Класс модели линейных смешанных эффектов
A LinearMixedModel
объект представляет модель переменной отклика с фиксированными и случайными эффектами. Он содержит данные, описание модели, подобранные коэффициенты, ковариационные параметры, матрицы проекта, невязки, остаточные графики и другую диагностическую информацию для линейной модели смешанных эффектов. Можно предсказать ответы модели с помощью predict
и генерируйте случайные данные в новых проектных точках, используя random
функция.
Вы можете подгонять линейную модель смешанных эффектов, используя fitlme(tbl,formula)
если ваши данные находятся в таблице или массиве набора данных. Кроме того, если ваша модель не легко описать с помощью формулы, можно создать матрицы, чтобы задать фиксированные и случайные эффекты и подогнать модель с помощью fitlmematrix(X,y,Z,G)
.
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)'
. Полное описание см. в Формуле.
Пример: 'y ~ treatment +(1|block)'
X
- Матрица дизайна с фиксированными эффектамиМатрица разработки фиксированных эффектов, заданная как n -by - p матрица, где n - количество наблюдений, а p - количество переменных предиктора фиксированных эффектов. Каждая строка X
соответствует одному наблюдению и каждому столбцу X
соответствует одной переменной.
Типы данных: single
| double
y
- Значения откликаЗначения отклика, заданные как n -by-1 вектор, где n - количество наблюдений.
Типы данных: single
| double
Z
- проект случайных эффектовПроект случайных эффектов, заданный как любой из следующих.
Если существует один член в модели случайных эффектов, то Z
должна быть n -by - q матрицей, где n - количество наблюдений, а q - количество переменных в термине случайных эффектов.
Если существует R членов случайных эффектов, то Z
должен быть массивом ячеек с R длины. Каждая камера Z
содержит n -by q (r) матрицу
проекта Z{r}
, r = 1, 2,..., R, соответствующий каждому термину случайных эффектов. Здесь q (r) - количество членов случайных эффектов в r-й матрице проекта случайных эффектов, Z{r}
.
Типы данных: single
| double
| cell
G
- Сгруппированная переменная или переменныхСгруппированная переменная или переменных, заданная как одна из следующих.
Если существует один термин случайных эффектов, то G
должен быть вектором n -by-1, соответствующим одной сгруппированной переменной с M уровнями или группами.
G
может быть категориальным вектором, логическим вектором, числовым вектором, символьным массивом, строковыми массивами или массивом ячеек из векторов символов.
Если существует несколько членов случайных эффектов, то G
должен быть массивом ячеек с R длины. Каждая камера G
содержит сгруппированную переменную G{r}
, r = 1, 2,..., R, с M (r) уровнями.
G{r}
может быть категориальным вектором, логическим вектором, числовым вектором, символьным массивом, строковыми массивами или массивом ячеек из векторов символов.
Типы данных: categorical
| logical
| single
| double
| char
| string
| cell
Coefficients
- Оценки коэффициентов с фиксированными эффектамиОценки коэффициентов с фиксированными эффектами и связанная статистика, сохраненные как массив набора данных, содержащий следующие поля.
Name | Имя термина. |
Estimate | Расчетное значение коэффициента. |
SE | Стандартная ошибка коэффициента. |
tStat | t -статистику для проверки нулевой гипотезы о том, что коэффициент равен нулю. |
DF | Степени свободы для t-test. Метод вычисления DF задается как 'DFMethod' аргумент пары "имя-значение". Coefficients всегда использует 'Residual' метод для 'DFMethod' . |
pValue | p -value для t - test. |
Lower | Нижний предел интервала доверия для коэффициента. Coefficients всегда использует 95% доверительный уровень, т.е. 'alpha' составляет 0,05. |
Upper | Верхний предел доверительного интервала для коэффициента. Coefficients всегда использует 95% доверительный уровень, т.е. 'alpha' составляет 0,05. |
Можно изменить 'DFMethod'
и 'alpha'
при вычислении доверительных интервалов для или проверке гипотез с фиксированными и случайными эффектами, используя coefCI
и coefTest
методы.
CoefficientCovariance
- Ковариация предполагаемых коэффициентов фиксированных эффектовКовариация предполагаемых коэффициентов с фиксированными эффектами модели линейных смешанных эффектов, сохраненная в виде p -by - p матрицы, где p - количество коэффициентов с фиксированными эффектами.
Вы можете отобразить ковариационные параметры, связанные со случайными эффектами, используя covarianceParameters
способ.
