fixedEffects

Оценки фиксированных эффектов и связанной статистики

Синтаксис

beta = fixedEffects(glme)

[beta,betanames]
= fixedEffects(glme)

[beta,betanames,stats]
= fixedEffects(glme)

[___] = fixedEffects(glme,Name,Value)

Описание

beta = fixedEffects(glme) возвращает предполагаемые коэффициенты фиксированных эффектов, beta, из обобщенной линейной модели glme смешанных эффектов.

[beta,betanames] = fixedEffects(glme) также возвращает имена предполагаемых коэффициентов фиксированных эффектов в betanames. Каждое имя соответствует коэффициенту фиксированных эффектов в beta.

пример

[beta,betanames,stats] = fixedEffects(glme) также возвращает таблицу статистики, stats, связанный с предполагаемыми коэффициентами фиксированных эффектов glme.

[___] = fixedEffects(glme,Name,Value) возвращает любой из выходных аргументов в предыдущих синтаксисах с помощью дополнительных опций, заданных одним или несколькими Name,Value парные аргументы. Например, можно задать доверительный уровень или метод для вычисления аппроксимированных степеней свободы для t - статистическая величина.

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.

`Alpha` — Уровень значения
0,05 (значения по умолчанию) | скалярное значение в области значений [0,1]

Уровень значения в виде разделенной запятой пары, состоящей из 'Alpha' и скалярное значение в области значений [0,1]. Для значения α, доверительный уровень является 100 × (1 – α) %.

Например, для 99% доверительных интервалов, можно задать доверительный уровень можно следующим образом.

Пример: 'Alpha',0.01

Типы данных: single | double

`DFMethod` — Метод для вычисления аппроксимированных степеней свободы
`'residual'` (значение по умолчанию) | `'none'`

Метод для вычисления аппроксимированных степеней свободы в виде разделенной запятой пары, состоящей из 'DFMethod' и одно из следующих.

Значение	Описание
`'residual'`	Значение степеней свободы принято постоянным и равно n – p, где n является количеством наблюдений, и p является количеством фиксированных эффектов.
`'none'`	Степени свободы установлены в бесконечность.

Пример: 'DFMethod','none'

Выходные аргументы

развернуть все

`beta` — Предполагаемые коэффициенты фиксированных эффектов
вектор

Предполагаемые коэффициенты фиксированных эффектов подходящей обобщенной линейной модели glme смешанных эффектов, возвращенный как вектор.

`betanames` — Имена коэффициентов фиксированных эффектов
таблица

Имена коэффициентов фиксированных эффектов в beta, возвращенный как таблица.

`stats` — Фиксированные эффекты оценивают и связанная статистика
массив набора данных

Фиксированные эффекты оценивают и связанная статистика, возвращенная как массив набора данных, который ссорится для каждого из фиксированных эффектов и одного столбца для каждых из следующих статистических данных.

ColumnName	Описание
`Name`	Имя коэффициента фиксированных эффектов
`Estimate`	Предполагаемое содействующее значение
`SE`	Стандартная погрешность оценки
`tStat`	t- для теста, что коэффициент 0
`DF`	Предполагаемые степени свободы для t - статистическая величина
`pValue`	p- для the t-статистической-величины
`Lower`	Нижний предел 95%-го доверительного интервала для коэффициента фиксированных эффектов
`Upper`	Верхний предел 95%-го доверительного интервала для коэффициента фиксированных эффектов

При подборе кривой использованию модели fitglme и одно из наибольшего правдоподобия соответствует методам ('Laplace' или 'ApproximateLaplace'), если вы задаете 'CovarianceMethod' аргумент пары "имя-значение" как 'conditional', затем SE не составляет неопределенность в оценке параметров ковариации. С учетом этой неопределенности задайте 'CovarianceMethod' как 'JointHessian'.

При подборе кривой использованию модели GLME fitglme и одна из псевдо вероятности соответствует методам ('MPL' или 'REMPL'), fixedEffects основывает закрепленные оценки эффектов и связанную статистику по подбиравшей линейной модели смешанных эффектов от итоговой псевдо итерации вероятности.

Примеры

развернуть все

Оцените коэффициенты Фиксированных Эффектов

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');

Вычислите и отобразите предполагаемые содействующие значения фиксированных эффектов и связанную статистику.

[beta,betanames,stats] = fixedEffects(glme);
stats

stats = 
    Fixed effect coefficients: DFMethod = 'residual', Alpha = 0.05

    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

Возвращенные результаты показывают, например, что предполагаемый коэффициент для temp_dev –0.28317. Его большое $p$ - значение, 0.76907, указывает, что это не статистически значительный предиктор на 5%-м уровне значения. Кроме того, контуры доверительного интервала Lower и Upper укажите что 95%-й доверительный интервал для коэффициента для temp_dev [-2.1926, 1.6263]. Этот интервал содержит 0, который поддерживает заключение что temp_dev не является статистически значительным на 5%-м уровне значения.

Документация

fixedEffects

Синтаксис

Описание

Входные параметры

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

Аргументы name-value

`Alpha` — Уровень значения
0,05 (значения по умолчанию) | скалярное значение в области значений [0,1]

`DFMethod` — Метод для вычисления аппроксимированных степеней свободы
`'residual'` (значение по умолчанию) | `'none'`

Выходные аргументы

`beta` — Предполагаемые коэффициенты фиксированных эффектов
вектор

`betanames` — Имена коэффициентов фиксированных эффектов
таблица

`stats` — Фиксированные эффекты оценивают и связанная статистика
массив набора данных

Примеры

Оцените коэффициенты Фиксированных Эффектов

Смотрите также

Документация Statistics and Machine Learning Toolbox

Поддержка

Документация

fixedEffects

Синтаксис

Описание

Входные параметры

glme — Обобщенная линейная модель смешанных эффектов GeneralizedLinearMixedModel объект

Аргументы name-value

Alpha — Уровень значения 0,05 (значения по умолчанию) | скалярное значение в области значений [0,1]

DFMethod — Метод для вычисления аппроксимированных степеней свободы 'residual' (значение по умолчанию) | 'none'

Выходные аргументы

beta — Предполагаемые коэффициенты фиксированных эффектов вектор

betanames — Имена коэффициентов фиксированных эффектов таблица

stats — Фиксированные эффекты оценивают и связанная статистика массив набора данных

Примеры

Оцените коэффициенты Фиксированных Эффектов

Смотрите также

Документация Statistics and Machine Learning Toolbox

Поддержка

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

`Alpha` — Уровень значения
0,05 (значения по умолчанию) | скалярное значение в области значений [0,1]

`DFMethod` — Метод для вычисления аппроксимированных степеней свободы
`'residual'` (значение по умолчанию) | `'none'`

`beta` — Предполагаемые коэффициенты фиксированных эффектов
вектор

`betanames` — Имена коэффициентов фиксированных эффектов
таблица

`stats` — Фиксированные эффекты оценивают и связанная статистика
массив набора данных