plotResidualDistribution

Постройте распределение остаточных значений

Описание

пример

plotResidualDistribution(resultsObj) показывает график нормального распределения и соответствующую гистограмму остаточных значений. Используйте график проверять, отклоняется ли распределение остаточных значений от нормальности.

Примеры

свернуть все

Загрузите набор выборочных данных.

load data10_32R.mat
gData = groupedData(data);
gData.Properties.VariableUnits = ["","hour","milligram/liter","milligram/liter"];

Создайте модель PK 2D отсека.

pkmd                 = PKModelDesign;
pkc1                 = addCompartment(pkmd,"Central");
pkc1.DosingType      = "Infusion";
pkc1.EliminationType = "linear-clearance";
pkc1.HasResponseVariable = true;
pkc2                 = addCompartment(pkmd,"Peripheral");
model                = construct(pkmd);
configset            = getconfigset(model);
configset.CompileOptions.UnitConversion = true;
responseMap = ["Drug_Central = CentralConc","Drug_Peripheral = PeripheralConc"];

Обеспечьте параметры модели, чтобы оценить.

paramsToEstimate   = ["log(Central)","log(Peripheral)","Q12","Cl_Central"];
estimatedParam     = estimatedInfo(paramsToEstimate,'InitialValue',[1 1 1 1]);

Примите, что каждый индивидуум получает капельное внутривенное введение во время = 0 с общим объемом вливания 100 мг на уровне 50 мг/час.

dose             = sbiodose("dose","TargetName","Drug_Central");
dose.StartTime   = 0;
dose.Amount      = 100;
dose.Rate        = 50;
dose.AmountUnits = "milligram";
dose.TimeUnits   = "hour";
dose.RateUnits   = "milligram/hour";

Оцените параметры модели. По умолчанию функция оценивает набор параметра для каждого индивидуума (необъединенная подгонка).

fitResults =  sbiofit(model,gData,responseMap,estimatedParam,dose);

Постройте график результатов.

plot(fitResults);

Figure contains 4 axes objects. Axes object 1 is empty. Axes object 2 with title 3 contains 4 objects of type line. Axes object 3 with title 2 contains 4 objects of type line. Axes object 4 with title 1 contains 4 objects of type line.

Постройте все группы в одном графике.

plot(fitResults,"PlotStyle","one axes");

Figure contains 2 axes objects. Axes object 1 contains 6 objects of type line. Axes object 2 contains 6 objects of type line.

Измените некоторые свойства осей.

s = struct;
s.Properties.XGrid = "on";
s.Properties.YGrid = "on";
plot(fitResults,"PlotStyle","one axes","AxesStyle",s);

Figure contains 2 axes objects. Axes object 1 contains 6 objects of type line. Axes object 2 contains 6 objects of type line.

Сравните предсказания модели с фактическими данными.

plotActualVersusPredicted(fitResults)

Figure contains 2 axes objects. Axes object 1 contains 2 objects of type line. Axes object 2 contains 2 objects of type line.

Используйте boxplot показать изменение предполагаемых параметров модели.

boxplot(fitResults)

Figure contains an axes object. The axes object contains 28 objects of type line.

Постройте распределение остаточных значений. Этот график нормального распределения показывает отклонение от нормальности и скошенности на правом хвосте распределения остаточных значений. (Постоянная) ошибка по умолчанию сила модели не быть правильным предположением для адаптируемых данных.

plotResidualDistribution(fitResults)

Figure contains 4 axes objects. Axes object 1 contains 2 objects of type bar, line. Axes object 2 contains 3 objects of type line. Axes object 3 contains 2 objects of type bar, line. Axes object 4 with title Individual Residuals contains 3 objects of type line.

Постройте остаточные значения для каждого ответа с помощью предсказаний модели на оси X.

plotResiduals(fitResults,"Predictions")

Figure contains 2 axes objects. Axes object 1 contains 2 objects of type line. Axes object 2 contains 2 objects of type line.

