Загрузите образцы данных.

load repeatedmeas

Стол between включает в себя переменные между субъектами возраст, IQ, группа, пол и восемь повторных показателей y1 кому y8 в качестве ответов. Стол within включает переменные внутри темы w1 и w2. Это смоделированные данные.

Подгонка модели повторных измерений, где повторные измерения y1 кому y8 являются ответами, а возраст, IQ, группа, пол и взаимодействие группа-пол являются предикторными переменными. Также укажите матрицу проектирования внутри субъекта.

rm = fitrm(between,'y1-y8 ~ Group*Gender + Age + IQ','WithinDesign',within);

Вычисление предельных значений, сгруппированных по факторам Group и Gender.

M = margmean(rm,{'Group' 'Gender'})

M=6×6 table
    Group    Gender     Mean      StdErr     Lower       Upper 
    _____    ______    _______    ______    ________    _______

      A      Female     15.946    5.6153      4.3009     27.592
      A      Male       8.0726    5.7236     -3.7973     19.943
      B      Female     11.758    5.7091    -0.08189     23.598
      B      Male       2.2858    5.6748      -9.483     14.055
      C      Female    -8.6183     5.871     -20.794     3.5574
      C      Male      -13.551    5.7283     -25.431    -1.6712

Просмотрите описание таблицы M.

M.Properties.Description

ans = 
    'Estimated marginal means
     Means computed with Age=13.7, IQ=98.2667'

Загрузите образцы данных.

load fisheriris

Вектор столбца, species, состоит из цветков радужки трёх различных видов, сетозы, версиколора, виргиники. 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 = dataset([1 2 3 4]','VarNames',{'Measurements'});

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

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

Вычислите маргинальные значения, сгруппированные по видам факторов.

margmean(rm,'species')

ans=3×5 table
       species         Mean      StdErr     Lower     Upper 
    ______________    ______    ________    ______    ______

    {'setosa'    }    2.5355    0.042807    2.4509    2.6201
    {'versicolor'}     3.573    0.042807    3.4884    3.6576
    {'virginica' }     4.285    0.042807    4.2004    4.3696

StdError показывает стандартные ошибки расчетных предельных значений. Lower и Upper поля показывают нижнюю и верхнюю границы для 95% доверительных интервалов предельных значений группы соответственно. Ни один из доверительных интервалов не перекрывается, что указывает на то, что маргинальные средства различаются с видами. Можно также построить график расчетных предельных значений с помощью plotprofile способ.

Вычислите 99% доверительные интервалы для предельных значений.

margmean(rm,'species','alpha',0.01)

ans=3×5 table
       species         Mean      StdErr     Lower     Upper 
    ______________    ______    ________    ______    ______

    {'setosa'    }    2.5355    0.042807    2.4238    2.6472
    {'versicolor'}     3.573    0.042807    3.4613    3.6847
    {'virginica' }     4.285    0.042807    4.1733    4.3967