Загрузите выборочные данные.

load('weight.mat')

weight содержит данные из продольного исследования, где 20 предметов случайным образом присвоены 4 программам подготовки, и их потеря веса зарегистрирована более чем шесть 2-недельных периодов времени. Это - симулированные данные.

Храните данные в таблице. Задайте Subject и Program как категориальные переменные.

tbl = table(InitialWeight, Program, Subject,Week, y);
tbl.Subject = nominal(tbl.Subject);
tbl.Program = nominal(tbl.Program);

Подбирайте линейную модель смешанных эффектов, где начальный вес, тип программы, неделя и взаимодействие между неделей и типом программы являются фиксированными эффектами. Точка пересечения и неделя варьируется предметом.

lme = fitlme(tbl,'y ~ InitialWeight + Program*Week + (Week|Subject)');

Вычислите содействующие оценки фиксированных эффектов.

fe = fixedEffects(lme)

fe = 9×1

    0.6610
    0.0032
    0.3608
   -0.0333
    0.1132
    0.1732
    0.0388
    0.0305
    0.0331

Первая оценка, 0.6610, соответствует постоянному термину. Вторая строка, 0.0032, и третья строка, 0.3608, является оценками для коэффициента начального веса и неделя, соответственно. Строки четыре - шесть соответствуют переменным индикатора для программ B-D, и последние три строки соответствуют взаимодействию программ B-D и неделя.

Вычислите 95% доверительных интервалов для коэффициентов фиксированных эффектов.

fecI = coefCI(lme)

fecI = 9×2

    0.1480    1.1741
    0.0005    0.0059
    0.1004    0.6211
   -0.2932    0.2267
   -0.1471    0.3734
    0.0395    0.3069
   -0.1503    0.2278
   -0.1585    0.2196
   -0.1559    0.2221

Некоторые доверительные интервалы включают 0. Получить конкретный $$p$$- значения для каждого термина фиксированных эффектов, используйте fixedEffects метод. Чтобы протестировать на целые термины используют anova метод.

Загрузите выборочные данные.

load carbig

Подбирайте линейную модель смешанных эффектов для миль на галлон (MPG) с фиксированными эффектами для ускорения и лошадиной силы, и потенциально коррелированым случайным эффектом для точки пересечения и ускорения, сгруппированного модельным годом. Во-первых, храните данные в таблице.

tbl = table(Acceleration,Horsepower,Model_Year,MPG);

Подбирайте модель.

lme = fitlme(tbl, 'MPG ~ Acceleration + Horsepower + (Acceleration|Model_Year)');

Вычислите содействующие оценки фиксированных эффектов.

fe = fixedEffects(lme)

fe = 3×1

   50.1325
   -0.5833
   -0.1695

Вычислите 99% доверительных интервалов для коэффициентов фиксированных эффектов с помощью метода остаточных значений, чтобы определить степени свободы. Это - метод по умолчанию.

feCI = coefCI(lme,'Alpha',0.01)

feCI = 3×2

   44.2690   55.9961
   -0.9300   -0.2365
   -0.1883   -0.1507

Вычислите 99% доверительных интервалов для коэффициентов фиксированных эффектов с помощью приближения Satterthwaite, чтобы вычислить степени свободы.

feCI = coefCI(lme,'Alpha',0.01,'DFMethod','satterthwaite')

feCI = 3×2

   44.0949   56.1701
   -0.9640   -0.2025
   -0.1884   -0.1507

Приближение Satterthwaite производит подобные доверительные интервалы, чем остаточный метод.

Загрузите выборочные данные.

load('shift.mat')

Данные показывают отклонения от целевой качественной характеристики, измеренной от продуктов, что пять операторов производят во время трех сдвигов: утро, вечер и ночь. Это - рандомизированная блочная конструкция, где операторы являются блоками. Эксперимент спроектирован, чтобы изучить удар времени сдвига на эффективности. Критерием качества работы является отклонение качественных характеристик от целевого значения. Это - симулированные данные.

Shift и Operator номинальные переменные.

shift.Shift = nominal(shift.Shift);
shift.Operator = nominal(shift.Operator);

Подбирайте линейную модель смешанных эффектов со случайной точкой пересечения, сгруппированной оператором, чтобы оценить, если существует значительная разница в эффективности согласно времени сдвига.

lme = fitlme(shift,'QCDev ~ Shift + (1|Operator)');

Вычислите оценку BLUPs для случайных эффектов.

randomEffects(lme)

ans = 5×1

    0.5775
    1.1757
   -2.1715
    2.3655
   -1.9472

Вычислите 95% доверительных интервалов для случайных эффектов.

[~,reCI] = coefCI(lme)

reCI = 5×2

   -1.3916    2.5467
   -0.7934    3.1449
   -4.1407   -0.2024
    0.3964    4.3347
   -3.9164    0.0219

Вычислите 99% доверительных интервалов для случайных эффектов с помощью метода остаточных значений, чтобы определить степени свободы. Это - метод по умолчанию.

[~,reCI] = coefCI(lme,'Alpha',0.01)

reCI = 5×2

   -2.1831    3.3382
   -1.5849    3.9364
   -4.9322    0.5891
   -0.3951    5.1261
   -4.7079    0.8134

Вычислите 99% доверительных интервалов для случайных эффектов с помощью приближения Satterthwaite, чтобы определить степени свободы.

[~,reCI] = coefCI(lme,'Alpha',0.01,'DFMethod','satterthwaite')

reCI = 5×2

   -2.6840    3.8390
   -2.0858    4.4372
   -5.4330    1.0900
   -0.8960    5.6270
   -5.2087    1.3142

Приближение Satterthwaite может произвести меньший DF значения, чем остаточный метод. Именно поэтому эти доверительные интервалы больше, чем предыдущие единицы, вычисленные с помощью остаточного метода.