Класс: LinearMixedModel
Подходящие ответы из линейной модели смешанных эффектов
возвращает подходящий условный ответ в линейную модель yfit
= fitted(lme
)lme
смешанных эффектов.
возвращает подходящий ответ в линейную модель yfit
= fitted(lme
,Name,Value
)lme
смешанных эффектов с дополнительными опциями, заданными одним или несколькими
Name,Value
парные аргументы.
Например, можно задать, хотите ли вы вычислить подходящий крайний ответ.
lme
— Линейная модель смешанных эффектовLinearMixedModel
объектЛинейная модель смешанных эффектов в виде LinearMixedModel
объект создал использование fitlme
или fitlmematrix
.
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 ответаtrue
(значение по умолчанию) | ложьИндикатор для условного ответа в виде разделенной запятой пары, состоящей из 'Conditional'
и любое из следующих.
true | Вклад и от зафиксированных эффектов и от случайных эффектов (условное выражение) |
false | Вклад только от фиксированных (крайних) эффектов |
Пример: 'Conditional',false
Типы данных: логический
yfit
— Подходящие значения откликаПодходящие значения отклика, возвращенные как n-by-1 вектор, где n является количеством наблюдений.
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 Центра 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 и область как переменный предиктор, объедините эти девять столбцов, соответствующих областям в массив. Новый массив набора данных, flu2
, должен иметь переменную отклика, FluRate
, номинальная переменная, Region
, это показывает, какая область каждая оценка от, и сгруппированная переменная Date
.
flu2 = stack(flu,2:10,'NewDataVarName','FluRate','IndVarName','Region'); flu2.Date = nominal(flu2.Date);
Подбирайте линейную модель смешанных эффектов с фиксированными эффектами для области и случайной точки пересечения, которая варьируется Date
.
Область является категориальной переменной. Можно задать контрасты для категориальных переменных с помощью DummyVarCoding
аргумент пары "имя-значение", подбирая модель. Когда вы не задаете контрасты, fitlme
использует 'reference'
контраст по умолчанию. Поскольку модель имеет точку пересечения, fitlme
берет первую область, NE
, как ссылка и создает восемь фиктивных переменных, представляющих другие восемь областей. Например, фиктивная переменная, представляющая область MidAtl
. Для получения дополнительной информации смотрите Фиктивные Переменные.
Соответствующая модель
где наблюдение для уровня из сгруппированной переменной Date
, , = 0, 1..., 8, коэффициенты фиксированных эффектов, с будучи коэффициентом для области NE
. 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 + Region + (1|Date)')
lme = Linear mixed-effects model fit by ML Model information: Number of observations 468 Fixed effects coefficients 9 Random effects coefficients 52 Covariance parameters 2 Formula: FluRate ~ 1 + Region + (1 | Date) Model fit statistics: AIC BIC LogLikelihood Deviance 318.71 364.35 -148.36 296.71 Fixed effects coefficients (95% CIs): Name Estimate SE tStat DF {'(Intercept)' } 1.2233 0.096678 12.654 459 {'Region_MidAtl' } 0.010192 0.052221 0.19518 459 {'Region_ENCentral'} 0.051923 0.052221 0.9943 459 {'Region_WNCentral'} 0.23687 0.052221 4.5359 459 {'Region_SAtl' } 0.075481 0.052221 1.4454 459 {'Region_ESCentral'} 0.33917 0.052221 6.495 459 {'Region_WSCentral'} 0.069 0.052221 1.3213 459 {'Region_Mtn' } 0.046673 0.052221 0.89377 459 {'Region_Pac' } -0.16013 0.052221 -3.0665 459 pValue Lower Upper 1.085e-31 1.0334 1.4133 0.84534 -0.092429 0.11281 0.3206 -0.050698 0.15454 7.3324e-06 0.13424 0.33949 0.14902 -0.02714 0.1781 2.1623e-10 0.23655 0.44179 0.18705 -0.033621 0.17162 0.37191 -0.055948 0.14929 0.0022936 -0.26276 -0.057514 Random effects covariance parameters (95% CIs): Group: Date (52 Levels) Name1 Name2 Type Estimate {'(Intercept)'} {'(Intercept)'} {'std'} 0.6443 Lower Upper 0.5297 0.78368 Group: Error Name Estimate Lower Upper {'Res Std'} 0.26627 0.24878 0.285
- значения 7.3324e-06 и 2.1623e-10 соответственно показывают что фиксированные эффекты уровней гриппа в областях WNCentral
и ESCentral
существенно отличаются относительно уровней гриппа в области NE
.
Пределы достоверности для стандартного отклонения термина случайных эффектов, , не включайте 0 (0.5297, 0.78368), который указывает, что термин случайных эффектов является значительным. Можно также протестировать значение терминов случайных эффектов с помощью compare
метод.
Условное выражение соответствовало, ответ из модели в заданном наблюдении включает вклады от фиксированных и случайных эффектов. Например, предполагаемый лучше всего линейный несмещенный предиктор (BLUP) уровня гриппа для области WNCentral
на неделе 10/9/2005
Это - подходящий условный ответ, поскольку он включает вклады в оценку и от фиксированных и от случайных эффектов. 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(4) + STATS.Estimate(STATS.Level=='10/9/2005')
y_hat = 1.2884
В предыдущем вычислении, beta(1)
соответствует оценке для и beta(4)
соответствует оценке для . Можно просто отобразить подходящее значение с помощью fitted
метод.
F = fitted(lme); F(flu2.Date == '10/9/2005' & flu2.Region == 'WNCentral')
ans = 1.2884
Предполагаемый крайний ответ для области WNCentral
на неделе 10/9/2005
Вычислите подходящий крайний ответ.
F = fitted(lme,'Conditional',false); F(flu2.Date == '10/9/2005' & flu2.Region == 'WNCentral')
ans = 1.4602
Загрузите выборочные данные.
load('weight.mat');
weight
содержит данные из продольного исследования, где 20 предметов случайным образом присвоены 4 программам подготовки, 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.
lme = fitlme(tbl,'y ~ InitialWeight + Program*Week + (Week|Subject)');
Вычислите подходящие значения и необработанные остаточные значения.
F = fitted(lme); R = residuals(lme);
Постройте остаточные значения по сравнению с подходящими значениями.
plot(F,R,'bx') xlabel('Fitted Values') ylabel('Residuals')
Теперь постройте остаточные значения по сравнению с подходящими значениями, сгруппированными программой.
figure() gscatter(F,R,Program)
Условный ответ включает вклады и от зафиксированных и от случайных эффектов, тогда как крайний ответ включает вклад только от фиксированных эффектов.
Предположим линейная модель смешанных эффектов, lme
, имеет n-by-p, фиксированные эффекты проектируют матричный X, и n-by-q случайные эффекты проектируют матричный Z. Кроме того, предположите, что p-by-1 оцененный вектор фиксированных эффектов , и q-by-1 оцененный вектор лучше всего линейного несмещенного предиктора (BLUP) из случайных эффектов . Подходящий условный ответ
и подходящий крайний ответ
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.