Обобщенный линейный класс модели смешанных эффектов
GeneralizedLinearMixedModel
объект представляет модель регрессии переменной отклика, которая содержит и зафиксированные и случайные эффекты. Объект включает данные, описание модели, подходящие коэффициенты, параметры ковариации, матрицы проекта, остаточные значения, остаточные графики и другую диагностическую информацию для модели обобщенных линейных смешанных эффектов (GLME). Можно предсказать ответы модели с predict
функционируйте и сгенерируйте случайные данные в новых точках проекта с помощью random
функция.
Можно подбирать модель обобщенных линейных смешанных эффектов (GLME) к использованию выборочных данных fitglme(
. Для получения дополнительной информации смотрите tbl
,formula
)fitglme
.
tbl
— Входные данныеВходные данные, который включает переменную отклика, переменные предикторы и сгруппированные переменные в виде массива набора данных или таблицы. 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)'
. Для полного описания смотрите Формулу.
Пример: 'y ~ treatment +(1|block)'
Coefficients
— Оценки коэффициентов фиксированных эффектовОценки коэффициентов фиксированных эффектов и связанной статистики, сохраненной как массив набора данных, который ссорится для каждого коэффициента и следующих столбцов:
Name
— Имя коэффициента
Estimate
— Предполагаемое содействующее значение
SE
— Стандартная погрешность оценки
tStat
— t - статистическая величина для теста, что коэффициент равен 0
DF
— Степени свободы сопоставлены со статистической величиной t
pValue
— p - значение для t - статистическая величина
Lower
— Более низкий предел достоверности
Upper
— Верхний предел достоверности
Чтобы получить любой из этих столбцов как вектор, индексируйте в свойство с помощью записи через точку.
Используйте coefTest
метод, чтобы выполнить другие тесты на коэффициентах.
CoefficientCovariance
— Ковариация предполагаемого вектора фиксированных эффектовКовариация предполагаемого вектора фиксированных эффектов, сохраненного как матрица.
Типы данных: single
| double
CoefficientNames
— Имена коэффициентов фиксированных эффектовИмена коэффициентов фиксированных эффектов, сохраненных как массив ячеек из символьных векторов. Меткой для коэффициента постоянного термина является (Intercept)
. Метки для других коэффициентов указывают на термины, которые они умножают. Когда термин включает категориальный предиктор, метка также указывает на уровень того предиктора.
Типы данных: cell
DFE
— Степени свободы для ошибкиСтепени свободы для ошибки, сохраненной как положительное целочисленное значение. DFE
количество наблюдений минус количество предполагаемых коэффициентов.
DFE
содержит степени свободы, соответствующие 'Residual'
метод вычисления степеней свободы знаменателя для гипотезы тестирует на коэффициентах фиксированных эффектов. Если n является количеством наблюдений, и p является количеством коэффициентов фиксированных эффектов, то DFE
равно n – p.
Типы данных: double
Dispersion
— Дисперсионный параметр моделиДисперсионный параметр модели, сохраненный как скалярное значение. Дисперсионный параметр задает условное отклонение ответа.
Для наблюдения i, условное отклонение ответа y i, учитывая условное среднее значение μi и дисперсионный параметр σ2, в обобщенная линейная модель смешанных эффектов
где w, i - i th вес наблюдения и v, является функцией отклонения для заданного условного распределения ответа. Dispersion
свойство содержит оценку σ2 для заданной модели GLME. Значение Dispersion
зависит от заданного условного распределения ответа. Для бинома и распределений Пуассона, теоретического значения Dispersion
равно σ2 = 1.0.
Если FitMethod
MPL
или REMPL
и 'DispersionFlag'
аргумент пары "имя-значение" в fitglme
true
, затем дисперсионный параметр оценивается из данных для всех распределений, включая распределения Пуассона и бином.
