sbiopredictionci

Вычислите доверительные интервалы для предсказаний модели (требует Statistics and Machine Learning Toolbox),

Описание

пример

ci = sbiopredictionci(fitResults) вычисляет 95% доверительных интервалов для симуляции модели, следует из fitResults, NLINResults object или OptimResults object возвращенный sbiofit. ci PredictionConfidenceInterval объект, который содержит вычисленные данные о доверительном интервале.

ci = sbiopredictionci(fitResults,Name,Value) дополнительные опции использования заданы одним или несколькими Name,Value парные аргументы.

Примеры

свернуть все

Загрузка данных

Загрузите выборочные данные, чтобы соответствовать. Данные хранятся как таблица с переменными ID, Время, CentralConc и PeripheralConc. Эти синтетические данные представляют ход времени плазменных концентраций, измеренных в восьми различных моментах времени и для центральных и для периферийных отсеков после капельного внутривенного введения для трех индивидуумов.

load data10_32R.mat
gData = groupedData(data);
gData.Properties.VariableUnits = {'','hour','milligram/liter','milligram/liter'};
sbiotrellis(gData,'ID','Time',{'CentralConc','PeripheralConc'},'Marker','+',...
            'LineStyle','none');

Создайте модель

Создайте модель 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;

Задайте дозирование

Задайте капельное внутривенное введение.

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';

Задайте параметры

Задайте параметры, чтобы оценить. Установите границы параметра для каждого параметра. В дополнение к этим явным границам преобразования параметра (такие как журнал, логит или пробит) налагают неявные границы.

responseMap = {'Drug_Central = CentralConc','Drug_Peripheral = PeripheralConc'};
paramsToEstimate   = {'log(Central)','log(Peripheral)','Q12','Cl_Central'};
estimatedParam     = estimatedInfo(paramsToEstimate,...
                                   'InitialValue',[1 1 1 1],...
                                   'Bounds',[0.1 3;0.1 10;0 10;0.1 2]);

Подбирайте модель

Выполните необъединенную подгонку, то есть, один набор предполагаемых параметров для каждого пациента.

unpooledFit = sbiofit(model,gData,responseMap,estimatedParam,dose,'Pooled',false);

Выполните объединенную подгонку, то есть, один набор предполагаемых параметров для всех пациентов.

pooledFit = sbiofit(model,gData,responseMap,estimatedParam,dose,'Pooled',true);

Вычислите доверительные интервалы для предполагаемых параметров

Вычислите 95% доверительных интервалов для каждого предполагаемого параметра в необъединенной подгонке.

ciParamUnpooled = sbioparameterci(unpooledFit);

Отображение результатов

Отобразите доверительные интервалы в формате таблицы. Для получения дополнительной информации о значении каждого состояния оценки, смотрите Состояние Оценки Доверительного интервала Параметра.

ci2table(ciParamUnpooled)
ans =

  12x7 table

    Group         Name         Estimate    ConfidenceInterval      Type      Alpha      Status   
    _____    ______________    ________    __________________    ________    _____    ___________

      1      {'Central'   }      1.422      1.1533     1.6906    Gaussian    0.05     estimable  
      1      {'Peripheral'}     1.5629     0.83143     2.3551    Gaussian    0.05     constrained
      1      {'Q12'       }    0.47159     0.20093    0.80247    Gaussian    0.05     constrained
      1      {'Cl_Central'}    0.52898     0.44842    0.60955    Gaussian    0.05     estimable  
      2      {'Central'   }     1.8322      1.7893     1.8751    Gaussian    0.05     success    
      2      {'Peripheral'}     5.3368      3.9133     6.7602    Gaussian    0.05     success    
      2      {'Q12'       }    0.27641      0.2093    0.34351    Gaussian    0.05     success    
      2      {'Cl_Central'}    0.86034     0.80313    0.91755    Gaussian    0.05     success    
      3      {'Central'   }     1.6657      1.5818     1.7497    Gaussian    0.05     success    
      3      {'Peripheral'}     5.5632      4.7557     6.3708    Gaussian    0.05     success    
      3      {'Q12'       }    0.78361     0.65581    0.91142    Gaussian    0.05     success    
      3      {'Cl_Central'}     1.0233     0.96375     1.0828    Gaussian    0.05     success    

Постройте доверительные интервалы. Если состоянием оценки доверительного интервала является success, это построено в синем (первый цвет по умолчанию). В противном случае это построено в красном (второй цвет по умолчанию), который указывает, что дальнейшее расследование подходящих параметров может требоваться. Если доверительным интервалом является not estimable, затем графики функций красная линия с крестом в центре. Если существуют какие-либо преобразованные параметры с ориентировочными стоимостями 0 (для журнала, преобразовывают) и 1 или 0 (для пробита, или логит преобразовывают), то никакие доверительные интервалы не построены для тех оценок параметра. Чтобы видеть последовательность цветов, введите get(groot,'defaultAxesColorOrder').

