Подбирайте линейную модель смешанных эффектов
возвращает линейную модель смешанных эффектов с дополнительными опциями, заданными одним или несколькими lme
= fitlme(tbl
,formula
,Name,Value
)Name,Value
парные аргументы.
Например, можно задать шаблон ковариации терминов случайных эффектов, метод, чтобы использовать в оценке параметров или опций для алгоритма оптимизации.
Загрузите выборочные данные.
load imports-85
Сохраните переменные в таблице.
tbl = table(X(:,12),X(:,14),X(:,24),'VariableNames',{'Horsepower','CityMPG','EngineType'});
Отобразите первые пять строк таблицы.
tbl(1:5,:)
ans=5×3 table
Horsepower CityMPG EngineType
__________ _______ __________
111 21 13
111 21 13
154 19 37
102 24 35
115 18 35
Подбирайте линейную модель смешанных эффектов для миль на галлон в городе с фиксированными эффектами для лошадиной силы и некоррелированым случайным эффектом для точки пересечения и лошадиной силы, сгруппированной типом механизма.
lme = fitlme(tbl,'CityMPG~Horsepower+(1|EngineType)+(Horsepower-1|EngineType)');
В этой модели, CityMPG
переменная отклика, лошадиная сила является переменным предиктором, и тип механизма является сгруппированной переменной. Фрагмент фиксированных эффектов модели соответствует 1 + Horsepower
, потому что точка пересечения включена по умолчанию.
Поскольку термины случайного эффекта для точки пересечения и лошадиной силы являются некоррелироваными, эти термины заданы отдельно. Поскольку второй термин случайного эффекта только для лошадиной силы, необходимо включать –1
устранить точку пересечения из второго термина случайного эффекта.
Отобразите модель.
lme
lme = Linear mixed-effects model fit by ML Model information: Number of observations 203 Fixed effects coefficients 2 Random effects coefficients 14 Covariance parameters 3 Formula: CityMPG ~ 1 + Horsepower + (1 | EngineType) + (Horsepower | EngineType) Model fit statistics: AIC BIC LogLikelihood Deviance 1099.5 1116 -544.73 1089.5 Fixed effects coefficients (95% CIs): Name Estimate SE tStat DF pValue {'(Intercept)'} 37.276 2.8556 13.054 201 1.3147e-28 {'Horsepower' } -0.12631 0.02284 -5.53 201 9.8848e-08 Lower Upper 31.645 42.906 -0.17134 -0.081269 Random effects covariance parameters (95% CIs): Group: EngineType (7 Levels) Name1 Name2 Type Estimate {'(Intercept)'} {'(Intercept)'} {'std'} 5.7338 Lower Upper 2.3773 13.829 Group: EngineType (7 Levels) Name1 Name2 Type Estimate {'Horsepower'} {'Horsepower'} {'std'} 0.050357 Lower Upper 0.02307 0.10992 Group: Error Name Estimate Lower Upper {'Res Std'} 3.226 2.9078 3.5789
Обратите внимание на то, что параметры ковариации случайных эффектов для точки пересечения и лошадиной силы являются отдельными в отображении.
Теперь подбирайте линейную модель смешанных эффектов для миль на галлон в городе с тем же термином фиксированных эффектов, и потенциально коррелировал случайный эффект для точки пересечения и лошадиной силы, сгруппированной типом механизма.
lme2 = fitlme(tbl,'CityMPG~Horsepower+(Horsepower|EngineType)');
Поскольку термин случайного эффекта включает точку пересечения по умолчанию, вы не должны добавлять 1
, случайный термин эффекта эквивалентен (1 + Horsepower|EngineType)
.
Отобразите модель.
lme2
lme2 = Linear mixed-effects model fit by ML Model information: Number of observations 203 Fixed effects coefficients 2 Random effects coefficients 14 Covariance parameters 4 Formula: CityMPG ~ 1 + Horsepower + (1 + Horsepower | EngineType) Model fit statistics: AIC BIC LogLikelihood Deviance 1089 1108.9 -538.52 1077 Fixed effects coefficients (95% CIs): Name Estimate SE tStat DF pValue {'(Intercept)'} 33.824 4.0181 8.4178 201 7.1678e-15 {'Horsepower' } -0.1087 0.032912 -3.3029 201 0.0011328 Lower Upper 25.901 41.747 -0.1736 -0.043806 Random effects covariance parameters (95% CIs): Group: EngineType (7 Levels) Name1 Name2 Type Estimate {'(Intercept)'} {'(Intercept)'} {'std' } 9.4952 {'Horsepower' } {'(Intercept)'} {'corr'} -0.96843 {'Horsepower' } {'Horsepower' } {'std' } 0.078874 Lower Upper 4.7022 19.174 -0.99568 -0.78738 0.039917 0.15585 Group: Error Name Estimate Lower Upper {'Res Std'} 3.1845 2.8774 3.5243
Обратите внимание на то, что случайные параметры ковариации эффектов для точки пересечения и лошадиной силы находятся вместе в отображении, и это включает корреляцию ('corr'
) между точкой пересечения и лошадиной силой.