Если FitMethod
ApproximateLaplace
или Laplace
, затем 'DispersionFlag'
аргумент пары "имя-значение" в fitglme
не применяется, и дисперсионный параметр фиксируется в 1,0 для распределений Пуассона и бинома. Для всех других распределений, Dispersion
оценивается из данных.
Типы данных: double
DispersionEstimated
— Отметьте указание, если дисперсионный параметр был оцененtrue
| false
Отметьте указание на предполагаемый дисперсионный параметр, сохраненный как логическое значение.
Если FitMethod
ApproximateLaplace
или Laplace
, затем дисперсионный параметр фиксируется в его теоретическом значении 1,0 для бинома и распределений Пуассона и DispersionEstimated
false
. Для других распределений дисперсионный параметр оценивается из данных и DispersionEstimated
true
.
Если FitMethod
MPL
или REMPL
, и 'DispersionFlag'
аргумент пары "имя-значение" в fitglme
задан как true
, затем дисперсионный параметр оценивается для всех распределений, включая бином и распределения Пуассона и DispersionEstimated
true
.
Если FitMethod
MPL
или REMPL
, и 'DispersionFlag'
аргумент пары "имя-значение" в fitglme
задан как false
, затем дисперсионный параметр фиксируется в его теоретическом значении для бинома и распределений Пуассона и DispersionEstimated
false
. Для распределений кроме бинома и Пуассона, дисперсионный параметр оценивается из данных и DispersionEstimated
true
.
Типы данных: логический
Distribution
— Имя распределения ответа'Normal'
| 'Binomial'
| 'Poisson'
| 'Gamma'
| 'InverseGaussian'
Имя распределения ответа, сохраненное как одно из следующего:
'Normal'
— Нормальное распределение
'Binomial'
— Биномиальное распределение
'Poisson'
— Распределение Пуассона
'Gamma'
— Гамма распределение
'InverseGaussian'
— Обратное Распределение Гаусса
FitMethod
— Метод раньше подбирал модель'MPL'
| 'REMPL'
| 'ApproximateLaplace'
| 'Laplace'
Метод раньше подбирал модель, сохраненную как одно из следующих.
'MPL'
— Максимальная псевдо вероятность
'REMPL'
— Ограниченная максимальная псевдо вероятность
'ApproximateLaplace'
— Наибольшее правдоподобие с помощью аппроксимированного метода Лапласа, с фиксированными эффектами, профилируемыми
'Laplace'
— Наибольшее правдоподобие с помощью метода Лапласа
Formula
— Формула спецификации моделиФормула спецификации модели, сохраненная как объект. Формула спецификации модели использует обозначение Уилкинсона, чтобы описать отношение между терминами фиксированных эффектов, терминами случайных эффектов и сгруппированными переменными в модели GLME. Для получения дополнительной информации смотрите Формулу.
Link
— Соедините функциональные характеристикиСоедините функциональные характеристики, сохраненные как структура, содержащая следующие поля. Ссылкой является функциональный G
это соединяет параметр распределения MU
к линейному предиктору ETA
можно следующим образом: G(MU) = ETA
.
Поле | Описание |
---|---|
Name | Имя функции ссылки |
Link | Функция, которая задает G |
Derivative | Производная G |
SecondDerivative | Вторая производная G |
Inverse | Инверсия G |
Типы данных: struct
LogLikelihood
— Журнал функции правдоподобияЖурнал функции правдоподобия оценен в предполагаемых содействующих значениях, сохраненных как скалярное значение. LogLikelihood
зависит от метода, используемого, чтобы подбирать модель.
Если вы используете 'Laplace'
или 'ApproximateLaplace'
, затем LogLikelihood
максимизируемая логарифмическая вероятность.
Если вы используете 'MPL'
, затем LogLikelihood
максимизируемая логарифмическая вероятность псевдо данных из итоговой псевдо итерации вероятности.
Если вы используете 'REMPL'
, затем LogLikelihood
максимизируемая ограниченная логарифмическая вероятность псевдо данных из итоговой псевдо итерации вероятности.
