RepeatedMeasuresModel class

Класс модели повторных измерений

Описание

A RepeatedMeasuresModel объект представляет модель, подобранную к данным с несколькими измерениями на субъекта. Объект содержит данные, подгоняемые коэффициенты, ковариационные параметры, матрицу проекта, степени свободы ошибок и имена факторов between и with-subject для модели повторных измерений. Можно предсказать ответы модели с помощью predict метод и генерация случайных данных в новых проектных точках с помощью random способ.

Конструкция

Подгонять модель повторных измерений можно используя fitrm(t,modelspec).

Входные параметры

расширить все

`t` - Входные данные
таблица

Входные данные, который включает значения переменных отклика и коэффициентов между субъектами для использования в качестве предикторов в модели повторных измерений, заданных как таблица.

Типы данных: table

`modelspec` - Формула для спецификации модели
вектор символов или строковый скаляр вида `'y1-yk ~ terms'`

Формула для спецификации модели, заданная как вектор символов или строковый скаляр вида 'y1-yk ~ terms'. Определите условия используя обозначение Уилкинсона. fitrm обрабатывает переменные, используемые в терминах модели, как категориальные, если они категориальные (номинальные или порядковые), логические, символьные массивы, строковые массивы или массив ячеек из векторов символов.

Пример: 'y1-y4 ~ x1 + x2 * x3'

Типы данных: char | string

Свойства

расширить все

`BetweenDesign` - Проект межсессионных факторов
таблица

Проект для коэффициентов между субъектами и значений повторных измерений, сохраненный в виде таблицы.

Типы данных: table

`BetweenModel` - Модель для факторов между субъектами
вектор символов

Модель для факторов между субъектами, сохраненная в виде вектора символов. Этот вектор символов является текстовым представлением справа от тильды в спецификации модели, которую вы предоставляете при подборе модели повторных измерений с помощью fitrm.

Типы данных: char

`BetweenFactorNames` - Имена переменных, используемых в качестве межсубъектных факторов
массив ячеек из векторов символов

Имена переменных, используемых в качестве межсубъектных факторов в модели повторных измерений, rm, сохраненный как массив ячеек из векторов символов.

Типы данных: cell

`ResponseNames` - Имена переменных, используемых в качестве переменных отклика
массив ячеек из векторов символов

Имена переменных, используемых в качестве переменных отклика в модели повторных измерений, rm, сохраненный как массив ячеек из векторов символов.

Типы данных: cell

`WithinDesign` - Значения внутренних факторов
таблица

Значения коэффициентов внутри субъекта, сохраненные как таблица.

Типы данных: table

`WithinModel` - Модель для факторов внутри субъектов
вектор символов

Модель для факторов внутри субъектов, сохраненная в виде вектора символов.

Можно задать WithinModel как вектор символов или строковый скаляр с использованием записи через точку: Mdl.WithinModel = newWithinModelValue.

`WithinFactorNames` - Имена внутренних факторов
массив ячеек из векторов символов

Имена факторов внутри субъекта, сохраненные как массив ячеек из векторов символов.

Типы данных: cell

`Coefficients` - Значения расчетных коэффициентов
таблица

Значения оценочных коэффициентов для подбора кривой повторных измерений как функции от членов в модели между субъектами, сохраненной в виде таблицы.

fitrm' определяет коэффициенты для категориального термина, используя кодирование 'effects', что означает сумму коэффициентов 0. Существует один коэффициент для каждого уровня, кроме первого. Подразумеваемый коэффициент для первого уровня является суммой других коэффициентов для члена.

Можно отобразить значения коэффициентов как матрицу, а не как таблицу, используя coef = r.Coefficients{:,:}.

Маргинальные средства для всех уровней можно отобразить с помощью margmean способ.

Типы данных: table

`Covariance` - Предполагаемые ковариации ответа
таблица

Предполагаемые ковариации ответа, то есть ковариация повторных измерений, хранятся в виде таблицы. fitrm вычисляет ковариации вокруг среднего значения, возвращенного установленной моделью повторных измерений rm.

Можно отобразить значения ковариации как матрицу, а не как таблицу, используя coef = r.Covariance{:,:}.

