GeneralizedLinearMixedModel类gydF4y2Ba
广义线性mixed-effects模型类gydF4y2Ba
描述gydF4y2Ba
一个gydF4y2BaGeneralizedLinearMixedModelgydF4y2Ba
对象表示一个响应变量的回归模型,其中包含固定和随机效应。对象包括数据、模型描述拟合系数,协方差参数,设计矩阵,残差,剩余土地和其他诊断信息广义线性mixed-effects (GLME)模型。你可以预测模型反应gydF4y2Ba预测gydF4y2Ba
功能和产生新的设计点随机数据使用gydF4y2Ba随机gydF4y2Ba
函数。gydF4y2Ba
建设gydF4y2Ba
可以适应一个广义线性mixed-effects (GLME)模型使用样本数据gydF4y2Bafitglme (gydF4y2Ba
。有关更多信息,请参见gydF4y2Ba资源描述gydF4y2Ba
,gydF4y2Ba公式gydF4y2Ba
)gydF4y2BafitglmegydF4y2Ba
。gydF4y2Ba
输入参数gydF4y2Ba
资源描述gydF4y2Ba
- - - - - -gydF4y2Ba输入数据gydF4y2Ba
表gydF4y2Ba| gydF4y2Ba数据集的数组gydF4y2Ba
输入数据,包括响应变量,预测变量,变量和分组,指定为一个表或数据集的数组。预测变量可以是连续的或分组变量(见gydF4y2Ba分组变量gydF4y2Ba)。您必须指定的模型使用的变量gydF4y2Ba公式gydF4y2Ba
。gydF4y2Ba
数据类型:gydF4y2Ba表gydF4y2Ba
公式gydF4y2Ba
- - - - - -gydF4y2Ba公式模型规范gydF4y2Ba
特征向量或字符串标量的形式gydF4y2Ba“y ~固定+ (random1 | grouping1) +…+ (randomR | groupingR) 'gydF4y2Ba
公式模型规范,指定为一个特征向量或字符串标量的形式gydF4y2Ba“y ~固定+ (random1 | grouping1) +…+ (randomR | groupingR) 'gydF4y2Ba
。完整的描述,请参阅gydF4y2Ba公式gydF4y2Ba。gydF4y2Ba
例子:gydF4y2Ba治疗“y ~ +(1 |块)'gydF4y2Ba
属性gydF4y2Ba
系数gydF4y2Ba
- - - - - -gydF4y2Ba固定后果的估计系数gydF4y2Ba
数据集的数组gydF4y2Ba
固定后果的估计系数和相关统计数据,存储为一个数据数组,每个系数和一行第二列:gydF4y2Ba
的名字gydF4y2Ba
- - - - - -系数的名称gydF4y2Ba估计gydF4y2Ba
——估计系数值gydF4y2BaSEgydF4y2Ba
-标准误差的估计gydF4y2BatStatgydF4y2Ba
- - - - - -gydF4y2BatgydF4y2Ba统计的测试系数等于0gydF4y2BaDFgydF4y2Ba
——相关自由度gydF4y2BatgydF4y2Ba统计gydF4y2BapValuegydF4y2Ba
- - - - - -gydF4y2BapgydF4y2Ba价值的gydF4y2BatgydF4y2Ba统计gydF4y2Ba较低的gydF4y2Ba
——信心下限gydF4y2Ba上gydF4y2Ba
——信心上限gydF4y2Ba
获得这些列向量,索引属性使用点符号。gydF4y2Ba
使用gydF4y2BacoefTestgydF4y2Ba
对系数执行其他测试方法。gydF4y2Ba
CoefficientCovariancegydF4y2Ba
- - - - - -gydF4y2Ba估计固定后果向量的协方差gydF4y2Ba
矩阵gydF4y2Ba
协方差的估计固定后果向量,存储为一个矩阵。gydF4y2Ba
数据类型:gydF4y2Ba单gydF4y2Ba
| gydF4y2Ba双gydF4y2Ba
CoefficientNamesgydF4y2Ba
- - - - - -gydF4y2Ba的名字固定后果系数gydF4y2Ba
单元阵列的特征向量gydF4y2Ba
的名字固定后果系数、存储单元阵列的特征向量。常数项系数的标签gydF4y2Ba(拦截)gydF4y2Ba
。标签条款表明他们对其他系数相乘。当这个词包括分类预测,标签也表明预测的水平。gydF4y2Ba