Типы данных: double
ModelCriterion
— Критерий моделиКритерий модели, чтобы выдержать сравнение подбирал обобщенные линейные модели смешанных эффектов, сохраненные как таблица следующими полями.
Поле | Описание |
---|---|
AIC | Критерий информации о Akaike |
BIC | Байесов информационный критерий |
LogLikelihood |
|
Deviance | – 2 раза LogLikelihood |
NumCoefficients
— Количество коэффициентов фиксированных эффектовКоличество коэффициентов фиксированных эффектов в подбиравшей обобщенной линейной модели смешанных эффектов, сохраненной как положительное целочисленное значение.
Типы данных: double
NumEstimatedCoefficients
— Количество предполагаемых коэффициентов фиксированных эффектовКоличество предполагаемых коэффициентов фиксированных эффектов в подбиравшей обобщенной линейной модели смешанных эффектов, сохраненной как положительное целочисленное значение.
Типы данных: double
NumObservations
— Количество наблюденийКоличество наблюдений используется в подгонке, сохраненной как положительное целочисленное значение. NumObservations
количество строк в таблице или массиве набора данных tbl
, минус строки, исключенные с помощью 'Exclude'
пара "имя-значение" fitglme
или строки, содержащие NaN
значения.
Типы данных: double
NumPredictors
— Количество предикторовКоличество переменных, используемых в качестве предикторов в обобщенной линейной модели смешанных эффектов, сохраненной как положительное целочисленное значение.
Типы данных: double
NumVariables
— Общее количество переменныхОбщее количество переменных, включая ответ и предикторы, сохраненные как положительное целочисленное значение. Если выборочные данные находятся в таблице или массиве набора данных tbl
, затем NumVariables
общее количество переменных в tbl
, включая переменную отклика. NumVariables
включает переменные, если таковые имеются, которые не используются в качестве предикторов или в качестве ответа.
Типы данных: double
ObservationInfo
— Информация о наблюденияхИнформация о наблюдениях, используемых в подгонке, сохраненной как таблица.
ObservationInfo
ссорится для каждого наблюдения и следующих столбцов.
Имя | Описание |
---|---|
Weights | Значение веса для наблюдения. Значение по умолчанию равняется 1. |
Excluded | Если наблюдение было исключено из подгонки с помощью 'Exclude' аргумент пары "имя-значение" в fitglme , затем Excluded true , или 1 . В противном случае, Excluded false , или 0 . |
Missing | Если наблюдение было исключено из подгонки, потому что любое значение ответа или предиктора отсутствует, то Отсутствующие значения включают |
Subset | Если наблюдение использовалось в подгонке, то Subset true . Если наблюдение не использовалось в подгонке, потому что это отсутствует или исключенное, то Subset false . |
BinomSize | Биномиальный размер для каждого наблюдения. Этот столбец только применяется при подборе кривой биномиальному распределению. |
Типы данных: table
ObservationNames
— Имена наблюденийИмена наблюдений используются в подгонке, сохраненной как массив ячеек из символьных векторов.
Если данные находятся в таблице или массиве набора данных tbl
это содержит имена наблюдения, затем ObservationNames
использование те имена.
Если данные обеспечиваются в матрицах, или в таблице или массиве набора данных без имен наблюдения, то ObservationNames
массив пустой ячейки.
Типы данных: cell
PredictorNames
— Имена предикторовИмена переменных, используемых в качестве предикторов в подгонке, сохраненной как массив ячеек из символьных векторов, который имеет ту же длину как NumPredictors
.
Типы данных: cell
ResponseName
— Имя переменной откликаИмя переменной, используемой в качестве переменной отклика в подгонке, сохраненной как вектор символов.
Типы данных: char
Rsquared
— Пропорция изменчивости в ответе объяснена подобранной модельюПропорция изменчивости в ответе, объясненном подобранной моделью, сохраненной как структура. Rsquared
содержит R - значение в квадрате подобранной модели, также известной как коэффициент кратной корреляции. Rsquared
содержит следующие поля.
