Подбор линейной модели смешанных эффектов
возвращает линейную модель смешанных эффектов с дополнительными опциями, заданными одним или несколькими lme
= fitlme(tbl
,formula
,Name,Value
)Name,Value
аргументы в виде пар.
Например, можно задать ковариационный шаблон членов случайных эффектов, метод для оценки параметров или опции для алгоритма оптимизации.
Загрузите выборочные данные.
load imports-85
Сохраните переменные в таблице.
tbl = table(X(:,12),X(:,14),X(:,24),'VariableNames',{'Horsepower','CityMPG','EngineType'});
Отображение первых пяти строк таблицы.
tbl(1:5,:)
ans=5×3 table
Horsepower CityMPG EngineType
__________ _______ __________
111 21 13
111 21 13
154 19 37
102 24 35
115 18 35
Подгонка линейной модели смешанных эффектов для миль на галлон в городе с фиксированными эффектами для лошадиных сил и некоррелированным случайным эффектом для точки пересечения и лошадиных сил, сгруппированных по типу двигателя.
lme = fitlme(tbl,'CityMPG~Horsepower+(1|EngineType)+(Horsepower-1|EngineType)');
В этой модели CityMPG
- переменная отклика, лошадиная сила - переменная предиктора, а тип двигателя - сгруппированная переменная. Фрагмент модели с фиксированными эффектами соответствует 1 + Horsepower
, поскольку точка пересечения включена по умолчанию.
Поскольку условия случайного эффекта для точки пересечения и лошадиной силы являются некоррелированными, эти условия заданы отдельно. Поскольку второй термин случайного эффекта относится только к лошадиным силам, вы должны включить –1
исключить точку пересечения из второго срока случайного эффекта.
Отобразите модель.
lme
lme = Linear mixed-effects model fit by ML Model information: Number of observations 203 Fixed effects coefficients 2 Random effects coefficients 14 Covariance parameters 3 Formula: CityMPG ~ 1 + Horsepower + (1 | EngineType) + (Horsepower | EngineType) Model fit statistics: AIC BIC LogLikelihood Deviance 1099.5 1116 -544.73 1089.5 Fixed effects coefficients (95% CIs): Name Estimate SE tStat DF pValue {'(Intercept)'} 37.276 2.8556 13.054 201 1.3147e-28 {'Horsepower' } -0.12631 0.02284 -5.53 201 9.8848e-08 Lower Upper 31.645 42.906 -0.17134 -0.081269 Random effects covariance parameters (95% CIs): Group: EngineType (7 Levels) Name1 Name2 Type Estimate {'(Intercept)'} {'(Intercept)'} {'std'} 5.7338 Lower Upper 2.3773 13.829 Group: EngineType (7 Levels) Name1 Name2 Type Estimate {'Horsepower'} {'Horsepower'} {'std'} 0.050357 Lower Upper 0.02307 0.10992 Group: Error Name Estimate Lower Upper {'Res Std'} 3.226 2.9078 3.5789
Обратите внимание, что параметры ковариации случайных эффектов для точки пересечения и лошадиной силы являются отдельными в отображение.
Теперь подбирайте линейную модель смешанных эффектов для миль на галлон в городе с тем же термином фиксированных эффектов и потенциально коррелированным случайным эффектом для точки пересечения и лошадиной силы, сгруппированной по типу двигателя.
lme2 = fitlme(tbl,'CityMPG~Horsepower+(Horsepower|EngineType)');
Поскольку термин случайного эффекта включает точку пересечения по умолчанию, вы не должны добавлять 1
, термин случайного эффекта эквивалентен (1 + Horsepower|EngineType)
.