Загрузите выборочные данные.
load flu
flu
массив набора данных имеет Date
переменная и 10 переменных, содержащих оцененные уровни гриппа (в 9 различных областях, оцененных от поисковых запросов Google®, плюс общенациональная оценка из Центров по контролю и профилактике заболеваний, CDC).
Чтобы подбирать линейно смешанную модель эффектов, ваши данные должны быть в правильно отформатированном массиве набора данных. Чтобы подбирать линейную модель смешанных эффектов с уровнями гриппа как ответы, объедините эти девять столбцов, соответствующих областям в массив. Новый массив набора данных, flu2
, должен иметь новую переменную отклика FluRate
, номинальная переменная Region
это показывает, какая область каждая оценка от, общенациональная оценка WtdILI
, и сгруппированная переменная Date
.
flu2 = stack(flu,2:10,'NewDataVarName','FluRate', ... 'IndVarName','Region'); flu2.Date = nominal(flu2.Date);
Отобразите первые шесть строк flu2
.
flu2(1:6,:)
ans = Date WtdILI Region FluRate 10/9/2005 1.182 NE 0.97 10/9/2005 1.182 MidAtl 1.025 10/9/2005 1.182 ENCentral 1.232 10/9/2005 1.182 WNCentral 1.286 10/9/2005 1.182 SAtl 1.082 10/9/2005 1.182 ESCentral 1.457
Подбирайте линейную модель смешанных эффектов с термином фиксированных эффектов для общенациональной оценки, WtdILI
, и случайная точка пересечения, которая варьируется Date
. Модель соответствует
где наблюдение для уровня из сгруппированной переменной Date
, случайный эффект для уровня из сгруппированной переменной Date
, и ошибка наблюдения для наблюдения . Случайный эффект имеет предшествующее распределение,
и остаточный член имеет распределение,
lme = fitlme(flu2,'FluRate ~ 1 + WtdILI + (1|Date)')
lme = Linear mixed-effects model fit by ML Model information: Number of observations 468 Fixed effects coefficients 2 Random effects coefficients 52 Covariance parameters 2 Formula: FluRate ~ 1 + WtdILI + (1 | Date) Model fit statistics: AIC BIC LogLikelihood Deviance 286.24 302.83 -139.12 278.24 Fixed effects coefficients (95% CIs): Name Estimate SE tStat DF pValue {'(Intercept)'} 0.16385 0.057525 2.8484 466 0.0045885 {'WtdILI' } 0.7236 0.032219 22.459 466 3.0502e-76 Lower Upper 0.050813 0.27689 0.66028 0.78691 Random effects covariance parameters (95% CIs): Group: Date (52 Levels) Name1 Name2 Type Estimate {'(Intercept)'} {'(Intercept)'} {'std'} 0.17146 Lower Upper 0.13227 0.22226 Group: Error Name Estimate Lower Upper {'Res Std'} 0.30201 0.28217 0.32324
Предполагаемые параметры ковариации отображены в разделе, названном "Случайные параметры ковариации эффектов". Ориентировочная стоимость 0.17146, и его 95%-й доверительный интервал [0.13227, 0.22226]. Поскольку этот интервал не включает 0, термин случайных эффектов является значительным. Можно официально протестировать значение любого термина случайных эффектов с помощью теста отношения правдоподобия через compare
метод.
Предполагаемый ответ при наблюдении является суммой фиксированных эффектов и значения случайного эффекта на уровне сгруппированной переменной, соответствующем тому наблюдению. Например, предполагаемый уровень гриппа для наблюдения 28
где предполагаемый лучше всего линейный несмещенный предиктор (BLUP) случайных эффектов для точки пересечения. Можно вычислить это значение можно следующим образом.
beta = fixedEffects(lme); [~,~,STATS] = randomEffects(lme); % Compute the random-effects statistics (STATS) STATS.Level = nominal(STATS.Level); y_hat = beta(1) + beta(2)*flu2.WtdILI(28) + STATS.Estimate(STATS.Level=='10/30/2005')
y_hat = 1.4674
Можно отобразить подходящее значение с помощью fitted
метод.
F = fitted(lme); F(28)
ans = 1.4674
Загрузите выборочные данные.
load('shift.mat')
Данные показывают абсолютные отклонения от целевой качественной характеристики, измеренной от продуктов каждое пять изготовлений операторов 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 являются абсолютные отклонения качественных характеристик от целевого значения. Это - симулированные данные.
Подбирайте линейную модель смешанных эффектов со случайной точкой пересечения, сгруппированной оператором, чтобы оценить, если эффективность значительно отличается согласно времени сдвига. Используйте ограниченный метод максимального правдоподобия и 'effects'
контрасты.
