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: 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);

Предсказать ответы для трех видов.

Y = predict(rm,t([1 51 101],:))

Y = 3×4

    5.0060    3.4280    1.4620    0.2460
    5.9360    2.7700    4.2600    1.3260
    6.5880    2.9740    5.5520    2.0260

Загрузите образцы данных.

load longitudinalData

Матрица Y содержит данные ответа для 16 человек. Ответ представляет собой уровень лекарственного средства в крови, измеренный в пять моментов времени (время = 0, 2, 4, 6 и 8). Каждая строка Y соответствует отдельному объекту, и каждый столбец соответствует временному моменту. Первые восемь субъектов - женщины, а вторые восемь субъектов - мужчины. Это смоделированные данные.

Определите переменную, в которой хранится гендерная информация.

Gender = ['F' 'F' 'F' 'F' 'F' 'F' 'F' 'F' 'M' 'M' 'M' 'M' 'M' 'M' 'M' 'M']';

Сохраните данные в соответствующем формате массива таблиц для выполнения повторного анализа измерений.

t = table(Gender,Y(:,1),Y(:,2),Y(:,3),Y(:,4),Y(:,5), ...
    'VariableNames',{'Gender','t0','t2','t4','t6','t8'});

Определите переменную «внутри субъектов».

Time = [0 2 4 6 8]';

Подгоните модель повторных измерений, где уровни в крови - это ответы, а пол - предикторная переменная.

rm = fitrm(t,'t0-t8 ~ Gender','WithinDesign',Time);

Спрогнозировать ответы в промежуточное время.

time = linspace(0,8)';
Y = predict(rm,t([1 5 8 12],:), ...
    'WithinModel','orthogonalcontrasts','WithinDesign',time);

Постройте график предсказаний вместе с предполагаемыми предельными значениями.

plotprofile(rm,'Time','Group',{'Gender'})
hold on; 
plot(time,Y,'Color','k','LineStyle',':');
legend('Gender=F','Gender=M','Predictions')
hold off

Загрузите образцы данных.

load longitudinalData

Матрица Y содержит данные ответа для 16 человек. Ответ представляет собой уровень лекарственного средства в крови, измеренный в пять моментов времени (время = 0, 2, 4, 6 и 8). Каждая строка Y соответствует отдельной строке, а каждый столбец соответствует временной точке. Первые восемь субъектов - женщины, а вторые восемь субъектов - мужчины. Это смоделированные данные.

Определите переменную, в которой хранится гендерная информация.

Gender = ['F' 'F' 'F' 'F' 'F' 'F' 'F' 'F' 'M' 'M' 'M' 'M' 'M' 'M' 'M' 'M']';

Сохраните данные в соответствующем формате массива таблиц для выполнения повторного анализа измерений.

t = table(Gender,Y(:,1),Y(:,2),Y(:,3),Y(:,4),Y(:,5), ...
    'VariableNames',{'Gender','t0','t2','t4','t6','t8'});

Определите переменную «внутри субъектов».

Time = [0 2 4 6 8]';

Подгоните модель повторных измерений, где уровни в крови - это ответы, а пол - предикторная переменная.

rm = fitrm(t,'t0-t8 ~ Gender','WithinDesign',Time);

Спрогнозировать ответы в промежуточное время.

time = linspace(0,8)';
[ypred,ypredci] = predict(rm,t([1 5 8 12],:), ...
    'WithinModel','orthogonalcontrasts','WithinDesign',time);

Постройте график предсказаний и доверительных интервалов для предсказаний вместе с оценочными предельными значениями.

p1 = plotprofile(rm,'Time','Group',{'Gender'});
hold on; 
p2 = plot(time,ypred,'Color','k','LineStyle',':');
p3 = plot(time,ypredci(:,:,1),'k--');
p4 = plot(time,ypredci(:,:,2),'k--');
legend([p1;p2(1);p3(1)],'Gender=F','Gender=M','Predictions','Confidence Intervals')
hold off