Поле | Описание |
---|---|
Ordinary | Значение R-squared, сохраненное как скалярное значение в структуре.Rsquared.Ordinary = 1 — SSE./SST |
Adjusted | Значение R-squared, настроенное для количества коэффициентов фиксированных эффектов, сохраненных как скалярное значение в структуре.Rsquared.Adjusted = 1 — (SSE./SST)*(DFT./DFE) ,где DFE = n – p , DFT = n – 1 N общее количество наблюдений и p количество коэффициентов фиксированных эффектов. |
Типы данных: struct
SSE
— Ошибочная сумма квадратовОшибочная сумма квадратов, сохраненная как значение положительной скалярной величины. SSE
взвешенная сумма условных остаточных значений в квадрате и вычисляется как
где n является количеством наблюдений, wieff i th эффективный вес, yi является i th ответ, и fi является i th адаптированное значение.
i th эффективный вес вычисляется как
где vi является термином отклонения для i th наблюдение, и ориентировочные стоимости β и b, соответственно.
i th адаптированное значение вычисляется как
где xiT i th, строка фиксированных эффектов проектируют матричный X и ziT i th, строка случайных эффектов проектируют матричный Z. δi является i th значение смещения.
Типы данных: double
SSR
— Сумма квадратов регрессииСумма квадратов регрессии, сохраненная как значение положительной скалярной величины. SSR
сумма квадратов, объясненная обобщенной линейной регрессией смешанных эффектов, или эквивалентно взвешенная сумма отклонений в квадрате условного выражения соответствовала значениям от их взвешенного среднего. SSR
вычисляется как
где n является количеством наблюдений, wieff i th эффективный вес, fi является i th адаптированное значение, и взвешенное среднее подходящих значений.
i th эффективный вес вычисляется как
где и ориентировочные стоимости β и b, соответственно.
i th адаптированное значение вычисляется как
где xiT i th, строка фиксированных эффектов проектируют матричный X и ziT i th, строка случайных эффектов проектируют матричный Z. δi является i th значение смещения.
Взвешенное среднее подходящих значений вычисляется как
Типы данных: double
SST
— Полная сумма квадратовПолная сумма квадратов, сохраненных как значение положительной скалярной величины. Для модели GLME, SST
задан как SST = SSE + SSR
.
Типы данных: double
VariableInfo
— Информация о переменныхИнформация о переменных, используемых в подгонке, сохраненной как таблица. VariableInfo
ссорится для каждой переменной и содержит следующие столбцы.
ColumnName | Описание |
---|---|
Class | Класс переменной ('double' ячейка , 'nominal' , и так далее). |
Range | Диапазон значений переменной.
|
InModel | Если переменная является предиктором в подобранной модели, Если переменная не находится в подобранной модели, |
IsCategorical | Если тип переменной обработан как категориальный предиктор (такой как ячейка, логическая, или категориальная), то Если переменная является непрерывным предиктором, то |
Типы данных: table
VariableNames
— Имена переменныхИмена всех переменных содержали в таблице или массиве набора данных tbl
, сохраненный как массив ячеек из символьных векторов.
Типы данных: cell
Variables
ПеременныеПеременные, сохраненные как таблица. Если подгонка основана на таблице или массиве набора данных tbl
, затем Variables
идентично tbl
.