Отобразите модель.
lme2
lme2 = Linear mixed-effects model fit by ML Model information: Number of observations 203 Fixed effects coefficients 2 Random effects coefficients 14 Covariance parameters 4 Formula: CityMPG ~ 1 + Horsepower + (1 + Horsepower | EngineType) Model fit statistics: AIC BIC LogLikelihood Deviance 1089 1108.9 -538.52 1077 Fixed effects coefficients (95% CIs): Name Estimate SE tStat DF pValue {'(Intercept)'} 33.824 4.0181 8.4178 201 7.1678e-15 {'Horsepower' } -0.1087 0.032912 -3.3029 201 0.0011328 Lower Upper 25.901 41.747 -0.1736 -0.043806 Random effects covariance parameters (95% CIs): Group: EngineType (7 Levels) Name1 Name2 Type Estimate {'(Intercept)'} {'(Intercept)'} {'std' } 9.4952 {'Horsepower' } {'(Intercept)'} {'corr'} -0.96843 {'Horsepower' } {'Horsepower' } {'std' } 0.078874 Lower Upper 4.7022 19.174 -0.99568 -0.78738 0.039917 0.15585 Group: Error Name Estimate Lower Upper {'Res Std'} 3.1845 2.8774 3.5243
Обратите внимание, что случайные эффекты ковариации параметры для точки пересечения и лошадиной силы вместе в отображение, и это включает корреляцию ('corr'
) между точкой пересечения и лошадиной силой.
Загрузите выборочные данные.
load flu
The flu
массив набора данных имеет Date
переменная и 10 переменных, содержащих предполагаемые показатели заболеваемости гриппом (в 9 различных областях, по оценкам поиска Google ®, плюс общенациональная оценка от Центров по контролю и профилактике заболеваний, CDC ).
Чтобы соответствовать модели линейно-смешанных эффектов, ваши данные должны быть в правильно отформатированном массиве набора данных. Чтобы подогнать линейную модель смешанных эффектов с частотой гриппа в качестве ответов, объедините девять столбцов, соответствующих областям, в массив. Новый массив набора данных, flu2
, должна иметь новую переменную отклика FluRate
, номинальная переменная Region
который показывает, из какой области каждая оценка, общенациональная оценка WtdILI
, и сгруппированная переменная Date
.
flu2 = stack(flu,2:10,'NewDataVarName','FluRate', ... 'IndVarName','Region'); flu2.Date = nominal(flu2.Date);
Отображение первых шести строк flu2
.
flu2(1:6,:)
ans = Date WtdILI Region FluRate 10/9/2005 1.182 NE 0.97 10/9/2005 1.182 MidAtl 1.025 10/9/2005 1.182 ENCentral 1.232 10/9/2005 1.182 WNCentral 1.286 10/9/2005 1.182 SAtl 1.082 10/9/2005 1.182 ESCentral 1.457
Подгонка линейной модели смешанных эффектов с термином фиксированных эффектов для общенациональной оценки WtdILI
и случайная точка пересечения, который варьируется в зависимости от Date
. Модель соответствует
где является наблюдением для уровня от сгруппированной переменной Date
, является случайным эффектом для уровня сгруппированной переменной Date
, и - ошибка наблюдения для наблюдения . Случайный эффект имеет предшествующее распределение,
и термин ошибки имеет распределение,
lme = fitlme(flu2,'FluRate ~ 1 + WtdILI + (1|Date)')
lme = Linear mixed-effects model fit by ML Model information: Number of observations 468 Fixed effects coefficients 2 Random effects coefficients 52 Covariance parameters 2 Formula: FluRate ~ 1 + WtdILI + (1 | Date) Model fit statistics: AIC BIC LogLikelihood Deviance 286.24 302.83 -139.12 278.24 Fixed effects coefficients (95% CIs): Name Estimate SE tStat DF pValue {'(Intercept)'} 0.16385 0.057525 2.8484 466 0.0045885 {'WtdILI' } 0.7236 0.032219 22.459 466 3.0502e-76 Lower Upper 0.050813 0.27689 0.66028 0.78691 Random effects covariance parameters (95% CIs): Group: Date (52 Levels) Name1 Name2 Type Estimate {'(Intercept)'} {'(Intercept)'} {'std'} 0.17146 Lower Upper 0.13227 0.22226 Group: Error Name Estimate Lower Upper {'Res Std'} 0.30201 0.28217 0.32324
Предполагаемые ковариационные параметры отображаются в разделе «Параметры ковариации случайных эффектов». Оценочное значение 0,17146, и его 95% доверия интервал равен [0,13227, 0,22226]. Поскольку этот интервал не включает 0, термин случайных эффектов значителен. Вы можете официально проверить значимость любого термина случайных эффектов, используя тест коэффициента правдоподобия через compare
способ.
