Класс: LinearMixedModel
Доверительные интервалы для коэффициентов линейной модели смешанных эффектов
возвращает 95% доверительные интервалы для коэффициентов с фиксированными эффектами в модели линейных смешанных эффектов feCI
= coefCI(lme
,Name,Value
)lme
с дополнительными опциями, заданными одним или несколькими Name,Value
аргументы в виде пар.
Для примера можно задать уровень доверия или метод для вычисления степеней свободы.
lme
- Линейная модель смешанных эффектовLinearMixedModel
объектЛинейная модель смешанных эффектов, заданная как LinearMixedModel
объект, созданный с использованием fitlme
или fitlmematrix
.
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
.
'Alpha'
- Уровень значимостиУровень значимости, заданный как разделенная разделенными запятой парами, состоящая из 'Alpha'
и скалярное значение в области значений от 0 до 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
'DFMethod'
- Метод вычисления приблизительных степеней свободы'residual'
(по умолчанию) | 'satterthwaite'
| 'none'
Метод для вычисления приблизительных степеней свободы для расчета доверительного интервала, заданный как разделенная разделенными запятой парами, состоящая из 'DFMethod'
и одно из следующих.
'residual' | По умолчанию. Степени свободы приняты постоянными и равными n - p, где n - количество наблюдений и p - количество фиксированных эффектов. |
'satterthwaite' | Саттертвейское приближение. |
'none' | Все степени свободы установлены в бесконечность. |
Например, можно задать приближение Саттертвейта следующим образом.
Пример: 'DFMethod','satterthwaite'
feCI
- Доверительные интервалы с фиксированными эффектамиДоверительные интервалы с фиксированными эффектами, возвращенные как p-на-2 матрица. feCI
содержит пределы доверия, которые соответствуют p оценкам фиксированных эффектов в векторе beta
возвращен fixedEffects
способ. Первый столбец feCI
имеет более низкие доверительные пределы, а второй столбец имеет верхние доверительные пределы.
reCI
- Доверительные интервалы случайных эффектовДоверительные интервалы случайных эффектов, возвращенные как q-на-2 матрица. reCI
содержит пределы доверия, соответствующие q оценкам случайных эффектов в векторе B
возвращен randomEffects
способ. Первый столбец reCI
имеет более низкие доверительные пределы, а второй столбец имеет верхние доверительные пределы.
Загрузите выборочные данные.
load('weight.mat')
weight
содержит данные продольного исследования, где 20 субъектов случайным образом назначены для 4 программ упражнений, 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.
lme = fitlme(tbl,'y ~ InitialWeight + Program*Week + (Week|Subject)');
Вычислите оценки коэффициентов с фиксированными эффектами.
fe = fixedEffects(lme)
fe = 9×1
0.6610
0.0032
0.3608
-0.0333
0.1132
0.1732
0.0388
0.0305
0.0331
Первая оценка, 0,6610, соответствует постоянному члену. Вторая строка, 0,0032, и третья строка, 0,3608, являются оценками для коэффициента начального веса и недели, соответственно. Строки с четырех по шесть соответствуют переменным индикатора для программ B-D, а последние три строки соответствуют взаимодействию программ B-D и недели.
Вычислите 95% доверительные интервалы для коэффициентов с фиксированными эффектами.
fecI = coefCI(lme)
fecI = 9×2
0.1480 1.1741
0.0005 0.0059
0.1004 0.6211
-0.2932 0.2267
-0.1471 0.3734
0.0395 0.3069
-0.1503 0.2278
-0.1585 0.2196
-0.1559 0.2221
Некоторые доверительные интервалы включают 0. Чтобы получить конкретный -значения для каждого термина с фиксированными эффектами, используйте fixedEffects
способ. Чтобы протестировать на целые условия, используйте anova
способ.
Загрузите выборочные данные.
load carbig
Подгонка линейной модели смешанных эффектов для миль на галлон (MPG) с фиксированными эффектами для ускорения и лошадиной силы и потенциально коррелированным случайным эффектом для точки пересечения и ускорения, сгруппированными по модельным годам. Сначала сохраните данные в таблице.
tbl = table(Acceleration,Horsepower,Model_Year,MPG);
Подгонка модели.
lme = fitlme(tbl, 'MPG ~ Acceleration + Horsepower + (Acceleration|Model_Year)');
Вычислите оценки коэффициентов с фиксированными эффектами.
fe = fixedEffects(lme)
fe = 3×1
50.1325
-0.5833
-0.1695
Вычислите 99% доверительные интервалы для коэффициентов с фиксированными эффектами с помощью метода невязок, чтобы определить степени свободы. Это метод по умолчанию.
feCI = coefCI(lme,'Alpha',0.01)
feCI = 3×2
44.2690 55.9961
-0.9300 -0.2365
-0.1883 -0.1507
Вычислите 99% доверительные интервалы для коэффициентов с фиксированными эффектами, используя саттертвейтское приближение, чтобы вычислить степени свободы.
feCI = coefCI(lme,'Alpha',0.01,'DFMethod','satterthwaite')
feCI = 3×2
44.0949 56.1701
-0.9640 -0.2025
-0.1884 -0.1507
Саттертвейтское приближение создает такие же доверительные интервалы, как и остаточный метод.
Загрузите выборочные данные.
load('shift.mat')
Данные показывают отклонения от целевой характеристики качества, измеренные по продуктам, которые пять операторов производят в три сдвигов: утреннюю, вечернюю и ночную. Это рандомизированный проект блока, где операторы являются блоками. Эксперимент предназначен для изучения влияния времени сдвига на эффективность. Показателем эффективности является отклонение характеристик качества от целевого значения. Это моделируемые данные.
Shift
и Operator
являются номинальными переменными.
shift.Shift = nominal(shift.Shift); shift.Operator = nominal(shift.Operator);
Подгонка модели линейных смешанных эффектов со случайной точкой пересечения, сгруппированным оператором, чтобы оценить, существует ли значительное различие в эффективности в соответствии со временем сдвига.
lme = fitlme(shift,'QCDev ~ Shift + (1|Operator)');
Вычислите оценку BLUP для случайных эффектов.
randomEffects(lme)
ans = 5×1
0.5775
1.1757
-2.1715
2.3655
-1.9472
Вычислите 95% доверительные интервалы для случайных эффектов.
[~,reCI] = coefCI(lme)
reCI = 5×2
-1.3916 2.5467
-0.7934 3.1449
-4.1407 -0.2024
0.3964 4.3347
-3.9164 0.0219
Вычислите 99% доверительные интервалы для случайных эффектов с помощью метода невязок, чтобы определить степени свободы. Это метод по умолчанию.
[~,reCI] = coefCI(lme,'Alpha',0.01)
reCI = 5×2
-2.1831 3.3382
-1.5849 3.9364
-4.9322 0.5891
-0.3951 5.1261
-4.7079 0.8134
Вычислите 99% доверительные интервалы для случайных эффектов, используя саттертвейтское приближение, чтобы определить степени свободы.
[~,reCI] = coefCI(lme,'Alpha',0.01,'DFMethod','satterthwaite')
reCI = 5×2
-2.6840 3.8390
-2.0858 4.4372
-5.4330 1.0900
-0.8960 5.6270
-5.2087 1.3142
Саттертвейское приближение может привести к меньшим DF
значения, чем остаточный метод. Вот почему эти интервалы доверия больше, чем предыдущие таковые, вычисленные с помощью остаточного метода.
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.