Получите сводные данные результатов подгонки. stats.Name содержит имя для каждой таблицы от stats.Table, который содержит список таблиц с предполагаемыми значениями параметров и подходящей качественной статистикой.

stats = summary(fitResults);
stats.Name
ans = 
'Unpooled Parameter Estimates'
ans = 
'Statistics'
ans = 
'Unpooled Beta'
ans = 
'Residuals'
ans = 
'Covariance Matrix'
ans = 
'Error Model'
stats.Table
ans=3×9 table
    Group    Central Estimate    Central StandardError    Peripheral Estimate    Peripheral StandardError    Q12 Estimate    Q12 StandardError    Cl_Central Estimate    Cl_Central StandardError
    _____    ________________    _____________________    ___________________    ________________________    ____________    _________________    ___________________    ________________________

    {'1'}          1.422                0.12334                 1.5619                   0.36355               0.47163            0.15196                0.5291                  0.036978        
    {'2'}         1.8322               0.019672                 5.3364                   0.65327                0.2764           0.030799               0.86035                  0.026257        
    {'3'}         1.6657               0.038529                 5.5632                   0.37063               0.78361           0.058657                1.0233                  0.027311        

ans=3×7 table
    Group      AIC        BIC      LogLikelihood    DFE      MSE         SSE  
    _____    _______    _______    _____________    ___    ________    _______

    {'1'}     60.961     64.051       -26.48        12        2.138     25.656
    {'2'}    -7.8379    -4.7475       7.9189        12     0.029012    0.34814
    {'3'}    -1.4336     1.6567       4.7168        12     0.043292     0.5195

ans=3×9 table
    Group    Central Estimate    Central StandardError    Peripheral Estimate    Peripheral StandardError    Q12 Estimate    Q12 StandardError    Cl_Central Estimate    Cl_Central StandardError
    _____    ________________    _____________________    ___________________    ________________________    ____________    _________________    ___________________    ________________________

    {'1'}        0.35208               0.086736                 0.44589                   0.23277              0.47163            0.15196                0.5291                  0.036978        
    {'2'}        0.60551               0.010737                  1.6746                   0.12242               0.2764           0.030799               0.86035                  0.026257        
    {'3'}        0.51027                0.02313                  1.7162                  0.066621              0.78361           0.058657                1.0233                  0.027311        

ans=24×4 table
    ID    Time    CentralConc    PeripheralConc
    __    ____    ___________    ______________

    1       0              0               0   
    1       1        0.10646        -0.74394   
    1       4         1.3745          1.2726   
    1       8       -0.68825         -4.2435   
    1      12        0.67383         0.21806   
    1      18        0.88823          1.0269   
    1      24        0.48941         0.66755   
    1      36        0.13632         0.22948   
    2       0              0               0   
    2       1      -0.026731       -0.058311   
    2       4      -0.033299        -0.20544   
    2       8       -0.20466         0.20696   
    2      12       -0.12223        0.045409   
    2      18       0.041224         0.33883   
    2      24      -0.059498       0.0036257   
    2      36      -0.051645         0.27616   
      ⋮

ans=12×6 table
    Group        Parameters         log(Central)    log(Peripheral)        Q12        Cl_Central 
    _____    ___________________    ____________    _______________    ___________    ___________

    {'1'}    {'log(Central)'   }       0.015213        -0.022539        -0.0086672       0.001159
    {'1'}    {'log(Peripheral)'}      -0.022539          0.13217          0.045746     -0.0073135
    {'1'}    {'Q12'            }     -0.0086672         0.045746          0.023092     -0.0021484
    {'1'}    {'Cl_Central'     }       0.001159       -0.0073135        -0.0021484      0.0013674
    {'2'}    {'log(Central)'   }     0.00038701        -0.002161       -0.00010177     9.7448e-05
    {'2'}    {'log(Peripheral)'}      -0.002161          0.42676          0.019101      -0.015755
    {'2'}    {'Q12'            }    -0.00010177         0.019101        0.00094857    -0.00073328
    {'2'}    {'Cl_Central'     }     9.7448e-05        -0.015755       -0.00073328     0.00068942
    {'3'}    {'log(Central)'   }      0.0014845       -0.0054648        -0.0013216     0.00016639
    {'3'}    {'log(Peripheral)'}     -0.0054648          0.13737          0.016903     -0.0072722
    {'3'}    {'Q12'            }     -0.0013216         0.016903         0.0034406    -0.00082538
    {'3'}    {'Cl_Central'     }     0.00016639       -0.0072722       -0.00082538     0.00074587

ans=3×5 table
    Group     Response      ErrorModel        a        b 
    _____    __________    ____________    _______    ___

    {'1'}    {0x0 char}    {'constant'}     1.2663    NaN
    {'2'}    {0x0 char}    {'constant'}    0.14751    NaN
    {'3'}    {0x0 char}    {'constant'}    0.18019    NaN

Входные параметры

свернуть все

Оценка заканчивается в виде OptimResults object или NLINResults object, или вектор из объектов результатов, который содержит оценку, следует из выполнения sbiofit.

Смотрите также

| |

Введенный в R2014a
Для просмотра документации необходимо авторизоваться на сайте