Подгонка обобщенной линейной модели смешанных эффектов
возвращает обобщенную линейную модель смешанных эффектов с использованием дополнительных опций, заданных одним или несколькими glme
= fitglme(tbl
,formula
,Name,Value
)Name,Value
аргументы в виде пар. Для примера можно задать распределение отклика, функции ссылки или ковариации шаблона членов случайных эффектов.
Загрузите выборочные данные.
load mfr
Эти моделируемые данные получены от производственной компании, которая управляет 50 заводами по всему миру, причем каждый завод выполняет пакетный процесс для создания готового продукта. Компания хочет уменьшить количество дефектов в каждой партии, поэтому разработала новый производственный процесс. Чтобы проверить эффективность нового процесса, компания выбрала 20 своих фабрик наугад для участия в эксперименте: Десять фабрик реализовали новый процесс, а другие десять продолжали запускать старый процесс. На каждом из 20 заводов компания запустила пять партий (в общей сложности 100 партий) и записала следующие данные:
Флаг, указывающий, использовал ли пакет новый процесс (newprocess
)
Время вычислений для каждой партии, в часах (time
)
Температура партии, в степенях Цельсия (temp
)
Категориальная переменная, указывающая поставщика химического вещества, используемого в партии (supplier
)
Количество дефектов в партии (defects
)
Данные также включают time_dev
и temp_dev
, которые представляют абсолютное отклонение времени и температуры, соответственно, от стандарта процесса в 3 часа при 20 степенях Цельсии.
Подбор обобщенной линейной модели смешанных эффектов с помощью newprocess
, time_dev
, temp_dev
, и supplier
как предикторы фиксированных эффектов. Включите термин случайных эффектов для точки пересечения, сгруппированного по factory
, для расчета различий в качестве, которые могут существовать из-за специфичных для фабрики изменений. Переменная отклика defects
имеет распределение Пуассона, и соответствующая функция ссылки для этой модели является логарифмической. Используйте метод Laplace fit, чтобы оценить коэффициенты. Задайте кодировку фиктивной переменной следующим 'effects'
, поэтому фиктивные переменные коэффициенты равны 0.
Количество дефектов может быть смоделировано с помощью распределения Пуассона
Это соответствует обобщенной модели линейных смешанных эффектов
где
количество дефектов, наблюдаемых в партии, произведенной заводом-изготовителем во время партии .
- среднее количество дефектов, соответствующих заводу (где ) во время партии (где ).
, , и являются измерениями для каждой переменной, которые соответствуют фабрике во время партии . Для примера, указывает, производится ли партия заводом-изготовителем во время партии использовали новый процесс.
и являются фиктивными переменными, которые используют эффекты (сумма к нулю) кодирования, чтобы указать, является ли компания C
или B
, соответственно, поставила химикаты для партии, произведенной заводом во время партии .
является точка пересечения случайных эффектов для каждого завода который учитывает специфические для завода изменения в качестве.
glme = fitglme(mfr,'defects ~ 1 + newprocess + time_dev + temp_dev + supplier + (1|factory)', ... 'Distribution','Poisson','Link','log','FitMethod','Laplace', ... 'DummyVarCoding','effects');
Отобразите модель.
disp(glme)
Generalized linear mixed-effects model fit by ML Model information: Number of observations 100 Fixed effects coefficients 6 Random effects coefficients 20 Covariance parameters 1 Distribution Poisson Link Log FitMethod Laplace Formula: defects ~ 1 + newprocess + time_dev + temp_dev + supplier + (1 | factory) Model fit statistics: AIC BIC LogLikelihood Deviance 416.35 434.58 -201.17 402.35 Fixed effects coefficients (95% CIs): Name Estimate SE tStat DF pValue {'(Intercept)'} 1.4689 0.15988 9.1875 94 9.8194e-15 {'newprocess' } -0.36766 0.17755 -2.0708 94 0.041122 {'time_dev' } -0.094521 0.82849 -0.11409 94 0.90941 {'temp_dev' } -0.28317 0.9617 -0.29444 94 0.76907 {'supplier_C' } -0.071868 0.078024 -0.9211 94 0.35936 {'supplier_B' } 0.071072 0.07739 0.91836 94 0.36078 Lower Upper 1.1515 1.7864 -0.72019 -0.015134 -1.7395 1.5505 -2.1926 1.6263 -0.22679 0.083051 -0.082588 0.22473 Random effects covariance parameters: Group: factory (20 Levels) Name1 Name2 Type Estimate {'(Intercept)'} {'(Intercept)'} {'std'} 0.31381 Group: Error Name Estimate {'sqrt(Dispersion)'} 1
The Model information
таблица отображает общее количество наблюдений в выборочных данных (100), количество коэффициентов фиксированных и случайных эффектов (6 и 20, соответственно) и количество ковариационных параметров (1). Это также указывает, что переменная отклика имеет Poisson
распределение, функция ссылки Log
, и метод подгонки Laplace
.