Типы данных: double
CoefficientNames
- Имена коэффициентов с фиксированными эффектамиИмена коэффициентов с фиксированными эффектами линейной модели с смешанными эффектами, сохраненные в виде массива ячеек p размера 1 байт.
Типы данных: cell
DFE
- Остаточные степени свободыОстаточные степени свободы, сохраненные как положительное целое значение. DFE = n - p, где n - количество наблюдений, а p - количество коэффициентов с фиксированными эффектами.
Это соответствует 'Residual'
метод вычисления степеней свободы в fixedEffects
и randomEffects
методы.
Типы данных: double
FitMethod
- Метод, используемый для подбора линейной модели смешанных эффектовML
| REML
Метод, используемый для подбора линейной модели смешанных эффектов, сохраненный как одно из следующего.
ML
, если метод аппроксимации является максимальной вероятностью
REML
, если метод аппроксимации ограничен максимальной вероятностью
Типы данных: char
Formula
- Спецификация членов фиксированных и случайных эффектов и сгруппированные переменныеСпецификация членов с фиксированными эффектами, членов со случайными эффектами и сгруппированных переменных, которые определяют линейную модель со смешанными эффектами, сохраненную как объект.
Для получения дополнительной информации о том, как задать модель для аппроксимации с помощью формулы, см. Формулу.
LogLikelihood
- Максимальная вероятность журнала или ограниченная вероятность журналаМаксимизированная журналом вероятность или максимизированный ограниченный журнал вероятность подобранной модели линейных смешанных эффектов в зависимости от выбранного вами метода подгонки, сохраненная в виде скалярного значения.
Типы данных: double
ModelCriterion
- Критерий моделиКритерий модели для сравнения подобранных линейных моделей смешанных эффектов, сохраненный как массив набора данных со следующими столбцами.
AIC | Информационный критерий Акайке |
BIC | Байесовский информационный критерий |
Loglikelihood | Журнал значения правдоподобия модели |
Deviance | -2 раза больше журнала вероятности модели |
Если n - количество наблюдений, используемых в подборе кривой модели, а p - количество коэффициентов с фиксированными эффектами, то для вычисления AIC и BIC,
Общее количество параметров nc + p + 1, где nc - общее количество параметров в ковариации случайных эффектов, исключая остаточное отклонение
Эффективное количество наблюдений
n, когда метод аппроксимации является максимально вероятным (ML)
n - p, когда метод аппроксимации ограничен максимальной вероятностью (REML)
MSE
- Оценка ML или REMLОценка ML или REML, основанная на методе аппроксимации, используемом для оценки2, хранится как положительная скалярная величина значение. σ2 - остаточное отклонение или отклонение термина ошибки наблюдения линейной модели смешанных эффектов.
Типы данных: double
NumCoefficients
- Количество коэффициентов с фиксированными эффектамиКоличество коэффициентов с фиксированными эффектами в подобранной модели линейных смешанных эффектов, сохраненных в виде положительного целого значения.
Типы данных: double
NumEstimatedCoefficients
- Количество расчетных коэффициентов фиксированных эффектовКоличество оцененных коэффициентов фиксированных эффектов в подобранной модели линейных смешанных эффектов, сохраненных в виде положительного целого значения.
Типы данных: double
NumObservations
- Количество наблюденийКоличество наблюдений, используемых в подгонке, сохраненных в виде положительного целого значения. Это количество строк в таблице или массиве наборов данных или матрицы проекта минус исключенные строки или строки с NaN
значения.
Типы данных: double
NumPredictors
- Количество предикторовКоличество переменных, используемых в качестве предикторов в модели линейных смешанных эффектов, сохраненных в виде положительного целого значения.
Типы данных: double
NumVariables
- Общее количество переменныхОбщее количество переменных, включая ответ и предикторы, сохраненных в виде положительного целого значения.
Если выборочные данные находятся в таблице или массиве набора данных tbl
, NumVariables
- общее количество переменных в tbl
включая переменную отклика.
Если подгонка основана на матричном входе, NumVariables
- общее количество столбцов в матрице предиктора или матрицах и векторе отклика.
NumVariables
включает переменные, если таковые имеются, которые не используются в качестве предикторов или в качестве отклика.
Типы данных: double
ObservationInfo
- Информация о наблюденияхИнформация о наблюдениях, используемых в подгонке, хранится в виде таблицы.
ObservationInfo
имеет одну строку для каждого наблюдения и следующие четыре столбца.
