Класс: RepeatedMeasuresModel
Многомерный дисперсионный анализ
также возвращает результаты manova с дополнительными опциями, заданными одним или несколькими manovatbl
= manova(rm
,Name,Value
)Name,Value
аргументы в виде пар.
rm
- Модель повторных измеренийRepeatedMeasuresModel
объектМодель повторных измерений, возвращенная как RepeatedMeasuresModel
объект.
Для свойств и методов этого объекта смотрите RepeatedMeasuresModel
.
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
.
'WithinModel'
- Модель, определяющая проверку гипотезы внутри субъектов'separatemeans'
(по умолчанию) | спецификацию модели с помощью формулы | r -by- nc матрицыМодель, задающая тест гипотезы внутри субъектов, заданная как одно из следующего:
'separatemeans'
- Вычислите отдельное среднее для каждой группы и тест на равенство между средствами.
Спецификация модели - это спецификация модели в пределах субъектных факторов. Протестируйте каждый члена в модели. В этом случае tbl
содержит отдельную манову для каждого члена в формуле с многомерной характеристикой, равной вектору коэффициентов этого члена.
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 отдельную манову для каждого столбца Y * C.
Пример: 'WithinModel','separatemeans'
Типы данных: single
| double
| char
| string
'By'
- Один фактор между субъектамиМножитель между субъектами, заданный как разделенная разделенными запятой парами, состоящая из 'By'
и вектор символов или строковый скаляр. manova
выполняет отдельный тест модели внутри субъектов для каждого значения этого фактора.
Для примера, если у вас есть фактор между субъектами, Drug, то можно задать этот фактор, чтобы выполнить манову следующим образом.
Пример: 'By','Drug'
Типы данных: char
| string
manovatbl
- Результаты многомерного дисперсионного анализаРезультаты многомерного дисперсионного анализа для модели повторных измерений rm
, возвращается как table
.
manova
использует эти методы для измерения вклада модельных терминов в общую ковариацию:
Вилкс "Лямбда
След Пиллаи
Трассировка Хотеллинга-Лоули
Максимальная корневая статистика Роя
Для получения дополнительной информации смотрите Многомерный дисперсионный анализ для повторных измерений.
manova
возвращает результаты для этих тестов для каждой группы. manovatbl
содержит следующие столбцы.
Имя столбца | Определение |
---|---|
Within | Условия в рамках предмета |
Between | Межсессионные условия |
Statistic | Имя вычисленной статистики |
Value | Значение соответствующей статистики |
F | F -статистическое значение |
RSquare | Мера для объяснения отклонений |
df1 | Числитель степеней свободы |
df2 | Знаменательные степени свободы |
pValue | p -value для соответствующего F -статистического значения |
Типы данных: table
A
- Спецификация, основанная на модели между субъектамиСпецификация, основанная на модели между субъектами, возвращается как матрица или массив ячеек. Это разрешает гипотезу об элементах в заданных столбцах B
(в пределах временной гипотезы). Если manovatbl
содержит несколько тестов гипотез, A
возможно, это массив ячеек.
Типы данных: single
| double
| cell
C
- Спецификация, основанная на модели внутри субъектовСпецификация, основанная на модели внутри субъектов, возвращается как матрица или массив ячеек. Это разрешает гипотезы об элементах в заданных строках B
(между временными гипотезами). Если manovatbl
содержит несколько тестов гипотез, C
возможно, это массив ячеек.
Типы данных: single
| double
| cell
D
- Значение гипотезыЗначение гипотезы, возвращенное как 0.
Загрузите выборочные данные.
load fisheriris
Область 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);
Выполните многомерный дисперсионный анализ.
manova(rm)
ans=8×9 table
Within Between Statistic Value F RSquare df1 df2 pValue
________ ___________ _________ _________ ______ _______ ___ ___ ___________
Constant (Intercept) Pillai 0.99013 4847.5 0.99013 3 145 3.7881e-145
Constant (Intercept) Wilks 0.0098724 4847.5 0.99013 3 145 3.7881e-145
Constant (Intercept) Hotelling 100.29 4847.5 0.99013 3 145 3.7881e-145
Constant (Intercept) Roy 100.29 4847.5 0.99013 3 145 3.7881e-145
Constant species Pillai 0.96909 45.749 0.48455 6 292 2.4729e-39
Constant species Wilks 0.041153 189.92 0.79714 6 290 2.3958e-97
Constant species Hotelling 23.051 555.17 0.92016 6 288 4.6662e-155
Constant species Roy 23.04 1121.3 0.9584 3 146 1.4771e-100
Выполняйте многомерные ановы отдельно для каждого вида.
manova(rm,'By','species')
ans=12×9 table
Within Between Statistic Value F RSquare df1 df2 pValue
________ __________________ _________ ________ ______ _______ ___ ___ ___________
Constant species=setosa Pillai 0.9823 2682.7 0.9823 3 145 9.0223e-127
Constant species=setosa Wilks 0.017698 2682.7 0.9823 3 145 9.0223e-127
Constant species=setosa Hotelling 55.504 2682.7 0.9823 3 145 9.0223e-127
Constant species=setosa Roy 55.504 2682.7 0.9823 3 145 9.0223e-127
Constant species=versicolor Pillai 0.97 1562.8 0.97 3 145 3.7058e-110
Constant species=versicolor Wilks 0.029999 1562.8 0.97 3 145 3.7058e-110
Constant species=versicolor Hotelling 32.334 1562.8 0.97 3 145 3.7058e-110
Constant species=versicolor Roy 32.334 1562.8 0.97 3 145 3.7058e-110
Constant species=virginica Pillai 0.97261 1716.1 0.97261 3 145 5.1113e-113
Constant species=virginica Wilks 0.027394 1716.1 0.97261 3 145 5.1113e-113
Constant species=virginica Hotelling 35.505 1716.1 0.97261 3 145 5.1113e-113
Constant species=virginica Roy 35.505 1716.1 0.97261 3 145 5.1113e-113
Загрузите выборочные данные.
load fisheriris
Область 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 = 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 многомерный дисперсионный анализ. Также верните массивы для построения теста гипотезы.
[manovatbl,A,C,D] = manova(rm)
manovatbl=8×9 table
Within Between Statistic Value F RSquare df1 df2 pValue
________ ___________ _________ _________ ______ _______ ___ ___ ___________
Constant (Intercept) Pillai 0.99013 4847.5 0.99013 3 145 3.7881e-145
Constant (Intercept) Wilks 0.0098724 4847.5 0.99013 3 145 3.7881e-145
Constant (Intercept) Hotelling 100.29 4847.5 0.99013 3 145 3.7881e-145
Constant (Intercept) Roy 100.29 4847.5 0.99013 3 145 3.7881e-145
Constant species Pillai 0.96909 45.749 0.48455 6 292 2.4729e-39
Constant species Wilks 0.041153 189.92 0.79714 6 290 2.3958e-97
Constant species Hotelling 23.051 555.17 0.92016 6 288 4.6662e-155
Constant species Roy 23.04 1121.3 0.9584 3 146 1.4771e-100
A=2×1 cell array
{[ 1 0 0]}
{2x3 double}
C = 4×3
1 0 0
-1 1 0
0 -1 1
0 0 -1
D = 0
Индексируйте в матрицу А.
A{1}
ans = 1×3
1 0 0
A{2}
ans = 2×3
0 1 0
0 0 1
Многомерный ответ для каждого наблюдения (субъекта) является вектором повторных измерений.
Чтобы проверить более общую гипотезу A*B*C = D
, использовать coeftest
.
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.