multcompare

Многократное сравнение оценочных предельных значений

Синтаксис

tbl = multscompare (rm, var)

tbl = multscompare (rm, var, имя, значение)

Описание

tbl = multcompare(rm,var) возвращает множественные сравнения оценочных предельных значений на основе переменной var в модели повторных измерений rm.

пример

tbl = multcompare(rm,var,Name,Value) возвращает несколько сравнений оценочных предельных значений с дополнительными опциями, указанными одним или несколькими Name,Value аргументы пары.

Например, можно указать тип сравнения или переменную для группирования.

Входные аргументы

развернуть все

`rm` - Модель повторных измерений
`RepeatedMeasuresModel` объект

Модель повторных измерений, возвращенная как RepeatedMeasuresModel объект.

Свойства и методы этого объекта см. в разделе RepeatedMeasuresModel.

`var` - Переменные, для которых вычисляются предельные значения
вектор символов | строковый скаляр

Переменные, для которых вычисляется маргинальное средство, указанное как вектор символов или строковый скаляр, представляющий имя фактора между субъектами или внутри субъектов в rm. Если var является фактором между субъектами, он должен быть категоричным.

Типы данных: char | string

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.

`'Alpha'` - Уровень значимости
0,05 (по умолчанию) | скалярное значение в диапазоне от 0 до 1

Уровень значимости доверительных интервалов для предельных значений популяции, указанных как пара, разделенная запятыми, состоящая из 'alpha' и скалярное значение в диапазоне от 0 до 1. Доверительный уровень равен 100 * (1-alpha)%.

Пример: 'alpha',0.01

Типы данных: double | single

`'By'` - Коэффициент для проведения сравнений по
вектор символов | строковый скаляр

Коэффициент для сравнения, определяемый как разделенная запятыми пара, состоящая из 'By' и вектор символов или строковый скаляр. Сравнение уровней var возникает отдельно для каждого значения указанного множителя.

Если у вас есть более одного фактора между субъектами, A, B и C, и если вы хотите провести сравнение уровней A отдельно для каждого уровня C, то укажите A в качестве var и укажите C с помощью 'By' аргумент следующим образом.

Пример: 'By',C

Типы данных: char | string

`'ComparisonType'` - Тип критического значения для использования
`'tukey-kramer'` (по умолчанию) | `'dunn-sidak'` | `'bonferroni'` | `'scheffe'` | `'lsd'`

Тип используемого критического значения, определяемого как разделенная запятыми пара, состоящая из 'ComparisonType' и одно из следующих.

Тип сравнения	Определение
`'tukey-kramer'`	По умолчанию. Также называется процедура Tukey «Честная значительная разница». Он основан на распределении диапазона Studentized. Согласно недоказанной гипотезе Туки-Крамера, она также точна для задач, где сравниваемые величины коррелируются, как при анализе ковариации с несбалансированными ковариатными значениями.
`'dunn-sidak'`	Используйте критические значения из распределения t после корректировки для нескольких сравнений, которая была предложена Данном и доказана Сидаком. Критическое значение: $\| t \frac{\| {\overset{=}{}}_{} \| {\overset{y}{}}_{} wet}{\sqrt{i - \frac{}{y_{}} sw \frac{}{_{}}}} {j 'MSE}_{(1ni +}$ 1nj) > t1 −/2, v, где $start= {1 - (}^{^{\frac{1}{\begin{array}{l} - \end{array} α}}}$ ) 1 (k2) и ng - число групп (маргинальные значения). Эта процедура аналогична, но менее консервативна, чем процедура Бонферрони.
`'bonferroni'`	Используйте критические значения из распределения t после корректировки Бонферрони для компенсации нескольких сравнений. Критическое значение: $_{tα/2 \begin{matrix} ( \end{matrix} ng2),}$ v, где ng - число групп (маргинальные значения), а v - погрешности степеней свободы. Эта процедура консервативна, но обычно меньше, чем процедура Шеффе.
`'scheffe'`	Используйте критические значения из S-процедуры Scheffé, полученные из распределения F. Критическое значение: $\sqrt{(ng − 1_{) Fα, ng}}$ − 1, v, где ng - число групп (маргинальные значения), а v - погрешности степеней свободы. Эта процедура обеспечивает одновременный уровень достоверности для сравнения всех линейных комбинаций средств, и она консервативна для сравнения простых различий пар.
`'lsd'`	Наименее значимая разница. Этот параметр использует простые t-тесты. Критическое значение: $_{tα/2,} v$ , где v - погрешность степеней свободы. Он не обеспечивает защиту от проблемы множественного сравнения.

