Класс: RepeatedMeasuresModel
Анализ отклонения на эффекты между субъектами
rm - Модель повторных измеренийRepeatedMeasuresModel объектМодель повторных измерений, возвращенная как RepeatedMeasuresModel объект.
Для свойств и методов этого объекта смотрите RepeatedMeasuresModel.
WM - Модель внутри субъекта'separatemeans' (по умолчанию) | 'orthogonalcontrasts' | вектор символов или строковый скаляр, определяющий спецификацию модели | r -by- nc матрица, задающая nc контрастовМодель внутри субъекта, заданная как одно из следующего:
'separatemeans' - Реакция является средним значением повторных измерений (среднее значение по модели внутри субъекта).
'orthogonalcontrasts' - Это действительно, когда модель внутри субъекта имеет одну числовую T. Отклики - это среднее значение, наклон центрированных T и, в целом, все ортогональные контрасты для полинома до T ^ (p - 1), где p - количество строк в модели внутри субъекта. anova умножает Y, ответ, который вы используете в модели повторных измерений rm по ортогональным контрастам и использует столбцы получившейся матрицы продукта в качестве откликов.
anova вычисляет ортогональные контрасты для T, используя коэффициент Q QR-факторизации матрицы Вандермонда.
Вектор символов или строковый скаляр, который задает спецификацию модели в факторах внутри субъекта. Отклики определяются терминами в этой модели. anova умножает Y, матрицу отклика, которую вы используете в модели повторных измерений rm по терминам модели и использует столбцы результата в качестве ответов.
Для примера, если существует Коэффициент Времени и 'Time' является спецификацией модели, затем anova использует два условия, константу и несуществующий термин Time. Значение по умолчанию является '1' для выполнения на среднем отклике.
Матрица r -by nc, C, задающая nc контраста среди r повторных измерений. Если Y представляет матрицу повторных измерений, которую вы используете в модели повторных измерений rm, затем выход tbl содержит отдельный анализ отклонения для каждого столбца Y * C.
The anova таблица содержит отдельный одномерный анализ результатов отклонений для каждого отклика.
Пример: 'WithinModel','Time'
Пример: 'WithinModel','orthogonalcontrasts'
anovatbl - Результаты дисперсионного анализаРезультаты анализа отклонения на эффекты между субъектами, возвращенные как таблица. Это включает все условия на модели между субъектами и следующие столбцы.
| Имя столбца | Определение |
|---|---|
Within | Внутри субъектных факторов |
Between | Межсессионные факторы |
SumSq | Сумма квадратов |
DF | Степени свободы |
MeanSq | Средняя квадратичная невязка |
F | F -статистический |
pValue | p -значение, соответствующее F -статистическое |
Загрузите выборочные данные.
load fisheririsОбласть вектора-столбца species состоит из цветков радужки трех различных видов: сетоза, версиколор и 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 = dataset([1 2 3 4]','VarNames',{'Measurements'});
Подгонка модели повторных измерений, где измерения являются откликами, а вид является переменной.
rm = fitrm(t,'meas1-meas4~species','WithinDesign',Meas);
Выполните анализ отклонения.
anova(rm)
ans=3×7 table
Within Between SumSq DF MeanSq F pValue
________ ________ ______ ___ _______ ______ ___________
Constant constant 7201.7 1 7201.7 19650 2.0735e-158
Constant species 309.61 2 154.8 422.39 1.1517e-61
Constant Error 53.875 147 0.36649
Имеется 150 наблюдений и 3 вида. Степени свободы для видов составляют 3 - 1 = 2, а для ошибки это 150 - 3 = 147. Маленькое Значение 1.1517e-61 указывает, что измерения значительно различаются в зависимости от вида.
Загрузите образец данных панели.
load('panelData.mat');Массив набора данных, panelData, содержит ежегодные наблюдения по восьми городам в течение 6 лет. Первая переменная, Growth, измеряет экономический рост (переменная отклика). Вторая и третья переменные - индикаторы города и года, соответственно. Последняя переменная, Employ, измеряет занятость (переменная предиктора). Это моделируемые данные.
Сохраните данные в массиве таблиц и задайте город как номинальную переменную.
t = table(panelData.Growth,panelData.City,panelData.Year,... 'VariableNames',{'Growth','City','Year'});
Преобразуйте данные в соответствующий формат, чтобы выполнить повторные измерения анализ.
t = unstack(t,'Growth','Year','NewDataVariableNames',... {'year1','year2','year3','year4','year5','year6'});
Добавьте средний уровень занятости за годы в качестве предиктора переменной к таблице t.
t(:,8) = table(grpstats(panelData.Employ,panelData.City));
t.Properties.VariableNames{'Var8'} = 'meanEmploy';Задайте переменную внутри субъектов.
