли на сферичность
multcompare	Многократное сравнение оценочных предельных значений
график	Печать данных с необязательной группировкой
plotprofile	График ожидаемых предельных значений с необязательной группировкой
предсказать	Вычислить прогнозируемые значения, заданные предиктором
случайный	Создание новых значений случайного отклика с заданными значениями предиктора
Renova	Анализ дисперсии повторных измерений

Примеры

свернуть все

Подгонка модели повторных измерений

Открыть сценарий в реальном времени

Загрузите образцы данных.

load fisheriris

Вектор столбца, species, состоит из цветков радужки трёх различных видов: сетоза, версиколор, виргиника. Двойная матрица meas состоит из четырёх видов измерений на цветках: длины и ширины 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'});

Подгоните модель повторных измерений, где измерения являются откликами, а вид является предикторной переменной.

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

rm = 
  RepeatedMeasuresModel with properties:

   Between Subjects:
         BetweenDesign: [150x5 table]
         ResponseNames: {'meas1'  'meas2'  'meas3'  'meas4'}
    BetweenFactorNames: {'species'}
          BetweenModel: '1 + species'

   Within Subjects:
          WithinDesign: [4x1 table]
     WithinFactorNames: {'Measurements'}
           WithinModel: 'separatemeans'

   Estimates:
          Coefficients: [3x4 table]
            Covariance: [4x4 table]

Отображение коэффициентов.

rm.Coefficients

ans=3×4 table
                           meas1       meas2      meas3      meas4  
                          ________    ________    ______    ________

    (Intercept)             5.8433      3.0573     3.758      1.1993
    species_setosa        -0.83733     0.37067    -2.296    -0.95333
    species_versicolor    0.092667    -0.28733     0.502     0.12667

fitrm использует 'effects' контрасты, что означает, что коэффициенты суммируются до 0. rm.DesignMatrix имеет один столбец из 1 для перехвата и два других столбца species_setosa и species_versicolor, которые являются следующими:

$\begin{array}{cccccccccccccccccccc} species_setosa={1,ifsetosa0,ifversicolor-1,ifvirginica \end{array}$

$\begin{array}{cccccccccccccccccccc} species_versicolor={0,ifsetosa1,ifversicolor-1,ifvirginica \end{array} .$

Отображение матрицы ковариации.

rm.Covariance

ans=4×4 table
              meas1       meas2       meas3       meas4  
             ________    ________    ________    ________

    meas1     0.26501    0.092721     0.16751    0.038401
    meas2    0.092721     0.11539    0.055244     0.03271
    meas3     0.16751    0.055244     0.18519    0.042665
    meas4    0.038401     0.03271    0.042665    0.041882

Отображение степеней свободы ошибок.

rm.DFE

ans = 147

Степени свободы ошибок - это количество наблюдений минус количество оцененных коэффициентов в модели между субъектами, например 150-3 = 147.

Подробнее

развернуть все

Нотация Уилкинсона

Нотация Уилкинсона описывает факторы, присутствующие в моделях. Он не описывает множители (коэффициенты) этих факторов.

Используйте эти правила для указания ответов в modelspec.

Нотация Уилкинсона	Описание
`Y1,Y2,Y3`	Конкретный список переменных
`Y1-Y5`	Все переменные таблицы из `Y1` через `Y5`

Используйте эти правила для указания терминов в modelspec.

Нотация Уилкинсона	Коэффициенты в стандартной нотации
`1`	Член константы (перехвата)
`X^k`, где `k` является положительным целым числом	`X`, `X²`, ..., `X^k`
`X1 + X2`	`X1`, `X2`
`X1*X2`	`X1`, `X2`, `X1*X2`
`X1:X2`	`X1*X2` только
`-X2`	Не включать `X2`
`X1*X2 + X3`	`X1`, `X2`, `X3`, `X1*X2`
`X1 + X2 + X3 + X1:X2`	`X1`, `X2`, `X3`, `X1*X2`
`X1X2X3 - X1:X2:X3`	`X1`, `X2`, `X3`, `X1X2`, `X1X3`, `X2*X3`
`X1*(X2 + X3)`	`X1`, `X2`, `X3`, `X1X2`, `X1X3`

В нотации Statistics and Machine Learning Toolbox™ всегда содержится постоянный термин, если вы явно не удалили термин с помощью -1.

См. также

fitrm

Документация

Класс модели РМ

Описание

Строительство

Входные аргументы

`t` - Входные данные
стол

`modelspec` - Формула для спецификации модели
символьный вектор или строковый скаляр формы `'y1-yk ~ terms'`

Свойства

`BetweenDesign` - Дизайн для межобъектных факторов
стол

`BetweenModel` - Модель для факторов между субъектами
символьный вектор

`BetweenFactorNames` - названия переменных, используемых в качестве межобъектных факторов;
массив ячеек символьных векторов

`ResponseNames` - имена переменных, используемых в качестве переменных ответа;
массив ячеек символьных векторов

`WithinDesign` - Значения внутриобъектовых факторов
стол

`WithinModel` - Модель для факторов внутри субъектов
символьный вектор

`WithinFactorNames` - Названия факторов в рамках темы
массив ячеек символьных векторов

`Coefficients` - Значения расчетных коэффициентов
стол

`Covariance` - Оценочные ковариации ответа
стол

`DFE` - Погрешность степеней свободы
скалярное значение

Методы

Примеры

Подгонка модели повторных измерений

Подробнее

Нотация Уилкинсона

См. также

Темы

Документация по инструментам для статистического и машинного обучения

Поддержка

Документация

Класс модели РМ

Описание

Строительство

Входные аргументы

t - Входные данные стол

modelspec - Формула для спецификации модели символьный вектор или строковый скаляр формы 'y1-yk ~ terms'

Свойства

BetweenDesign - Дизайн для межобъектных факторов стол

BetweenModel - Модель для факторов между субъектами символьный вектор

BetweenFactorNames - названия переменных, используемых в качестве межобъектных факторов; массив ячеек символьных векторов

ResponseNames - имена переменных, используемых в качестве переменных ответа; массив ячеек символьных векторов

WithinDesign - Значения внутриобъектовых факторов стол

WithinModel - Модель для факторов внутри субъектов символьный вектор

WithinFactorNames - Названия факторов в рамках темы массив ячеек символьных векторов

Coefficients - Значения расчетных коэффициентов стол

Covariance - Оценочные ковариации ответа стол

DFE - Погрешность степеней свободы скалярное значение

Методы

Примеры

Подгонка модели повторных измерений

Подробнее

Нотация Уилкинсона

См. также

Темы

Документация по инструментам для статистического и машинного обучения

Поддержка

`t` - Входные данные
стол

`modelspec` - Формула для спецификации модели
символьный вектор или строковый скаляр формы `'y1-yk ~ terms'`

`BetweenDesign` - Дизайн для межобъектных факторов
стол

`BetweenModel` - Модель для факторов между субъектами
символьный вектор

`BetweenFactorNames` - названия переменных, используемых в качестве межобъектных факторов;
массив ячеек символьных векторов

`ResponseNames` - имена переменных, используемых в качестве переменных ответа;
массив ячеек символьных векторов

`WithinDesign` - Значения внутриобъектовых факторов
стол

`WithinModel` - Модель для факторов внутри субъектов
символьный вектор

`WithinFactorNames` - Названия факторов в рамках темы
массив ячеек символьных векторов

`Coefficients` - Значения расчетных коэффициентов
стол

`Covariance` - Оценочные ковариации ответа
стол

`DFE` - Погрешность степеней свободы
скалярное значение