Пример: 'ComparisonType','dunn-sidak'

Выходные аргументы

развернуть все

`tbl` - Результаты многократного сравнения
стол

Результаты множественных сравнений оценочных предельных значений, возвращенные в виде таблицы. tbl имеет следующие столбцы.

Имя столбца	Описание
`Difference`	Оценочная разница между соответствующими двумя предельными значениями
`StdErr`	Стандартная погрешность расчетной разницы между соответствующими двумя предельными значениями
`pValue`	p-значение для теста, что разница между соответствующими двумя предельными значениями равна 0
`Lower`	Нижняя граница одновременных 95% доверительных интервалов для истинной разницы
`Upper`	Верхний предел одновременных 95% доверительных интервалов для истинной разницы

Примеры

развернуть все

Многократное сравнение оценочных предельных значений

Открыть сценарий в реальном времени

Загрузите образцы данных.

load fisheriris

Вектор столбца species состоит из цветков радужки трёх различных видов: сетозы, версиколора и виргиники. Двойная матрица meas состоит из четырёх видов измерений на цветках: длина и ширина 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);

Провести многократное сравнение предполагаемых маргинальных видов.

tbl = multcompare(rm,'species')

tbl=6×7 table
      species_1         species_2       Difference     StdErr       pValue       Lower       Upper  
    ______________    ______________    __________    ________    __________    ________    ________

    {'setosa'    }    {'versicolor'}     -1.0375      0.060539    9.5606e-10     -1.1794    -0.89562
    {'setosa'    }    {'virginica' }     -1.7495      0.060539    9.5606e-10     -1.8914     -1.6076
    {'versicolor'}    {'setosa'    }      1.0375      0.060539    9.5606e-10     0.89562      1.1794
    {'versicolor'}    {'virginica' }      -0.712      0.060539    9.5606e-10    -0.85388    -0.57012
    {'virginica' }    {'setosa'    }      1.7495      0.060539    9.5606e-10      1.6076      1.8914
    {'virginica' }    {'versicolor'}       0.712      0.060539    9.5606e-10     0.57012     0.85388

Малые p-значения (в pValue поле) указывают, что предполагаемые предельные значения для трех видов значительно отличаются друг от друга.

Выполнение нескольких сравнений с указанными опциями

Открыть сценарий в реальном времени

Загрузите образцы данных.

load repeatedmeas

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

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

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

Выполнить многократное сравнение оценочных предельных значений на основе переменной Group.

T = multcompare(R,'Group')

T=6×7 table
    Group_1    Group_2    Difference    StdErr     pValue       Lower      Upper 
    _______    _______    __________    ______    _________    _______    _______

       A          B         4.9875      5.6271      0.65436    -9.1482     19.123
       A          C         23.094      5.9261    0.0021493     8.2074     37.981
       B          A        -4.9875      5.6271      0.65436    -19.123     9.1482
       B          C         18.107      5.8223     0.013588     3.4805     32.732
       C          A        -23.094      5.9261    0.0021493    -37.981    -8.2074
       C          B        -18.107      5.8223     0.013588    -32.732    -3.4805

Малое значение p 0,0021493 указывает на то, что существует значительная разница между предельными значениями групп А и С. Значение p 0,65436 указывает на то, что разница между предельными значениями для групп А и В существенно не отличается от 0.

multcompare по умолчанию использует статистику теста Туки-Крамера. Измените тип сравнения на процедуру Scheffe.

T = multcompare(R,'Group','ComparisonType','Scheffe')

T=6×7 table
    Group_1    Group_2    Difference    StdErr     pValue       Lower      Upper 
    _______    _______    __________    ______    _________    _______    _______

       A          B         4.9875      5.6271      0.67981    -9.7795     19.755
       A          C         23.094      5.9261    0.0031072     7.5426     38.646
       B          A        -4.9875      5.6271      0.67981    -19.755     9.7795
       B          C         18.107      5.8223     0.018169     2.8273     33.386
       C          A        -23.094      5.9261    0.0031072    -38.646    -7.5426
       C          B        -18.107      5.8223     0.018169    -33.386    -2.8273

Тест Шеффе дает большие p-значения, но аналогичные выводы.

Выполнение множественных сравнений оценочных предельных значений на основе переменной Group для каждого пола отдельно.