'effects'
контрасты означают, что коэффициенты суммируют к 0, и fitlme
создает матрицу, названную, фиксированные эффекты проектируют матрицу, чтобы описать эффект сдвига. Эта матрица имеет два столбца, и , где
Модель соответствует
где представляет наблюдения, и представляет операторы, = 1, 2..., 15, и = 1, 2..., 5. Случайные эффекты и ошибка наблюдения имеют следующие распределения:
и
lme = fitlme(shift,'QCDev ~ Shift + (1|Operator)',... 'FitMethod','REML','DummyVarCoding','effects')
lme = Linear mixed-effects model fit by REML Model information: Number of observations 15 Fixed effects coefficients 3 Random effects coefficients 5 Covariance parameters 2 Formula: QCDev ~ 1 + Shift + (1 | Operator) Model fit statistics: AIC BIC LogLikelihood Deviance 58.913 61.337 -24.456 48.913 Fixed effects coefficients (95% CIs): Name Estimate SE tStat DF pValue {'(Intercept)' } 3.6525 0.94109 3.8812 12 0.0021832 {'Shift_Evening'} -0.53293 0.31206 -1.7078 12 0.11339 {'Shift_Morning'} -0.91973 0.31206 -2.9473 12 0.012206 Lower Upper 1.6021 5.703 -1.2129 0.14699 -1.5997 -0.23981 Random effects covariance parameters (95% CIs): Group: Operator (5 Levels) Name1 Name2 Type Estimate {'(Intercept)'} {'(Intercept)'} {'std'} 2.0457 Lower Upper 0.98207 4.2612 Group: Error Name Estimate Lower Upper {'Res Std'} 0.85462 0.52357 1.395
Вычислите оценки лучше всего линейного несмещенного предиктора (BLUP) случайных эффектов.
B = randomEffects(lme)
B = 5×1
0.5775
1.1757
-2.1715
2.3655
-1.9472
Предполагаемое абсолютное отклонение от целевых качественных характеристик для третьего оператора, работающего вечерняя смена,
Можно также отобразить это значение можно следующим образом.
F = fitted(lme); F(shift.Shift=='Evening' & shift.Operator=='3')
ans = 0.9481
Точно так же можно вычислить предполагаемое абсолютное отклонение от целевых качественных характеристик для третьего оператора, работающего утренний сдвиг как
Можно также отобразить это значение можно следующим образом.
F(shift.Shift=='Morning' & shift.Operator=='3')
ans = 0.5613
Оператор имеет тенденцию делать меньшую величину ошибки во время утреннего сдвига.
Загрузите выборочные данные.
load('fertilizer.mat')
Массив набора данных включает данные из эксперимента графика разделения, где почва разделена на три блока на основе типа грунта: песчаный, илистый, и глинистый. Каждый блок разделен на пять графиков, где пять типов томатных объектов (вишня, семейная реликвия, виноград, виноградная лоза и слива) случайным образом присвоены этим графикам. Томатные объекты в графиках затем разделены на подграфики, где каждый подграфик обработан одним из четырех удобрений. Это - симулированные данные.
Храните данные в массиве набора данных под названием ds
, и задайте Tomato
, Soil
, и Fertilizer
как категориальные переменные.
ds = fertilizer; ds.Tomato = nominal(ds.Tomato); ds.Soil = nominal(ds.Soil); ds.Fertilizer = nominal(ds.Fertilizer);
Подбирайте линейную модель смешанных эффектов, где Fertilizer
и Tomato
переменные фиксированных эффектов, и среднее выражение варьируется блоком (тип грунта) и графики в блоках (томатные типы в типах грунта) независимо.
Эта модель соответствует
где = 1, 2..., 60, индекс соответствует типам удобрения, соответствует томатным типам, и = 1, 2, 3 соответствует блокам (почва). представляет тип грунта th, и представляет томатный тип th, вложенный в тип грунта th. фиктивный переменный уровень представления из удобрения. Точно так же фиктивный переменный уровень представления из томатного типа.
Случайные эффекты и ошибка наблюдения имеют эти предшествующие распределения: ~N (0, ), ~N (0, ), и ~ N (0, ).
