LeastSquaresResults object

Пакет: SimBiology.fit

Объект результатов, содержащий оценку, следует из регрессии наименьших квадратов

Описание

LeastSquaresResults объект является суперклассом двух объектов результатов: NLINResults object и OptimResults object. Эти объекты содержат результаты оценки подбора кривой SimBiology® модель к использованию данных sbiofit с любым поддерживаемым алгоритмом.

Если sbiofit использует nlinfit алгоритм оценки, объектом результатов является NLINResults объект. Если sbiofit использование любой другой алгоритм поддержки, затем объектом результатов является OptimResults объект. Смотрите sbiofit функция для списка поддерживаемых алгоритмов.

Сводные данные метода

boxplotСоздайте диаграмму, показывающую изменение предполагаемых параметров модели SimBiology
fittedВозвратите результаты симуляции модели SimBiology, подбиравшей с помощью регрессии наименьших квадратов
plotСравните результаты симуляции с обучающими данными, создав подграфик курса времени для каждой группы
plotActualVersusPredictedСравните предсказания с фактическими данными, создав подграфик для каждого ответа
plotResidualDistributionПостройте распределение остаточных значений
plotResidualsПостройте остаточные значения для каждого ответа, с помощью времени, группы или предсказания как ось X
predictСимулируйте и оцените подбиравшую модель SimBiology
randomСимулируйте модель SimBiology, добавив изменения путем выборки ошибочной модели
summaryВозвратите массив структур, который содержит ориентировочные стоимости и подходящую качественную статистику

Свойства

GroupNameКатегориальная переменная, представляющая имя группы, сопоставленной результатами или [] если 'Pooled' аргумент пары "имя-значение" был установлен в true когда вы запустились sbiofit.
BetaТаблица предполагаемых параметров, где j-ая строка представляет j-ый предполагаемый параметр βj. Это содержит преобразованные значения оценок параметра, если какой-либо параметр преобразовывает, задан.

Стандартные погрешности этих оценок параметра (StandardError) вычисляются как: sqrt(diag(COVB)).

Это может также содержать следующие переменные:

  • Bounds — значения преобразованных границ параметра, которые вы задали во время подбора кривой

  • CategoryVariableName — имена категорий или групп, которые вы задали во время подбора кривой

  • CategoryValue — значения переменных категории заданы CategoryVariableName

Эта таблица содержит одну строку на отличное значение параметров.
ParameterEstimatesТаблица предполагаемых параметров, где j-ая строка представляет j-ый предполагаемый параметр βj. Эта таблица содержит непреобразованные значения оценок параметра.

Стандартные погрешности этих оценок параметра (StandardError) вычисляются как: sqrt(diag(CovarianceMatrix)).

Это может также содержать следующие переменные:

  • Bounds — значения границ параметра, которые вы задали во время подбора кривой

  • CategoryVariableName — имена категорий или групп, которые вы задали во время подбора кривой

  • CategoryValue — значения переменных категории заданы CategoryVariableName

Эта таблица содержит наборы значений параметров, которые идентифицированы для каждого индивидуума или группы.
JЯкобиевская матрица модели, относительно предполагаемого параметра, то есть,

J(i,j,k)=ykβj|ti

где ti является i th момент времени, βj является j-ым предполагаемым параметром на преобразованном пробеле, и yk является k-ым ответом в группе данных.

COVBПредполагаемая ковариационная матрица для Beta, который вычисляется как: COVB = inv(J'*J)*MSE.
CovarianceMatrixПредполагаемая ковариационная матрица для ParameterEstimates, который вычисляется как: CovarianceMatrix = T'*COVB*T, где T = diag(JInvT(Beta)).

JInvT(Beta) возвращает якобиевскую матрицу Beta который является обратный преобразованный соответственно, если вы задали какое-либо преобразование к предполагаемым параметрам.

Например, предположите, что вы задали логарифмическое преобразование для предполагаемого параметра x когда вы запустились sbiofit. Обратное преобразование: InvT = exp(x), и его якобиан: JInvT = exp(x) начиная с производной exp также exp.

RМатрица остаточных значений, где Rij является невязкой для i-ого момента времени и j-ого ответа в группе данных.
LogLikelihoodМаксимизируемая логарифмическая правдоподобность для подобранной модели.
AICКритерий информации о Akaike (AIC), вычисленный как AIC = 2*(-LogLikelihood + P), где P является количеством параметров.
BICБайесов информационный критерий (BIC), вычисленный как BIC = -2*LogLikelihood + P*log(N), где N является количеством наблюдений, и P является количеством параметров.
DFEСтепени свободы для ошибки, вычисленной как DFE = N-P, где N является количеством наблюдений, и P является количеством параметров.
MSEСреднеквадратическая ошибка.
SSEСумма (взвешенных) ошибок в квадрате или остаточных значений.
WeightsМатрица весов с одним столбцом на ответ и одной строкой на наблюдение.
EstimatedParameterNamesМассив ячеек из символьных векторов, задающий оцененные названия параметра.
ErrorModelInfoТаблица, описывающая ошибочные модели и оцененные ошибочные параметры модели.

  • Это ссорится на ошибочную модель.

  • ErrorModelInfo.Properties.RowsNames свойство идентифицирует, к каким ответам строка применяется.

  • Таблица содержит три переменные: ErrorModelA, и b. ErrorModel переменная является категориальной. Переменные a и b может быть NaN когда они не применяются к конкретной ошибочной модели.

Существует четыре встроенных ошибочных модели. Каждая модель задает ошибку стандартный средний нуль и переменная (Gaussian) модульного отклонения e, значение функции f и один или два параметра a и b. В SimBiology функциональный f представляет результаты симуляции из модели SimBiology.

  • 'constant': y=f+ae

  • 'proportional': y=f+b|f|e

  • 'combined': y=f+(a+b|f|)e

  • 'exponential': y=fexp(ae)

EstimationFunctionИмя функции оценки.
DependentFilesИмена файлов, чтобы включать для развертывания.

Примечание

Loglikelihood, AIC, и BIC свойства пусты для LeastSquaresResults объекты, которые были получены перед R2016a.

Введенный в R2014a
Для просмотра документации необходимо авторизоваться на сайте