Formula
указывает спецификацию модели, использующую обозначение Уилкинсона.
The Model fit statistics
таблица отображает статистику, используемую для оценки качества подгонки модели. Это включает информационный критерий Акаике (AIC
), байесовский информационный критерий (BIC
) значения, журнал правдоподобия (LogLikelihood
), и отклонение (Deviance
) значения.
The Fixed effects coefficients
таблица указывает, что fitglme
возвращено 95% доверительных интервалов. Он содержит одну строку для каждого предиктора фиксированных эффектов, и каждый столбец содержит статистику, соответствующую этому предиктору. Столбец 1 (Name
) содержит имя каждого коэффициента с фиксированными эффектами, столбец 2 (Estimate
) содержит его расчетное значение и столбец 3 (SE
) содержит стандартную ошибку коэффициента. Столбец 4 (tStat
) содержит -statistic для проверки гипотезы, что коэффициент равен 0. Столбец 5 (DF
) и столбец 6 (pValue
) содержат степени свободы и -значение, которое соответствует -статистический, соответственно. Последние два столбца (Lower
и Upper
) отображать нижний и верхний пределы, соответственно, 95% доверительного интервала для каждого коэффициента фиксированных эффектов.
Random effects covariance parameters
отображает таблицу для каждой сгруппированной переменной (только здесь factory
), включая его общее количество уровней (20), и тип и оценку ковариационного параметра. Здесь, std
указывает, что fitglme
возвращает стандартное отклонение случайного эффекта, сопоставленного с заводским предиктором, которое имеет оценочное значение 0,31381. В нем также отображается таблица, содержащая тип параметра ошибки (здесь квадратный корень параметра дисперсии) и его предполагаемое значение 1.
Стандартное отображение, сгенерированный fitglme
не предоставляет доверительные интервалы для параметров случайных эффектов. Чтобы вычислить и отобразить эти значения, используйте covarianceParameters
.
tbl
- Входные данныеВходные данные, который включает переменную отклика, переменные предиктора и сгруппированные переменные, заданные как таблица или массив набора данных. Переменные предиктора могут быть непрерывными или сгруппированные переменные (см. Сгруппированные переменные). Вы должны задать модель для переменных, используя formula
.
formula
- Формула для спецификации модели'y ~ fixed + (random1|grouping1) + ... + (randomR|groupingR)'
Формула для спецификации модели, заданная как вектор символов или строковый скаляр вида 'y ~ fixed + (random1|grouping1) + ... + (randomR|groupingR)'
. Формула чувствительна к регистру. Полное описание см. в Формуле.
Пример: 'y ~ treatment + (1|block)'
Задайте необязательные разделенные разделенными запятой парами Name,Value
аргументы. Name
- имя аргумента и Value
- соответствующее значение. Name
должны находиться внутри кавычек. Можно задать несколько аргументов в виде пар имен и значений в любом порядке Name1,Value1,...,NameN,ValueN
.
'Distribution','Poisson','Link','log','FitMethod','Laplace','DummyVarCoding','effects'
задает распределение переменной отклика как Пуассон, функцию ссылки как журнал, метод подгонки как Laplace и кодирование фиктивной переменной, где сумма коэффициентов равна 0.'BinomialSize'
- Количество испытаний для биномиального распределенияКоличество испытаний биномиального распределения, то есть размера выборки, заданное как разделенная запятой пара, состоящее из скалярного значения, вектора той же длины, что и ответ, или имени переменной в вход таблице. Если вы задаете имя переменной, то переменная должна быть той же длины, что и ответ. BinomialSize
применяется только тогда, когда Distribution
параметр 'binomial'
.
