Класс: RepeatedMeasuresModel
Анализ повторных измерений отклонения
rm
- Модель повторных измеренийRepeatedMeasuresModel
объектМодель повторных измерений, возвращенная как RepeatedMeasuresModel
объект.
Для свойств и методов этого объекта смотрите RepeatedMeasuresModel
.
WM
- Модель, задающая ответы'separatemeans'
(по умолчанию) | r -by nc контрастную матрицу | вектор символов или строковый скаляр, который задает спецификацию моделиМодель, задающая ответы, заданная как одно из следующего:
'separatemeans'
- Вычислите отдельное среднее для каждой группы.
C
- r -by - nc контрастная матрица, задающая nc контрастов среди r повторных измерений. Если Y представляет матрицу повторных измерений, ranova
проверяет гипотезу, что средства Y * C равны нулю.
Вектор символов или строковый скаляр, который задает спецификацию модели в факторах внутри субъекта. Можно задать модель на основе правил для terms
в modelspec
аргумент fitrm
. Также смотрите Спецификацию Модели для Моделей Повторных Измерений.
Для примера, если существует три внутренних фактора w1
, w2
, и w3
, затем можно задать модель для факторов внутри субъекта следующим образом.
Пример: 'WithinModel','w1+w2+w2*w3'
Типы данных: single
| double
| char
| string
ranovatbl
- Результаты повторных измерений anovaРезультаты повторных измерений Ановой, возвращенной в качестве table
.
ranovatbl
включает термин, представляющий все различия между факторами внутри субъектов. Этот термин имеет имя фактора внутри субъектов, если он задан во время подгонки модели, или имя Time
если имя коэффициента внутри субъектов не задано во время подгонки модели или существует несколько факторов внутри субъектов. ranovatbl
также включает все взаимодействия между терминами в модели внутри субъекта и всеми терминами между моделью субъекта. Он содержит следующие столбцы.
Имя столбца | Определение |
---|---|
SumSq | Сумма квадратов. |
DF | Степени свободы. |
MeanSq | Средняя квадратичная невязка. |
F | F -статистический. |
pValue | p -value для соответствующего F -statistic. Небольшое p -значение указывает на значительный эффект термина. |
pValueGG | p -значение с корректировкой Greenhouse-Geisser. |
pValueHF | p -значение с регулировкой Гюйна-Фельдта. |
pValueLB | p -значение с регулировкой нижней границы. |
Последние три p -значения являются скорректированными p -значениями для использования, когда предположение составной симметрии не удовлетворяется. Для получения дополнительной информации см. «Допущение составной симметрии» и «Коррекции эпсилона». The mauchy
методы испытаний на сферичность (следовательно, сложную симметрию) и epsilon
метод возвращает значения корректировки эпсилона.
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 ranovatbl
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 ranovatbl
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 повторный измерительный анализ отклонения.
ranovatbl = ranova(rm)
ranovatbl=3×8 table
SumSq DF MeanSq F pValue pValueGG pValueHF pValueLB
______ ___ ________ ______ ___________ ___________ ___________ ___________
(Intercept):Measurements 1656.3 3 552.09 6873.3 0 9.4491e-279 2.9213e-283 2.5871e-125
species:Measurements 282.47 6 47.078 586.1 1.4271e-206 4.9313e-156 1.5406e-158 9.0151e-71
Error(Measurements) 35.423 441 0.080324
Существует четыре измерения, три типа видов и 150 наблюдений. Так, степени свободы для измерений равны (4-1) = 3, для взаимодействия видов-измерений это (4-1) * (3-1) = 6, а для ошибки это (150-3) * (4-1) = 441. ranova
вычисляет последние три - значения с использованием Greenhouse-Geisser, Huynh-Feldt и Нижняя граница коррекций, соответственно. Можно проверить допущение составной симметрии (сферичности), используя mauchly
метод, и отобразить коррекции эпсилона с помощью epsilon
способ.
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 повторный измерительный анализ отклонения.
ranovatbl = ranova(rm)
ranovatbl=3×8 table
SumSq DF MeanSq F pValue pValueGG pValueHF pValueLB
______ __ ______ _______ __________ __________ __________ __________
(Intercept):Time 881.7 4 220.43 37.539 3.0348e-15 4.7325e-09 2.4439e-10 2.6198e-05
Gender:Time 17.65 4 4.4125 0.75146 0.56126 0.4877 0.50707 0.40063
Error(Time) 328.83 56 5.872
Существует 5 временных точек, 2 пола и 16 наблюдений. Так, степени свободы для времени равны (5-1) = 4, для гендерно-временного взаимодействия это (5-1) * (2-1) = 4, а для ошибки это (16-2) * (5-1) = 56. МаленькоеЗначение 2.6198e-05 указывает, что существует значительный эффект времени на артериальное давление. Значение 0.40063 указывает на отсутствие значительного взаимодействия по гендерному времени.
