Подбор модели повторных измерений
rm = fitrm(t,modelspec,Name,Value)Name,Value аргументы в виде пар.
Для примера можно задать гипотезу для факторов внутри субъекта.
Загрузите выборочные данные.
load fisheririsОбласть вектора-столбца species состоит из цветков радужки трех различных видов: сетоза, версиколор и виргиника. Матрица с двойной meas состоит из четырех видов измерений на цветках: длина и ширина чашелистиков и лепестков в сантиметрах соответственно.
Сохраните данные в массиве таблиц.
t = table(species,meas(:,1),meas(:,2),meas(:,3),meas(:,4),... 'VariableNames',{'species','meas1','meas2','meas3','meas4'}); Meas = table([1 2 3 4]','VariableNames',{'Measurements'});
Подгонка модели повторных измерений, где измерения являются откликами, а вид является переменной.
rm = fitrm(t,'meas1-meas4~species','WithinDesign',Meas)
rm =
RepeatedMeasuresModel with properties:
Between Subjects:
BetweenDesign: [150x5 table]
ResponseNames: {'meas1' 'meas2' 'meas3' 'meas4'}
BetweenFactorNames: {'species'}
BetweenModel: '1 + species'
Within Subjects:
WithinDesign: [4x1 table]
WithinFactorNames: {'Measurements'}
WithinModel: 'separatemeans'
Estimates:
Coefficients: [3x4 table]
Covariance: [4x4 table]
Отобразите коэффициенты.
rm.Coefficients
ans=3×4 table
meas1 meas2 meas3 meas4
________ ________ ______ ________
(Intercept) 5.8433 3.0573 3.758 1.1993
species_setosa -0.83733 0.37067 -2.296 -0.95333
species_versicolor 0.092667 -0.28733 0.502 0.12667
fitrm использует 'effects' контрастирует, что коэффициенты суммируются с 0. The rm.DesignMatrix имеет один столбец 1с для точки пересечения и два других столбцов species_setosa и species_versicolor, которые являются следующими:
Отобразите ковариационную матрицу.
rm.Covariance
ans=4×4 table
meas1 meas2 meas3 meas4
________ ________ ________ ________
meas1 0.26501 0.092721 0.16751 0.038401
meas2 0.092721 0.11539 0.055244 0.03271
meas3 0.16751 0.055244 0.18519 0.042665
meas4 0.038401 0.03271 0.042665 0.041882
Загрузите выборочные данные.
load('longitudinalData.mat');Матрица Y содержит данные отклика для 16 индивидуумов. Реакция является уровнем в крови препарата, измеренным в пяти временных точках (время = 0, 2, 4, 6 и 8). Каждая строка Y соответствует индивидууму, и каждый столбец соответствует временной точке. Первые восемь субъектов - женщины, а вторые восемь - мужчины. Это моделируемые данные.
Задайте переменную, которая хранит гендерную информацию.
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 проведения повторных измерений анализа.
t = table(Gender,Y(:,1),Y(:,2),Y(:,3),Y(:,4),Y(:,5),... 'VariableNames',{'Gender','t0','t2','t4','t6','t8'});
Задайте переменную внутри субъектов.
Time = [0 2 4 6 8]';
Подгонка модели повторных измерений, где уровни в крови являются реакциями, а пол является переменной предиктора. Также задайте гипотезу для внутри-субъектных факторов.
rm = fitrm(t,'t0-t8 ~ Gender','WithinDesign',Time,'WithinModel','orthogonalcontrasts')
rm =
RepeatedMeasuresModel with properties:
Between Subjects:
BetweenDesign: [16x6 table]
ResponseNames: {'t0' 't2' 't4' 't6' 't8'}
BetweenFactorNames: {'Gender'}
BetweenModel: '1 + Gender'
Within Subjects:
WithinDesign: [5x1 table]
WithinFactorNames: {'Time'}
WithinModel: 'orthogonalcontrasts'
Estimates:
Coefficients: [2x5 table]
Covariance: [5x5 table]
Загрузите выборочные данные.
load repeatedmeasТаблица between включает восемь повторных измерений, y1 через y8, как отклики и множители между субъектами Group, Gender, IQ, и Age. IQ и Age как непрерывные переменные. Таблица within включает внутри субъекта факторы w1 и w2.
Подгонка модели повторных измерений, где возраст, IQ, группа и пол являются переменными, и модель включает эффект взаимодействия группы и пола. Также задайте коэффициенты внутри субъекта.
rm = fitrm(between,'y1-y8 ~ Group*Gender+Age+IQ','WithinDesign',within)
rm =
RepeatedMeasuresModel with properties:
Between Subjects:
BetweenDesign: [30x12 table]
ResponseNames: {'y1' 'y2' 'y3' 'y4' 'y5' 'y6' 'y7' 'y8'}
BetweenFactorNames: {'Age' 'IQ' 'Group' 'Gender'}
BetweenModel: '1 + Age + IQ + Group*Gender'
Within Subjects:
WithinDesign: [8x2 table]
WithinFactorNames: {'w1' 'w2'}
WithinModel: 'separatemeans'
Estimates:
Coefficients: [8x8 table]
Covariance: [8x8 table]
Отобразите коэффициенты.
