fitrm

Подбирайте модель повторных измерений

Синтаксис

rm = fitrm(t,modelspec)

rm = fitrm(t,modelspec,Name,Value)

Описание

rm = fitrm(t,modelspec) возвращает модель повторных измерений, заданную modelspec, адаптированный к переменным в таблице или массиве набора данных t.

пример

rm = fitrm(t,modelspec,Name,Value) возвращает модель повторных измерений, с дополнительными опциями, заданными одним или несколькими Name,Value парные аргументы.

Например, можно задать гипотезу для факторов в предмете.

Примеры

свернуть все

Подбирайте модель повторных измерений

Скрипт Open Live Script

Загрузите выборочные данные.

load fisheriris

Вектор-столбец species состоит из ирисовых цветов трех различных разновидностей: setosa, versicolor, и virginica. Двойной матричный meas состоит из четырех типов измерений на цветах: длина и ширина чашелистиков и лепестков в сантиметрах, соответственно.

Храните данные в табличном массиве.

t = table(species,meas(:,1),meas(:,2),meas(:,3),meas(:,4),...
'VariableNames',{'species','meas1','meas2','meas3','meas4'});
Meas = table([1 2 3 4]','VariableNames',{'Measurements'});

Подбирайте модель повторных измерений, где измерения являются ответами, и разновидность является переменным предиктором.

rm = fitrm(t,'meas1-meas4~species','WithinDesign',Meas)

rm = 
  RepeatedMeasuresModel with properties:

   Between Subjects:
         BetweenDesign: [150x5 table]
         ResponseNames: {'meas1'  'meas2'  'meas3'  'meas4'}
    BetweenFactorNames: {'species'}
          BetweenModel: '1 + species'

   Within Subjects:
          WithinDesign: [4x1 table]
     WithinFactorNames: {'Measurements'}
           WithinModel: 'separatemeans'

   Estimates:
          Coefficients: [3x4 table]
            Covariance: [4x4 table]

Отобразите коэффициенты.

rm.Coefficients

ans=3×4 table
                           meas1       meas2      meas3      meas4  
                          ________    ________    ______    ________

    (Intercept)             5.8433      3.0573     3.758      1.1993
    species_setosa        -0.83733     0.37067    -2.296    -0.95333
    species_versicolor    0.092667    -0.28733     0.502     0.12667

fitrm использует 'effects' контрасты, что означает, что коэффициенты суммируют к 0. rm.DesignMatrix имеет один столбец 1 с для точки пересечения и два других столбца species_setosa и species_versicolor, которые являются следующие:

$\begin{array}{c} s p e c i e s_s e t o s a = {\begin{array}{llllllllllllllllllll} 1 & i f s e t o s a \\ 0 & i f v e r s i c o l o r \\ - 1 & i f v i r g i n i c a \end{array} a n d s p e c i e s_v e r s i c o l o r = {\begin{array}{llllllllllllllllllll} 0 & i f s e t o s a \\ 1 & i f v e r s i c o l o r \\ - 1 & i f v i r g i n i c a \end{array} \end{array}$

Отобразите ковариационную матрицу.

rm.Covariance

ans=4×4 table
              meas1       meas2       meas3       meas4  
             ________    ________    ________    ________

    meas1     0.26501    0.092721     0.16751    0.038401
    meas2    0.092721     0.11539    0.055244     0.03271
    meas3     0.16751    0.055244     0.18519    0.042665
    meas4    0.038401     0.03271    0.042665    0.041882

Задайте гипотезу в предмете

Скрипт Open Live Script

Загрузите выборочные данные.

load('longitudinalData.mat');

Матричный Y содержит данные об ответе для 16 индивидуумов. Ответ является уровнем в крови препарата, измеренного в пяти моментах времени (время = 0, 2, 4, 6, и 8). Каждая строка Y соответствует индивидууму, и каждый столбец соответствует моменту времени. Первыми восемью предметами является розетка, и вторыми восемью предметами является штекер. Это - симулированные данные.