Группы отображены слева направо в том же порядке, что они появляются в GroupNames свойство объекта, который используется, чтобы пометить ось X. Y-метки являются преобразованными названиями параметра.

plot(ciParamUnpooled)

Вычислите доверительные интервалы для объединенной подгонки.

ciParamPooled = sbioparameterci(pooledFit);

Отобразите доверительные интервалы.

ci2table(ciParamPooled)
ans =

  4x7 table

    Group          Name         Estimate    ConfidenceInterval      Type      Alpha      Status   
    ______    ______________    ________    __________________    ________    _____    ___________

    pooled    {'Central'   }     1.6626      1.3287     1.9965    Gaussian    0.05     estimable  
    pooled    {'Peripheral'}      2.687     0.89848     4.8323    Gaussian    0.05     constrained
    pooled    {'Q12'       }    0.44956     0.11445    0.85152    Gaussian    0.05     constrained
    pooled    {'Cl_Central'}    0.78493     0.59222    0.97764    Gaussian    0.05     estimable  

Постройте доверительные интервалы. Название группы помечено, как "объединено", чтобы указать на такую подгонку.

plot(ciParamPooled)

Постройте все результаты доверительного интервала вместе. По умолчанию доверительный интервал для каждой оценки параметра построен на отдельные оси. Вертикальные доверительные интервалы группы линий оценок параметра, которые были вычислены в общей подгонке.

ciAll = [ciParamUnpooled;ciParamPooled];
plot(ciAll)

Можно также построить все доверительные интервалы в осях, сгруппированных оценками параметра с помощью 'Сгруппированного' размещения.

plot(ciAll,'Layout','Grouped')

В этом размещении можно указать на центральный маркер каждого доверительного интервала, чтобы видеть название группы. Каждый предполагаемый параметр разделяется вертикальной черной линией. Вертикальные доверительные интервалы группы пунктирных линий оценок параметра, которые были вычислены в общей подгонке. Границы параметра, заданные в исходной подгонке, отмечены квадратными скобками. Отметьте различные шкалы на оси Y из-за преобразований параметра. Например, ось Y Q12 находится в линейной шкале, но том из Central находится в логарифмической шкале из-за ее журнала, преобразовывают.

Вычислите доверительные интервалы для предсказаний модели

Вычислите 95% доверительных интервалов для предсказаний модели, то есть, результаты симуляции с помощью предполагаемых параметров.

% For the pooled fit
ciPredPooled = sbiopredictionci(pooledFit);
% For the unpooled fit
ciPredUnpooled = sbiopredictionci(unpooledFit);

Постройте доверительные интервалы для предсказаний модели

Доверительный интервал для каждой группы построен в отдельном столбце, и каждый ответ построен в отдельной строке. Доверительные интервалы, ограниченные границами, построены в красном. Доверительные интервалы, не ограниченные границами, построены в синем.

plot(ciPredPooled)

plot(ciPredUnpooled)

Входные параметры

свернуть все

Оценка параметра следует sbiofitВ виде NLINResults object, OptimResults object, или вектор из объектов для необъединенных подгонок, которые были возвращены в то же самое sbiofit вызвать.

Аргументы name-value

Задайте дополнительные разделенные запятой пары Name,Value аргументы. Name имя аргумента и Value соответствующее значение. Name должен появиться в кавычках. Вы можете задать несколько аргументов в виде пар имен и значений в любом порядке, например: Name1, Value1, ..., NameN, ValueN.

Пример: 'Alpha',0.01,'Type','bootstrap' задает, чтобы вычислить 99%-й доверительный интервал с помощью метода начальной загрузки.

Доверительный уровень, (1-Alpha) * 100%В виде разделенной запятой пары, состоящей из 'Alpha' и положительная скалярная величина между 0 и 1. Значением по умолчанию является 0.05, значение 95%-го доверительного интервала вычисляется.

Пример: 'Alpha',0.01

Тип доверительного интервала в виде разделенной запятой пары, состоящей из 'Type' и вектор символов. Допустимый выбор:

Пример: 'Type','bootstrap'

Количество отсчетов для начальной загрузки в виде разделенной запятой пары, состоящей из 'NumSamples' и положительное целое число. Этот номер задает количество подгонок, которые выполняются во время расчета доверительного интервала, чтобы сгенерировать выборки начальной загрузки. Чем меньше номер, тем быстрее расчет доверительных интервалов становится, за счет уменьшенной точности.

Пример: 'NumSamples',500

Level of display, возвращенный в командную строку в виде разделенной запятой пары, состоящей из 'Display' и вектор символов. 'off' (значение по умолчанию) или 'none' не отображает вывода. 'final' отображает сообщение, когда расчет заканчивается.