Типы данных: table
anova | Дисперсионный анализ для обобщенной линейной модели смешанных эффектов |
coefCI | Доверительные интервалы для коэффициентов обобщенной линейной модели смешанных эффектов |
coefTest | Тест гипотезы на фиксированных и случайных эффектах обобщенной линейной модели смешанных эффектов |
compare | Сравните обобщенные линейные модели смешанных эффектов |
covarianceParameters | Извлеките параметры ковариации обобщенной линейной модели смешанных эффектов |
designMatrix | Матрицы, построенные на основе фиксированных или случайных эффектов |
fitted | Подходящие ответы из обобщенной линейной модели смешанных эффектов |
fixedEffects | Оценки фиксированных эффектов и связанной статистики |
partialDependence | Вычислите частичную зависимость |
plotPartialDependence | Создайте графики отдельного условного ожидания (ICE) и частичный график зависимости (PDP) |
plotResiduals | Постройте остаточные значения обобщенной линейной модели смешанных эффектов |
predict | Предскажите ответ обобщенной линейной модели смешанных эффектов |
random | Сгенерируйте случайные ответы из подбиравшей обобщенной линейной модели смешанных эффектов |
randomEffects | Оценки случайных эффектов и связанной статистики |
refit | Переоборудуйте обобщенную линейную модель смешанных эффектов |
residuals | Остаточные значения подбиравшей обобщенной линейной модели смешанных эффектов |
response | Вектор отклика обобщенной линейной модели смешанных эффектов |
Загрузите выборочные данные.
load mfr
Эти симулированные данные от компании-производителя, которая управляет 50 фабриками во всем мире с каждой фабрикой, запускающей процесс пакетной обработки, чтобы создать готовое изделие. Компания хочет сократить число дефектов в каждом пакете, таким образом, это разработало новый производственный процесс. Чтобы протестировать эффективность нового процесса, компания выбрала 20 своих фабрик наугад, чтобы участвовать в эксперименте: Десять фабрик реализовали новый процесс, в то время как другие десять продолжали запускать старый процесс. На каждой из этих 20 фабрик компания запустила пять пакетов (для в общей сложности 100 пакетов) и записала следующие данные:
Отметьте, чтобы указать, использовал ли пакет новый процесс (newprocess
)
Время вычислений для каждого пакета, в часах (time
)
Температура пакета, в градусах Цельсия (temp
)
Категориальная переменная, указывающая на поставщика (A
B
, или C
) из химиката, используемого в пакете (supplier
)
Количество дефектов в пакете (defects
)
Данные также включают time_dev
и temp_dev
, которые представляют абсолютное отклонение времени и температуры, соответственно, из стандарта процесса 3 часов на уровне 20 градусов Цельсия.
Подбирайте обобщенную линейную модель смешанных эффектов использование newprocess
, time_dev
, temp_dev
, и supplier
как предикторы фиксированных эффектов. Включайте термин случайных эффектов для точки пересечения, сгруппированной factory
, с учетом качественных различий, которые могут существовать из-за специфичных для фабрики изменений. Переменная отклика defects
имеет распределение Пуассона, и соответствующая функция ссылки для этой модели является журналом. Используйте подходящий метод Лапласа, чтобы оценить коэффициенты. Задайте фиктивную переменную, кодирующую как 'effects'
, таким образом, фиктивные переменные коэффициенты суммируют к 0.
Количество дефектов может быть смоделировано с помощью распределения Пуассона
Это соответствует обобщенной линейной модели смешанных эффектов
где
количество дефектов, наблюдаемых в пакете, произведенном фабрикой во время пакета .
среднее количество дефектов, соответствующих фабрике (где ) во время пакета (где ).
, , и измерения для каждой переменной, которые соответствуют фабрике во время пакета . Например, указывает ли пакет, произведенный фабрикой во время пакета используемый новый процесс.
и фиктивные переменные, которые используют эффекты (сумма к нулю) кодирование, чтобы указать ли компания C
или B
, соответственно, предоставленный химикаты процесса для пакета производятся фабрикой во время пакета .