Задайте переменную, которая хранит гендерную информацию.

Gender = ['F' 'F' 'F' 'F' 'F' 'F' 'F' 'F' 'M' 'M' 'M' 'M' 'M' 'M' 'M' 'M']';

Храните данные в соответствующем табличном формате массивов, чтобы провести анализ повторных измерений.

t = table(Gender,Y(:,1),Y(:,2),Y(:,3),Y(:,4),Y(:,5),...
'VariableNames',{'Gender','t0','t2','t4','t6','t8'});

Задайте переменную в предметах.

Time = [0 2 4 6 8]';

Подбирайте модель повторных измерений, где уровни в крови являются ответами, и пол является переменным предиктором. Также задайте гипотезу для факторов в предмете.

rm = fitrm(t,'t0-t8 ~ Gender','WithinDesign',Time,'WithinModel','orthogonalcontrasts')

rm = 
  RepeatedMeasuresModel with properties:

   Between Subjects:
         BetweenDesign: [16x6 table]
         ResponseNames: {'t0'  't2'  't4'  't6'  't8'}
    BetweenFactorNames: {'Gender'}
          BetweenModel: '1 + Gender'

   Within Subjects:
          WithinDesign: [5x1 table]
     WithinFactorNames: {'Time'}
           WithinModel: 'orthogonalcontrasts'

   Estimates:
          Coefficients: [2x5 table]
            Covariance: [5x5 table]

Подберите модель с ковариантами

Скрипт Open Live Script

Загрузите выборочные данные.

load repeatedmeas

Таблица between включает восемь повторных измерений, y1 через y8, как ответы и факторы между предметами Group, Gender, IQ, и Age. IQ и Age как непрерывные переменные. Таблица within включает факторы в предмете w1 и w2.

Подбирайте модель повторных измерений, где возраст, IQ, группа и пол являются переменными предикторами, и модель включает эффект взаимодействия группы и пола. Также задайте факторы в предмете.

rm = fitrm(between,'y1-y8 ~ Group*Gender+Age+IQ','WithinDesign',within)

rm = 
  RepeatedMeasuresModel with properties:

   Between Subjects:
         BetweenDesign: [30x12 table]
         ResponseNames: {'y1'  'y2'  'y3'  'y4'  'y5'  'y6'  'y7'  'y8'}
    BetweenFactorNames: {'Age'  'IQ'  'Group'  'Gender'}
          BetweenModel: '1 + Age + IQ + Group*Gender'

   Within Subjects:
          WithinDesign: [8x2 table]
     WithinFactorNames: {'w1'  'w2'}
           WithinModel: 'separatemeans'

   Estimates:
          Coefficients: [8x8 table]
            Covariance: [8x8 table]

Отобразите коэффициенты.

rm.Coefficients

ans=8×8 table
                                y1         y2         y3         y4          y5           y6         y7          y8   
                             ________    _______    _______    _______    _________    ________    _______    ________

    (Intercept)                141.38     195.25     9.8663    -49.154       157.77     0.23762    -42.462      76.111
    Age                       0.32042    -4.7672    -1.2748     0.6216      -1.0621     0.89927     1.2569    -0.38328
    IQ                        -1.2671    -1.1653    0.05862     0.4288      -1.4518    -0.25501    0.22867    -0.72548
    Group_A                   -1.2195    -9.6186     22.532     15.303       12.602      12.886     10.911      11.487
    Group_B                    2.5186      1.417    -2.2501    0.50181       8.0907      3.1957     11.591      9.9188
    Gender_Female              5.3957    -3.9719     8.5225     9.3403       6.0909       1.642    -2.1212      4.8063
    Group_A:Gender_Female      4.1046     10.064    -7.3053    -3.3085       4.6751      2.4907     -4.325     -4.6057
    Group_B:Gender_Female    -0.48486    -2.9202     1.1222    0.69715    -0.065945    0.079468     3.1832      6.5733

Отображение показывает коэффициенты для подбора кривой повторным измерениям в зависимости от терминов в модели между предметами.