Если BinomialSize
является скалярным значением, что означает, что все наблюдения имеют одинаковое количество испытаний.
Типы данных: single
| double
'CheckHessian'
- Индикатор для проверки положительной определенности Гессианаfalse
(по умолчанию) | true
Индикатор для проверки положительной определенности Гессиана целевой функции относительно неограниченных параметров при сходимости, заданный как разделенная разделенными запятой парами, состоящая из 'CheckHessian'
и любой из них false
или true
. По умолчанию это false
.
Задайте 'CheckHessian'
как true
чтобы проверить оптимальность решения или определить, является ли модель избыточно параметеризированной в количестве ковариационных параметров.
Если вы задаете 'FitMethod'
как 'MPL'
или 'REMPL'
затем ковариация фиксированных эффектов и ковариационных параметров основана на подобранной линейной модели смешанных эффектов от конечной итерации псевдовидучести.
Пример: 'CheckHessian',true
'CovarianceMethod'
- Метод вычисления ковариации предполагаемых параметров'conditional'
(по умолчанию) | 'JointHessian'
Метод для вычисления ковариации предполагаемых параметров, заданный как разделенная запятыми пара, состоящая из 'CovarianceMethod'
и любой из них 'conditional'
или 'JointHessian'
. Если вы задаете 'conditional'
, затем fitglme
вычисляет быстрое приближение к ковариации фиксированных эффектов с учетом предполагаемых ковариационных параметров. Он не вычисляет ковариацию ковариационных параметров. Если вы задаете 'JointHessian'
, затем fitglme
вычисляет ковариацию фиксированных эффектов и ковариационных параметров в суставах через наблюдаемую информационную матрицу с помощью логарифмической правдоподобности Лапласа.
Если вы задаете 'FitMethod'
как 'MPL'
или 'REMPL'
затем ковариация фиксированных эффектов и ковариационных параметров основана на подобранной линейной модели смешанных эффектов от конечной итерации псевдовидучести.
Пример: 'CovarianceMethod','JointHessian'
'CovariancePattern'
- Шаблон ковариационной матрицы'FullCholesky'
| 'Isotropic'
| 'Full'
| 'Diagonal'
| 'CompSymm'
| квадратную симметричную логическую матрицу | строковые массивы | массив ячеек из векторов символов или логических матрицШаблон ковариационной матрицы случайных эффектов, заданный как разделенная разделенными запятой парами, состоящая из 'CovariancePattern'
и 'FullCholesky'
, 'Isotropic'
, 'Full'
, 'Diagonal'
, 'CompSymm'
, квадратная симметричная логическая матрица, строковые массивы или массив ячеек, содержащий векторы символов или логические матрицы.
Если существует R членов случайных эффектов, то значение 'CovariancePattern'
должен быть массивом строк или массивом ячеек с R длины, где каждый r элемента массива задает шаблон ковариационной матрицы вектора случайных эффектов, сопоставленного с r-м термином случайных эффектов. Далее приводятся опции для каждого элемента.
Значение | Описание |
---|---|
'FullCholesky' | Полная ковариационная матрица с использованием параметризации Холецкого. fitglme оценивает все элементы ковариационной матрицы. |
'Isotropic' |
Диагональная ковариационная матрица с равными отклонениями. То есть, off-диагональные элементы ковариационной матрицы ограничены, чтобы быть 0, и диагональные элементы ограничены, чтобы быть равными. Например, если существует три условия случайных эффектов с изотропной ковариационной структурой, эта ковариационная матрица выглядит как где21 является общим отклонением членов случайных эффектов. |
'Full' | Полная ковариационная матрица, с помощью логарифмической параметризации. fitlme оценивает все элементы ковариационной матрицы. |
'Diagonal' |
Диагональная ковариационная матрица. То есть, off-диагональные элементы ковариационной матрицы ограничены, чтобы быть 0. |
'CompSymm' |
Составная структура симметрии. То есть общее отклонение по диагоналям и равная корреляция между всеми случайными эффектами. Для примера, если существует три условия случайных эффектов с матрицей ковариации, имеющей составную структуру симметрии, эта ковариация матрица выглядит как где2b1 является общим отклонением членов random-эффектов, а, b1, b2 является общим ковариацией между любыми двумя терминами random-эффектов. |
PAT | Квадратная симметричная логическая матрица. Если 'CovariancePattern' определяется матрицей PAT , и если PAT(a,b) = false , затем (a,b) элемент соответствующей ковариационной матрицы ограничен равным 0. |
Для скалярных членов случайных эффектов, по умолчанию является 'Isotropic'
. В противном случае значение по умолчанию является 'FullCholesky'
.