Загрузите выборочные данные.
load repeatedmeas
Таблица between
включает возраст переменных между субъектами, IQ, группу, пол и восемь повторных измерений y1
через y8
в качестве ответов. Таблица внутри включает переменные внутри субъекта w1
и w2
. Это моделируемые данные. Гипотетически ответ может быть результатами теста памяти. Переменная внутри субъекта w1
может быть типом упражнения, которое субъект делает перед тестом и w2
может быть различными точками в день, когда субъект проходит тест памяти. Таким образом, один субъект делает два разных типа упражнений A и B перед сдачей теста и проходит тест в четыре разных раза в разные дни. Для каждого субъекта измерения проводятся в следующих условиях:
Упражнение для выполнения перед тестом: A B A B A B A B
Время тестирования: 1 1 2 2 3 3 4 4
Подбирайте модель повторных измерений, где повторные измерения y1
через y8
являются откликами, и возраст, IQ, группа, пол и взаимодействие группа-пол являются переменными предиктора. Также задайте матрицу проекта внутри субъекта.
rm = fitrm(between,'y1-y8 ~ Group*Gender + Age + IQ','WithinDesign',within);
Выполните повторный измерительный анализ отклонения.
ranovatbl = ranova(rm)
ranovatbl=7×8 table
SumSq DF MeanSq F pValue pValueGG pValueHF pValueLB
______ ___ ______ _______ _________ ________ _________ ________
(Intercept):Time 6645.2 7 949.31 2.2689 0.031674 0.071235 0.056257 0.14621
Age:Time 5824.3 7 832.05 1.9887 0.059978 0.10651 0.090128 0.17246
IQ:Time 5188.3 7 741.18 1.7715 0.096749 0.14492 0.12892 0.19683
Group:Time 15800 14 1128.6 2.6975 0.0014425 0.011884 0.0064346 0.089594
Gender:Time 4455.8 7 636.55 1.5214 0.16381 0.20533 0.19258 0.23042
Group:Gender:Time 4247.3 14 303.38 0.72511 0.74677 0.663 0.69184 0.49549
Error(Time) 64433 154 418.39
Задайте модель для коэффициентов внутри субъекта. Также отобразите матрицы, используемые в тесте гипотезы.
[ranovatbl,A,C,D] = ranova(rm,'WithinModel','w1+w2')
ranovatbl=21×8 table
SumSq DF MeanSq F pValue pValueGG pValueHF pValueLB
______ __ ______ ________ _________ _________ _________ _________
(Intercept) 3141.7 1 3141.7 2.5034 0.12787 0.12787 0.12787 0.12787
Age 537.48 1 537.48 0.42828 0.51962 0.51962 0.51962 0.51962
IQ 2975.9 1 2975.9 2.3712 0.13785 0.13785 0.13785 0.13785
Group 20836 2 10418 8.3012 0.0020601 0.0020601 0.0020601 0.0020601
Gender 3036.3 1 3036.3 2.4194 0.13411 0.13411 0.13411 0.13411
Group:Gender 211.8 2 105.9 0.084385 0.91937 0.91937 0.91937 0.91937
Error 27609 22 1255 1 0.5 0.5 0.5 0.5
(Intercept):w1 146.75 1 146.75 0.23326 0.63389 0.63389 0.63389 0.63389
Age:w1 942.02 1 942.02 1.4974 0.23402 0.23402 0.23402 0.23402
IQ:w1 11.563 1 11.563 0.01838 0.89339 0.89339 0.89339 0.89339
Group:w1 4481.9 2 2240.9 3.562 0.045697 0.045697 0.045697 0.045697
Gender:w1 270.65 1 270.65 0.4302 0.51869 0.51869 0.51869 0.51869
Group:Gender:w1 240.37 2 120.19 0.19104 0.82746 0.82746 0.82746 0.82746
Error(w1) 13841 22 629.12 1 0.5 0.5 0.5 0.5
(Intercept):w2 3663.8 3 1221.3 3.8381 0.013513 0.020339 0.01575 0.062894
Age:w2 1199.9 3 399.95 1.2569 0.2964 0.29645 0.29662 0.27432
⋮
A=6×1 cell array
{[1 0 0 0 0 0 0 0]}
{[0 1 0 0 0 0 0 0]}
{[0 0 1 0 0 0 0 0]}
{2x8 double }
{[0 0 0 0 0 1 0 0]}
{2x8 double }
C=1×3 cell array
{8x1 double} {8x1 double} {8x3 double}
D = 0
Отображение содержимого A
.
[A{1};A{2};A{3};A{4};A{5};A{6}]
ans = 8×8
1 0 0 0 0 0 0 0
0 1 0 0 0 0 0 0
0 0 1 0 0 0 0 0
0 0 0 1 0 0 0 0
0 0 0 0 1 0 0 0
0 0 0 0 0 1 0 0
0 0 0 0 0 0 1 0
0 0 0 0 0 0 0 1
Отображение содержимого C
.
[C{1} C{2} C{3}]
ans = 8×5
1 1 1 0 0
1 1 0 1 0
1 1 0 0 1
1 1 -1 -1 -1
1 -1 1 0 0
1 -1 0 1 0
1 -1 0 0 1
1 -1 -1 -1 -1
ranova
вычисляет регулярное p -значение (в pValue
столбец rmanova
таблица) с помощью F -статистической кумулятивной функции распределения :
p -value = 1 - fcdf (F, v 1, v 2).
Когда предположение составной симметрии не удовлетворено, ranova
использует эпсилон корректирующего коэффициента, ε, чтобы вычислить скорректированные p значения следующим образом :
p -value _ corrected = 1 - fcdf (F, ε * v 1, ε * v 2).
The mauchly
методы испытаний на сферичность (следовательно, сложную симметрию) и epsilon
метод возвращает значения корректировки эпсилона.
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.