RepeatedMeasuresModel class

Класс модели повторных измерений

Описание

RepeatedMeasuresModel объект представляет модель, подбиравшую данным с несколькими измерениями на предмет. Объект включает данные, адаптированные коэффициенты, параметры ковариации, матрицу проекта, ошибочные степени свободы, и между - и факторные имена в предметах для модели повторных измерений. Можно предсказать ответы модели с помощью predict метод и генерирует случайные данные в новых точках проекта с помощью random метод.

Конструкция

Можно подбирать модель повторных измерений использование fitrm(t,modelspec).

Входные параметры

развернуть 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.

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'. Задайте термины 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 массив ячеек из символьных векторов.

Пример: 'y1-y4 ~ x1 + x2 * x3'

Типы данных: char | string

Свойства

развернуть все

`BetweenDesign` — Спроектируйте для факторов между предметами
таблица

Спроектируйте для факторов между предметами и значений повторных измерений, сохраненных как таблица.

Типы данных: table

`BetweenModel` — Модель для факторов между предметами
символьный вектор

Модель для факторов между предметами, сохраненных как вектор символов. Этот вектор символов является текстовым представлением справа от тильды в спецификации модели, которую вы предоставляете, подбирая модель повторных измерений использование fitrm.

Типы данных: char

`BetweenFactorNames` — Имена переменных используются в качестве факторов между предметами
массив ячеек из символьных векторов

Имена переменных, используемых в качестве между предметами, включают модель повторных измерений, rm, сохраненный как массив ячеек из символьных векторов.

Типы данных: cell

`ResponseNames` — Имена переменных используются в качестве переменных отклика
массив ячеек из символьных векторов

Имена переменных, используемых в качестве переменных отклика в модели повторных измерений, rm, сохраненный как массив ячеек из символьных векторов.

Типы данных: cell

`WithinDesign` — Значения факторов в предмете
таблица

Значения факторов в предмете, сохраненных как таблица.

Типы данных: table

`WithinModel` — Модель для факторов в предметах
символьный вектор

Модель для факторов в предметах, сохраненных как вектор символов.

Можно задать WithinModel как вектор символов или строковый скаляр с помощью записи через точку: Mdl.WithinModel = newWithinModelValue.

`WithinFactorNames` — Имена факторов в предмете
массив ячеек из символьных векторов

Имена факторов в предмете, сохраненных как массив ячеек из символьных векторов.

Типы данных: cell

`Coefficients` — Значения предполагаемых коэффициентов
таблица

Значения предполагаемых коэффициентов для подбора кривой повторным измерениям в зависимости от терминов в модели между предметами, сохраненной как таблица.

fitrm' задает коэффициенты для категориального термина с помощью кодирования 'эффектов', что значит содействующую сумму для 0. Существует один коэффициент для каждого уровня кроме первого. Подразумеваемый коэффициент для первого уровня является суммой других коэффициентов для термина.

Можно отобразить содействующие значения как матрицу, а не таблицу с помощью coef = r.Coefficients{:,:}.

Можно отобразить крайние средние значения для всех уровней с помощью margmean метод.

Типы данных: table

`Covariance` — Предполагаемые ковариации ответа
таблица

Предполагаемые ковариации ответа, то есть, ковариация повторных измерений, сохраненных как таблица. fitrm вычисляет ковариации вокруг среднего значения, возвращенного подходящей моделью rm повторных измерений.

Можно отобразить значения ковариации как матрицу, а не таблицу с помощью coef = r.Covariance{:,:}.

Типы данных: table

`DFE` — Ошибочные степени свободы
скалярное значение

Ошибочные степени свободы, сохраненные как скалярное значение. DFE количество наблюдений минус количество предполагаемых коэффициентов в модели между предметами.

