sbioparameterci
(需要计算置信区间估计的参数统计和机器学习工具)
描述
计算95%置信区间估计的参数ci
= sbioparameterci (fitResults
)fitResults
,一个NLINResults对象
或OptimResults对象
返回的sbiofit
函数。ci
是一个ParameterConfidenceInterval
对象包含计算置信区间。
使用指定的一个或多个额外的选项ci
= sbioparameterci (fitResults
,名称,值
)名称,值
对参数。
例子
计算置信区间估计PK参数和模型预测
加载数据
加载示例数据符合。数据存储的表变量ID,时间,CentralConc,PeripheralConc。这种合成数据代表了等离子体浓度测量的时间进程在八个不同的时间点对中央和周边隔间后注入剂量3个人。
负载data10_32R.matgData = groupedData(数据);gData.Properties。VariableUnits = {”,“小时”,毫克/升的,毫克/升的};sbiotrellis (gData“ID”,“时间”,{“CentralConc”,“PeripheralConc”},“标记”,“+”,…“线型”,“没有”);
创建模型
创建一个两舱制模式。
pkmd = PKModelDesign;pkc1 = addCompartment (pkmd,“中央”);pkc1。DosingType =“注入”;pkc1。EliminationType =“linear-clearance”;pkc1。H一个年代ResponseVariable = true; pkc2 = addCompartment(pkmd,“外围”);模型=构造(pkmd);configset = getconfigset(模型);configset.CompileOptions。UnitConversion = true;
定义剂量
定义注入剂量。
剂量= sbiodose (“剂量”,“TargetName”,“Drug_Central”);剂量。年代t一个rtTime = 0; dose.Amount = 100; dose.Rate = 50; dose.AmountUnits =毫克的;剂量。时间Units =“小时”;剂量。RateUnits =“毫克/小时”;
定义参数
定义的参数估计。设置参数为每个参数范围。除了这些明确的界限,参数转换(如日志、分对数或probit)对隐式边界。
responseMap = {“Drug_Central = CentralConc”,“Drug_Peripheral = PeripheralConc”};paramsToEstimate = {“日志(中央)”,的日志(外围),“12”,“Cl_Central”};estimatedParam = estimatedInfo (paramsToEstimate,…“InitialValue”(1 1 1),…“界限”,(0.1 - 3;0.1 10 0 10;0.1 - 2));
合适的模型
执行一个未共享健康,也就是说,一组为每个病人估计参数。
unpooledFit = sbiofit(模型、gData responseMap estimatedParam,剂量,“池”、假);
执行一个合并,即一组所有患者的估计参数。
pooledFit = sbiofit(模型、gData responseMap estimatedParam,剂量,“池”,真正的);
计算估计参数的置信区间
计算95%置信区间估计为每个参数未共享。
ciParamUnpooled = sbioparameterci (unpooledFit);
显示结果
显示表格格式的置信区间。对于细节每个估计状态的意思,明白了参数置信区间估计的状态。
ci2table (ciParamUnpooled)