Пример: 'CovariancePattern','Diagonal'
Пример: 'CovariancePattern',{'Full','Diagonal'}
Типы данных: char
| string
| logical
| cell
'DispersionFlag'
- Индикатор для вычисления параметра дисперсииfalse
для 'binomial'
и 'poisson'
распределения (по умолчанию) | true
Индикатор для вычисления параметра дисперсии для 'binomial'
и 'poisson'
распределения, заданные как разделенная разделенными запятой парами, состоящая из 'DispersionFlag'
и одно из следующих.
Значение | Описание |
---|---|
true | Оцените параметр дисперсии при вычислении стандартных ошибок |
false | Используйте теоретическое значение 1.0 при вычислении стандартных ошибок |
'DispersionFlag'
применяется только в том случае, если 'FitMethod'
является 'MPL'
или 'REMPL'
.
Функция аппроксимации всегда оценивает дисперсию для других распределений.
Пример: 'DispersionFlag',true
'Distribution'
- Распределение переменной отклика'Normal'
(по умолчанию) | 'Binomial'
| 'Poisson'
| 'Gamma'
| 'InverseGaussian'
Распределение переменной отклика, заданное как разделенная разделенными запятой парами, состоящая из 'Distribution'
и одно из следующих.
Значение | Описание |
---|---|
'Normal' | Нормальное распределение |
'Binomial' | Биномиальное распределение |
'Poisson' | Распределение Пуассона |
'Gamma' | Гамма- распределение |
'InverseGaussian' | Обратное Гауссово распределение |
Пример: 'Distribution','Binomial'
'DummyVarCoding'
- Кодирование для использования с фиктивными переменными'reference'
(по умолчанию) | 'effects'
| 'full'
Кодирование для использования с фиктивными переменными, созданными из категориальных переменных, заданное как разделенная разделенными запятой парами, состоящая из 'DummyVarCoding'
и одна из переменных в этой таблице.
Значение | Описание |
---|---|
'reference' (по умолчанию) | fitglme создает фиктивные переменные с группой ссылки. Эта схема рассматривает первую категорию как ссылочную группу и создает на одну меньше фиктивных переменных, чем количество категорий. Порядок категорий категорийной переменной можно проверить при помощи categories function, и изменить порядок при помощи reordercats функция. |
'effects' | fitglme создает фиктивные переменные, используя кодирование эффектов. Эта схема использует -1, чтобы представлять последнюю категорию. Эта схема создает меньше фиктивных переменных, чем количество категорий. |
'full' | fitglme создает полные фиктивные переменные. Эта схема создает по одной фиктивной переменной для каждой категории. |
Для получения дополнительной информации о создании переменных манекена, смотрите Автоматическое создание переменных манекена.
Пример: 'DummyVarCoding','effects'
'EBMethod'
- Метод, используемый для аппроксимации эмпирических оценок случайных эффектов Байеса'Auto'
(по умолчанию) | 'LineSearchNewton'
| 'TrustRegion2D'
| 'fsolve'
Метод, используемый для аппроксимации эмпирических оценок Байеса случайных эффектов, заданных как разделенная запятыми пара, состоящая из 'EBMethod'
и одно из следующих.