lme = fitlme(ds,'Yield ~ Fertilizer * Tomato + (1|Soil) + (1|Soil:Tomato)')
lme = Linear mixed-effects model fit by ML Model information: Number of observations 60 Fixed effects coefficients 20 Random effects coefficients 18 Covariance parameters 3 Formula: Yield ~ 1 + Tomato*Fertilizer + (1 | Soil) + (1 | Soil:Tomato) Model fit statistics: AIC BIC LogLikelihood Deviance 522.57 570.74 -238.29 476.57 Fixed effects coefficients (95% CIs): Name Estimate SE tStat DF {'(Intercept)' } 77 8.5836 8.9706 40 {'Tomato_Grape' } -16 11.966 -1.3371 40 {'Tomato_Heirloom' } -6.6667 11.966 -0.55714 40 {'Tomato_Plum' } 32.333 11.966 2.7022 40 {'Tomato_Vine' } -13 11.966 -1.0864 40 {'Fertilizer_2' } 34.667 8.572 4.0442 40 {'Fertilizer_3' } 33.667 8.572 3.9275 40 {'Fertilizer_4' } 47.667 8.572 5.5607 40 {'Tomato_Grape:Fertilizer_2' } -2.6667 12.123 -0.21997 40 {'Tomato_Heirloom:Fertilizer_2'} -8 12.123 -0.65992 40 {'Tomato_Plum:Fertilizer_2' } -15 12.123 -1.2374 40 {'Tomato_Vine:Fertilizer_2' } -16 12.123 -1.3198 40 {'Tomato_Grape:Fertilizer_3' } 16.667 12.123 1.3748 40 {'Tomato_Heirloom:Fertilizer_3'} 3.3333 12.123 0.27497 40 {'Tomato_Plum:Fertilizer_3' } 3.6667 12.123 0.30246 40 {'Tomato_Vine:Fertilizer_3' } 3 12.123 0.24747 40 {'Tomato_Grape:Fertilizer_4' } 13.333 12.123 1.0999 40 {'Tomato_Heirloom:Fertilizer_4'} -19 12.123 -1.5673 40 {'Tomato_Plum:Fertilizer_4' } -2.6667 12.123 -0.21997 40 {'Tomato_Vine:Fertilizer_4' } 8.6667 12.123 0.71492 40 pValue Lower Upper 4.0206e-11 59.652 94.348 0.18873 -40.184 8.1837 0.58053 -30.85 17.517 0.010059 8.1496 56.517 0.28379 -37.184 11.184 0.00023272 17.342 51.991 0.00033057 16.342 50.991 1.9567e-06 30.342 64.991 0.82701 -27.167 21.834 0.51309 -32.501 16.501 0.22317 -39.501 9.5007 0.19439 -40.501 8.5007 0.17683 -7.8341 41.167 0.78476 -21.167 27.834 0.76387 -20.834 28.167 0.80581 -21.501 27.501 0.27796 -11.167 37.834 0.12492 -43.501 5.5007 0.82701 -27.167 21.834 0.47881 -15.834 33.167 Random effects covariance parameters (95% CIs): Group: Soil (3 Levels) Name1 Name2 Type Estimate {'(Intercept)'} {'(Intercept)'} {'std'} 2.5028 Lower Upper 0.027711 226.05 Group: Soil:Tomato (15 Levels) Name1 Name2 Type Estimate {'(Intercept)'} {'(Intercept)'} {'std'} 10.225 Lower Upper 6.1497 17.001 Group: Error Name Estimate Lower Upper {'Res Std'} 10.499 8.5389 12.908
- значения, соответствующие последним 12 строкам в содействующем отображении фиксированных эффектов (0.82701 к 0,47881), указывают, что коэффициенты взаимодействия между помидором и типами удобрения не являются значительными. Чтобы протестировать на полное взаимодействие между помидором и удобрением, используйте anova
метод после переоборудования модели с помощью 'effects'
контрасты.
Доверительный интервал для стандартных отклонений терминов случайных эффектов ( ), где точка пересечения сгруппирована почвой, является очень большим. Этот термин не кажется значительным.
Переоборудуйте модель после удаления периода взаимодействия Tomato:Fertilizer
и случайные эффекты называют (1 | Soil)
.
lme = fitlme(ds,'Yield ~ Fertilizer + Tomato + (1|Soil:Tomato)')
lme = Linear mixed-effects model fit by ML Model information: Number of observations 60 Fixed effects coefficients 8 Random effects coefficients 15 Covariance parameters 2 Formula: Yield ~ 1 + Tomato + Fertilizer + (1 | Soil:Tomato) Model fit statistics: AIC BIC LogLikelihood Deviance 511.06 532 -245.53 491.06 Fixed effects coefficients (95% CIs): Name Estimate SE tStat DF {'(Intercept)' } 77.733 7.3293 10.606 52 {'Tomato_Grape' } -9.1667 9.6045 -0.95441 52 {'Tomato_Heirloom'} -12.583 9.6045 -1.3102 52 {'Tomato_Plum' } 28.833 9.6045 3.0021 52 {'Tomato_Vine' } -14.083 9.6045 -1.4663 52 {'Fertilizer_2' } 26.333 4.5004 5.8514 52 {'Fertilizer_3' } 39 4.5004 8.6659 52 {'Fertilizer_4' } 47.733 4.5004 10.607 52 pValue Lower Upper 1.3108e-14 63.026 92.441 0.34429 -28.439 10.106 0.1959 -31.856 6.6895 0.0041138 9.5605 48.106 0.14858 -33.356 5.1895 3.3024e-07 17.303 35.364 1.1459e-11 29.969 48.031 1.308e-14 38.703 56.764 Random effects covariance parameters (95% CIs): Group: Soil:Tomato (15 Levels) Name1 Name2 Type Estimate {'(Intercept)'} {'(Intercept)'} {'std'} 10.02 Lower Upper 6.0812 16.509 Group: Error Name Estimate Lower Upper {'Res Std'} 12.325 10.024 15.153
Можно сравнить эти две модели с помощью compare
метод с симулированным тестом отношения правдоподобия и начиная с фиксированного эффекта и начиная с термина случайного эффекта тестируется.