Предполагаемый ответ в наблюдении является суммой фиксированных эффектов и значения случайного эффекта на уровне сгруппированной переменной, соответствующем этому наблюдению. Для примера предполагаемый уровень гриппа для наблюдения 28
где является оцененным лучшим линейным объективным предиктором (BLUP) случайных эффектов для точки пересечения. Вычислить это значение можно следующим образом.
beta = fixedEffects(lme); [~,~,STATS] = randomEffects(lme); % Compute the random-effects statistics (STATS) STATS.Level = nominal(STATS.Level); y_hat = beta(1) + beta(2)*flu2.WtdILI(28) + STATS.Estimate(STATS.Level=='10/30/2005')
y_hat = 1.4674
Вы можете отобразить подобранное значение с помощью fitted
способ.
F = fitted(lme); F(28)
ans = 1.4674
Загрузите выборочные данные.
load('shift.mat')
Данные показывают абсолютные отклонения от целевой характеристики качества, измеренные по продуктам, каждый из пяти операторов производит в три сдвигов: утреннюю, вечернюю и ночную. Это рандомизированный проект блока, где операторы являются блоками. Эксперимент предназначен для изучения влияния времени сдвига на эффективность. Показатель эффективности является абсолютным отклонением характеристик качества от целевого значения. Это моделируемые данные.
Подгонка модели линейных смешанных эффектов со случайной точкой пересечения, сгруппированным оператором, чтобы оценить, значительно ли отличается эффективность в зависимости от времени сдвига. Используйте метод ограниченного максимального правдоподобия и 'effects'
контрасты.
'effects'
контрасты означают, что коэффициенты равны 0, и fitlme
создает матрицу, называемую матрицей проекта фиксированных эффектов, для описания эффекта сдвига. Эта матрица имеет два столбца, и , где
Модель соответствует
где представляет наблюдения, и представляет операторов, = 1, 2,..., 15 и = 1, 2, ..., 5. Случайные эффекты и ошибка наблюдения имеют следующие распределения:
и
lme = fitlme(shift,'QCDev ~ Shift + (1|Operator)',... 'FitMethod','REML','DummyVarCoding','effects')
lme = Linear mixed-effects model fit by REML Model information: Number of observations 15 Fixed effects coefficients 3 Random effects coefficients 5 Covariance parameters 2 Formula: QCDev ~ 1 + Shift + (1 | Operator) Model fit statistics: AIC BIC LogLikelihood Deviance 58.913 61.337 -24.456 48.913 Fixed effects coefficients (95% CIs): Name Estimate SE tStat DF pValue {'(Intercept)' } 3.6525 0.94109 3.8812 12 0.0021832 {'Shift_Evening'} -0.53293 0.31206 -1.7078 12 0.11339 {'Shift_Morning'} -0.91973 0.31206 -2.9473 12 0.012206 Lower Upper 1.6021 5.703 -1.2129 0.14699 -1.5997 -0.23981 Random effects covariance parameters (95% CIs): Group: Operator (5 Levels) Name1 Name2 Type Estimate {'(Intercept)'} {'(Intercept)'} {'std'} 2.0457 Lower Upper 0.98207 4.2612 Group: Error Name Estimate Lower Upper {'Res Std'} 0.85462 0.52357 1.395
Вычислите лучшие линейные объективные оценки случайных эффектов (BLUP).