Входные параметры

свернуть все

`t` — Входные данные
таблица

Входные данные, который включает значения переменных отклика и факторов между предметами, чтобы использовать в качестве предикторов в модели повторных измерений в виде таблицы.

Имена переменных в t должен быть допустимый MATLAB^® идентификаторы. Можно проверить имена переменных при помощи isvarname функция. Если имена переменных не допустимы, то можно преобразовать их при помощи matlab.lang.makeValidName функция.

Типы данных: table

`modelspec` — Формула для спецификации модели
вектор символов или строковый скаляр формы `'y1-yk ~ terms'`

Формула для спецификации модели в виде вектора символов или строкового скаляра формы 'y1-yk ~ terms'. Ответы и термины заданы с помощью обозначения Уилкинсона. fitrm обрабатывает переменные, используемые в терминах модели в качестве категориальных, если они являются категориальными (номинальный или порядковый), логический, символьные массивы, строковые массивы или массивы ячеек из символьных векторов.

Например, если у вас есть четыре повторных измерения как ответы и факторы x1x2 , и x3 как переменные предикторы, затем можно задать модель повторных измерений можно следующим образом.

Пример: 'y1-y4 ~ x1 + x2 * x3'

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: 'WithinDesign','W','WithinModel','w1+w2' задает матричный w как матрица проекта для факторов в предмете и модель для факторов в предмете w1 и w2 'w1+w2'.

`WithinDesign` — Спроектируйте для факторов в предмете
числовой вектор из длины r (значение по умолчанию) | r-by-k числовая матрица | r-by-k таблица

Спроектируйте для факторов в предмете в виде разделенной запятой пары, состоящей из 'WithinDesign' и одно из следующего:

Числовой вектор из длины r, где r является количеством повторных измерений.
В этом случае, fitrm обрабатывает значения в векторе как непрерывные, и это обычно временные стоимости.
r-by-k числовая матрица значений k факторы в предмете, w ₁, w ₂..., _wk.
В этом случае, fitrm обработки все переменные k как непрерывные.
r-by-k таблица, которая содержит значения k факторы в предмете.
В этом случае, fitrm обработки все числовые переменные, столь же непрерывные, и все категориальные переменные как категориальный.

Например, если таблица weeks содержит значения факторов в предмете, затем можно задать таблицу проекта можно следующим образом.

Пример: 'WithinDesign',weeks

Типы данных: single | double | table

`WithinModel` — Модель, задающая тест гипотезы в предмете
`'separatemeans'` (значение по умолчанию) | `'orthogonalcontrasts'` | вектор символов или строковый скаляр, который задает модель

Модель, задающая гипотезу в предмете, тестирует в виде разделенной запятой пары, состоящей из 'WithinModel' и одно из следующего:

'separatemeans' — Вычислите отдельное среднее значение для каждой группы.
'orthogonalcontrasts' — Это допустимо только, когда модель в предмете имеет один числовой факторный T. Ответы являются средним значением, наклоном T в центре, и, в целом, всеми ортогональными контрастами для полинома до T ^ (p – 1), где p является номером если строки в модели в предмете.
Вектор символов или строковый скаляр, который задает спецификацию модели в факторах в предмете. Можно задать основанное на модели на правилах для terms в modelspec.

Например, если существует три фактора в предмете w1, w2, и w3, затем можно задать модель для факторов в предмете можно следующим образом.

Пример: 'WithinModel','w1+w2+w2*w3'

Типы данных: char | string

Выходные аргументы

свернуть все

`rm` — Модель повторных измерений
`RepeatedMeasuresModel` объект

Модель повторных измерений, возвращенная как RepeatedMeasuresModel объект.

Для свойств и методов этого объекта, смотрите RepeatedMeasuresModel.