'Auto'
'LineSearchNewton'
'TrustRegion2D'
'fsolve'
'Auto'
аналогичен 'LineSearchNewton'
но использует другой критерий сходимости и не отображает итерационный прогресс. 'Auto'
и 'LineSearchNewton'
возможно сбой для неканонических функций ссылки связи. Для неканонических функций ссылки, 'TrustRegion2D'
или 'fsolve'
рекомендуемые. Для использования необходимо иметь Optimization Toolbox™ 'fsolve'
.
Пример: 'EBMethod','LineSearchNewton'
'EBOptions'
- Опции эмпирической оптимизации БайесаОпции для эмпирической оптимизации Байеса, заданные как разделенная разделенными запятой парами, состоящая из 'EBOptions'
и структуру, содержащую следующее.
Значение | Описание |
---|---|
'TolFun' | Относительная погрешность по норме градиента. Значение по умолчанию является 1e-6. |
'TolX' | Абсолютная погрешность по размеру шага. Значение по умолчанию является 1e-8. |
'MaxIter' | Максимальное количество итераций. Значение по умолчанию является 100. |
'Display' | 'off' , 'iter' , или 'final' . По умолчанию это 'off' . |
Если EBMethod
является 'Auto'
и 'FitMethod'
является 'Laplace'
, TolFun
является относительная погрешность на линейном предикторе модели и 'Display'
опция не применяется.
Если 'EBMethod'
является 'fsolve'
, затем 'EBOptions'
должен быть задан как объект, созданный optimoptions('fsolve')
.
Типы данных: struct
'Exclude'
- Индексы для строк, которые нужно исключитьNaNs
(по умолчанию) | вектор целого числа или логических значенийИндексы для строк, чтобы исключить из обобщенной модели линейных смешанных эффектов в данных, заданные как разделенная разделенными запятой парами, состоящая из 'Exclude'
и вектор с целым числом или логическими значениями.
Для примера можно исключить 13-ю и 67-ю строки из подгонки следующим образом.
Пример: 'Exclude',[13,67]
Типы данных: single
| double
| logical
'FitMethod'
- Метод оценки параметров модели'MPL'
(по умолчанию) | 'REMPL'
| 'Laplace'
| 'ApproximateLaplace
Метод оценки параметров модели, заданный как разделенная запятыми пара, состоящая из 'FitMethod'
и одно из следующих.
'MPL'
- Максимальная псевдоправдоподобность
'REMPL'
- Ограниченная максимальная псевдоподобность
'Laplace'
- Максимальная вероятность с помощью приближения Лапласа
'ApproximateLaplace'
- Максимальная правдоподобность с использованием приблизительного приближения Лапласа с профилированными фиксированными эффектами
Пример: 'FitMethod','REMPL'
'InitPLIterations'
- Начальное количество итераций псевдоправдоподобияНачальное количество итераций псевдоправдоподобия, используемых для инициализации параметров для ApproximateLaplace
и Laplace
методы подгонки, заданные как разделенная разделенными запятой парами, состоящая из 'InitPLIterations'
и целое число значения больше или равное 1.
Типы данных: single
| double
'Link'
- Функция Link'identity'
| 'log'
| 'logit'
| 'probit'
| 'comploglog'
| 'reciprocal'
| скалярное значение | структуруФункция Link, заданная как разделенная разделенными запятой парами, состоящая из 'Link'
и одно из следующих.
Значение | Описание |
---|---|
'identity' |
Это значение по умолчанию для нормального распределения. |
'log' |
Это значение по умолчанию для распределения Пуассона. |
'logit' |
Это значение по умолчанию для биномиального распределения. |
'loglog' | g(mu) = log(-log(mu)) |
'probit' | g(mu) = norminv(mu) |
'comploglog' | g(mu) = log(-log(1-mu)) |
'reciprocal' | g(mu) = mu.^(-1) |
Скалярное значение P | g(mu) = mu.^P |
Структурные S | Структура, содержащая четыре поля, значения которых являются указателями на функцию со следующими именами:
Спецификация |
Функция ссылки по умолчанию, используемая fitglme
- каноническая ссылка, которое зависит от распределения отклика.