ans = 12 x7表组名估计ConfidenceInterval类型α状态________ _____________ ________ _____ _____ * * *⒈1{“中央”}1.422 1.1533 1.6906 0.05高斯可尊敬的{‘外围’}1 1.5629 0.83143 2.3551 0.05高斯限制1{“12”}0.47159 0.20093 0.80247 0.05高斯限制1 {‘Cl_Central} 0.52898 0.44842 0.60955 0.05高斯可尊敬的2{“中央”}1.8322 1.7893 1.8751 0.05高斯成功2{‘外围’}5.3368 3.9133 6.7602 0.05高斯成功2{“12”}0.27641 0.2093 0.34351 0.05高斯成功2 {‘Cl_Central} 0.86034 0.80313 0.91755 0.05高斯成功3{“中央”}1.6657 1.5818 1.7497 0.05高斯成功3{‘外围’}5.5632 4.7557 6.3708 0.05高斯成功3{“12”}0.78361 0.65581 0.91142 0.05高斯成功3 {‘Cl_Central} 1.0233 0.96375 1.0828 0.05高斯成功
绘制置信区间。如果估计的置信区间成功
蓝色,它是绘制(第一个默认颜色)。否则,它用红色(第二个默认颜色),这表明拟合参数可能需要进一步调查。如果置信区间没有有价值的
,然后集中交叉功能地块红线。如果有任何改变参数估计值0(对数变换)和1或0 (probit或分对数变换),然后不绘制参数估计的置信区间。看到的颜色顺序,类型get(大的,“defaultAxesColorOrder”)
。
组显示在相同的顺序从左到右,他们出现在groupname
对象的属性,用于标签的轴。y标签转换后的参数名称。
情节(ciParamUnpooled)
计算池的置信区间。
ciParamPooled = sbioparameterci (pooledFit);
显示置信区间。
ci2table (ciParamPooled)
ans = 4 x7表组名估计ConfidenceInterval类型α状态________ _____________ ________ ________ * * * _____ ___________汇集{“中央”}1.6626 1.3287 1.9965 0.05高斯可尊敬的集合{‘外围’}2.687 0.89848 4.8323 0.05高斯约束集合{“12”}0.44956 0.11445 0.85152 0.05高斯约束集合{‘Cl_Central} 0.78493 0.59222 0.97764 0.05高斯可尊敬的
绘制置信区间。组名是贴上“池”,表示健康。
情节(ciParamPooled)
情节一起置信区间的结果。默认情况下,每个参数估计的置信区间是绘制在一个单独的轴。竖线组参数的置信区间估计,计算在公共健康。
ciAll = [ciParamUnpooled; ciParamPooled];情节(ciAll)
你也可以画上所有在一个轴组合参数估计的置信区间使用“分组”布局。
情节(ciAll“布局”,“分组”)
在这个布局,您可以指向每个置信区间的中心标记的组名。每个估计参数是由竖线分隔。垂直虚线组参数的置信区间估计,计算在一个共同的健康。参数范围中定义的原始适合方括号。注意不同尺度上的轴由于参数转换。例如,y轴的12个
在线性范围内,但这的中央
在对数尺度由于其对数变换。
计算模型预测的置信区间
为模型计算95%置信区间预测,也就是说,使用估计参数仿真结果。
%的汇集ciPredPooled = sbiopredictionci (pooledFit);%的未共享ciPredUnpooled = sbiopredictionci (unpooledFit);
图模型预测的置信区间
每组的置信区间是绘制在一个单独的列中,并且每个反应是绘制在一个单独的行。红色置信区间的限制范围。置信区间范围不限于用蓝色绘制。
情节(ciPredPooled)
情节(ciPredUnpooled)
输入参数
fitResults
- - - - - -参数估计结果sbiofit
NLINResults
对象|OptimResults
对象|向量
参数估计结果sbiofit
指定为一个NLINResults对象
,OptimResults对象
,或一个向量的对象未共享符合回来一样sbiofit
调用。
名称-值参数
指定可选的双参数作为Name1 = Value1,…,以=家
,在那里的名字
参数名称和吗价值
相应的价值。名称-值参数必须出现在其他参数,但对的顺序无关紧要。
R2021a之前,用逗号来分隔每一个名称和值,并附上的名字
在报价。
例子:“阿尔法”,0.01,“类型”,“profileLikelihood”
指定使用配置文件可能计算99%置信区间的方法。