Больше о

свернуть все

Спецификация модели Используя обозначение Уилкинсона

Обозначение Уилкинсона описывает факторы, существующие в моделях. Это не описывает множители (коэффициенты) тех факторов.

Следующие правила задают ответы в modelspec.

Обозначение Уилкинсона	Значение
`Y1,Y2,Y3`	Определенный список переменных
`Y1-Y5`	Все табличные переменные от `Y1` через `Y5`

Следующие правила задают термины в modelspec.

Обозначение Уилкинсона	Включает стандартное обозначение
1	Постоянный (точка пересечения) термин
`X^k`, где `k` положительное целое число	`XX²X^k`
`X1 + X2`	`X1x2`
`X1*X2`	`X1x2` `x1, x2`
`X1:X2`	`X1*X2` только
`-X2`	Не включайте `X2`
`X1*X2 + X3`	`X1x2` , `X3x1, x2`
`X1 + X2 + X3 + X1:X2`	`X1x2` , `X3x1, x2`
`X1X2X3 - X1:X2:X3`	`X1x2` , `X3x1, x2` , `X1X3`, `X2X3`
`X1*(X2 + X3)`	`X1x2` , `X3x1, x2` , `X1*X3`

Обозначение Statistics and Machine Learning Toolbox™ всегда включает постоянный термин, если вы явным образом не удаляете термин с помощью -1.

Смотрите также

RepeatedMeasuresModel

Введенный в R2014a

Документация

fitrm

Синтаксис

Описание

Примеры

Подбирайте модель повторных измерений

Задайте гипотезу в предмете

Подберите модель с ковариантами

Входные параметры

`t` — Входные данные
таблица

`modelspec` — Формула для спецификации модели
вектор символов или строковый скаляр формы `'y1-yk ~ terms'`

Аргументы name-value

`WithinDesign` — Спроектируйте для факторов в предмете
числовой вектор из длины r (значение по умолчанию) | r-by-k числовая матрица | r-by-k таблица

`WithinModel` — Модель, задающая тест гипотезы в предмете
`'separatemeans'` (значение по умолчанию) | `'orthogonalcontrasts'` | вектор символов или строковый скаляр, который задает модель

Выходные аргументы

`rm` — Модель повторных измерений
`RepeatedMeasuresModel` объект

Больше о

Спецификация модели Используя обозначение Уилкинсона

Смотрите также

Документация Statistics and Machine Learning Toolbox

Поддержка

Документация

fitrm

Синтаксис

Описание

Примеры

Подбирайте модель повторных измерений

Задайте гипотезу в предмете

Подберите модель с ковариантами

Входные параметры

t — Входные данные таблица

modelspec — Формула для спецификации модели вектор символов или строковый скаляр формы 'y1-yk ~ terms'

Аргументы name-value

WithinDesign — Спроектируйте для факторов в предмете числовой вектор из длины r (значение по умолчанию) | r-by-k числовая матрица | r-by-k таблица

WithinModel — Модель, задающая тест гипотезы в предмете 'separatemeans' (значение по умолчанию) | 'orthogonalcontrasts' | вектор символов или строковый скаляр, который задает модель

Выходные аргументы

rm — Модель повторных измерений RepeatedMeasuresModel объект

Больше о

Спецификация модели Используя обозначение Уилкинсона

Смотрите также

Документация Statistics and Machine Learning Toolbox

Поддержка

`t` — Входные данные
таблица

`modelspec` — Формула для спецификации модели
вектор символов или строковый скаляр формы `'y1-yk ~ terms'`

`WithinDesign` — Спроектируйте для факторов в предмете
числовой вектор из длины r (значение по умолчанию) | r-by-k числовая матрица | r-by-k таблица

`WithinModel` — Модель, задающая тест гипотезы в предмете
`'separatemeans'` (значение по умолчанию) | `'orthogonalcontrasts'` | вектор символов или строковый скаляр, который задает модель

`rm` — Модель повторных измерений
`RepeatedMeasuresModel` объект