Загрузите выборочные данные.
load('weight.mat')
weight
содержит данные из продольного исследования, где 20 предметов случайным образом присвоены 4 программам подготовки (A, B, C, D), 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.
fitlme
программа A использования как ссылка и создает необходимые фиктивные переменные [.]. Поскольку модель уже имеет точку пересечения, fitlme
только создает фиктивные переменные для программ B, C и D. Это также известно как 'reference'
метод кодирования фиктивных переменных.
Эта модель соответствует
где = 1, 2..., 120, и = 1, 2, ..., 20. коэффициенты фиксированных эффектов, = 0, 1..., 8, и и случайные эффекты. обозначает начальный вес и фиктивная переменная, представляющая тип программы. Например, фиктивный переменный тип B программы представления. Случайные эффекты и ошибка наблюдения имеют следующие предшествующие распределения:
lme = fitlme(tbl,'y ~ InitialWeight + Program*Week + (Week|Subject)')
lme = Linear mixed-effects model fit by ML Model information: Number of observations 120 Fixed effects coefficients 9 Random effects coefficients 40 Covariance parameters 4 Formula: y ~ 1 + InitialWeight + Program*Week + (1 + Week | Subject) Model fit statistics: AIC BIC LogLikelihood Deviance -22.981 13.257 24.49 -48.981 Fixed effects coefficients (95% CIs): Name Estimate SE tStat DF {'(Intercept)' } 0.66105 0.25892 2.5531 111 {'InitialWeight' } 0.0031879 0.0013814 2.3078 111 {'Program_B' } 0.36079 0.13139 2.746 111 {'Program_C' } -0.033263 0.13117 -0.25358 111 {'Program_D' } 0.11317 0.13132 0.86175 111 {'Week' } 0.1732 0.067454 2.5677 111 {'Program_B:Week'} 0.038771 0.095394 0.40644 111 {'Program_C:Week'} 0.030543 0.095394 0.32018 111 {'Program_D:Week'} 0.033114 0.095394 0.34713 111 pValue Lower Upper 0.012034 0.14798 1.1741 0.022863 0.00045067 0.0059252 0.0070394 0.10044 0.62113 0.80029 -0.29319 0.22666 0.39068 -0.14706 0.3734 0.011567 0.039536 0.30686 0.68521 -0.15026 0.2278 0.74944 -0.15849 0.21957 0.72915 -0.15592 0.22214 Random effects covariance parameters (95% CIs): Group: Subject (20 Levels) Name1 Name2 Type Estimate {'(Intercept)'} {'(Intercept)'} {'std' } 0.18407 {'Week' } {'(Intercept)'} {'corr'} 0.66841 {'Week' } {'Week' } {'std' } 0.15033 Lower Upper 0.12281 0.27587 0.21076 0.88573 0.11004 0.20537 Group: Error Name Estimate Lower Upper {'Res Std'} 0.10261 0.087882 0.11981
- значения 0.022863 и 0.011567 указывают на значительные эффекты подчиненных начальных весов и время в сумме потерянного веса. Потеря веса предметов, кто находится в программе B, существенно отличается относительно потери веса предметов, кто находится в программе A. Нижние и верхние пределы параметров ковариации для случайных эффектов не включают 0, таким образом они являются значительными. Можно также протестировать значение случайных эффектов с помощью compare
метод.
tbl
— Входные данныеdataset
массивВходные данные, который включает переменную отклика, переменные предикторы и сгруппированные переменные в виде таблицы или dataset
массив. Переменные предикторы могут быть непрерывными или сгруппированные переменные (см. Сгруппированные переменные). Необходимо задать модель для переменных с помощью formula
.
Типы данных: table
formula
— Формула для спецификации модели'y ~ fixed + (random1|grouping1) + ... + (randomR|groupingR)'
Формула для спецификации модели в виде вектора символов или строкового скаляра формы 'y ~ fixed + (random1|grouping1) + ... + (randomR|groupingR)'
. Формула является чувствительной к регистру. Для полного описания смотрите Формулу.
Пример: 'y ~ treatment + (1|block)'
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
.