数据类型:gydF4y2Ba细胞gydF4y2Ba
教育部gydF4y2Ba
- - - - - -gydF4y2Ba自由度为错误gydF4y2Ba
正整数的值gydF4y2Ba
自由度为错误,存储为一个正整数的值。gydF4y2Ba教育部gydF4y2Ba
是观测的数量减去估计系数的数量。gydF4y2Ba
教育部gydF4y2Ba
包含相对应的自由度gydF4y2Ba“残留”gydF4y2Ba
方法计算分母的自由度假说测试固定后果系数。如果gydF4y2BangydF4y2Ba是观察和的数量吗gydF4y2BapgydF4y2Ba是固定后果系数的数量呢gydF4y2Ba教育部gydF4y2Ba
等于gydF4y2BangydF4y2Ba- - - - - -gydF4y2BapgydF4y2Ba。gydF4y2Ba
数据类型:gydF4y2Ba双gydF4y2Ba
分散gydF4y2Ba
- - - - - -gydF4y2Ba模式色散参数gydF4y2Ba
标量值gydF4y2Ba
模式色散参数,存储为一个标量值。色散参数定义的条件方差响应。gydF4y2Ba
为观察gydF4y2Ba我gydF4y2Ba的条件方差响应gydF4y2BaygydF4y2Ba我gydF4y2Ba,考虑到有条件的意思gydF4y2BaμgydF4y2Ba我gydF4y2Ba和色散参数gydF4y2BaσgydF4y2Ba2gydF4y2Ba广义线性mixed-effects模型gydF4y2Ba
在哪里gydF4y2BawgydF4y2Ba我gydF4y2Ba是gydF4y2Ba我gydF4y2Bath观察体重和gydF4y2BavgydF4y2Ba指定的条件分布的方差函数的响应。的gydF4y2Ba分散gydF4y2Ba
属性包含一个估计的gydF4y2BaσgydF4y2Ba2gydF4y2Ba指定GLME模型。的价值gydF4y2Ba分散gydF4y2Ba
取决于指定的条件分布的响应。二项和泊松分布,理论的价值gydF4y2Ba分散gydF4y2Ba
等于gydF4y2BaσgydF4y2Ba2gydF4y2Ba= 1.0gydF4y2Ba。gydF4y2Ba
如果gydF4y2Ba
FitMethodgydF4y2Ba
是gydF4y2BaMPLgydF4y2Ba
或gydF4y2BaREMPLgydF4y2Ba
和gydF4y2Ba“DispersionFlag”gydF4y2Ba
名称-值对的论点gydF4y2BafitglmegydF4y2Ba
是gydF4y2Ba真正的gydF4y2Ba
,然后分散参数估计的数据分布,包括二项和泊松分布。gydF4y2Ba如果gydF4y2Ba
FitMethodgydF4y2Ba
是gydF4y2BaApproximateLaplacegydF4y2Ba
或gydF4y2Ba拉普拉斯gydF4y2Ba
,那么gydF4y2Ba“DispersionFlag”gydF4y2Ba
名称-值对的论点gydF4y2BafitglmegydF4y2Ba
不适用,色散参数是固定在1.0二项和泊松分布。对于所有其他发行版,gydF4y2Ba分散gydF4y2Ba
估计的数据。gydF4y2Ba
数据类型:gydF4y2Ba双gydF4y2Ba
DispersionEstimatedgydF4y2Ba
- - - - - -gydF4y2Ba国旗表明如果色散参数估计gydF4y2Ba
真正的gydF4y2Ba
| gydF4y2Ba假gydF4y2Ba
国旗表明估计色散参数,存储为一个逻辑值。gydF4y2Ba
如果gydF4y2Ba
FitMethodgydF4y2Ba
是gydF4y2BaApproximateLaplacegydF4y2Ba
或gydF4y2Ba拉普拉斯gydF4y2Ba
,色散参数是固定在其理论值的1.0二项式和泊松分布,和gydF4y2BaDispersionEstimatedgydF4y2Ba
是gydF4y2Ba假gydF4y2Ba
。其他发行版,色散参数估计的数据,和gydF4y2BaDispersionEstimatedgydF4y2Ba
是gydF4y2Ba真正的gydF4y2Ba
。gydF4y2Ba如果gydF4y2Ba
FitMethodgydF4y2Ba
是gydF4y2BaMPLgydF4y2Ba
或gydF4y2BaREMPLgydF4y2Ba