B = randomEffects(lme)
B = 5×1
0.5775
1.1757
-2.1715
2.3655
-1.9472
Расчетное абсолютное отклонение от целевых характеристик качества для третьего оператора, работающего в вечерний сдвиг,
Это значение можно также отобразить следующим образом.
F = fitted(lme); F(shift.Shift=='Evening' & shift.Operator=='3')
ans = 0.9481
Точно так же можно вычислить предполагаемое абсолютное отклонение от целевых характеристик качества для третьего оператора, работающего в утренний сдвиг, как
Это значение можно также отобразить следующим образом.
F(shift.Shift=='Morning' & shift.Operator=='3')
ans = 0.5613
Оператор стремится сделать меньшую величину ошибки во время утреннего сдвига.
Загрузите выборочные данные.
load('fertilizer.mat')
Массив набора данных включает данные эксперимента по разделению графика, где грунт разделяется на три блока на основе типа грунта: песчаный, илистый и суглинистый. Каждый блок разделен на пять графиков, где пять типов помидоров (вишня, семейная реликвия, виноград, виноградная лоза и слива) случайным образом назначены на эти графики. Томатные растения на графиках затем делятся на подграфики, где каждый подграфик обрабатывается одним из четырех удобрений. Это моделируемые данные.
Сохраните данные в массиве набора данных под названием ds
, и определить Tomato
, Soil
, и Fertilizer
как категориальные переменные.
ds = fertilizer; ds.Tomato = nominal(ds.Tomato); ds.Soil = nominal(ds.Soil); ds.Fertilizer = nominal(ds.Fertilizer);
Подбор линейной модели смешанных эффектов, где Fertilizer
и Tomato
являются переменными фиксированных эффектов, и среднее выражение изменяется в зависимости от блока (тип почвы) и графиков внутри блоков (типы томатов в пределах типов почвы) независимо.
Эта модель соответствует
где = 1, 2,..., 60, индекс соответствует типам удобрений, соответствует типам томатов, и = 1, 2, 3 соответствует блокам (грунту). представляет I тип грунта, и представляет th томатный тип, вложенный в Тип грунта. - фиктивная переменная, представляющая уровень удобрения. Точно так же, - фиктивная переменная, представляющая уровень томатного типа.
Случайные эффекты и ошибка наблюдения имеют следующие предшествующие распределения: ~ N ( 0, ), ~ N ( 0, ), и ~ N (0 , ).
lme = fitlme(ds,'Yield ~ Fertilizer * Tomato + (1|Soil) + (1|Soil:Tomato)')
lme = Linear mixed-effects model fit by ML Model information: Number of observations 60 Fixed effects coefficients 20 Random effects coefficients 18 Covariance parameters 3 Formula: Yield ~ 1 + Tomato*Fertilizer + (1 | Soil) + (1 | Soil:Tomato) Model fit statistics: AIC BIC LogLikelihood Deviance 522.57 570.74 -238.29 476.57 Fixed effects coefficients (95% CIs): Name Estimate SE tStat DF {'(Intercept)' } 77 8.5836 8.9706 40 {'Tomato_Grape' } -16 11.966 -1.3371 40 {'Tomato_Heirloom' } -6.6667 11.966 -0.55714 40 {'Tomato_Plum' } 32.333 11.966 2.7022 40 {'Tomato_Vine' } -13 11.966 -1.0864 40 {'Fertilizer_2' } 34.667 8.572 4.0442 40 {'Fertilizer_3' } 33.667 8.572 3.9275 40 {'Fertilizer_4' } 47.667 8.572 5.5607 40 {'Tomato_Grape:Fertilizer_2' } -2.6667 12.123 -0.21997 40 {'Tomato_Heirloom:Fertilizer_2'} -8 12.123 -0.65992 40 {'Tomato_Plum:Fertilizer_2' } -15 12.123 -1.2374 40 {'Tomato_Vine:Fertilizer_2' } -16 12.123 -1.3198 40 {'Tomato_Grape:Fertilizer_3' } 16.667 12.123 1.3748 40 {'Tomato_Heirloom:Fertilizer_3'} 