Weights | Значение взвешенной переменной для этого наблюдения. Значение по умолчанию 1. |
Excluded | true , если наблюдение было исключено из подгонки с помощью 'Exclude' аргумент пары "имя-значение", false , в противном случае. 1 означает true и 0 означает false . |
Missing |
Отсутствующие значения включают |
Subset | true , если наблюдение использовалось в подгонке, false , если он не использовался, поскольку отсутствует или исключен. |
Типы данных: table
ObservationNames
- Имена наблюденийИмена наблюдений, используемых в подгонке, хранятся как массив ячеек из векторов символов.
Если данные находятся в таблице или массиве набора данных, tbl
, содержащие имена наблюдений, ObservationNames
имеет эти имена.
Если данные предоставлены в матрицах или в массиве таблиц или наборов данных без имен наблюдений, то ObservationNames
- пустой массив ячеек.
Типы данных: cell
PredictorNames
- Имена предикторовИмена переменных, которые вы используете в качестве предикторов в подгонке, сохраненные как массив ячеек из векторов символов, который имеет ту же длину, что и NumPredictors
.
Типы данных: cell
ResponseName
- Имена переменной откликаИмя переменной, используемой в качестве переменной отклика в подгонке, сохраненное в виде вектора символов.
Типы данных: char
Rsquared
- Доля изменчивости в отклике, объясняемая подобранной модельюДоля изменчивости в отклике, объясняемая подобранной моделью, сохраненной как структура. Это множественный коэффициент корреляции или R-квадрат. Rsquared
имеет два поля.
Ordinary | R-квадрат, сохраненный как скалярное значение в структуре. Rsquared.Ordinary = 1 – SSE./SST |
Adjusted | R-квадратичное значение, скорректированное для количества коэффициентов с фиксированными эффектами, сохраненное в виде скалярного значения в структуре.
где |
Типы данных: struct
SSE
- Сумма ошибок квадратовСумма ошибок квадратов, то есть сумма квадратов условных невязок, сохраненная как положительная скалярная величина значение.
SSE = sum((y – F).^2)
, где y
- вектор отклика, и F
- установленная условная реакция линейной модели смешанных эффектов. Условная модель имеет вклады как от фиксированных, так и от случайных эффектов.
Типы данных: double
SSR
- Регрессионная сумма квадратовРегрессионная сумма квадратов, то есть сумма квадратов, объясненная линейной регрессией смешанных эффектов, сохраненная как положительная скалярная величина значение. Это сумма квадратов отклонений условных подобранных значений от их среднего.
SSR = sum((F – mean(F)).^2)
, где F
- установленная условная реакция линейной модели смешанных эффектов. Условная модель имеет вклады как от фиксированных, так и от случайных эффектов.
Типы данных: double
SST
- Общая сумма квадратовОбщая сумма квадратов, то есть сумма квадратов отклонений наблюдаемых значений отклика от их среднего, сохраненная как положительная скалярная величина значение.
SST = sum((y – mean(y)).^2) = SSR + SSE
, где y
- вектор отклика.
Типы данных: double
Variables
- ПеременныеПеременные, хранящиеся в виде таблицы.
Если подгонка основана на таблице или массиве набора данных tbl
, затем Variables
идентичен tbl
.
Если подгонка основана на матричном входе, то Variables
- таблица, содержащая все переменные в матрице или матрицах предиктора и переменной отклика.
Типы данных: table
VariableInfo
- Информация о переменныхСведения о переменных, используемых в подгонке, хранятся в виде таблицы.
VariableInfo
имеет по одной строке для каждой переменной и содержит следующие четыре столбца.
Class | Класс переменной ('double' , 'cell' , 'nominal' , и так далее). |
Range | Область значений значений переменной.
|
InModel |
|
IsCategorical |
|
Типы данных: table
VariableNames
- Имена переменныхИмена переменных, используемых в подгонке, хранятся как массив ячеек из векторов символов.
Если выборочные данные находятся в таблице или массиве набора данных tbl
, VariableNames
содержит имена переменных в tbl
.
Если выборочные данные в матричном формате, то VariableInfo
включает имена переменных, которые вы задаете во время подгонки модели. Если вы не задаете имена переменных, то VariableInfo
содержит имена по умолчанию.