,gydF4y2Ba“DispersionFlag”gydF4y2Ba
名称-值对的论点gydF4y2BafitglmegydF4y2Ba
被指定为gydF4y2Ba真正的gydF4y2Ba
,然后分散参数估计分布,包括二项和泊松分布gydF4y2BaDispersionEstimatedgydF4y2Ba
是gydF4y2Ba真正的gydF4y2Ba
。gydF4y2Ba如果gydF4y2Ba
FitMethodgydF4y2Ba
是gydF4y2BaMPLgydF4y2Ba
或gydF4y2BaREMPLgydF4y2Ba
,gydF4y2Ba“DispersionFlag”gydF4y2Ba
名称-值对的论点gydF4y2BafitglmegydF4y2Ba
被指定为gydF4y2Ba假gydF4y2Ba
,那么色散参数是固定在为二项和泊松分布,其理论价值gydF4y2BaDispersionEstimatedgydF4y2Ba
是gydF4y2Ba假gydF4y2Ba
。除了二项分布和泊松的色散参数估计数据,gydF4y2BaDispersionEstimatedgydF4y2Ba
是gydF4y2Ba真正的gydF4y2Ba
。gydF4y2Ba
数据类型:gydF4y2Ba逻辑gydF4y2Ba
分布gydF4y2Ba
- - - - - -gydF4y2Ba响应分布的名字gydF4y2Ba
“正常”gydF4y2Ba
| gydF4y2Ba“二”gydF4y2Ba
| gydF4y2Ba“泊松”gydF4y2Ba
| gydF4y2Ba“伽马”gydF4y2Ba
| gydF4y2Ba“InverseGaussian”gydF4y2Ba
响应分布名称,存储为以下之一:gydF4y2Ba
“正常”gydF4y2Ba
——正态分布gydF4y2Ba“二”gydF4y2Ba
——二项分布gydF4y2Ba“泊松”gydF4y2Ba
——泊松分布gydF4y2Ba“伽马”gydF4y2Ba
——伽马分布gydF4y2Ba“InverseGaussian”gydF4y2Ba
——逆高斯分布gydF4y2Ba
FitMethodgydF4y2Ba
- - - - - -gydF4y2Ba方法以适应模型gydF4y2Ba
“MPL”gydF4y2Ba
| gydF4y2Ba“REMPL”gydF4y2Ba
| gydF4y2Ba“ApproximateLaplace”gydF4y2Ba
| gydF4y2Ba“拉普拉斯”gydF4y2Ba
方法以适应模型,存储为下列之一。gydF4y2Ba
“MPL”gydF4y2Ba
——伪最大似然gydF4y2Ba“REMPL”gydF4y2Ba
——限制最大的伪似然gydF4y2Ba“ApproximateLaplace”gydF4y2Ba
——使用拉普拉斯近似最大似然方法,固定效果异形gydF4y2Ba“拉普拉斯”gydF4y2Ba
使用拉普拉斯方法——极大似然gydF4y2Ba
公式gydF4y2Ba
- - - - - -gydF4y2Ba模型规范公式gydF4y2Ba
对象gydF4y2Ba
模型规范公式,存储为一个对象。模型规范公式使用威尔金森的符号来描述固定后果之间的关系方面,随机项,GLME模型和分组变量。更多信息见gydF4y2Ba公式gydF4y2Ba。gydF4y2Ba
链接gydF4y2Ba
- - - - - -gydF4y2Ba链接功能特点gydF4y2Ba
结构gydF4y2Ba
链接功能特点、存储为一个包含以下字段的结构。是一个函数的链接gydF4y2BaGgydF4y2Ba
链接分布参数gydF4y2BaμgydF4y2Ba
的线性预测gydF4y2Ba埃塔gydF4y2Ba
如下:gydF4y2BaG(μ)=埃塔gydF4y2Ba
。gydF4y2Ba
场gydF4y2Ba | 描述gydF4y2Ba |
---|---|
的名字gydF4y2Ba |
函数的名称链接gydF4y2Ba |
链接gydF4y2Ba |
函数定义gydF4y2BaGgydF4y2Ba |
导数gydF4y2Ba |
的导数gydF4y2BaGgydF4y2Ba |
SecondDerivativegydF4y2Ba |
二阶导数的gydF4y2BaGgydF4y2Ba |
逆gydF4y2Ba |
逆的gydF4y2BaGgydF4y2Ba |
数据类型:gydF4y2Ba结构体gydF4y2Ba
