Exponenta Banner

covarianceParameters

Класс: GeneralizedLinearMixedModel

Извлечение ковариационных параметров обобщенной линейной модели смешанных эффектов

развернуть все на странице

Синтаксис

psi = covarianceParameters(glme)
[psi,dispersion] = covarianceParameters(glme)
[psi,dispersion,stats] = covarianceParameters(glme)
[___] = covarianceParameters(glme,Name,Value)

Описание

psi = covarianceParameters(glme) возвращает предполагаемые предшествующие ковариационные параметры предикторов случайных эффектов в обобщенной модели линейных смешанных эффектов glme.

[psi,dispersion] = covarianceParameters(glme) также возвращает оценку параметра дисперсии.

пример

[psi,dispersion,stats] = covarianceParameters(glme) также возвращает массив ячеек stats содержащие оценки ковариационных параметров и связанную статистику.

[___] = covarianceParameters(glme,Name,Value) возвращает любой из перечисленных выше выходных аргументов с помощью дополнительных опций, заданных одним или несколькими Name,Value аргументы в виде пар. Например, можно задать доверительный уровень для доверительных пределов ковариационных параметров.

Входные параметры

расширить все

Обобщенная модель линейных смешанных эффектов, заданная как GeneralizedLinearMixedModel объект. Для свойств и методов этого объекта смотрите GeneralizedLinearMixedModel.

Аргументы в виде пар имя-значение

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.

Уровень значимости, заданный как разделенная разделенными запятой парами, состоящая из 'Alpha' и скалярное значение в области значений [0,1]. Для значения α доверительный уровень равен 100 × (1 - α)%.

Для примера для 99% интервалов доверия можно задать уровень доверия следующим образом.

Пример: 'Alpha',0.01

Типы данных: single | double

Выходные аргументы

расширить все

Предполагаемые предшествующие ковариационные параметры для предикторов случайных эффектов, возвращенные как массив ячеек с R длины, где R - количество сгруппированных переменных, используемых в модели. psi{r} содержит ковариационную матрицу случайных эффектов, связанных с сгруппированной переменной g r, где r = 1, 2,..., R, Порядок сгруппированных переменных в psi совпадает с порядком, введенным при подборе модели. Для получения дополнительной информации о сгруппированных переменных см. Сгруппированные переменные».

Параметр дисперсии, возвращенный в виде скалярного значения.

Оценки ковариационных параметров и связанная статистика, возвращенные как массив ячеек длины (R + 1), где R - количество сгруппированных переменных, используемых в модели. Первые R камеры stats каждый содержит массив набора данных со следующими столбцами.

Имя столбцаОписание
GroupСгруппированная переменная
Name1Имя первой переменной предиктора
Name2Имя второй переменной предиктора
Type

Если Name1 и Name2 то же самое Type является std (стандартное отклонение).

Если Name1 и Name2 тогда разные Type является corr (корреляция).

Estimate

Если Name1 и Name2 то же самое Estimate - стандартное отклонение случайного эффекта, сопоставленного с предиктором Name1 или Name2.

Если Name1 и Name2 тогда разные Estimate является корреляцией между случайными эффектами, связанными с предикторами Name1 и Name2.

LowerНижний предел доверительного интервала для ковариационного параметра
UpperВерхний предел доверительного интервала для ковариационного параметра

Cell R + 1 содержит связанную статистику для параметра дисперсии.

Рекомендуется, чтобы наличие или отсутствие ковариационных параметров у glme быть протестированным с помощью compare метод, который использует тест коэффициента вероятности.

При подборе модели GLME используя fitglme и один из максимальных методов подгонки правдоподобия ('Laplace' или 'ApproximateLaplace'), covarianceParameters выводит доверительные интервалы в stats основанный на приближении Лапласа к логарифмической вероятности обобщенной модели линейных смешанных эффектов.

При подборе модели GLME используя fitglme и один из методов подгонки псевдоправдоподобия ('MPL' или 'REMPL'), covarianceParameters выводит доверительные интервалы в stats основанный на подобранной линейной модели смешанных эффектов из итоговой итерации псевдовидности.

Примеры

расширить все

Открыть Live Script

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 на поставщика (A, B, или C) 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

defectsij∼Пуассон(μij)

Это соответствует обобщенной модели линейных смешанных эффектов

log(μij)=β0+β1newprocessij+β2time_devij+β3temp_devij+β4supplier_Cij+β5supplier_Bij+bi,

где

  • defectsij количество дефектов, наблюдаемых в партии, произведенной заводом-изготовителем i во время партии j.

  • μij - среднее количество дефектов, соответствующих заводу i (где i=1,2,...,20) во время партии j (где j=1,2,...,5).

  • newprocessij, time_devij, и temp_devij являются измерениями для каждой переменной, которые соответствуют фабрике i во время партии j. Для примера, newprocessij указывает, производится ли партия заводом-изготовителем i во время партии j использовали новый процесс.

  • supplier_Cij и supplier_Bij 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 i во время партии j.

  • bi∼N(0,σb2) является точка пересечения случайных эффектов для каждого завода i 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');

Вычислите и отобразите оценку предыдущего ковариационного параметра для предиктора случайных эффектов. 

[psi,dispersion,stats] = covarianceParameters(glme);
psi{1}
ans = 0.0985

psi{1} является оценкой предшествующей ковариационной матрицы первой сгруппированной переменной. В этом примере существует только одна сгруппированная переменная (factory), так psi{1} является оценкой σb2.

Отобразите параметр дисперсии. 

dispersion
dispersion = 1

Отобразите предполагаемое стандартное отклонение случайного эффекта, сопоставленного с предиктором. Первая камера stats содержит статистику для factory, в то время как вторая камера содержит статистику для параметра дисперсии. 

stats{1}
ans = 
    Covariance Type: Isotropic

    Group      Name1                  Name2                  Type       
    factory    {'(Intercept)'}        {'(Intercept)'}        {'std'}    


    Estimate    Lower      Upper  
    0.31381     0.19253    0.51148

Оцененное стандартное отклонение случайного эффекта, сопоставленного с предиктором, составляет 0,31381. 95% доверительный интервал составляет [0,19253, 0,51148]. Поскольку доверительный интервал не содержит 0, случайная точка пересечения значительна на уровне 5% значимости.

См. также

| | | |

Statistics and Machine Learning Toolbox документация

Поддержка