Распределение отклика | Функция канонической ссылки |
---|---|
'Normal' | 'identity' |
'Binomial' | 'logit' |
'Poisson' | 'log' |
'Gamma' | -1 |
'InverseGaussian' | -2 |
Пример: 'Link','log'
Типы данных: char
| string
| single
| double
| struct
'MuStart'
- Начальное значение для условного среднегоНачальное значение для условного среднего, заданное как разделенная разделенными запятой парами, состоящая из 'MuStart'
и скалярное значение. Допустимые значения:
Распределение отклика | Допустимые значения |
---|---|
'Normal' | (-Inf,Inf) |
'Binomial' | (0,1) |
'Poisson' | (0,Inf) |
'Gamma' | (0,Inf) |
'InverseGaussian' | (0,Inf) |
Типы данных: single
| double
'Offset'
- Смещениеzeros(n,1)
(по умолчанию) | n вектор -by-1 скалярных значенийСмещение, заданное как разделенная разделенными запятой парами, состоящая из 'Offset'
и вектор n -by-1 скалярных значений, где n - длина вектора отклика. Можно также задать имя переменной вектора n -by-1 скалярных значений. 'Offset'
используется как дополнительный предиктор, который имеет фиксированное значение коэффициента 1.0
.
Типы данных: single
| double
'Optimizer'
- Алгоритм оптимизации'quasinewton'
(по умолчанию) | 'fminsearch'
| 'fminunc'
Алгоритм оптимизации, заданный как разделенная разделенными запятой парами, состоящая из 'Optimizer'
и любое из следующих.
Значение | Описание |
---|---|
'quasinewton' | Использует оптимизатор на основе доверительной области квази-Ньютона. Изменить опции алгоритма можно используя statset('fitglme') . Если вы не задаете опции, то fitglme использует опции по умолчанию statset('fitglme') . |
'fminsearch' | Использует метод Нелдера-Мида без производной. Изменить опции алгоритма можно используя optimset('fminsearch') . Если вы не задаете опции, то fitglme использует опции по умолчанию optimset('fminsearch') . |
'fminunc' | Использует метод квази-Ньютона, основанный на поиске линий. Чтобы задать эту опцию, необходимо иметь Optimization Toolbox. Изменить опции алгоритма можно используя optimoptions('fminunc') . Если вы не задаете опции, то fitglme использует опции по умолчанию optimoptions('fminunc') с 'Algorithm' установлено на 'quasi-newton' . |
Пример: 'Optimizer','fminsearch'
'OptimizerOptions'
- Опции для алгоритма оптимизацииstatset
| структура, возвращенная optimset
| объект, возвращенный optimoptions
Опции алгоритма оптимизации, заданные как разделенная разделенными запятой парами, состоящая из 'OptimizerOptions'
и структуру, возвращаемую statset('fitglme')
, структура, созданная optimset('fminsearch')
, или объект, возвращенный optimoptions('fminunc')
.
Если 'Optimizer'
является 'fminsearch'
, затем используйте optimset('fminsearch')
для изменения опций алгоритма. Если 'Optimizer'
является 'fminsearch'
и вы не поставляете 'OptimizerOptions'
, затем значения по умолчанию, используемые в fitglme
являются опциями по умолчанию, созданными optimset('fminsearch')
.
Если 'Optimizer'
является 'fminunc'
, затем используйте optimoptions('fminunc')
для изменения опций алгоритма оптимизации. См. optimoptions
для опций 'fminunc'
использует. Если 'Optimizer'
является 'fminunc'
и вы не поставляете 'OptimizerOptions'
, затем значения по умолчанию, используемые в fitglme
являются опциями по умолчанию, созданными optimoptions('fminunc')
с 'Algorithm'
установлено на 'quasi-newton'
.
Если 'Optimizer'
является 'quasinewton'
, затем используйте statset('fitglme')
для изменения параметров оптимизации. Если 'Optimizer'
является 'quasinewton'
и вы не изменяете параметры оптимизации используя statset
, затем fitglme
использует опции по умолчанию, созданные statset('fitglme')
.
The 'quasinewton'
оптимизатор использует следующие поля в структуре, созданной statset('fitglme')
.
TolFun
- Относительная погрешность на градиент целевой функции1e-6
(по умолчанию) | положительное скалярное значениеОтносительная погрешность на градиент целевой функции, заданный как положительная скалярная величина значение.