Year = [1 2 3 4 5 6]';
Подгонка модели повторных измерений, где рисунки роста за 6 лет являются откликами, а средняя занятость является переменной предиктора.
rm = fitrm(t,'year1-year6 ~ meanEmploy','WithinDesign',Year);
Выполните анализ отклонения.
anovatbl = anova(rm,'WithinModel',Year)anovatbl=3×7 table
Within Between SumSq DF MeanSq F pValue
_________ __________ __________ __ __________ ________ _________
Contrast1 constant 588.17 1 588.17 0.038495 0.85093
Contrast1 meanEmploy 3.7064e+05 1 3.7064e+05 24.258 0.0026428
Contrast1 Error 91675 6 15279
Загрузите выборочные данные.
load('longitudinalData.mat');Матрица Y содержит данные отклика для 16 индивидуумов. Реакция является уровнем в крови препарата, измеренным в пяти временных точках (время = 0, 2, 4, 6 и 8). Каждая строка Y соответствует индивидууму, и каждый столбец соответствует временной точке. Первые восемь субъектов - женщины, а вторые восемь - мужчины. Это моделируемые данные.
Задайте переменную, которая хранит гендерную информацию.
Gender = ['F' 'F' 'F' 'F' 'F' 'F' 'F' 'F' 'M' 'M' 'M' 'M' 'M' 'M' 'M' 'M']';
Сохраните данные в правильном формате массива таблиц, чтобы выполнить повторные измерения анализ.
t = table(Gender,Y(:,1),Y(:,2),Y(:,3),Y(:,4),Y(:,5),... 'VariableNames',{'Gender','t0','t2','t4','t6','t8'});
Задайте переменную внутри субъектов.
Time = [0 2 4 6 8]';
Подгонка модели повторных измерений, где уровни в крови являются реакциями, а пол является переменной предиктора.
rm = fitrm(t,'t0-t8 ~ Gender','WithinDesign',Time);
Выполните анализ отклонения.
anovatbl = anova(rm)
anovatbl=3×7 table
Within Between SumSq DF MeanSq F pValue
________ ________ ______ __ ______ ______ __________
Constant constant 54702 1 54702 1079.2 1.1897e-14
Constant Gender 2251.7 1 2251.7 44.425 1.0693e-05
Constant Error 709.6 14 50.685
Существует 2 пола и 16 наблюдений, поэтому степени свободы для пола (2 - 1) = 1 и для ошибки это (16 - 2) * (2 - 1) = 14. МаленькоеЗначение 1.0693e-05 указывает, что существует значительный эффект пола на артериальное давление.
Повторите дисперсионный анализ с использованием ортогональных контрастов.
anovatbl = anova(rm,'WithinModel','orthogonalcontrasts')
anovatbl=15×7 table
Within Between SumSq DF MeanSq F pValue
________ ________ __________ __ __________ __________ __________
Constant constant 54702 1 54702 1079.2 1.1897e-14
Constant Gender 2251.7 1 2251.7 44.425 1.0693e-05
Constant Error 709.6 14 50.685
Time constant 310.83 1 310.83 31.023 6.9065e-05
Time Gender 13.341 1 13.341 1.3315 0.26785
Time Error 140.27 14 10.019
Time^2 constant 565.42 1 565.42 98.901 1.0003e-07
Time^2 Gender 1.4076 1 1.4076 0.24621 0.62746
Time^2 Error 80.039 14 5.7171
Time^3 constant 2.6127 1 2.6127 1.4318 0.25134
Time^3 Gender 7.8853e-06 1 7.8853e-06 4.3214e-06 0.99837
Time^3 Error 25.546 14 1.8247
Time^4 constant 2.8404 1 2.8404 0.47924 0.50009
Time^4 Gender 2.9016 1 2.9016 0.48956 0.49559
Time^4 Error 82.977 14 5.9269
Матрица Вандермонда является матрицей, где столбцы являются степенями вектора a, то есть V (i, j) = a (i)(n — j), где n - длина a.
QR-факторизация матричной m n -by- A является факторизацией, которую матрица в A произведения Q = R *, где R является m -by- n верхней треугольной матрицей, а Q является m -by- m унитарной матрицей.
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.