Класс: RepeatedMeasuresModel
Оцените крайние средние значения
rm — Модель повторных измеренийRepeatedMeasuresModel объектМодель повторных измерений, возвращенная как RepeatedMeasuresModel объект.
Для свойств и методов этого объекта, смотрите RepeatedMeasuresModel.
vars — Переменные, для которых можно вычислить крайние средние значенияПеременные, для которых можно вычислить крайние средние значения в виде вектора символов или строкового скаляра, представляющего имя между, или в предметах включить rm, или массив строк или массив ячеек из символьных векторов, представляющий имена нескольких переменных. Каждый фактор между предметами должен быть категориальным.
Например, если вы хотите вычислить крайние средние значения для переменных Drug и Gender, затем можно задать можно следующим образом.
Пример: {'Drug','Gender'}
Типы данных: char | string | cell
alpha — Уровень значенияУровень значения доверительных интервалов для крайнего населения означает в виде скалярного значения в области значений от 0 до 1. Доверительный уровень равняется 100* (1–alpha)%.
Например, можно задать 99%-й доверительный уровень можно следующим образом.
Пример: 'alpha',0.01
Типы данных: double | single
tbl — Предполагаемые крайние средние значенияПредполагаемые крайние средние значения, возвращенные как таблица. tbl содержит одну строку для каждой комбинации групп переменных, которые вы задаете в vars, один столбец для каждой переменной и следующие столбцы.
| ColumnName | Описание |
|---|---|
Mean | Предполагаемые крайние средние значения |
StdErr | Стандартные погрешности оценок |
Lower | Нижний предел 95%-го доверительного интервала для истинного среднего значения населения |
Upper | Верхний предел 95%-го доверительного интервала для истинного среднего значения населения |
Загрузите выборочные данные.
load repeatedmeasТаблица between включает возраст переменных между предметами, IQ, группу, пол и восемь повторных измерений y1 к y8 как ответы. Таблица within включает переменные w1 в предмете и w2. Это - симулированные данные.
Подбирайте модель повторных измерений, где повторные измерения y1 к y8 ответы, и возраст, IQ, группа, пол, и взаимодействие пола группы является переменными предикторами. Также задайте матрицу проекта в предмете.
rm = fitrm(between,'y1-y8 ~ Group*Gender + Age + IQ','WithinDesign',within);
Вычислите крайние средние значения, сгруппированные факторами Group и Gender.
M = margmean(rm,{'Group' 'Gender'})M=6×6 table
Group Gender Mean StdErr Lower Upper
_____ ______ _______ ______ ________ _______
A Female 15.946 5.6153 4.3009 27.592
A Male 8.0726 5.7236 -3.7973 19.943
B Female 11.758 5.7091 -0.08189 23.598
B Male 2.2858 5.6748 -9.483 14.055
C Female -8.6183 5.871 -20.794 3.5574
C Male -13.551 5.7283 -25.431 -1.6712
Отобразите описание для таблицы M.
M.Properties.Description
ans =
'Estimated marginal means
Means computed with Age=13.7, IQ=98.2667'
Загрузите выборочные данные.
load fisheririsВектор-столбец, species, состоит из ирисовых цветов трех различных разновидностей, setosa, versicolor, virginica. Двойной матричный meas состоит из четырех типов измерений на цветах, длине и ширине 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 = dataset([1 2 3 4]','VarNames',{'Measurements'});
Подбирайте модель повторных измерений, где измерения являются ответами, и разновидность является переменным предиктором.
rm = fitrm(t,'meas1-meas4~species','WithinDesign',Meas);
Вычислите крайние средние значения, сгруппированные факторными разновидностями.
margmean(rm,'species')ans=3×5 table
species Mean StdErr Lower Upper
______________ ______ ________ ______ ______
{'setosa' } 2.5355 0.042807 2.4509 2.6201
{'versicolor'} 3.573 0.042807 3.4884 3.6576
{'virginica' } 4.285 0.042807 4.2004 4.3696
StdError поле показывает стандартные погрешности предполагаемых крайних средних значений. Lower и Upper поля показывают нижние и верхние границы для 95% доверительных интервалов группы крайние средние значения, соответственно. Ни одно из перекрытия доверительных интервалов, которое указывает, что крайние средние значения не соглашаются с разновидностями. Можно также построить предполагаемые средние значения крайнего использовать plotprofile метод.
Вычислите 99% доверительных интервалов для крайних средних значений.
margmean(rm,'species','alpha',0.01)
ans=3×5 table
species Mean StdErr Lower Upper
______________ ______ ________ ______ ______
{'setosa' } 2.5355 0.042807 2.4238 2.6472
{'versicolor'} 3.573 0.042807 3.4613 3.6847
{'virginica' } 4.285 0.042807 4.1733 4.3967
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.