根据类型的置信区间,兼容的名称的参数有所不同。下表列出了所有名称的参数和相应的置信区间类型。一个复选标记(✔)表明,名称参数适用于该类型。
名称-值参数 | 高斯(默认) | 文中针对概要文件的可能性 | 集成的配置文件可能 | 引导 |
---|---|---|---|---|
α |
✔ | ✔ | ✔ | ✔ |
类型 |
✔ | ✔ | ✔ | ✔ |
显示 |
✔ | ✔ | ✔ | ✔ |
UseParallel |
✔ | ✔ | ✔ | ✔ |
NumSamples |
✔ | |||
宽容 |
✔ | ✔ | ✔ | |
参数 |
✔ | ✔ | ||
MaxStepSize |
✔ | ✔ | ||
UseIntegration |
✔ | ✔ | ||
IntegrationOptions |
✔ |
α
- - - - - -置信水平
0.05(默认)|积极的标量
信心水平,(1α)* 100%
,指定为逗号分隔两人组成的“α”
和积极的标量在0和1之间。默认值是0.05
,这意味着计算95%置信区间。
例子:“阿尔法”,0.01
类型
- - - - - -置信区间类型
“高斯”
(默认)|“profileLikelihood”
|“引导”
置信区间类型,指定为逗号分隔组成的“类型”
和一个特征向量。有效的选择是:
“高斯”
——使用高斯近似分布的参数估计。“profileLikelihood”
——计算剖面可能性的间隔。函数有两个方法来计算剖面曲线的可能性。默认情况下,该函数使用文中针对方法。使用集成的方法,你也必须设置“UseIntegration”
来真正的
。文中针对方法修复一个参数值,重播优化计算出最大的可能性。这种优化为每个参数和曲线上的每个点都做了概要文件的可能性。集成的方法是基于积分微分方程来源于文中针对拉格朗日方程的方法。这两种方法的详细信息,请参阅置信区间计算可能性。
请注意
这种类型不支持层次化模型,参数估计金宝app,估计结果拟合不同类别(如年龄或性别)。换句话说,如果你设置
CategoryVariableName
财产的EstimatedInfo对象
在原始的适合,然后拟合结果分层和你不能计算profileLikelihood
置信区间的结果。“引导”
——计算置信区间引导的方法。
例子:“类型”,“引导”
显示
- - - - - -水平显示返回到命令行中
“关闭”
(默认)|“没有”
|“最后一次”
|“通路”
水平显示返回到命令行指定为逗号分隔组成的“显示”
和一个特征向量。“关闭”
(默认)或“没有”
显示没有输出。“最后一次”
计算完成时显示一条消息。“通路”
在每一次迭代时显示输出。
例子:“显示”、“最后”
UseParallel
- - - - - -逻辑信号并行计算置信区间
真正的
|假
逻辑信号并行计算置信区间,指定为逗号分隔组成的“UseParallel”
和真正的
或假
。默认情况下,并行选择在原始的适合使用。如果这个参数设置为真正的
和并行计算工具箱™是可用的,最初的适合的并行选择忽视,和并行计算置信区间。
高斯置信区间:
如果输入
fitResults
的结果是一个向量对象,然后计算每个对象的置信区间是并行执行的。高斯置信区间的快速计算。所以它可能更有利于并行化原始健康(sbiofit
),而不是设置UseParallel
为真正的sbioparameterci
。
置信区间:可能性为概要文件
如果在输入结果对象的数量
fitResults
向量的数量大于估计参数,然后计算每个对象的置信区间是并行执行的。否则,所有参数估计的置信区间内前一个结果对象是并行计算的函数对象移动到下一个结果。
引导置信区间:
转发功能
UseParallel
旗帜bootci
。没有并行输入向量的结果对象。
请注意
如果你有一个全球流随机数生成与几个substreams并行计算可再生的方式,sbioparameterci
首先检查工人的数量是一样substreams的数量。如果是这样,sbioparameterci
集UseSubstreams
来真正的
在statset
选择并将其传递到bootci
(统计和机器学习的工具箱)。否则,substreams默认是忽略的。
例子:“UseParallel”,真的
NumSamples
- - - - - -为引导的样本数量
1000年(默认)|正整数
引导的样本数量,指定为逗号分隔组成的“NumSamples”
和一个正整数。这个数字定义适合执行的数量在置信区间计算生成引导样品。数字越小,置信区间的计算变得越快,在降低成本的准确性。