3.3333 12.123 0.27497 40 {'Tomato_Plum:Fertilizer_3' } 3.6667 12.123 0.30246 40 {'Tomato_Vine:Fertilizer_3' } 3 12.123 0.24747 40 {'Tomato_Grape:Fertilizer_4' } 13.333 12.123 1.0999 40 {'Tomato_Heirloom:Fertilizer_4'} -19 12.123 -1.5673 40 {'Tomato_Plum:Fertilizer_4' } -2.6667 12.123 -0.21997 40 {'Tomato_Vine:Fertilizer_4' } 8.6667 12.123 0.71492 40 pValue Lower Upper 4.0206e-11 59.652 94.348 0.18873 -40.184 8.1837 0.58053 -30.85 17.517 0.010059 8.1496 56.517 0.28379 -37.184 11.184 0.00023272 17.342 51.991 0.00033057 16.342 50.991 1.9567e-06 30.342 64.991 0.82701 -27.167 21.834 0.51309 -32.501 16.501 0.22317 -39.501 9.5007 0.19439 -40.501 8.5007 0.17683 -7.8341 41.167 0.78476 -21.167 27.834 0.76387 -20.834 28.167 0.80581 -21.501 27.501 0.27796 -11.167 37.834 0.12492 -43.501 5.5007 0.82701 -27.167 21.834 0.47881 -15.834 33.167 Random effects covariance parameters (95% CIs): Group: Soil (3 Levels) Name1 Name2 Type Estimate {'(Intercept)'} {'(Intercept)'} {'std'} 2.5028 Lower Upper 0.027711 226.05 Group: Soil:Tomato (15 Levels) Name1 Name2 Type Estimate {'(Intercept)'} {'(Intercept)'} {'std'} 10.225 Lower Upper 6.1497 17.001 Group: Error Name Estimate Lower Upper {'Res Std'} 10.499 8.5389 12.908
-значения, соответствующие последним 12 строкам в отображаемых коэффициентах фиксированных эффектов (от 0,82701 до 0,47881), указывают на то, что коэффициенты взаимодействия между типами помидоров и удобрений незначительны. Чтобы проверить общее взаимодействие томата и удобрения, используйте anova
метод после обновления модели с помощью 'effects'
контрасты.
Интервал доверия для стандартных отклонений членов случайных эффектов ( ), где точка пересечения сгруппирована по почве, очень велик. Этот термин не выглядит значительным.
Обновите модель после удаления термина взаимодействия Tomato:Fertilizer
и термин случайных эффектов (1 | Soil)
.
lme = fitlme(ds,'Yield ~ Fertilizer + Tomato + (1|Soil:Tomato)')
lme = Linear mixed-effects model fit by ML Model information: Number of observations 60 Fixed effects coefficients 8 Random effects coefficients 15 Covariance parameters 2 Formula: Yield ~ 1 + Tomato + Fertilizer + (1 | Soil:Tomato) Model fit statistics: AIC BIC LogLikelihood Deviance 511.06 532 -245.53 491.06 Fixed effects coefficients (95% CIs): Name Estimate SE tStat DF {'(Intercept)' } 77.733 7.3293 10.606 52 {'Tomato_Grape' } -9.1667 9.6045 -0.95441 52 {'Tomato_Heirloom'} -12.583 9.6045 -1.3102 52 {'Tomato_Plum' } 28.833 9.6045 3.0021 52 {'Tomato_Vine' } -14.083 9.6045 -1.4663 52 {'Fertilizer_2' } 26.333 4.5004 5.8514 52 {'Fertilizer_3' } 39 4.5004 8.6659 52 {'Fertilizer_4' } 47.733 4.5004 10.607 52 pValue Lower Upper 1.3108e-14 63.026 92.441 0.34429 -28.439 10.106 0.1959 -31.856 6.6895 0.0041138 9.5605 48.106 0.14858 -33.356 5.1895 3.3024e-07 17.303 35.364 1.1459e-11 29.969 48.031 1.308e-14 38.703 56.764 Random effects covariance parameters (95% CIs): Group: Soil:Tomato (15 Levels) Name1 Name2 Type Estimate {'(Intercept)'} {'(Intercept)'} {'std'} 10.02 Lower Upper 6.0812 16.509 Group: Error Name Estimate Lower Upper {'Res Std'} 12.325 10.024 15.153
Можно сравнить две модели с помощью compare
метод с моделируемым тестом коэффициента правдоподобия, поскольку проверяют как термин с фиксированным эффектом, так и термин со случайным эффектом.