Типы данных: cell
anova | Анализ отклонения для линейной модели смешанных эффектов |
coefCI | Доверительные интервалы для коэффициентов линейной модели смешанных эффектов |
coefTest | Тест гипотезы на фиксированных и случайных эффектах линейной модели смешанных эффектов |
compare | Сравнение линейных моделей смешанных эффектов |
covarianceParameters | Извлечение ковариационных параметров линейной модели смешанных эффектов |
designMatrix | Матрицы разработки фиксированных и случайных эффектов |
fitted | Подгонянные отклики от линейной модели смешанных эффектов |
fixedEffects | Оценки фиксированных эффектов и соответствующие статистические данные |
partialDependence | Вычисление частичной зависимости |
plotPartialDependence | Создайте график частичной зависимости (PDP) и отдельные графики условного ожидания (ICE) |
plotResiduals | Постройте графики невязок линейной модели смешанных эффектов |
predict | Предсказать ответ линейной модели смешанных эффектов |
random | Сгенерируйте случайные отклики из подобранной линейной модели смешанных эффектов |
randomEffects | Оценки случайных эффектов и соответствующие статистические данные |
residuals | Невязки установленной линейной модели смешанных эффектов |
response | Вектор отклика модели линейных смешанных эффектов |
Значение. Чтобы узнать, как классы значений влияют на операции копирования, см. раздел «Копирование объектов».
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 Центра 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 и областью в качестве переменной, объедините девять столбцов, соответствующих областям, в массив. Новый массив набора данных, flu2
, должна иметь переменную отклика, FluRate
, номинальная переменная, Region
, что показывает, из какой области каждая оценка, и сгруппированную переменную Date
.
flu2 = stack(flu,2:10,'NewDataVarName','FluRate',... 'IndVarName','Region'); flu2.Date = nominal(flu2.Date);
Подгонка линейной модели смешанных эффектов с фиксированными эффектами для области и случайной точкой пересечения, который варьируется в зависимости от Date
.
Поскольку область является номинальной переменной, fitlme
принимает первую область, NE
, как ссылка и создает восемь фиктивных переменных, представляющих другие восемь областей. Для примера, - фиктивная переменная, представляющая область MidAtl
. Для получения дополнительной информации смотрите Dummy Переменных.
Соответствующая модель является
где является наблюдением для уровня от сгруппированной переменной Date
, , = 0, 1,..., 8, являются коэффициентами с фиксированными эффектами, 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 + Region + (1|Date)')
lme = Linear mixed-effects model fit by ML Model information: Number of observations 468 Fixed effects coefficients 9 Random effects coefficients 52 Covariance parameters 2 Formula: FluRate ~ 1 + Region + (1 | Date) Model fit statistics: AIC BIC LogLikelihood Deviance 318.71 364.35 -148.36 296.71 Fixed effects coefficients (95% CIs): Name Estimate SE tStat DF {'(Intercept)' } 1.2233 0.096678 12.654 459 {'Region_MidAtl' } 0.010192 0.052221 0.19518 459 {'Region_ENCentral'} 0.051923 0.052221 0.9943 459 {'Region_WNCentral'} 0.23687 0.052221 4.5359 459 {'Region_SAtl' } 0.075481 0.052221 1.4454 459 {'Region_ESCentral'} 0.33917 0.052221 6.495 459 {'Region_WSCentral'} 0.069 0.052221 1.3213 459 {'Region_Mtn' } 0.046673 0.052221 0.89377 459 {'Region_Pac' } -0.16013 0.052221 -3.0665 459 pValue Lower Upper 1.085e-31 1.0334 1.4133 0.84534 -0.092429 0.11281 0.3206 -0.050698 0.15454 7.3324e-06 0.13424 0.33949 0.14902 -0.02714 0.1781 2.1623e-10 0.23655 0.44179 0.18705 -0.033621 0.17162 0.37191 -0.055948 0.14929 0.0022936 -0.26276 -0.057514 Random effects covariance parameters (95% CIs): Group: Date (52 Levels) Name1 Name2 Type Estimate {'(Intercept)'} {'(Intercept)'} {'std'} 0.6443 Lower Upper 0.5297 0.78368 Group: Error Name Estimate Lower Upper {'Res Std'} 0.26627 0.24878 0.285
Значения 7.3324e-06 и 2.1623e-10 соответственно показывают, что фиксированные эффекты уровня гриппа в областях WNCentral
и ESCentral
значительно отличаются относительно уровня гриппа в области NE
.
Доверительные пределы для стандартного отклонения термина случайных эффектов, , не включать 0 (0,5297, 0,78368), что указывает на то, что термин случайных эффектов значителен. Можно также проверить значимость членов случайных эффектов, используя compare
способ.
Оценочное значение наблюдения является суммой фиксированных эффектов и значения случайного эффекта на уровне сгруппированной переменной, соответствующем этому наблюдению. Например, оценочный лучший линейный объективный предиктор (BLUP) частоты гриппа для области WNCentral
на неделе 10/9/2005
Это подобранный условный ответ, поскольку он включает вклад в оценку как от фиксированных, так и от случайных эффектов. 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(4) + STATS.Estimate(STATS.Level=='10/9/2005')
y_hat = 1.2884
Вы можете просто отобразить подобранное значение с помощью fitted
способ.