例子:“NumSamples”, 500年
参数
- - - - - -名称的参数剖面曲线计算可能性
特征向量|字符串|字符串向量|单元阵列的特征向量
名称的参数剖面曲线计算可能性,指定为一个特征向量,字符串,字符串向量,或单元阵列的特征向量。默认情况下,该函数计算中列出的所有参数的置信区间产权总结财产的fitResults
对象。您还可以指定这些参数的一个子集。
请注意
这个名称参数适用只有当你指定类型
作为“profileLikelihood”
。
例子:“参数”,{' ka '}
MaxStepSize
- - - - - -可能性最大的步骤大小用于计算剖面曲线
积极的标量|[]
|单元阵列
可能性最大的步骤大小用于计算剖面曲线,指定为逗号分隔组成的“MaxStepSize”
和积极的标量,[]
或单元阵列。
文中针对方法的默认值
0.1
。如果你设置“MaxStepSize”
来[]
,那么的最大步长设置为10%的高斯近似置信区间的宽度,如果它存在。您可以指定一个最大的步长(或[]
使用单元阵列)为每个估计参数。集成的方法,默认值是
正
。在内部,这个函数使用ode15s
解算器。
例子:“MaxStepSize”, 0.5
UseIntegration
- - - - - -国旗使用集成的配置文件可能置信区间的方法
假
(默认)|真正的
国旗使用集成的可能性置信区间的方法,指定为真正的
或假
。集成的方法将微分方程的拉格朗日方程。默认情况下,该函数使用文中针对方法。这两种方法的详细信息,请参阅置信区间计算可能性。
例子:“UseIntegration”,真的
IntegrationOptions
- - - - - -集成的配置文件选项可能性置信区间的方法
结构
集成的配置文件选项可能性置信区间的方法,指定为一个结构。指定选项字段的结构如下。
字段名 | 字段值描述 |
---|---|
黑森 |
|
CorrectionFactor |
负的标量。默认值是0。 |
AbsoluteTolerance |
积极的步长控制的标量ode15s 。默认值是1)依照 。 |
RelativeTolerance |
积极的标量不到1 步长控制ode15s 。默认值是1)依照 。 |
InitialStepSize |
积极的标量初始步长求解微分方程。如果参数是有界的,函数使用默认的初始步长ode15s 。如果不是,它使用1的军医 。 |
输出参数
ci
——结果置信区间
ParameterConfidenceInterval
对象
置信区间的结果,作为一个返回ParameterConfidenceInterval
对象。对于一个未共享健康,ci
可以是一个向量的ParameterConfidenceInterval
对象。
更多关于
高斯置信区间的计算
Wald检验统计量的函数使用[1]计算置信区间。假设有足够的数据,参数估计,P美国东部时间,约学生的t-distributed协方差矩阵年代(CovarianceMatrix
返回的结果对象)的属性sbiofit
。
i参数估计的置信区间P美国东部时间,我计算如下:
,在那里T发票是学生的t逆累积分布函数(tinv
(统计和机器学习的工具箱))的概率1 -(α/ 2)
,年代我,我是协方差矩阵的对角元素(方差)年代。
在这种情况下,置信区间是受到原定义的参数范围,置信区间边界调整根据吴描述的方法,h·尼尔,M。[2]。
对于每个参数估计,函数首先决定参数的置信区间估计是无界的。如果是这样的话,估计状态的函数集对应的参数估计
没有有价值的
。否则,如果一个参数估计的置信区间是受制于一个参数绑定中定义的原始健康,集估计状态的函数
限制
。(如参数转换日志
,probit
,或分对数
)隐式边界强加于估计的参数,例如,积极约束。这样的界限会导致过高的信心,即置信区间可以小于预期。如果没有置信区间估计的状态
没有有价值的
或限制
,那么函数集的估计状态参数估计成功
。否则,剩下的估计状态设置为参数估计可尊敬的
。
置信区间计算可能性
定义l的可能性,韩的参数估计(存储在ParameterEstimates
返回的结果对象)的属性sbiofit
,
,在那里P美国东部时间是一个向量的参数估计,P美国东部时间1,P美国东部时间2、…P美国东部时间,n。
这个概要文件的似然函数PL为一个参数P我被定义为 ,在那里n是总数量的参数。
每威尔克斯定理[3]似然比检验统计量, 卡方分布,1自由度。