Загрузите выборочные данные.
load('weight.mat')
weight
содержит данные продольного исследования, где 20 субъектов случайным образом назначены для 4 программ упражнений (A, B, C, D), и их потеря веса регистрируется в течение шести 2-недельных периодов времени. Это моделируемые данные.
Сохраните данные в таблице. Определите Subject
и Program
как категориальные переменные.
tbl = table(InitialWeight,Program,Subject,Week,y); tbl.Subject = nominal(tbl.Subject); tbl.Program = nominal(tbl.Program);
Подгонка линейной модели смешанных эффектов, где начальный вес, тип программы, неделя и взаимодействие между неделей и типом программы являются фиксированными эффектами. Точка пересечения и неделя варьируются в зависимости от субъекта.
fitlme
использует программу A как ссылку и создает необходимые фиктивные переменные [.]. Поскольку модель уже имеет точку пересечения, fitlme
создает только фиктивные переменные для программ B, C и D. Это также известно как 'reference'
СПОСОБ КОДИРОВАНИЯ ФИКТИВНЫХ ПЕРЕМЕННЫХ.
Эта модель соответствует
где = 1, 2,..., 120, и = 1, 2, ..., 20. являются коэффициентами с фиксированными эффектами, = 0, 1,..., 8 и и являются случайными эффектами. означает начальный вес и является фиктивной переменной, представляющей тип программы. Для примера, - фиктивная переменная, представляющая тип программы B. Случайные эффекты и ошибка наблюдения имеют следующие предшествующие распределения:
lme = fitlme(tbl,'y ~ InitialWeight + Program*Week + (Week|Subject)')
lme = Linear mixed-effects model fit by ML Model information: Number of observations 120 Fixed effects coefficients 9 Random effects coefficients 40 Covariance parameters 4 Formula: y ~ 1 + InitialWeight + Program*Week + (1 + Week | Subject) Model fit statistics: AIC BIC LogLikelihood Deviance -22.981 13.257 24.49 -48.981 Fixed effects coefficients (95% CIs): Name Estimate SE tStat DF {'(Intercept)' } 0.66105 0.25892 2.5531 111 {'InitialWeight' } 0.0031879 0.0013814 2.3078 111 {'Program_B' } 0.36079 0.13139 2.746 111 {'Program_C' } -0.033263 0.13117 -0.25358 111 {'Program_D' } 0.11317 0.13132 0.86175 111 {'Week' } 0.1732 0.067454 2.5677 111 {'Program_B:Week'} 0.038771 0.095394 0.40644 111 {'Program_C:Week'} 0.030543 0.095394 0.32018 111 {'Program_D:Week'} 0.033114 0.095394 0.34713 111 pValue Lower Upper 0.012034 0.14798 1.1741 0.022863 0.00045067 0.0059252 0.0070394 0.10044 0.62113 0.80029 -0.29319 0.22666 0.39068 -0.14706 0.3734 0.011567 0.039536 0.30686 0.68521 -0.15026 0.2278 0.74944 -0.15849 0.21957 0.72915 -0.15592 0.22214 Random effects covariance parameters (95% CIs): Group: Subject (20 Levels) Name1 Name2 Type Estimate {'(Intercept)'} {'(Intercept)'} {'std' } 0.18407 {'Week' } {'(Intercept)'} {'corr'} 0.66841 {'Week' } {'Week' } {'std' } 0.15033 Lower Upper 0.12281 0.27587 0.21076 0.88573 0.11004 0.20537 Group: Error Name Estimate Lower Upper {'Res Std'} 0.10261 0.087882 0.11981
Значения 0.022863 и 0.011567 указывают на значительные эффекты исходных весов и времени субъекта в количестве потерянного веса. Потеря веса субъектов, которые находятся в программе B, значительно отличается по сравнению с потерей веса субъектов, которые находятся в программе A. Нижний и верхний пределы ковариационных параметров для случайных эффектов не включают 0, поэтому они значительны. Можно также проверить значимость случайных эффектов с помощью compare
способ.
