Класс: LinearMixedModel
Оценки фиксированных эффектов и соответствующие статистические данные
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 t-statistic, который проверяет коэффициенты с фиксированными эффектами против 0, 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'
beta
- Оценки коэффициентов с фиксированными эффектамиОценки коэффициентов с фиксированными эффектами для подобранной модели линейных смешанных эффектов lme
, возвращается как вектор.
betanames
- Имена коэффициентов с фиксированными эффектамиИмена коэффициентов с фиксированными эффектами в beta
, возвращается как таблица.
stats
- Оценки фиксированных эффектов и соответствующие статистические данныеОценки фиксированных эффектов и связанная статистика, возвращенные как массив набора данных, который имеет по одной строке для каждого из фиксированных эффектов и по одному столбцу для каждой из следующих статистических данных.
Name | Имя коэффициента фиксированного эффекта |
Estimate | Расчетное значение коэффициента |
SE | Стандартная ошибка оценки |
tStat | t -статистический для теста, что коэффициент равен нулю |
DF | Предполагаемые степени свободы для t -статистического |
pValue | p -value для t -statistic |
Lower | Нижний предел интервала доверия 95% для коэффициента с фиксированным эффектом |
Upper | Верхний предел интервала доверия 95% для коэффициента с фиксированным эффектом |
Загрузите выборочные данные.
load('weight.mat');
Набор данных 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 программой являются фиксированными эффектами. Точка пересечения и неделя варьируются в зависимости от субъекта.
lme = fitlme(tbl,'y ~ InitialWeight + Program*Week + (Week|Subject)');
Отображение оценок коэффициентов с фиксированными эффектами и соответствующих имен эффектов с фиксированными эффектами.
[beta,betanames] = fixedEffects(lme)
beta = 9×1
0.6610
0.0032
0.3608
-0.0333
0.1132
0.1732
0.0388
0.0305
0.0331
betanames=9×1 table
Name
__________________
{'(Intercept)' }
{'InitialWeight' }
{'Program_B' }
{'Program_C' }
{'Program_D' }
{'Week' }
{'Program_B:Week'}
{'Program_C:Week'}
{'Program_D:Week'}
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 коррелированными случайными эффектами 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 и связанную статистику.
[~,~,stats] = fixedEffects(lme)
stats = Fixed effect coefficients: DFMethod = 'Residual', Alpha = 0.05 Name Estimate SE tStat DF {'(Intercept)' } 50.133 2.2652 22.132 389 {'Acceleration'} -0.58327 0.13394 -4.3545 389 {'Horsepower' } -0.16954 0.0072609 -23.35 389 pValue Lower Upper 7.7727e-71 45.679 54.586 1.7075e-05 -0.84661 -0.31992 5.188e-76 -0.18382 -0.15527
Маленькое -значения (под pValue
) указывают, что все коэффициенты с фиксированными эффектами значительны.
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, значительно ли отличается эффективность в зависимости от времени сдвига.
lme = fitlme(shift,'QCDev ~ Shift + (1|Operator)');
Вычислите 99% доверительные интервалы для коэффициентов с фиксированными эффектами, используя остаточный метод для вычисления степеней свободы. Это метод по умолчанию.
[~,~,stats] = fixedEffects(lme,'alpha',0.01)
stats = Fixed effect coefficients: DFMethod = 'Residual', Alpha = 0.01 Name Estimate SE tStat DF pValue {'(Intercept)' } 3.1196 0.88681 3.5178 12 0.0042407 {'Shift_Morning'} -0.3868 0.48344 -0.80009 12 0.43921 {'Shift_Night' } 1.9856 0.48344 4.1072 12 0.0014535 Lower Upper 0.41081 5.8284 -1.8635 1.0899 0.5089 3.4623
Вычислите 99% доверительные интервалы для коэффициентов с фиксированными эффектами, используя саттертвейтское приближение, чтобы вычислить степени свободы.
[~,~,stats] = fixedEffects(lme,'DFMethod','satterthwaite','alpha',0.01)
stats = Fixed effect coefficients: DFMethod = 'Satterthwaite', Alpha = 0.01 Name Estimate SE tStat DF pValue {'(Intercept)' } 3.1196 0.88681 3.5178 6.123 0.01214 {'Shift_Morning'} -0.3868 0.48344 -0.80009 10 0.44225 {'Shift_Night' } 1.9856 0.48344 4.1072 10 0.00212 Lower Upper -0.14122 6.3804 -1.919 1.1454 0.45343 3.5178
Саттертвейское приближение обычно производит меньшие DF
значения, чем остаточный метод. Именно поэтому он производит большие -значения (pValue
) и большие доверительные интервалы (см. Lower
и Upper
).
coefCI
| coefTest
| fitlme
| LinearMixedModel
| randomEffects
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.