'CovariancePattern','Diagonal','Optimizer','fminunc','OptimizerOptions',opt
задает модель, где термины случайных эффектов имеют диагональную структуру ковариационной матрицы и fitlme
использует fminunc
алгоритм оптимизации пользовательскими параметрами оптимизации, заданными в переменной opt
.CovariancePattern
— Шаблон ковариационной матрицы'FullCholesky'
(значение по умолчанию) | вектор символов | строковый скаляр | квадратная симметричная логическая матрица | массив строк | массив ячеек из символьных векторов или логические матрицыШаблон ковариационной матрицы случайных эффектов в виде разделенной запятой пары, состоящей из 'CovariancePattern'
и вектор символов, строковый скаляр, квадратная симметричная логическая матрица, массив строк, или массив ячеек из символьных векторов или логические матрицы.
Если существуют термины случайных эффектов R, то значение 'CovariancePattern'
должен быть массив строк или массив ячеек длины R, где каждый элемент r массива задает шаблон ковариационной матрицы вектора случайных эффектов, сопоставленного с r th термин случайных эффектов. Опции для каждого элемента следуют.
'FullCholesky' | Значение по умолчанию. Полная ковариационная матрица с помощью параметризации Холесского. fitlme оценки все элементы ковариационной матрицы. |
'Full' | Полная ковариационная матрица, с помощью параметризации логарифмического Холесского. fitlme оценки все элементы ковариационной матрицы. |
'Diagonal' |
Диагональная ковариационная матрица. Таким образом, недиагональные элементы ковариационной матрицы ограничиваются быть 0. |
'Isotropic' |
Диагональная ковариационная матрица с равными отклонениями. Таким образом, недиагональные элементы ковариационной матрицы ограничиваются быть 0, и диагональные элементы ограничиваются быть равными. Например, если существует три термина случайных эффектов с изотропной структурой ковариации, эта ковариационная матрица похожа где σ2b является общим отклонением терминов случайных эффектов. |
'CompSymm' |
Составная структура симметрии. Таким образом, общее отклонение по диагоналям и равной корреляции между всеми случайными эффектами. Например, если существует три термина случайных эффектов с ковариационной матрицей, имеющей составную структуру симметрии, эта ковариационная матрица похожа где σ2b1 является общим отклонением терминов случайных эффектов, и σb1, b2 является общей ковариацией между любыми двумя терминами случайных эффектов. |
PAT | Квадратная симметричная логическая матрица. Если 'CovariancePattern' задан матричным PAT , и если PAT(a,b) = false , затем (a,b) элемент соответствующей ковариационной матрицы ограничивается быть 0. |
Пример: 'CovariancePattern','Diagonal'
Пример: 'CovariancePattern',{'Full','Diagonal'}
Типы данных: char |
string
| logical
| cell
FitMethod
— Метод для оценки параметров'ML'
(значение по умолчанию) | 'REML'
Метод для оценки параметров линейной модели смешанных эффектов в виде разделенной запятой пары, состоящей из 'FitMethod'
и любое из следующих.
'ML' | Значение по умолчанию. Оценка наибольшего правдоподобия |
'REML' | Ограниченная оценка наибольшего правдоподобия |
Пример: 'FitMethod','REML'
Weights
— Веса наблюденияВеса наблюдения в виде разделенной запятой пары, состоящей из 'Weights'
и вектор из длины n, где n является количеством наблюдений.
Типы данных: single
| double
Exclude
— Индексы для строк, чтобы исключитьNaNs
(значение по умолчанию) | вектор из целочисленных или логических значенийИндексы для строк, чтобы исключить из линейной модели смешанных эффектов в данных в виде разделенной запятой пары, состоящей из 'Exclude'
и вектор из целочисленных или логических значений.
Например, можно исключить 13-е и 67-е строки из подгонки можно следующим образом.
Пример: 'Exclude',[13,67]
Типы данных: single
| double
| logical
DummyVarCoding
— Кодирование, чтобы использовать для фиктивных переменных'reference'
(значение по умолчанию) | 'effects'
| 'full'
Кодирование, чтобы использовать для фиктивных переменных, созданных из категориальных переменных в виде разделенной запятой пары, состоящей из 'DummyVarCoding'
и одна из переменных в этой таблице.
Значение | Описание |
---|---|
'reference' (значение по умолчанию) | fitlme создает фиктивные переменные со ссылочной группой. Эта схема обрабатывает первую категорию как ссылочную группу и создает ту меньше фиктивных переменных, чем количество категорий. Можно проверять порядок категории категориальной переменной при помощи categories функция и изменение порядок при помощи reordercats функция. |
'effects' | fitlme создает фиктивные переменные с помощью кодирования эффектов. Эта схема использует –1, чтобы представлять последнюю категорию. Эта схема создает тот меньше фиктивных переменных, чем количество категорий. |
'full' | fitlme создает полные фиктивные переменные. Эта схема создает одну фиктивную переменную для каждой категории. |
Для получения дополнительной информации о создании фиктивных переменных, смотрите Автоматическое Создание Фиктивных Переменных.
