fitted

Класс: GeneralizedLinearMixedModel

Подгонянные отклики обобщенной модели линейных смешанных эффектов

развернуть все на странице

Синтаксис

mufit = fitted(glme)

mufit = fitted(glme,Name,Value)

Описание

пример

mufit = fitted(glme) возвращает установленный условный ответ обобщенной линейной модели смешанных эффектов glme.

mufit = fitted(glme,Name,Value) возвращает встроенный ответ с дополнительными опциями, заданными одним или несколькими аргументами пары "имя-значение". Для примера можно задать, чтобы вычислить маргинальный подобранный ответ.

Входные параметры

расширить все

`glme` - Обобщенная линейная модель смешанных эффектов
`GeneralizedLinearMixedModel` объект

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.

`'Conditional'` - Индикатор условного отклика
`true` (по умолчанию) | `false`

Индикатор условного отклика, заданный как разделенная разделенными запятой парами, состоящая из 'Conditional' и одно из следующих.

Значение	Описание
`true`	Вклады как от фиксированных эффектов, так и от случайных эффектов (условные)
`false`	Вклад только от фиксированных эффектов (маргинальный)

Чтобы получить установленные предельные значения отклика, fitted вычисляет условное среднее значения отклика с эмпирическим вектором Бейеса случайных эффектов b установленным равным 0. Для получения дополнительной информации смотрите Условный и Маргинальный Ответ

Пример: 'Conditional',false

Выходные аргументы

расширить все

`mufit` - Установленные значения отклика
n вектор -by-1

Установленные значения отклика, возвращенные как n-на-1 вектор, где n - количество наблюдений.

Примеры

расширить все

График, наблюдаемый по сравнению с установленными значениями

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

${defects}_{i j} \sim Пуассон (μ_{i j})$

Это соответствует обобщенной модели линейных смешанных эффектов

$\log (μ_{i j}) = β_{0} + β_{1} {newprocess}_{i j} + β_{2} {time_dev}_{i j} + β_{3} {temp_dev}_{i j} + β_{4} {supplier_C}_{i j} + β_{5} {supplier_B}_{i j} + b_{i},$

где

${defects}_{i j}$ количество дефектов, наблюдаемых в партии, произведенной заводом-изготовителем $i$ во время партии $j$ .
$μ_{i j}$ - среднее количество дефектов, соответствующих заводу $i$ (где $i = 1, 2, . . ., 20$ ) во время партии $j$ (где $j = 1, 2, . . ., 5$ ).
${newprocess}_{i j}$ , ${time_dev}_{i j}$ , и ${temp_dev}_{i j}$ являются измерениями для каждой переменной, которые соответствуют фабрике $i$ во время партии $j$ . Для примера, ${newprocess}_{i j}$ указывает, производится ли партия заводом-изготовителем $i$ во время партии $j$ использовали новый процесс.
${supplier_C}_{i j}$ и ${supplier_B}_{i j}$ 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 $j$ .
$b_{i} \sim N (0, σ_{b}^{2})$ 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');

Сгенерируйте подобранные условные средние значения для модели.

mufit = fitted(glme);

Создайте рассеянный график наблюдаемых значений от подобранных значений.

figure
scatter(mfr.defects,mufit)
title('Residuals versus Fitted Values')
xlabel('Fitted Values')
ylabel('Residuals')

Figure contains an axes. The axes with title Residuals versus Fitted Values contains an object of type scatter.

Подробнее о

расширить все

Условный и маргинальный ответ

Условный ответ включает вклады как от предикторов фиксированных, так и от случайных эффектов. Маргинальный ответ включает вклад только от фиксированных эффектов.

Предположим, обобщенная модель линейных смешанных эффектов glme имеет n матрицу проекта -by p fixed-effects X и n матрица дизайна -by q случайных эффектов Z. Кроме того, предположим, что предполагаемый вектор p -by-1 с фиксированными эффектами $\hat{β}$ , и q-на-1 эмпирический вектор Бейеса случайных эффектов, $\hat{b}$ .

Установленный условный ответ соответствует 'Conditional',true аргумент пары "имя-значение", и определяется как

${\hat{μ}}_{c o n d} = g^{- 1} ({\hat{η}}_{M E}),$

где ${\hat{η}}_{M E}$ является линейным предиктором, включая фиксированные - и случайные - эффекты обобщенной линейной модели смешанных эффектов

${\hat{η}}_{M E} = X \hat{β} + Z \hat{b} + δ .$

Установленный предельный ответ соответствует 'Conditional',false аргумент пары "имя-значение", и определяется как

${\hat{μ}}_{m a r} = g^{- 1} ({\hat{η}}_{F E}),$

где ${\hat{η}}_{F E}$ является линейным предиктором, включающим только фрагмент с фиксированными эффектами обобщенных линейных смешанных эффектов модели

${\hat{η}}_{F E} = X \hat{β} + δ .$

См. также

designMatrix | fitglme | GeneralizedLinearMixedModel | residuals | response

Документация

fitted

Синтаксис

Описание

Входные параметры

`glme` - Обобщенная линейная модель смешанных эффектов
`GeneralizedLinearMixedModel` объект

Аргументы в виде пар имя-значение

`'Conditional'` - Индикатор условного отклика
`true` (по умолчанию) | `false`

Выходные аргументы

`mufit` - Установленные значения отклика
n вектор -by-1

Примеры

График, наблюдаемый по сравнению с установленными значениями

Подробнее о

Условный и маргинальный ответ

См. также

Statistics and Machine Learning Toolbox документация

Поддержка

Документация

fitted

Синтаксис

Описание

Входные параметры

glme - Обобщенная линейная модель смешанных эффектов GeneralizedLinearMixedModel объект

Аргументы в виде пар имя-значение

'Conditional' - Индикатор условного отклика true (по умолчанию) | false

Выходные аргументы

mufit - Установленные значения отклика n вектор -by-1

Примеры

График, наблюдаемый по сравнению с установленными значениями

Подробнее о

Условный и маргинальный ответ

См. также

Statistics and Machine Learning Toolbox документация

Поддержка

`glme` - Обобщенная линейная модель смешанных эффектов
`GeneralizedLinearMixedModel` объект

`'Conditional'` - Индикатор условного отклика
`true` (по умолчанию) | `false`

`mufit` - Установленные значения отклика
n вектор -by-1