T = multcompare(R,'Group','By','Gender')

T=12×8 table
    Gender    Group_1    Group_2    Difference    StdErr     pValue       Lower        Upper   
    ______    _______    _______    __________    ______    ________    _________    __________

    Female       A          B         4.1883      8.0177     0.86128      -15.953        24.329
    Female       A          C         24.565      8.2083    0.017697       3.9449        45.184
    Female       B          A        -4.1883      8.0177     0.86128      -24.329        15.953
    Female       B          C         20.376      8.1101    0.049957    0.0033459        40.749
    Female       C          A        -24.565      8.2083    0.017697      -45.184       -3.9449
    Female       C          B        -20.376      8.1101    0.049957      -40.749    -0.0033459
    Male         A          B         5.7868      7.9498     0.74977      -14.183        25.757
    Male         A          C         21.624      8.1829    0.038022       1.0676        42.179
    Male         B          A        -5.7868      7.9498     0.74977      -25.757        14.183
    Male         B          C         15.837      8.0511     0.14414      -4.3881        36.062
    Male         C          A        -21.624      8.1829    0.038022      -42.179       -1.0676
    Male         C          B        -15.837      8.0511     0.14414      -36.062        4.3881

Результаты показывают, что разница между предельными значениями для групп A и B не значима от 0 для любого пола (соответствующие значения p составляют 0,86128 для женщин и 0,74977 для мужчин). Разница между предельными значениями для групп A и C значительна для обоих полов (соответствующие значения p составляют 0,017697 для женщин и 0,038022 для мужчин). В то время как разница между предельными значениями для групп B и C значительно отличается от 0 для женщин (значение p равно 0,049957), она существенно не отличается от 0 для мужчин (значение p равно 0,14414).

Ссылки

[1] Г. А. Милликен и Джонсон, Д. Е. Анализ беспорядочных данных. Том I: Разработанные эксперименты. Нью-Йорк, Нью-Йорк: Chapman & Hall, 1992.

См. также

fitrm | margmean | plotprofile

Документация

multcompare

Синтаксис

Описание

Входные аргументы

`rm` - Модель повторных измерений
`RepeatedMeasuresModel` объект

`var` - Переменные, для которых вычисляются предельные значения
вектор символов | строковый скаляр

Аргументы пары «имя-значение»

`'Alpha'` - Уровень значимости
0,05 (по умолчанию) | скалярное значение в диапазоне от 0 до 1

`'By'` - Коэффициент для проведения сравнений по
вектор символов | строковый скаляр

`'ComparisonType'` - Тип критического значения для использования
`'tukey-kramer'` (по умолчанию) | `'dunn-sidak'` | `'bonferroni'` | `'scheffe'` | `'lsd'`

Выходные аргументы

`tbl` - Результаты многократного сравнения
стол

Примеры

Многократное сравнение оценочных предельных значений

Выполнение нескольких сравнений с указанными опциями

Ссылки

См. также

Документация по инструментам для статистического и машинного обучения

Поддержка

Документация

multcompare

Синтаксис

Описание

Входные аргументы

rm - Модель повторных измерений RepeatedMeasuresModel объект

var - Переменные, для которых вычисляются предельные значения вектор символов | строковый скаляр

Аргументы пары «имя-значение»

'Alpha' - Уровень значимости 0,05 (по умолчанию) | скалярное значение в диапазоне от 0 до 1

'By' - Коэффициент для проведения сравнений по вектор символов | строковый скаляр

'ComparisonType' - Тип критического значения для использования 'tukey-kramer' (по умолчанию) | 'dunn-sidak' | 'bonferroni' | 'scheffe' | 'lsd'

Выходные аргументы

tbl - Результаты многократного сравнения стол

Примеры

Многократное сравнение оценочных предельных значений

Выполнение нескольких сравнений с указанными опциями

Ссылки

См. также

Документация по инструментам для статистического и машинного обучения

Поддержка

`rm` - Модель повторных измерений
`RepeatedMeasuresModel` объект

`var` - Переменные, для которых вычисляются предельные значения
вектор символов | строковый скаляр

`'Alpha'` - Уровень значимости
0,05 (по умолчанию) | скалярное значение в диапазоне от 0 до 1

`'By'` - Коэффициент для проведения сравнений по
вектор символов | строковый скаляр

`'ComparisonType'` - Тип критического значения для использования
`'tukey-kramer'` (по умолчанию) | `'dunn-sidak'` | `'bonferroni'` | `'scheffe'` | `'lsd'`

`tbl` - Результаты многократного сравнения
стол