tbl
- Входные данныеdataset
массивВходные данные, который включает переменную отклика, переменные предиктора и сгруппированные переменные, заданные как таблица или dataset
массив. Переменные предиктора могут быть непрерывными или сгруппированные переменные (см. Сгруппированные переменные). Вы должны задать модель для переменных, используя formula
.
Типы данных: table
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
.
'CovariancePattern','Diagonal','Optimizer','fminunc','OptimizerOptions',opt
задает модель, где члены случайных эффектов имеют диагональную ковариационную матричную структуру, и fitlme
использует fminunc
алгоритм оптимизации с пользовательскими параметрами оптимизации, заданными в переменной opt
.'CovariancePattern'
- Шаблон ковариационной матрицы'FullCholesky'
(по умолчанию) | вектор символов | строковый скаляр | квадратная симметричная логическая матрица | строковые массивы | массив ячеек из векторов символов или логических матрицШаблон ковариационной матрицы случайных эффектов, заданный как разделенная разделенными запятой парами, состоящая из 'CovariancePattern'
и вектор символов, строковый скаляр, квадратная симметричная логическая матрица, строковые массивы или массив ячеек из векторов символов или логических матриц.
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.
'FullCholesky' | По умолчанию. Полная ковариационная матрица с использованием параметризации Холецкого. fitlme оценивает все элементы ковариационной матрицы. |
'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. |
'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 где2b - общее отклонение членов случайных эффектов. |
'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. |
Пример: 'CovariancePattern','Diagonal'
Пример: 'CovariancePattern',{'Full','Diagonal'}
Типы данных: char
| string
| logical
| cell
'FitMethod'
- Метод оценки параметров'ML'
(по умолчанию) | 'REML'
Метод оценки параметров линейной модели смешанных эффектов, заданный как разделенная разделенными запятой парами, состоящая из 'FitMethod'
и любое из следующих.
'ML' | По умолчанию. Оценка максимальной вероятности |
'REML' | Ограниченная оценка максимальной вероятности |
Пример: 'FitMethod','REML'
'Weights'
- Веса наблюденийВеса наблюдений, заданные как разделенная разделенными запятой парами, состоящая из 'Weights'
и вектор длины n, где n - количество наблюдений.
Типы данных: single
| double
'Exclude'
- Индексы для строк, которые нужно исключитьNaNs
(по умолчанию) | вектор целого числа или логических значенийИндексы для строк, чтобы исключить из 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
'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) | fitlme 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' | fitlme создает фиктивные переменные, используя кодирование эффектов. Эта схема использует -1, чтобы представлять последнюю категорию. Эта схема создает меньше фиктивных переменных, чем количество категорий. |
'full' | fitlme 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'
'Optimizer'
- Алгоритм оптимизации'quasinewton'
(по умолчанию) | 'fminunc'
Алгоритм оптимизации, заданный как разделенная разделенными запятой парами, состоящая из 'Optimizer'
и любое из следующих.