TolX
- Абсолютная погрешность по размеру шага1e-12
(по умолчанию) | положительное скалярное значениеАбсолютная погрешность на размер шага, заданный как положительная скалярная величина значение.
MaxIter
- Максимально допустимое количество итераций10000
(по умолчанию) | положительное скалярное значениеМаксимально допустимое количество итераций, заданное как положительная скалярная величина значение.
Display
- Level of display'off'
(по умолчанию) | 'iter'
| 'final'
Level of display, заданный как один из 'off'
, 'iter'
, или 'final'
.
'PLIterations'
- Максимальное количество итераций псевдоправдоподобия100
(по умолчанию) | положительное целое значениеМаксимальное количество итераций псевдоправдоподобия (PL), заданных как разделенная разделенными запятой парами, состоящая из 'PLIterations'
и положительное целое значение. PL используется для подбора кривой модели, если 'FitMethod'
является 'MPL'
или 'REMPL'
. Для других 'FitMethod'
значения, итерации PL используются для инициализации параметров для последующей оптимизации.
Пример: 'PLIterations',200
Типы данных: single
| double
'PLTolerance'
- Относительный коэффициент отклонения для итераций псевдоправдоподобия1e–08
(по умолчанию) | положительное скалярное значениеОтносительная погрешность для итераций псевдоправдоподобия, заданный как разделенная разделенными запятой парами, состоящая из 'PLTolerance'
и положительная скалярная величина значение.
Пример: 'PLTolerance',1e-06
Типы данных: single
| double
'StartMethod'
- Метод для запуска итерационной оптимизации'default'
(по умолчанию) | 'random'
Метод для запуска итерационной оптимизации, заданный как разделенная разделенными запятой парами, состоящая из 'StartMethod'
и любое из следующих.
Значение | Описание |
---|---|
'default' | Внутренне определенное значение по умолчанию |
'random' | Случайное начальное значение |
Пример: 'StartMethod','random'
'UseSequentialFitting'
- Начальный тип аппроксимацииfalse
(по умолчанию) | true
, заданная как разделенная разделенными запятой парами, состоящая из 'UseSequentialFitting'
и любой из них false
или true
. Если 'UseSequentialFitting'
является false
Все максимальные методы правдоподобия инициализируются с использованием одной или нескольких итераций псевдоправдоподобия. Если 'UseSequentialFitting'
является true
начальные значения из итераций псевдоправдоподобия уточняются с помощью 'ApproximateLaplace'
для 'Laplace'
подбор кривой.
Пример: 'UseSequentialFitting',true
'Verbose'
- Индикатор для отображения процесса оптимизации на экране0
(по умолчанию) | 1
| 2
Индикатор для отображения процесса оптимизации на экране, заданный как разделенная разделенными запятой парами, состоящая из 'Verbose'
и 0
, 1
, или 2
. Если 'Verbose'
задается как 1
или 2
, затем fitglme
отображает прогресс итерационного процесса аппроксимации модели. Определение 'Verbose'
как 2
отображает итерационную информацию оптимизации из отдельных итераций псевдоправдоподобия. Определение 'Verbose'
как 1
опускает это отображение.
Настройка для 'Verbose'
переопределяет поле 'Display'
в 'OptimizerOptions'
.
Пример: 'Verbose',1
'Weights'
- Веса наблюденийВеса наблюдений, заданные как разделенная разделенными запятой парами, состоящая из 'Weights'
и вектор n -by-1 неотрицательных скалярных значений, где n - количество наблюдений. Если распределение отклика биномиальное или Пуассон, то 'Weights'
должен быть вектором положительных целых чисел.
Типы данных: single
| double
glme
- Обобщенная линейная модель смешанных эффектовGeneralizedLinearMixedModel
объектОбобщенная модель линейных смешанных эффектов, заданная как GeneralizedLinearMixedModel
объект. Для свойств и методов этого объекта смотрите GeneralizedLinearMixedModel
.
В целом формула для спецификации модели является вектором символов или строковым скаляром вида 'y ~ terms'
. Для обобщенных моделей линейных смешанных эффектов эта формула находится в форме 'y ~ fixed + (random1|grouping1) + ... + (randomR|groupingR)'
, где fixed
и random
содержат фиксированные эффекты и условия случайных эффектов.