LogLikelihoodgydF4y2Ba
- - - - - -gydF4y2Ba对数似然函数gydF4y2Ba
标量值gydF4y2Ba
对数似然函数值的估计系数值,存储为一个标量值。gydF4y2BaLogLikelihoodgydF4y2Ba
取决于使用的方法以适应模型。gydF4y2Ba
如果你使用gydF4y2Ba
“拉普拉斯”gydF4y2Ba
或gydF4y2Ba“ApproximateLaplace”gydF4y2Ba
,然后gydF4y2BaLogLikelihoodgydF4y2Ba
是最大化对数似然。gydF4y2Ba如果你使用gydF4y2Ba
“MPL”gydF4y2Ba
,然后gydF4y2BaLogLikelihoodgydF4y2Ba
是伪数据的最大化对数似然最后伪似然迭代。gydF4y2Ba如果你使用gydF4y2Ba
“REMPL”gydF4y2Ba
,然后gydF4y2BaLogLikelihoodgydF4y2Ba
是伪的可能性最大化限制日志数据从最后的伪似然迭代。gydF4y2Ba
数据类型:gydF4y2Ba双gydF4y2Ba
ModelCriteriongydF4y2Ba
- - - - - -gydF4y2Ba模型的标准gydF4y2Ba
表gydF4y2Ba
模型标准比较拟合广义线性mixed-effects模型,用以下字段存储为一个表。gydF4y2Ba
场gydF4y2Ba | 描述gydF4y2Ba |
---|---|
另类投资会议gydF4y2Ba |
Akaike信息标准gydF4y2Ba |
BICgydF4y2Ba |
贝叶斯信息准则gydF4y2Ba |
LogLikelihoodgydF4y2Ba |
|
异常gydF4y2Ba |
2倍gydF4y2BaLogLikelihoodgydF4y2Ba |
NumCoefficientsgydF4y2Ba
- - - - - -gydF4y2Ba数量的固定后果系数gydF4y2Ba
正整数的值gydF4y2Ba
的固定后果系数拟合广义线性mixed-effects模型,作为一个正整数存储值。gydF4y2Ba
数据类型:gydF4y2Ba双gydF4y2Ba
NumEstimatedCoefficientsgydF4y2Ba
- - - - - -gydF4y2Ba数量的估计系数固定后果gydF4y2Ba
正整数的值gydF4y2Ba
的固定后果估计系数拟合广义线性mixed-effects模型,作为一个正整数存储值。gydF4y2Ba
数据类型:gydF4y2Ba双gydF4y2Ba
NumObservationsgydF4y2Ba
- - - - - -gydF4y2Ba数量的观察gydF4y2Ba
正整数的值gydF4y2Ba
适合使用的观测数量,存储为一个正整数的值。gydF4y2BaNumObservationsgydF4y2Ba
是在数据集表或数组的行数gydF4y2Ba资源描述gydF4y2Ba
-行排除使用gydF4y2Ba“排除”gydF4y2Ba
名称-值对的gydF4y2BafitglmegydF4y2Ba
或行包含gydF4y2Ba南gydF4y2Ba
值。gydF4y2Ba
数据类型:gydF4y2Ba双gydF4y2Ba
NumPredictorsgydF4y2Ba
- - - - - -gydF4y2Ba数量的预测gydF4y2Ba
正整数的值gydF4y2Ba
使用的变量数量作为广义线性mixed-effects模型预测,存储为一个正整数的值。gydF4y2Ba
数据类型:gydF4y2Ba双gydF4y2Ba
NumVariablesgydF4y2Ba
- - - - - -gydF4y2Ba变量的总数gydF4y2Ba
正整数的值gydF4y2Ba
总数量的变量,包括反应和预测,作为一个正整数存储值。如果样品数据表或数据集的数组gydF4y2Ba资源描述gydF4y2Ba
,然后gydF4y2BaNumVariablesgydF4y2Ba
变量的总数在吗gydF4y2Ba资源描述gydF4y2Ba
,包括反应变量。gydF4y2BaNumVariablesgydF4y2Ba
包括变量,如果有的话,不用作预测或响应。gydF4y2Ba
数据类型:gydF4y2Ba双gydF4y2Ba
ObservationInfogydF4y2Ba
- - - - - -gydF4y2Ba观测信息gydF4y2Ba