Пример: 'DummyVarCoding','effects'
Optimizer
— Алгоритм оптимизации'quasinewton'
(значение по умолчанию) | 'fminunc'
Алгоритм оптимизации в виде разделенной запятой пары, состоящей из 'Optimizer'
и любое из следующих.
'quasinewton' | Значение по умолчанию. Использует доверительный находящийся в области оптимизатор квазиньютона. Измените опции алгоритма с помощью statset('LinearMixedModel') . Если вы не задаете опции, то LinearMixedModel использует опции по умолчанию statset('LinearMixedModel') . |
'fminunc' | У вас должен быть Optimization Toolbox™, чтобы задать эту опцию. Измените опции алгоритма с помощью optimoptions('fminunc') . Если вы не задаете опции, то LinearMixedModel использует опции по умолчанию optimoptions('fminunc') с 'Algorithm' установите на 'quasi-newton' . |
Пример: 'Optimizer','fminunc'
OptimizerOptions
— Опции для алгоритма оптимизацииstatset
| объект возвращен optimoptions
Опции для алгоритма оптимизации в виде разделенной запятой пары, состоящей из 'OptimizerOptions'
и структура, возвращенная statset('LinearMixedModel')
или объект, возвращенный optimoptions('fminunc')
.
Если 'Optimizer'
'fminunc'
, затем используйте optimoptions('fminunc')
изменить опции алгоритма оптимизации. Смотрите optimoptions
для опций 'fminunc'
использование. Если 'Optimizer'
'fminunc'
и вы не предоставляете 'OptimizerOptions'
, затем значение по умолчанию для LinearMixedModel
опции по умолчанию, созданные optimoptions('fminunc')
с 'Algorithm'
установите на 'quasi-newton'
.
Если 'Optimizer'
'quasinewton'
, затем используйте statset('LinearMixedModel')
изменить параметры оптимизации. Если вы не изменяете параметры оптимизации, то LinearMixedModel
использует опции по умолчанию, созданные statset('LinearMixedModel')
:
'quasinewton'
оптимизатор использует следующие поля в структуре, созданной statset('LinearMixedModel')
.
TolFun
— Относительная погрешность на градиенте целевой функции1e-6
(значение по умолчанию) | значение положительной скалярной величиныОтносительная погрешность на градиенте целевой функции в виде значения положительной скалярной величины.
TolX
— Абсолютная погрешность на размере шага1e-12
(значение по умолчанию) | значение положительной скалярной величиныАбсолютная погрешность на размере шага в виде значения положительной скалярной величины.
MaxIter
— Максимальное количество итераций позволено
(значение по умолчанию) | значение положительной скалярной величиныМаксимальное количество итераций позволено в виде значения положительной скалярной величины.
Display
— Level of display'off'
(значение по умолчанию) | 'iter'
| 'final'
Level of display в виде одного из 'off'
, 'iter'
, или 'final'
.
StartMethod
— Метод, чтобы запустить итеративную оптимизацию'default'
(значение по умолчанию) | 'random'
Метод, чтобы запустить итеративную оптимизацию в виде разделенной запятой пары, состоящей из 'StartMethod'
и любое из следующих.
Значение | Описание |
---|---|
'default' | Внутренне заданное значение по умолчанию |
'random' | Случайное начальное значение |
Пример: 'StartMethod','random'
Verbose
— Индикатор, чтобы отобразить процесс оптимизации на экранеfalse
(значение по умолчанию) | true
Индикатор, чтобы отобразить процесс оптимизации на экране в виде разделенной запятой пары, состоящей из 'Verbose'
и любой false
или true
. Значением по умолчанию является false
.
Установка для 'Verbose'
заменяет поле 'Display'
в 'OptimizerOptions'
.
Пример: 'Verbose',true
CheckHessian
— Индикатор, чтобы проверять положительную определенность Гессианаfalse
(значение по умолчанию) | true
Индикатор, чтобы проверять положительную определенность Гессиана целевой функции относительно неограниченных параметров в сходимости в виде разделенной запятой пары, состоящей из 'CheckHessian'
и любой false
или true
. Значением по умолчанию является false
.
Задайте 'CheckHessian'
как true
проверить оптимальность решения или определить, сверхпараметрируется ли модель в количестве параметров ковариации.
Пример: 'CheckHessian',true
lme
— Линейная модель смешанных эффектовLinearMixedModel
объектЛинейная модель смешанных эффектов, возвращенная как LinearMixedModel
объект.
В общем случае формула для спецификации модели является вектором символов или строковым скаляром формы 'y ~ terms'
. Для линейных моделей смешанных эффектов эта формула находится в форме 'y ~ fixed + (random1|grouping1) + ... + (randomR|groupingR)'
, где fixed
и random
содержите фиксированные эффекты и термины случайных эффектов.
