fitted

Класс: GeneralizedLinearMixedModel

Подходящие ответы из обобщенной линейной модели смешанных эффектов

расширьте все на странице

Синтаксис

mufit = fitted(glme)

mufit = fitted(glme,Name,Value)

Описание

пример

mufit = fitted(glme) возвращает подходящий условный ответ обобщенной линейной модели glme смешанных эффектов.

mufit = fitted(glme,Name,Value) возвращает подходящий ответ с дополнительными опциями, заданными одним или несколькими аргументами пары "имя-значение". Например, можно задать, чтобы вычислить крайний подходящий ответ.

Входные параметры

развернуть все

`glme` — Обобщенная линейная модель смешанных эффектов
`GeneralizedLinearMixedModel` объект

Обобщенная линейная модель смешанных эффектов в виде GeneralizedLinearMixedModel объект. Для свойств и методов этого объекта, смотрите GeneralizedLinearMixedModel.

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.

`Conditional` — Индикатор для условного ответа
`true` (значение по умолчанию) | `false`

Индикатор для условного ответа в виде разделенной запятой пары, состоящей из 'Conditional' и одно из следующих.

Значение	Описание
`true`	Вклады и от зафиксированных эффектов и от случайных эффектов (условное выражение)
`false`	Вклад только от фиксированных (крайних) эффектов

Получить адаптированные крайние значения отклика, fitted вычисляет условное среднее значение ответа с эмпирическим вектором предиктора Бейеса из случайных эффектов набор b, равный 0. Для получения дополнительной информации смотрите Условный и Крайний Ответ

Пример: 'Conditional',false

Выходные аргументы

развернуть все

`mufit` — Подходящие значения отклика
n-by-1 вектор

Подходящие значения отклика, возвращенные как n-by-1 вектор, где n является количеством наблюдений.

Примеры

развернуть все

График, наблюдаемый по сравнению с подходящими значениями

Скрипт Open Live Script

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 (AB, 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

${defects}_{i j} \sim Пуассон (μ_{i j})$

Это соответствует обобщенной линейной модели смешанных эффектов

$\log (μ_{i j}) = β_{0} + β_{1} {newprocess}_{i j} + β_{2} {time_dev}_{i j} + β_{3} {temp_dev}_{i j} + β_{4} {supplier_C}_{i j} + β_{5} {supplier_B}_{i j} + b_{i},$

где

${defects}_{i j}$ количество дефектов, наблюдаемых в пакете, произведенном фабрикой $i$ во время пакета $j$ .
$μ_{i j}$ среднее количество дефектов, соответствующих фабрике $i$ (где $i = 1, 2, . . ., 20$ ) во время пакета $j$ (где $j = 1, 2, . . ., 5$ ).
${newprocess}_{i j}$ , ${time_dev}_{i j}$ , и ${temp_dev}_{i j}$ измерения для каждой переменной, которые соответствуют фабрике $i$ во время пакета $j$ . Например, ${newprocess}_{i j}$ указывает ли пакет, произведенный фабрикой $i$ во время пакета $j$ используемый новый процесс.
${supplier_C}_{i j}$ и ${supplier_B}_{i j}$ фиктивные переменные, которые используют эффекты (сумма к нулю) кодирование, чтобы указать ли компания C или B, соответственно, предоставленный химикаты процесса для пакета производятся фабрикой $i$ во время пакета $j$ .
$b_{i} \sim N (0, σ_{b}^{2})$ точка пересечения случайных эффектов для каждой фабрики $i$ 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');

Сгенерируйте подходящие условные средние значения для модели.

mufit = fitted(glme);

Создайте scatterplot наблюдаемых величин по сравнению с подходящими значениями.

figure
scatter(mfr.defects,mufit)
title('Residuals versus Fitted Values')
xlabel('Fitted Values')
ylabel('Residuals')

Figure contains an axes object. The axes object with title Residuals versus Fitted Values contains an object of type scatter.

Больше о

развернуть все

Условный и крайний ответ

Условный ответ включает вклады и от зафиксированного - и от предикторы случайных эффектов. Крайний ответ включает вклад только от фиксированных эффектов.

Предположим обобщенная линейная модель glme смешанных эффектов имеет n-by-p, фиксированные эффекты проектируют матричный X и n-by-q случайные эффекты проектирует матричный Z. Кроме того, предположите, что предполагаемый p-by-1 вектор фиксированных эффектов $\hat{β}$ , и q-by-1 эмпирический вектор предиктора Бейеса из случайных эффектов $\hat{b}$ .

Подходящий условный ответ соответствует 'Conditional',true аргумент пары "имя-значение", и задан как

${\hat{μ}}_{c o n d} = g^{- 1} ({\hat{η}}_{M E}),$

где ${\hat{η}}_{M E}$ линейный предиктор включая фиксированное - и случайные эффекты обобщенной линейной модели смешанных эффектов

${\hat{η}}_{M E} = X \hat{β} + Z \hat{b} + δ .$

Подходящий крайний ответ соответствует 'Conditional',false аргумент пары "имя-значение", и задан как

${\hat{μ}}_{m a r} = g^{- 1} ({\hat{η}}_{F E}),$

где ${\hat{η}}_{F E}$ линейный предиктор только включая фрагмент фиксированных эффектов обобщенной линейной модели смешанных эффектов

${\hat{η}}_{F E} = X \hat{β} + δ .$

Документация

fitted

Синтаксис

Описание

Входные параметры

`glme` — Обобщенная линейная модель смешанных эффектов
`GeneralizedLinearMixedModel` объект

Аргументы name-value

`Conditional` — Индикатор для условного ответа
`true` (значение по умолчанию) | `false`

Выходные аргументы

`mufit` — Подходящие значения отклика
n-by-1 вектор

Примеры

График, наблюдаемый по сравнению с подходящими значениями

Больше о

Условный и крайний ответ

Смотрите также

Документация Statistics and Machine Learning Toolbox

Поддержка

Документация

fitted

Синтаксис

Описание

Входные параметры

glme — Обобщенная линейная модель смешанных эффектов GeneralizedLinearMixedModel объект

Аргументы name-value

Conditional — Индикатор для условного ответа true (значение по умолчанию) | false

Выходные аргументы

mufit — Подходящие значения отклика n-by-1 вектор

Примеры

График, наблюдаемый по сравнению с подходящими значениями

Больше о

Условный и крайний ответ

Смотрите также

Документация Statistics and Machine Learning Toolbox

Поддержка

`glme` — Обобщенная линейная модель смешанных эффектов
`GeneralizedLinearMixedModel` объект

`Conditional` — Индикатор для условного ответа
`true` (значение по умолчанию) | `false`

`mufit` — Подходящие значения отклика
n-by-1 вектор