表gydF4y2Ba
中使用的观测信息,存储为一个表。gydF4y2Ba
ObservationInfogydF4y2Ba
每一行用于观察和下面的列。gydF4y2Ba
的名字gydF4y2Ba | 描述gydF4y2Ba |
---|---|
权重gydF4y2Ba |
的重量值观察。默认值是1。gydF4y2Ba |
被排除在外gydF4y2Ba |
如果观察被排除在适合使用gydF4y2Ba“排除”gydF4y2Ba 名称-值对的论点gydF4y2BafitglmegydF4y2Ba ,然后gydF4y2Ba被排除在外gydF4y2Ba 是gydF4y2Ba真正的gydF4y2Ba ,或gydF4y2Ba1gydF4y2Ba 。否则,gydF4y2Ba被排除在外gydF4y2Ba 是gydF4y2Ba假gydF4y2Ba ,或gydF4y2Ba0gydF4y2Ba 。gydF4y2Ba |
失踪gydF4y2Ba |
如果观察被排除在适合因为任何回应或预测价值缺失,gydF4y2Ba 缺失值包括gydF4y2Ba |
子集gydF4y2Ba |
如果观察是用于健康,那么gydF4y2Ba子集gydF4y2Ba 是gydF4y2Ba真正的gydF4y2Ba 。如果观察中未使用的适合,因为它是缺失或排除在外,gydF4y2Ba子集gydF4y2Ba 是gydF4y2Ba假gydF4y2Ba 。gydF4y2Ba |
BinomSizegydF4y2Ba |
二项为每个观察大小。这一列只适用于拟合二项分布。gydF4y2Ba |
数据类型:gydF4y2Ba表gydF4y2Ba
ObservationNamesgydF4y2Ba
- - - - - -gydF4y2Ba名字的观察gydF4y2Ba
单元阵列的特征向量gydF4y2Ba
观察中使用适合的名字,存储单元阵列的特征向量。gydF4y2Ba
如果一个表或数据集的数据数组gydF4y2Ba
资源描述gydF4y2Ba
包含观测的名字gydF4y2BaObservationNamesgydF4y2Ba
使用这些名称。gydF4y2Ba如果矩阵中提供的数据,或者数据集在一个表格或数组没有观察的名字,然后gydF4y2Ba
ObservationNamesgydF4y2Ba
是一个空单元数组。gydF4y2Ba
数据类型:gydF4y2Ba细胞gydF4y2Ba
PredictorNamesgydF4y2Ba
- - - - - -gydF4y2Ba预测的名字gydF4y2Ba
单元阵列的特征向量gydF4y2Ba
变量的名字适合用作预测,存储单元阵列的特征向量具有相同的长度gydF4y2BaNumPredictorsgydF4y2Ba
。gydF4y2Ba
数据类型:gydF4y2Ba细胞gydF4y2Ba
ResponseNamegydF4y2Ba
- - - - - -gydF4y2Ba响应变量的名字gydF4y2Ba
特征向量gydF4y2Ba
名字的变量作为响应变量,存储为一个特征向量。gydF4y2Ba
数据类型:gydF4y2Ba字符gydF4y2Ba
RsquaredgydF4y2Ba
- - - - - -gydF4y2Ba比例的变化响应用拟合模型来解释gydF4y2Ba
结构gydF4y2Ba
比例的变化响应的拟合模型,存储为一个结构。gydF4y2BaRsquaredgydF4y2Ba
包含了gydF4y2BaRgydF4y2Ba平方值的拟合模型,也称为复相关系数。gydF4y2BaRsquaredgydF4y2Ba
包含以下字段。gydF4y2Ba
场gydF4y2Ba | 描述gydF4y2Ba |
---|---|
普通的gydF4y2Ba |
平方值,存储为一个标量值的结构。gydF4y2BaRsquared。普通的=1- - - - - -上交所。/SST |
调整gydF4y2Ba |
平方值调整的固定后果系数的数目,作为标量值存储在一个结构。gydF4y2BaRsquared。调整=1- - - - - -(年代SE。/SST)*(DFT./DFE) ,gydF4y2Ba在哪里gydF4y2Ba 教育部= n - pgydF4y2Ba ,gydF4y2BaDFT = n - 1gydF4y2Ba ,gydF4y2BangydF4y2Ba 观察的总数,gydF4y2BapgydF4y2Ba 系数是固定后果的数量。gydF4y2Ba |
数据类型:gydF4y2Ba结构体gydF4y2Ba