因此,找到所有P我这样: 。
同样, ,在那里 目标的值用于计算日志配置可能性曲线。提供了两种方法来计算这类曲线的函数。
开始P美国东部时间,我和评估的可能性l。
计算日志配置文件的可能性P美国东部时间,我
+k* MaxStepSize
每一方(或方向)的置信区间,也就是说,k= 1,2,3,…
和k= 1,2,3,…
。停止,如果其中一个停止的标准是每一方。
日志配置文件可能低于目标值。在这种情况下,开始之间平分P下面和P以上,在那里P下面是最大的日志配置文件的参数值可能性值低于目标值,然后呢P以上最小日志配置文件的参数值可能性值大于目标价值。停止对切后如果其中一个是正确的:
绑定中定义的步骤是有限的原始。评估在绑定并设置相应的状态的一面
限制
。
这个方法[4]解决约束优化问题 通过积分微分方程的拉格朗日方程
在这里,
是我th标准单位向量,拉格朗日乘子
,c=P我
。
换句话说,而不是逐点进行优化,该方法解决了微分方程定义概要文件的可能性曲线如下所示。
在这里, 对数似然函数的麻绳。
使用有限差分近似的建议海赛矩阵。然而,海赛矩阵使用有限差分的数值计算可以计算昂贵。降低计算成本,陈和Jennrich[4]提出了一个近似版本基于假设Karush-Kuhn-Tucker二阶充分条件必须持有与严格的不平等在每一点上的域配置文件中可能性曲线假设2的附录[4]。换句话说,轮廓上每一点可能性曲线,其余的参数必须是有价值的。
如果这个假设成立,那么黑森可以替换为单位矩阵我如下:
在这里, 日志的梯度和可能性γ是一个校正因子于确保对微分方程的解的可能性这个概要文件的路径曲线。
如果γ可能性太小,概要的近似曲线可能会不准确,导致低估的可能性的置信区间。设置γ一个较大的值可以确保准确的结果,但可能需要ode15s
采取小步骤,增加计算成本。
提示
您可以指定黑森近似和校正因子使用IntegrationOptions
名称-值参数。
算法的停止准则是真正当下列条件之一:
这个概要文件的梯度近似曲线大于可能性)。
这个概要文件的可能性低于目标值。
一个参数绑定。
如果双方的置信区间是不成功的,也就是说,有地位
没有有价值的
函数集估计状态(ci
.Results.Status)没有有价值的
。如果没有端状态
没有有价值的
和一边的地位限制
函数集估计状态(ci
.Results.Status)限制
。如果双方的所有参数的计算置信区间的成功,估计状态(
ci
.Results.Status)成功
。否则,其余参数的函数集估计状态估计
可尊敬的
。
引导置信区间的计算
的bootci
(统计和机器学习的工具箱)函数从统计和机器学习工具箱™是用来计算引导置信区间。第一个输入nboot样品的数量(NumSamples
),第二个输入bootfun是一个函数来执行这些操作:
重新取样数据(每个小组内独立,如果多个组可用)。
运行参数符合重新取样的数据。
回归估计的参数。
如果一个置信区间是拉近宽容
中定义一个参数绑定,因为原始健康,集估计状态的函数限制
。如果所有的置信区间都远离参数范围宽容
,该函数设置变更状态成功
。否则,它将可尊敬的
。
引用
[1]瓦尔德,一个。“统计假设测试几个参数当观测的数量很大。”事务的美国数学学会。54(3),1943年,页426 - 482。
[2],H。,M.C. Neale. "Adjusted Confidence Intervals for a Bounded Parameter."行为遗传学。42(6),2012年,页886 - 898。
[3]威尔,党卫军”的大样本分布的似然比检测复合假说”。数理统计年鉴中。9(1),1938年,60 - 62页。
[4]陈、Jian-Shen和罗伯特。Jennrich。“简单精确的近似概要可能性。”计算和图形统计杂志》上11日,没有。3(2002年9月):714 - 32。
扩展功能
自动并行支持金宝app
加速代码通过自动运行并行计算使用并行计算工具箱™。
并行运行,设置“UseParallel”
来真正的
。
有关更多信息,请参见“UseParallel”
名称-值对的论点。
版本历史
MATLAB命令
你点击一个链接对应MATLAB命令:
运行该命令通过输入MATLAB命令窗口。Web浏览器不支持MATLAB命令。金宝app
你也可以从下面的列表中选择一个网站:
表现最好的网站怎么走吗
选择中国网站(中文或英文)最佳站点的性能。其他MathWorks国家网站不优化的访问你的位置。