Предположим, таблица tbl
содержит следующее:
Переменная отклика, y
Переменные предиктора, Xj
, которая может быть непрерывной или сгруппированными переменными
Сгруппированные переменные, g1
, g2
..., gR
,
где сгруппированные переменные в Xj
и gr
могут быть категориальными, логическими, символьными массивами, строковыми массивами или массивами ячеек векторов символов.
Затем в формуле формы 'y ~ fixed + (random1|g1) + ... + (randomR|gR)'
, термин fixed
соответствует спецификации матрицы проекта с фиксированными эффектами X
, random
1 является спецификацией матрицы проекта случайных эффектов Z
1, соответствующий сгруппированной переменной g
1, и аналогично random
R является спецификацией матрицы проекта случайных эффектов Z
R, соответствующий сгруппированной переменной g
R. Вы можете выразить fixed
и random
термины, использующие обозначение Уилкинсона.
Уилкинсон обозначения описывает факторы, присутствующие в моделях. Это обозначение относится к факторам, присутствующим в моделях, а не к умножителям (коэффициентам) этих факторов.
Уилкинсон Обозначение | Факторы в стандартном обозначении |
---|---|
1 | Константа ( точку пересечения) термин |
X^k , где k является положительным целым числом | X , X2 ,..., Xk |
X1 + X2 | X1 , X2 |
X1*X2 | X1 , X2 , X1.*X2 (elementwise multiplication of X1 and 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 |
X1*X2*X3 - X1:X2:X3 | X1 , X2 , X3 , X1*X2 , X1*X3 , X2*X3 |
X1*(X2 + X3) | X1 , X2 , X3 , X1*X2 , X1*X3 |
Statistics and Machine Learning Toolbox™ notation всегда включает в себя постоянный термин, если вы явным образом не удаляете термин с помощью -1
. Вот несколько примеров для обобщенной спецификации модели линейных смешанных эффектов.
Примеры:
Формула | Описание |
---|---|
'y ~ X1 + X2' | Фиксированные эффекты для точки пересечения, X1 и X2 . Это эквивалентно 'y ~ 1 + X1 + X2' . |
'y ~ -1 + X1 + X2' | Никаких точек пересечения и фиксированных эффектов для X1 и X2 . Неявный термин точки пересечения подавляется включением -1 . |
'y ~ 1 + (1 | g1)' | Фиксированные эффекты для точки пересечения плюс случайный эффект для точки пересечения для каждого уровня сгруппированной переменной g1 . |
'y ~ X1 + (1 | g1)' | Модель случайной точки пересечения с фиксированным уклоном. |
'y ~ X1 + (X1 | g1)' | Случайная точка пересечения и наклон, с возможной корреляцией между ними. Это эквивалентно 'y ~ 1 + X1 + (1 + X1|g1)' . |
'y ~ X1 + (1 | g1) + (-1 + X1 | g1)' | Независимые условия случайных эффектов для точки пересечения и наклона. |
'y ~ 1 + (1 | g1) + (1 | g2) + (1 | g1:g2)' | Модель случайной точки пересечения с независимыми основными эффектами для g1 и g2 , плюс независимый эффект взаимодействия. |
У вас есть измененная версия этого примера. Вы хотите открыть этот пример с вашими правками?
1. Если смысл перевода понятен, то лучше оставьте как есть и не придирайтесь к словам, синонимам и тому подобному. О вкусах не спорим.
2. Не дополняйте перевод комментариями “от себя”. В исправлении не должно появляться дополнительных смыслов и комментариев, отсутствующих в оригинале. Такие правки не получится интегрировать в алгоритме автоматического перевода.
3. Сохраняйте структуру оригинального текста - например, не разбивайте одно предложение на два.
4. Не имеет смысла однотипное исправление перевода какого-то термина во всех предложениях. Исправляйте только в одном месте. Когда Вашу правку одобрят, это исправление будет алгоритмически распространено и на другие части документации.
5. По иным вопросам, например если надо исправить заблокированное для перевода слово, обратитесь к редакторам через форму технической поддержки.