Предположим таблица tbl
содержит следующее:
Переменная отклика, y
Переменные предикторы, Xj
, который может быть непрерывным или сгруппированные переменные
Сгруппированные переменные, g1
, g2
..., gR
,
где сгруппированные переменные в Xj
и gr
может быть категориальным, логическим, символьные массивы, строковые массивы или массивы ячеек из символьных векторов.
Затем в формуле формы, 'y ~ fixed + (random1|g1) + ... + (randomR|gR)'
, термин fixed
соответствует спецификации проекта фиксированных эффектов матричный X
, random
1 спецификация проекта случайных эффектов матричный Z
1 соответствие сгруппированной переменной g
1, и так же random
R является спецификацией проекта случайных эффектов матричный Z
R, соответствующий сгруппированной переменной g
R. Можно описать fixed
и random
термины с помощью обозначения Уилкинсона.
Обозначение Уилкинсона описывает факторы, существующие в моделях. Обозначение относится к факторам, существующим в моделях, не ко множителям (коэффициенты) тех факторов.
Обозначение Уилкинсона | Включает стандартное обозначение |
---|---|
1
| Постоянный (точка пересечения) термин |
X^k , где k положительное целое число | X X2 Xk |
X1 + X2 | X1 x2 |
X1*X2 | X1 x2 , X1.*X2 (elementwise multiplication of X1 and X2) |
X1:X2 | X1.*X2 только |
- X2 | Не включайте X2 |
X1*X2 + X3 | X1 x2 , X3 x1, x2 |
X1 + X2 + X3 + X1:X2 | X1 x2 , X3 x1, x2 |
X1*X2*X3 - X1:X2:X3 | X1 x2 , X3 x1, x2 , X1*X3 , X2*X3 |
X1*(X2 + X3) | X1 x2 , X3 x1, x2 , X1*X3 |
Обозначение Statistics and Machine Learning Toolbox™ всегда включает постоянный термин, если вы явным образом не удаляете термин с помощью -1
. Вот некоторые примеры для линейной спецификации модели смешанных эффектов.
Примеры:
Формула | Описание |
---|---|
'y ~ X1 + X2' | Фиксированные эффекты для точки пересечения, X1 и X2 . Это эквивалентно 'y ~ 1 + X1 + X2' . |
'y ~ -1 + X1 + X2' | Никакая точка пересечения и зафиксированные эффекты для X1 и X2 . Неявный термин точки пересечения подавлен включением -1 . |
'y ~ 1 + (1 | g1)' | Фиксированные эффекты для точки пересечения плюс случайный эффект для точки пересечения для каждого уровня сгруппированной переменной g1 . |
'y ~ X1 + (1 | g1)' | Случайная модель точки пересечения с фиксированным наклоном. |
'y ~ X1 + (X1 | g1)' | Случайная точка пересечения и наклон, с возможной корреляцией между ними. Это эквивалентно 'y ~ 1 + X1 + (1 + X1|g1)' . |
'y ~ X1 + (1 | g1) + (-1 + X1 | g1)' | Независимые случайные эффекты называют для точки пересечения и наклона. |
'y ~ 1 + (1 | g1) + (1 | g2) + (1 | g1:g2)' | Случайная модель точки пересечения с независимыми основными эффектами для g1 и g2 , плюс независимый эффект взаимодействия. |
Одно из предположений о линейных моделях смешанных эффектов - то, что случайные эффекты имеют следующее предшествующее распределение.
где D является q-by-q симметричная и положительная полуопределенная матрица, параметрированная компонентом отклонения векторный θ, q является количеством переменных в термине случайных эффектов и σ2 ошибочное отклонение наблюдения. Поскольку ковариационная матрица случайных эффектов, D, симметрична, она имеет q (q +1)/2 свободные параметры. Предположим, что L является нижний треугольный Фактор Холецкого D (θ), таким образом что
затем q* (q +1)/2-by-1 неограниченный вектор параметра θ формируется из элементов в нижней треугольной части L.
Например, если
то
Когда диагональные элементы L в параметризации Холесского ограничиваются быть положительными, затем решение для L уникально. Параметризация логарифмического Холесского совпадает с параметризацией Холесского за исключением того, что логарифм диагональных элементов L используется, чтобы гарантировать уникальную параметризацию.
Например, для 3х3 примера в параметризации Холесского, осуществляя L ii ≥ 0,
Если ваша модель легко не описана с помощью формулы, можно создать матрицы, чтобы задать фиксированные и случайные эффекты и подбирать модель с помощью fitlmematrix(X,y,Z,G)
.
[1] Pinherio, J. C. и Д. М. Бэйтс. “Неограниченная Параметризация для Ковариационных матриц Отклонения”. Статистика и Вычисление, Издание 6, 1996, стр 289–296.
У вас есть модифицированная версия этого примера. Вы хотите открыть этот пример со своими редактированиями?
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.