rm.Coefficients
ans=8×8 table
y1 y2 y3 y4 y5 y6 y7 y8
________ _______ _______ _______ _________ ________ _______ ________
(Intercept) 141.38 195.25 9.8663 -49.154 157.77 0.23762 -42.462 76.111
Age 0.32042 -4.7672 -1.2748 0.6216 -1.0621 0.89927 1.2569 -0.38328
IQ -1.2671 -1.1653 0.05862 0.4288 -1.4518 -0.25501 0.22867 -0.72548
Group_A -1.2195 -9.6186 22.532 15.303 12.602 12.886 10.911 11.487
Group_B 2.5186 1.417 -2.2501 0.50181 8.0907 3.1957 11.591 9.9188
Gender_Female 5.3957 -3.9719 8.5225 9.3403 6.0909 1.642 -2.1212 4.8063
Group_A:Gender_Female 4.1046 10.064 -7.3053 -3.3085 4.6751 2.4907 -4.325 -4.6057
Group_B:Gender_Female -0.48486 -2.9202 1.1222 0.69715 -0.065945 0.079468 3.1832 6.5733
На отображении показаны коэффициенты для подбора кривой повторных измерений как функции от членов в модели между субъектами.
t - Входные данныеВходные данные, который включает значения переменных отклика и коэффициентов между субъектами для использования в качестве предикторов в модели повторных измерений, заданных как таблица.
Имена переменных в t должен быть действительным MATLAB® идентификаторы. Вы можете проверить имена переменных, используя isvarname функция. Если имена переменных недопустимы, можно преобразовать их, используя matlab.lang.makeValidName функция.
Типы данных: table
modelspec - Формула для спецификации модели'y1-yk ~ terms'Формула для спецификации модели, заданная как вектор символов или строковый скаляр вида 'y1-yk ~ terms'. Ответы и условия заданы с помощью обозначения Уилкинсона. fitrm обрабатывает переменные, используемые в терминах модели, как категориальные, если они категориальные (номинальные или порядковые), логические, символьные массивы, строковые массивы или массивы ячеек векторов символов.
Для примера, если у вас есть четыре повторных измерений в качестве откликов и факторов x1, x2, и x3 в качестве переменных можно задать модель повторных измерений следующим образом.
Пример: 'y1-y4 ~ x1 + x2 * x3'
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.
'WithinDesign','W','WithinModel','w1+w2' задает матрицу w как матрица проекта для внутри субъектных факторов и модель для внутри субъектных факторов w1 и w2 является 'w1+w2'.'WithinDesign' - Проект внутренних факторовПроект для внутри субъектных факторов, заданный как разделенная разделенными запятой парами, состоящая из 'WithinDesign' и одно из следующих:
Числовой вектор длины r, где r - количество повторных измерений.
В этом случае fitrm обрабатывает значения в векторе как непрерывные, и это обычно временные значения.
r -by - k числовая матрица значений k коэффициентов внутри субъекта, w 1, w 2,..., wk.
В этом случае fitrm рассматривает все переменные k как непрерывные.
r -by - k таблица, которая содержит значения k внутри субъектных факторов.
В этом случае fitrm рассматривает все числовые переменные как непрерывные, а все категориальные - как категориальные.
Для примера, если таблица weeks содержит значения коэффициентов внутри субъекта, затем можно задать таблицу проекта следующим образом.
Пример: 'WithinDesign',weeks
Типы данных: single | double | table
'WithinModel' - Модель, определяющая внутри субъекта проверку гипотезы'separatemeans' (по умолчанию) | 'orthogonalcontrasts' | вектор символов или строковый скаляр, который задает модельМодель, задающая тест гипотезы внутри субъекта, заданная как разделенная разделенными запятой парами, состоящая из 'WithinModel' и одно из следующих:
'separatemeans' - Вычислите отдельное среднее для каждой группы.
'orthogonalcontrasts' - Это действительно только, когда модель внутри субъекта имеет одну числовую T. Отклики - это среднее значение, наклон центрированных T и, в целом, все ортогональные контрасты для полинома до T ^ (p - 1), где p - число, если строки в модели внутри субъекта .
Вектор символов или строковый скаляр, который задает спецификацию модели в факторах внутри субъекта. Можно задать модель на основе правил для terms в modelspec.
Для примера, если существует три внутренних фактора w1, w2, и w3, затем можно задать модель для факторов внутри субъекта следующим образом.
Пример: 'WithinModel','w1+w2+w2*w3'
Типы данных: char | string
rm - Модель повторных измеренийRepeatedMeasuresModel объектМодель повторных измерений, возвращенная как RepeatedMeasuresModel объект.
Для свойств и методов этого объекта смотрите RepeatedMeasuresModel.
Уилкинсон обозначения описывает факторы, присутствующие в моделях. Он не описывает умножители (коэффициенты) этих факторов.
Следующие правила определяют ответы в modelspec.
| Уилкинсон Обозначение | Значение |
|---|---|
Y1,Y2,Y3 | Определенный список переменных |
Y1-Y5 | Все табличные переменные из Y1 через Y5 |
Следующие правила определяют условия в modelspec.
| 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 |
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.
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.