F = fitted(lme); F(flu2.Date == '10/9/2005' & flu2.Region == 'WNCentral')
ans = 1.2884
Вычислите установленный предельный ответ для WNCentral области
в недельных 10/9/2005.
F = fitted(lme,'Conditional',false); F(flu2.Date == '10/9/2005' & flu2.Region == 'WNCentral')
ans = 1.4602
Загрузите выборочные данные.
load carbig
Подгонка линейной модели смешанных эффектов для миль на галлон (MPG) с фиксированными эффектами для ускорения, лошадиной силы и цилиндров и некоррелированным случайным эффектом для точки пересечения и ускорения, сгруппированным по модельному году. Эта модель соответствует
с терминами случайных эффектов, имеющими следующие предыдущие распределения:
где представляет модельный год.
Сначала подготовьте матрицы проекта для подбора кривой линейной модели смешанных эффектов.
X = [ones(406,1) Acceleration Horsepower]; Z = [ones(406,1) Acceleration]; Model_Year = nominal(Model_Year); G = Model_Year;
Теперь подбирайте модель используя fitlmematrix
с определенными матрицами проекта и сгруппированными переменными. Используйте 'fminunc'
алгоритм оптимизации.
lme = fitlmematrix(X,MPG,Z,G,'FixedEffectPredictors',.... {'Intercept','Acceleration','Horsepower'},'RandomEffectPredictors',... {{'Intercept','Acceleration'}},'RandomEffectGroups',{'Model_Year'},... 'FitMethod','REML')
lme = Linear mixed-effects model fit by REML Model information: Number of observations 392 Fixed effects coefficients 3 Random effects coefficients 26 Covariance parameters 4 Formula: Linear Mixed Formula with 4 predictors. Model fit statistics: AIC BIC LogLikelihood Deviance 2202.9 2230.7 -1094.5 2188.9 Fixed effects coefficients (95% CIs): Name Estimate SE tStat DF {'Intercept' } 50.064 2.3176 21.602 389 {'Acceleration'} -0.57897 0.13843 -4.1825 389 {'Horsepower' } -0.16958 0.0073242 -23.153 389 pValue Lower Upper 1.4185e-68 45.507 54.62 3.5654e-05 -0.85112 -0.30681 3.5289e-75 -0.18398 -0.15518 Random effects covariance parameters (95% CIs): Group: Model_Year (13 Levels) Name1 Name2 Type Estimate {'Intercept' } {'Intercept' } {'std' } 3.72 {'Acceleration'} {'Intercept' } {'corr'} -0.8769 {'Acceleration'} {'Acceleration'} {'std' } 0.3593 Lower Upper 1.5215 9.0954 -0.98275 -0.33845 0.19418 0.66483 Group: Error Name Estimate Lower Upper {'Res Std'} 3.6913 3.4331 3.9688
Отображение коэффициентов фиксированных эффектов включает оценку, стандартные ошибки (SE
) и 95% -ные пределы доверительного интервала (Lower
и Upper
). -значения для (pValue
) указывают, что все три коэффициента с фиксированными эффектами значительны.
Доверительные интервалы для стандартных отклонений и корреляция между случайными эффектами для точки пересечения и ускорения не включают нули, поэтому они кажутся значительными. Используйте compare
метод для проверки на случайные эффекты.
Отобразите ковариационную матрицу предполагаемых коэффициентов с фиксированными эффектами.
lme.CoefficientCovariance
ans = 3×3
5.3711 -0.2809 -0.0126
-0.2809 0.0192 0.0005
-0.0126 0.0005 0.0001
Диагональные элементы показывают отклонения оценок коэффициентов с фиксированными эффектами. Для примера отклонения оценки точки пересечения составляет 5,3711. Обратите внимание, что стандартные ошибки оценок являются квадратными корнями отклонений. Например, стандартная ошибка точки пересечения - 2.3176, что sqrt(5.3711)
.
Недиагональные элементы показывают корреляцию между оценками коэффициентов с фиксированными эффектами. Для примера корреляция между точкой пересечения и ускорением составляет -0,2809, и корреляция между ускорением и лошадиной силой составляет 0,0005.
Отобразите коэффициент детерминации для модели.
lme.Rsquared
ans = struct with fields:
Ordinary: 0.7866
Adjusted: 0.7855
Скорректированное значение является значением R-квадрат, скорректированным для количества предикторов в модели.
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. |
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.