Типы данных: table

`DFE` - Ошибка степеней свободы
скалярное значение

Степени свободы ошибок, сохраненные как скалярное значение. DFE количество наблюдений минус количество оцененных коэффициентов в модели между субъектами.

Типы данных: double

Методы

anova	Анализ отклонения на эффекты между субъектами
эпсилон	Корректировка эпсилона для повторных измерений Анова
grpstats	Вычислите описательную статистику данных повторных измерений по группам
manova	Многомерный дисперсионный анализ
margmean	Оценка маргинальных средств
mauchly	Тест Мокли на сферичность
multcompare	Многократное сравнение предполагаемых маргинальных средств
график	Постройте график данных с опциональной группировкой
plotprofile	Постройте график ожидаемых маргинальных средств с опциональной группировкой
предсказать	Вычислите предсказанные значения заданных значений предиктора
случайный	Сгенерируйте новые значения случайного отклика, заданные предикторными значениями
Renova	Анализ повторных измерений отклонения

Примеры

свернуть все

Подбор модели повторных измерений

Открыть Live Script

Загрузите выборочные данные.

load fisheriris

The вектора-столбца, species, состоит из цветков радужки трех различных видов: сетоза, версиколор, виргиника. Матрица с двойной meas состоит из четырех видов измерений на цветках: длина и ширина чашелистиков и лепестков в сантиметрах соответственно.

Сохраните данные в массиве таблиц.

t = table(species,meas(:,1),meas(:,2),meas(:,3),meas(:,4),...
'VariableNames',{'species','meas1','meas2','meas3','meas4'});
Meas = table([1 2 3 4]','VariableNames',{'Measurements'});

Подгонка модели повторных измерений, где измерения являются откликами, а вид является переменной.

rm = fitrm(t,'meas1-meas4~species','WithinDesign',Meas)

rm = 
  RepeatedMeasuresModel with properties:

   Between Subjects:
         BetweenDesign: [150x5 table]
         ResponseNames: {'meas1'  'meas2'  'meas3'  'meas4'}
    BetweenFactorNames: {'species'}
          BetweenModel: '1 + species'

   Within Subjects:
          WithinDesign: [4x1 table]
     WithinFactorNames: {'Measurements'}
           WithinModel: 'separatemeans'

   Estimates:
          Coefficients: [3x4 table]
            Covariance: [4x4 table]

Отобразите коэффициенты.

rm.Coefficients

ans=3×4 table
                           meas1       meas2      meas3      meas4  
                          ________    ________    ______    ________

    (Intercept)             5.8433      3.0573     3.758      1.1993
    species_setosa        -0.83733     0.37067    -2.296    -0.95333
    species_versicolor    0.092667    -0.28733     0.502     0.12667

fitrm использует 'effects' контрастирует, что означает, что коэффициенты равны 0. The rm.DesignMatrix имеет один столбец 1с для точки пересечения и два других столбцов species_setosa и species_versicolor, которые являются следующими:

$s p e c i e s_s e t o s a = {\begin{array}{cccccccccccccccccccc} 1, i f s e t o s a \\ 0, i f v e r s i c o l o r \\ - 1, i f v i r g i n i c a \end{array}$

$s p e c i e s_v e r s i c o l o r = {\begin{array}{cccccccccccccccccccc} 0, i f s e t o s a \\ 1, i f v e r s i c o l o r \\ - 1, i f v i r g i n i c a \end{array} .$

Отобразите ковариационную матрицу.

rm.Covariance

ans=4×4 table
              meas1       meas2       meas3       meas4  
             ________    ________    ________    ________

    meas1     0.26501    0.092721     0.16751    0.038401
    meas2    0.092721     0.11539    0.055244     0.03271
    meas3     0.16751    0.055244     0.18519    0.042665
    meas4    0.038401     0.03271    0.042665    0.041882

Отображение степеней свободы ошибок.

rm.DFE

ans = 147

Степени свободы ошибок - это количество наблюдений минус количество оцененных коэффициентов в модели между субъектами, например, 150-3 = 147.

Подробнее о

расширить все

Уилкинсон Обозначение

Уилкинсон обозначения описывает факторы, присутствующие в моделях. Он не описывает умножители (коэффициенты) этих факторов.

Используйте эти правила, чтобы задать ответы в modelspec.