точка пересечения случайных эффектов для каждой фабрики это составляет специфичное для фабрики изменение по качеству.
glme = fitglme(mfr,'defects ~ 1 + newprocess + time_dev + temp_dev + supplier + (1|factory)', ... 'Distribution','Poisson','Link','log','FitMethod','Laplace','DummyVarCoding','effects');
Отобразите модель.
disp(glme)
Generalized linear mixed-effects model fit by ML Model information: Number of observations 100 Fixed effects coefficients 6 Random effects coefficients 20 Covariance parameters 1 Distribution Poisson Link Log FitMethod Laplace Formula: defects ~ 1 + newprocess + time_dev + temp_dev + supplier + (1 | factory) Model fit statistics: AIC BIC LogLikelihood Deviance 416.35 434.58 -201.17 402.35 Fixed effects coefficients (95% CIs): Name Estimate SE tStat DF pValue {'(Intercept)'} 1.4689 0.15988 9.1875 94 9.8194e-15 {'newprocess' } -0.36766 0.17755 -2.0708 94 0.041122 {'time_dev' } -0.094521 0.82849 -0.11409 94 0.90941 {'temp_dev' } -0.28317 0.9617 -0.29444 94 0.76907 {'supplier_C' } -0.071868 0.078024 -0.9211 94 0.35936 {'supplier_B' } 0.071072 0.07739 0.91836 94 0.36078 Lower Upper 1.1515 1.7864 -0.72019 -0.015134 -1.7395 1.5505 -2.1926 1.6263 -0.22679 0.083051 -0.082588 0.22473 Random effects covariance parameters: Group: factory (20 Levels) Name1 Name2 Type Estimate {'(Intercept)'} {'(Intercept)'} {'std'} 0.31381 Group: Error Name Estimate {'sqrt(Dispersion)'} 1
Model information
таблица показывает общее количество наблюдений в выборочных данных (100), количество фиксированных - и коэффициенты случайных эффектов (6 и 20, соответственно), и количество параметров ковариации (1). Это также указывает, что переменная отклика имеет Poisson
распределение, функцией ссылки является Log
, и подходящим методом является Laplace
.
Formula
указывает на спецификацию модели с помощью обозначения Уилкинсона.
Model fit statistics
табличная статистика отображений раньше оценивала качество подгонки модели. Это включает критерий информации о Akaike (AIC
), Байесов информационный критерий (BIC
) значения, логарифмическая вероятность (LogLikelihood
), и отклонение (Deviance
Значения.
Fixed effects coefficients
таблица показывает тот fitglme
возвращенные 95% доверительных интервалов. Это содержит одну строку для каждого предиктора фиксированных эффектов, и каждый столбец содержит статистику, соответствующую тому предиктору. Столбец 1 (Name
) содержит имя каждого коэффициента фиксированных эффектов, столбец 2 (Estimate
) содержит его ориентировочную стоимость и столбец 3 (SE
) содержит стандартную погрешность коэффициента. Столбец 4 (tStat
) содержит - статистическая величина для теста гипотезы, что коэффициент равен 0. Столбец 5 (DF
) и столбец 6 (pValue
) содержите степени свободы и - значение, которые соответствуют - статистическая величина, соответственно. Последние два столбца (Lower
и Upper
) отобразите нижние и верхние пределы, соответственно, 95%-го доверительного интервала для каждого коэффициента фиксированных эффектов.
Random effects covariance parameters
отображает таблицу для каждой сгруппированной переменной (здесь, только factory
), включая его общее количество уровней (20), и тип и оценка параметра ковариации. Здесь, std
указывает на тот fitglme
возвращает стандартное отклонение случайного эффекта, сопоставленного с предиктором фабрики, который имеет ориентировочную стоимость 0,31381. Это также отображает таблицу, содержащую тип параметра ошибок (здесь, квадратный корень из дисперсионного параметра), и его ориентировочная стоимость 1.
Стандартное отображение сгенерировано fitglme
не обеспечивает доверительные интервалы для параметров случайных эффектов. Чтобы вычислить и отобразить эти значения, используйте covarianceParameters
.
В общем случае формула для спецификации модели является вектором символов или строковым скаляром формы 'y ~ terms'
. Для обобщенных 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, соответственно, и R является количеством сгруппированных переменных в модели.
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. |
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.