Типы данных: double

Методы

anova	Дисперсионный анализ для эффектов между предметами
\epsilon	Корректировка эпсилона к повторным измерениям anova
grpstats	Вычислите описательную статистику данных о повторных измерениях группой
manova	Многомерный дисперсионный анализ
margmean	Оцените крайние средние значения
mauchly	Тест Мочли для шарообразности
multcompare	Несколько сравнение предполагаемых крайних средних значений
график	Отобразите данные на графике с дополнительной группировкой
plotprofile	Постройте ожидаемые крайние средние значения с дополнительной группировкой
предсказать	Вычислите ожидаемые значения, данные значения предиктора
случайный	Сгенерируйте новые случайные значения отклика, данные значения предиктора
Renova	Дисперсионный анализ повторных измерений

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, 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:

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

$s p e c i e s_v e r s i c o l o r = {\begin{array}{cccccccccccccccccccc} 0, i f s e t o s a \\ 1, i f v e r s i c o l o r \\ - 1, i f v i r g i n i c a \end{array} .$

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

Отобразите ошибочные степени свободы.

rm.DFE

ans = 147

Ошибочные степени свободы являются количеством наблюдений минус количество предполагаемых коэффициентов в модели между предметами, e.g. 150 – 3 = 147.

Больше о

развернуть все

Обозначение Уилкинсона

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

Используйте эти правила, чтобы задать ответы в modelspec.

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

Используйте эти правила, чтобы задать 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

fitrm

Документация

RepeatedMeasuresModel class

Описание

Конструкция

Входные параметры

`t` — Входные данные
таблица

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

Свойства

`BetweenDesign` — Спроектируйте для факторов между предметами
таблица

`BetweenModel` — Модель для факторов между предметами
символьный вектор

`BetweenFactorNames` — Имена переменных используются в качестве факторов между предметами
массив ячеек из символьных векторов

`ResponseNames` — Имена переменных используются в качестве переменных отклика
массив ячеек из символьных векторов

`WithinDesign` — Значения факторов в предмете
таблица

`WithinModel` — Модель для факторов в предметах
символьный вектор

`WithinFactorNames` — Имена факторов в предмете
массив ячеек из символьных векторов

`Coefficients` — Значения предполагаемых коэффициентов
таблица

`Covariance` — Предполагаемые ковариации ответа
таблица

`DFE` — Ошибочные степени свободы
скалярное значение

Методы

Примеры

Подбирайте модель повторных измерений

Больше о

Обозначение Уилкинсона

Смотрите также

Темы

Документация Statistics and Machine Learning Toolbox

Поддержка

Документация

RepeatedMeasuresModel class

Описание

Конструкция

Входные параметры

t — Входные данные таблица

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

Свойства

BetweenDesign — Спроектируйте для факторов между предметами таблица

BetweenModel — Модель для факторов между предметами символьный вектор

BetweenFactorNames — Имена переменных используются в качестве факторов между предметами массив ячеек из символьных векторов

ResponseNames — Имена переменных используются в качестве переменных отклика массив ячеек из символьных векторов

WithinDesign — Значения факторов в предмете таблица

WithinModel — Модель для факторов в предметах символьный вектор

WithinFactorNames — Имена факторов в предмете массив ячеек из символьных векторов

Coefficients — Значения предполагаемых коэффициентов таблица

Covariance — Предполагаемые ковариации ответа таблица

DFE — Ошибочные степени свободы скалярное значение

Методы

Примеры

Подбирайте модель повторных измерений

Больше о

Обозначение Уилкинсона

Смотрите также

Темы

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'`

`BetweenDesign` — Спроектируйте для факторов между предметами
таблица

`BetweenModel` — Модель для факторов между предметами
символьный вектор

`BetweenFactorNames` — Имена переменных используются в качестве факторов между предметами
массив ячеек из символьных векторов

`ResponseNames` — Имена переменных используются в качестве переменных отклика
массив ячеек из символьных векторов

`WithinDesign` — Значения факторов в предмете
таблица

`WithinModel` — Модель для факторов в предметах
символьный вектор

`WithinFactorNames` — Имена факторов в предмете
массив ячеек из символьных векторов

`Coefficients` — Значения предполагаемых коэффициентов
таблица

`Covariance` — Предполагаемые ковариации ответа
таблица

`DFE` — Ошибочные степени свободы
скалярное значение