LeastSquaresResults object

Объект результатов, содержащий результаты оценки регрессии методом наименьших квадратов

Описание

The LeastSquaresResults объект является суперклассом из двух объектов результатов: NLINResults object и OptimResults object. Эти объекты содержат результаты оценки от подбора кривой SimBiology^® моделировать к данным используя sbiofit с любым поддерживаемым алгоритмом.

Если sbiofit использует nlinfit алгоритм оценки, объект результатов NLINResults объект. Если sbiofit использует любой другой поддерживающий алгоритм, тогда объект результатов является OptimResults объект. См. sbiofit функция для списка поддерживаемых алгоритмов.

Сводные данные по методам

boxplot (LastSquaresResults, OptimResults, NLINResults)	Создайте прямоугольный график, показывающий изменение предполагаемых параметров модели SimBiology
подобранный (LastSquaresResults, OptimResults, NLINResults)	Результаты симуляции возврата модели SimBiology, подобранные с использованием регрессии методом наименьших квадратов
график (LastSquaresResults, OptimResults, NLINResults)	Сравнение результатов симуляции с обучающими данными, создание подграфика временного курса для каждой группы
plot Actual Versus Predicted (Least Squares Results, Optim Results, NLINR esults)	Сравнение предсказаний с фактическими данными, создание подграфика для каждого отклика
plotResidualDistribution (LeastSquaresResults, OptimResults, NLINResults)	Постройте график распределения невязок
plotLestuals (LeastSquaresResults, OptimResults, NLINResults)	Постройте графики невязок для каждого отклика, используя время, группу или предсказание в качестве оси X
предсказать (LastSquaresResults, OptimResults, NLINResults)	Моделируйте и оценивайте подобранную модель SimBiology
случайный (LastSquaresResults, OptimResults, NLINResults)	Симулируйте модель SimBiology, добавляя изменений путем дискретизации модели ошибки
сводные данные (LastSquaresResults, OptimResults, NLINResults)	Постройте сводный рисунок, которая содержит оценочные значения и статистику оценок

Свойства

`GroupName`	Категориальная переменная, представляющая имя группы, связанной с результатами, или `[]` если `'Pooled'` аргумент пары "имя-значение" был установлен в `true` когда вы бежали `sbiofit`.
`Beta`	Таблица предполагаемых параметров, где j-я строка представляет j-й оценочный параметр Он содержит преобразованные значения оценок параметров, если задано любое преобразование параметров. Стандартные ошибки этих оценок параметров (`StandardError`) рассчитываются как: `sqrt(diag(COVB))`. Он также может содержать следующие переменные: `Bounds` - значения преобразуемых ограничений параметров, заданные вами во время подбора кривой `CategoryVariableName` - имена категорий или групп, которые вы указали во время подбора кривой `CategoryValue` - значения переменных категорий, заданные `CategoryVariableName` Эта таблица содержит по одной строке на отдельное значение параметров.
`ParameterEstimates`	Таблица предполагаемых параметров, где j-я строка представляет j-й оценочный параметр Эта таблица содержит нетрансформированные значения оценок параметров. Стандартные ошибки этих оценок параметров (`StandardError`) рассчитываются как: `sqrt(diag(CovarianceMatrix))`. Он также может содержать следующие переменные: `Bounds` - значения ограничений параметров, заданные вами во время подбора кривой `CategoryVariableName` - имена категорий или групп, которые вы указали во время подбора кривой `CategoryValue` - значения переменных категорий, заданные `CategoryVariableName` Эта таблица содержит наборы значений параметров, которые идентифицируются для каждого индивидуума или группы.
`J`	Якобийская матрица модели, относительно предполагаемого параметра, то есть $J (i, j, k) = {\frac{\partial y_{k}}{\partial β_{j}} \|}_{t_{i}}$ то, где _ti - момент времени <reservedrangesplaceholder0> th, βj - jth, оценило параметр в преобразованном пространстве, и yk - kth ответ в группе данных.
`COVB`	Предполагаемая ковариационная матрица для `Beta`, который вычисляется как: `COVB = inv(J'J)MSE`.
`CovarianceMatrix`	Предполагаемая ковариационная матрица для `ParameterEstimates`, который вычисляется как: `CovarianceMatrix = T'COVBT`, где `T = diag(JInvT(Beta))`. `JInvT(Beta)` возвращает якобианскую матрицу `Beta` который обратно преобразован соответственно, если вы задали какое-либо преобразование к оцененным параметрам. Например, предположим, что вы задали логарифмическое преобразование для предполагаемого параметра `x` когда вы бежали `sbiofit`. Обратное преобразование: `InvT = exp(x)`и его якобиан: `JInvT = exp(x)` начиная с производной `exp` также `exp`.
`R`	Матрица невязок, где _Rij является невязкой для i-го временной точки и j-й характеристики в группе данных.
`LogLikelihood`	Максимальная логарифмическая правдоподобность для подобранной модели.
`AIC`	Информационный критерий Акайке (AIC), рассчитанный как `AIC = 2*(-LogLikelihood + P)`, где P количество параметров.
`BIC`	Информационный критерий Байеса (BIC), рассчитанный как `BIC = -2LogLikelihood + Plog(N)`, где N - количество наблюдений, а P - количество параметров.
`DFE`	Степени свободы от ошибки, вычисленные как `DFE = N-P`, где N - количество наблюдений, а P - количество параметров.
`MSE`	Средняя квадратичная невязка.
`SSE`	Сумма квадратов (взвешенных) ошибок или невязок.
`Weights`	Матрица весов с одним столбцом на ответ и одной строкой на наблюдение.
`EstimatedParameterNames`	Массив ячеек из символьных векторов, задающих предполагаемые имена параметров.
`ErrorModelInfo`	Таблица, описывающая модели ошибок и предполагаемые параметры модели ошибок. Он имеет по одной строке на модель ошибки. The `ErrorModelInfo.Properties.RowsNames` свойство определяет, к каким откликам применяется строка. Таблица содержит три переменные: `ErrorModel`, `a`, и `b`. The `ErrorModel` переменная категориальна. Переменные `a` и `b` можно `NaN` если они не применяются к определенной модели ошибки. Существует четыре встроенные модели ошибок. Каждая модель определяет ошибку, используя стандартные переменные mean-zero и unit-дисперсия (Гауссов) e, f значения функции и один или два параметра a и b. В SimBiology f функции представляет результаты симуляции из модели SimBiology. `'constant'`: $y = f + a e$ `'proportional'`: $y = f + b \| f \| e$ `'combined'`: $y = f + (a + b \| f \|) e$ `'exponential'`: $y = f * \exp (a e)$
`EstimationFunction`	Имя функции оценки.
`DependentFiles`	Имена файлов для развертывания.

Примечание

Loglikelihood, AIC, и BIC свойства пусты для LeastSquaresResults объекты, которые были получены до R2016a.

См. также

NLINResults object | OptimResults object | sbiofit | sbiofitmixed

Введенный в R2014a

Документация

LeastSquaresResults object

Описание

Сводные данные по методам

Свойства

См. также

Документация SimBiology

Поддержка