Уилкинсон Обозначение	Описание
`Y1,Y2,Y3`	Определенный список переменных
`Y1-Y5`	Все табличные переменные из `Y1` через `Y5`

Используйте эти правила, чтобы задать условия в modelspec.

Уилкинсон Обозначение	Факторы в стандартном обозначении
`1`	Константа ( точку пересечения) термин
`X^k`, где `k` является положительным целым числом	`X`, `X²`,..., X`^k`
`X1 + X2`	`X1`, `X2`
`X1*X2`	`X1`, `X2`, `X1*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`
`X1X2X3 - X1:X2:X3`	`X1`, `X2`, `X3`, `X1X2`, `X1X3`, `X2*X3`
`X1*(X2 + X3)`	`X1`, `X2`, `X3`, `X1X2`, `X1X3`

Statistics and Machine Learning Toolbox™ notation всегда включает в себя постоянный термин, если вы явным образом не удаляете термин с помощью -1.

См. также

fitrm

Документация

RepeatedMeasuresModel class

Описание

Конструкция

Входные параметры

`t` - Входные данные
таблица

`modelspec` - Формула для спецификации модели
вектор символов или строковый скаляр вида `'y1-yk ~ terms'`

Свойства

`BetweenDesign` - Проект межсессионных факторов
таблица

`BetweenModel` - Модель для факторов между субъектами
вектор символов

`BetweenFactorNames` - Имена переменных, используемых в качестве межсубъектных факторов
массив ячеек из векторов символов

`ResponseNames` - Имена переменных, используемых в качестве переменных отклика
массив ячеек из векторов символов

`WithinDesign` - Значения внутренних факторов
таблица

`WithinModel` - Модель для факторов внутри субъектов
вектор символов

`WithinFactorNames` - Имена внутренних факторов
массив ячеек из векторов символов

`Coefficients` - Значения расчетных коэффициентов
таблица

`Covariance` - Предполагаемые ковариации ответа
таблица

`DFE` - Ошибка степеней свободы
скалярное значение

Методы

Примеры

Подбор модели повторных измерений

Подробнее о

Уилкинсон Обозначение

См. также

Темы

Statistics and Machine Learning Toolbox документация

Поддержка

Документация

RepeatedMeasuresModel class

Описание

Конструкция

Входные параметры

t - Входные данные таблица

modelspec - Формула для спецификации модели вектор символов или строковый скаляр вида 'y1-yk ~ terms'

Свойства

BetweenDesign - Проект межсессионных факторов таблица

BetweenModel - Модель для факторов между субъектами вектор символов

BetweenFactorNames - Имена переменных, используемых в качестве межсубъектных факторов массив ячеек из векторов символов

ResponseNames - Имена переменных, используемых в качестве переменных отклика массив ячеек из векторов символов

WithinDesign - Значения внутренних факторов таблица

WithinModel - Модель для факторов внутри субъектов вектор символов

WithinFactorNames - Имена внутренних факторов массив ячеек из векторов символов

Coefficients - Значения расчетных коэффициентов таблица

Covariance - Предполагаемые ковариации ответа таблица

DFE - Ошибка степеней свободы скалярное значение

Методы

Примеры

Подбор модели повторных измерений

Подробнее о

Уилкинсон Обозначение

См. также

Темы

Statistics and Machine Learning Toolbox документация

Поддержка

`t` - Входные данные
таблица

`modelspec` - Формула для спецификации модели
вектор символов или строковый скаляр вида `'y1-yk ~ terms'`

`BetweenDesign` - Проект межсессионных факторов
таблица

`BetweenModel` - Модель для факторов между субъектами
вектор символов

`BetweenFactorNames` - Имена переменных, используемых в качестве межсубъектных факторов
массив ячеек из векторов символов

`ResponseNames` - Имена переменных, используемых в качестве переменных отклика
массив ячеек из векторов символов

`WithinDesign` - Значения внутренних факторов
таблица

`WithinModel` - Модель для факторов внутри субъектов
вектор символов

`WithinFactorNames` - Имена внутренних факторов
массив ячеек из векторов символов

`Coefficients` - Значения расчетных коэффициентов
таблица

`Covariance` - Предполагаемые ковариации ответа
таблица

`DFE` - Ошибка степеней свободы
скалярное значение