'quasinewton' | По умолчанию. Использует оптимизатор на основе доверительной области квази-Ньютона. Измените опции алгоритма, используя statset('LinearMixedModel') . Если вы не задаете опции, то LinearMixedModel использует опции по умолчанию statset('LinearMixedModel') . |
'fminunc' | Чтобы задать эту опцию, необходимо иметь Optimization Toolbox™. Измените опции алгоритма, используя optimoptions('fminunc') . Если вы не задаете опции, то LinearMixedModel использует опции по умолчанию optimoptions('fminunc') с 'Algorithm' установлено на 'quasi-newton' . |
Пример: 'Optimizer','fminunc'
'OptimizerOptions'
- Опции для алгоритма оптимизацииstatset
| объект, возвращенный optimoptions
Опции алгоритма оптимизации, заданные как разделенная разделенными запятой парами, состоящая из 'OptimizerOptions'
и структуру, возвращаемую statset('LinearMixedModel')
или объект, возвращенный optimoptions('fminunc')
.
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 значение по умолчанию для LinearMixedModel
- опции по умолчанию, созданные optimoptions('fminunc')
с 'Algorithm'
установлено на 'quasi-newton'
.
Если 'Optimizer'
является 'quasinewton'
, затем используйте statset('LinearMixedModel')
для изменения параметров оптимизации. Если вы не меняете параметры оптимизации, то LinearMixedModel
использует опции по умолчанию, созданные statset('LinearMixedModel')
:
The 'quasinewton'
оптимизатор использует следующие поля в структуре, созданной statset('LinearMixedModel')
.
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'
.
'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'
'Verbose'
- Индикатор для отображения процесса оптимизации на экранеfalse
(по умолчанию) | true
Индикатор для отображения процесса оптимизации на экране, заданный как разделенная разделенными запятой парами, состоящая из 'Verbose'
и любой из них false
или true
. По умолчанию это false
.
Настройка для 'Verbose'
переопределяет поле 'Display'
в 'OptimizerOptions'
.
Пример: 'Verbose',true
'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.
Пример: 'CheckHessian',true
lme
- Линейная модель смешанных эффектовLinearMixedModel
объектЛинейная модель смешанных эффектов, возвращенная как LinearMixedModel
объект.
В целом формула для спецификации модели является вектором символов или строковым скаляром вида 'y ~ terms'
. Для линейных моделей 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 спецификации линейной модели 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. |
Одним из предположений линейных моделей смешанных эффектов является то, что случайные эффекты имеют следующее предшествующее распределение.
где D q q симметричной и положительной полуопределенной матрицей, параметризовавшей вектором компонента отклонения θ, q - количество переменных в термине случайных эффектов и σ2 - отклонение ошибки наблюдения. Поскольку ковариация матрица случайных эффектов, D, симметрична, она имеет q (q + 1 )/2 свободных параметров. Предположим L что это нижний треугольный фактор Холецкого D (θ), такой что
тогда q * (q +1)/2-by-1 добровольный вектор параметра θ сформирован из элементов в более низкой треугольной части L.
Для примера, если
тогда
Когда диагональные элементы L в параметризации Холецкого ограничены положительными, то решение для L уникально. Параметризация Логея-Холецкого аналогична параметризации Холецкого, за исключением того, что логарифм диагональных элементов L используются, чтобы гарантировать уникальную параметризацию.
Например, для примера 3 на 3 в параметризации Холецкого, обеспечивающего соблюдение L ii ≥ 0 ,
Если ваша модель не так легко описать с помощью формулы, можно создать матрицы для определения фиксированных и случайных эффектов и подгонки модели с помощью fitlmematrix(X,y,Z,G)
.
[1] Pinherio, J. C., and D. M. Bates. Без ограничений параметризации для дисперсионно-ковариационных матриц. Статистика и вычисления, том 6, 1996, стр. 289-296.
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.