Пример: 'Display','final'

Логический флаг, чтобы вычислить доверительные интервалы параллельно в виде разделенной запятой пары, состоящей из 'UseParallel' и true или false. По умолчанию параллельные опции в исходной подгонке используются. Если этот аргумент установлен в true и Parallel Computing Toolbox™ доступен, параллельные опции в исходной подгонке проигнорированы, и доверительные интервалы вычисляются параллельно.

Для Гауссовых доверительных интервалов:

  • Если вход fitResults вектор из объектов результатов, затем расчет доверительных интервалов для каждого объекта выполняется параллельно. Гауссовы доверительные интервалы быстры, чтобы вычислить. Так, это может быть более выгодно, чтобы параллелизировать исходную подгонку (sbiofit) и не набор UseParallel к истине для sbiopredictionci.

Для доверительных интервалов Начальной загрузки:

  • Функция вперед UseParallel отметьте к bootci. Нет никакого распараллеливания по входному вектору объектов результатов.

Примечание

Если у вас есть глобальный поток для генерации случайных чисел со многими подпотоками, чтобы вычислить параллельно восстанавливаемым способом, sbiopredictionci первые проверки, которые будут видеть, является ли количество рабочих тем же самым как количество подпотоков. Если так, функция устанавливает UseSubstreams к true в statset опция и передачи в bootci (Statistics and Machine Learning Toolbox). В противном случае подпотоки проигнорированы по умолчанию.

Пример: 'UseParallel',true

Выходные аргументы

свернуть все

Результаты доверительного интервала, возвращенные как PredictionConfidenceInterval объект. Для необъединенной подгонки, ci может быть вектор из PredictionConfidenceInterval объекты.

Больше о

свернуть все

Гауссово вычисление доверительного интервала для предсказаний модели

Модель линеаризуется вокруг оценок параметра Pest, которые получены из результатов подгонки, возвращенных sbiofit. CovarianceMatrix преобразовывается с помощью линеаризовавшей модели. Кроме того, неявные границы параметра (log, probit, или logit параметр преобразовывает заданный в исходную подгонку), и явные границы параметра (если задано в исходной подгонке) также сопоставлены через линеаризовавшую модель.

Линеаризовать модель, sbiopredictionci первые проверки, которые будут видеть, включена ли функция анализа чувствительности в исходной подгонке. Если функция включена, функция использует якобиан, вычисленный через комплексное дифференцирование шага. Если функция выключена, якобиан вычисляется с помощью конечного дифференцирования. Конечное дифференцирование может быть неточным, и рассмотреть включение функции анализа чувствительности, когда вы запускаетесь sbiofit.

Функция использует преобразованный CovarianceMatrix и вычисляет Гауссовы доверительные интервалы для каждого предполагаемого ответа модели на каждом временном шаге.

В случаях, где доверительный интервал ограничивается границами параметра, заданными в исходной подгонке, границы доверительного интервала настроены согласно подходу, описанному Ву, H. и Нилом, M. [1].

Установка состояния оценки

  • Для каждого ответа модели сначала решает функция, неограничен ли доверительный интервал. Если так, состояние оценки соответствующего ответа модели установлено в not estimable.

  • В противном случае, если доверительный интервал для ответа ограничивается параметром, связанным заданный в исходной подгонке, функция устанавливает свое состояние на constrained. Преобразования параметра (такой как log, probit, или logit) наложите неявные границы на предполагаемые параметры, например, ограничения положительности. Такие границы могут привести к переоценке доверия, то есть, доверительный интервал может быть меньшим, чем ожидалось.

  • Если никакой доверительный интервал не имеет состояние not estimable оценки или constrained, затем функция устанавливает состояния оценки всех ответов модели на success. В противном случае состояния оценки остающихся ответов модели установлены в estimable.

Загрузите вычисление доверительного интервала

bootci (Statistics and Machine Learning Toolbox) функция от Statistics and Machine Learning Toolbox™ используется для расчета доверительные интервалы начальной загрузки. Первый вход nboot является количеством отсчетов (NumSamples), и второй вход bootfun является функцией, которая выполняет эти действия.

  • Передискретизируйте данные (независимо в каждой группе, если несколько групп доступны).

  • Запустите подгонку параметра с передискретизируемыми данными.

  • Симулируйте модель с помощью предполагаемых параметров, чтобы получить ответы модели.

  • Возвратите ответы модели.

Установка состояния оценки

Состояние оценки всегда устанавливается в estimable поскольку функция не может определить, ограничиваются ли доверительные интервалы границами на оценках параметра.

Ссылки

[1] Ву, H. и Член конгресса Нил. "Настроенные Доверительные интервалы для Ограниченного Параметра". Генетика поведения. 42 (6), 2012, стр 886-898.

Расширенные возможности

Введенный в R2017b
Для просмотра документации необходимо авторизоваться на сайте