上交所gydF4y2Ba
- - - - - -gydF4y2Ba误差平方和gydF4y2Ba
积极的标量gydF4y2Ba
误差平方和,指定为一个积极的标量。gydF4y2Ba上交所gydF4y2Ba
方条件残差的加权和,和计算gydF4y2Ba
在哪里gydF4y2BaNgydF4y2Ba是观察,的数量gydF4y2BawgydF4y2Ba我gydF4y2BaeffgydF4y2Ba是gydF4y2Ba我gydF4y2Ba有效的重量,gydF4y2BaygydF4y2Ba我gydF4y2Ba是gydF4y2Ba我gydF4y2Bath反应,gydF4y2BafgydF4y2Ba我gydF4y2Ba是gydF4y2Ba我gydF4y2Ba拟合值。gydF4y2Ba
的gydF4y2Ba我gydF4y2Ba有效重量计算gydF4y2Ba
在哪里gydF4y2BawgydF4y2Ba我gydF4y2Ba是gydF4y2Ba我gydF4y2Bath观察体重、gydF4y2BavgydF4y2Ba我gydF4y2Ba方差的吗gydF4y2Ba我gydF4y2Bath观察,gydF4y2Ba 和gydF4y2Ba 估计的值gydF4y2BaβgydF4y2Ba和gydF4y2BabgydF4y2Ba,分别。gydF4y2Ba
的gydF4y2Ba我gydF4y2Ba拟合值是计算gydF4y2Ba
在哪里gydF4y2BaggydF4y2Ba是连接函数,gydF4y2BaxgydF4y2Ba我gydF4y2BaTgydF4y2Ba是gydF4y2Ba我gydF4y2Ba行固定后果设计矩阵gydF4y2BaXgydF4y2Ba,gydF4y2BazgydF4y2Ba我gydF4y2BaTgydF4y2Ba是gydF4y2Ba我gydF4y2Ba随机设计矩阵的行gydF4y2BaZgydF4y2Ba,gydF4y2BaδgydF4y2Ba我gydF4y2Ba是gydF4y2Ba我gydF4y2Ba偏移值。gydF4y2Ba
数据类型:gydF4y2Ba双gydF4y2Ba
苏维埃社会主义共和国gydF4y2Ba
- - - - - -gydF4y2Ba回归平方和gydF4y2Ba
积极的标量gydF4y2Ba
回归平方和,指定为一个积极的标量。gydF4y2Ba苏维埃社会主义共和国gydF4y2Ba
是由广义线性mixed-effects回归平方和解释说,和之间的偏差值的平方之和等于响应的拟合值和均值。gydF4y2Ba苏维埃社会主义共和国gydF4y2Ba
是计算gydF4y2Ba
在哪里gydF4y2BaNgydF4y2Ba是观察,的数量gydF4y2BawgydF4y2Ba我gydF4y2BaeffgydF4y2Ba是gydF4y2Ba我gydF4y2Ba有效的重量,gydF4y2BafgydF4y2Ba我gydF4y2Ba是gydF4y2Ba我gydF4y2Bath拟合值,gydF4y2Ba 的加权平均响应。gydF4y2Ba
的gydF4y2Ba我gydF4y2Ba有效重量计算gydF4y2Ba
在哪里gydF4y2BawgydF4y2Ba我gydF4y2Ba是gydF4y2Ba我gydF4y2Bath观察体重、gydF4y2BavgydF4y2Ba我gydF4y2Ba方差的吗gydF4y2Ba我gydF4y2Bath观察,gydF4y2Ba 和gydF4y2Ba 估计的值gydF4y2BaβgydF4y2Ba和gydF4y2BabgydF4y2Ba,分别。gydF4y2Ba
的gydF4y2Ba我gydF4y2Ba拟合值是计算gydF4y2Ba
在哪里gydF4y2BaggydF4y2Ba是连接函数,gydF4y2BaxgydF4y2Ba我gydF4y2BaTgydF4y2Ba是gydF4y2Ba我gydF4y2Ba行固定后果设计矩阵gydF4y2BaXgydF4y2Ba,gydF4y2BazgydF4y2Ba我gydF4y2BaTgydF4y2Ba是gydF4y2Ba我gydF4y2Ba随机设计矩阵的行gydF4y2BaZgydF4y2Ba,gydF4y2BaδgydF4y2Ba我gydF4y2Ba是gydF4y2Ba我gydF4y2Ba偏移值。gydF4y2Ba
数据类型:gydF4y2Ba双gydF4y2Ba
风场gydF4y2Ba
- - - - - -gydF4y2Ba总平方和gydF4y2Ba
积极的标量gydF4y2Ba
总平方和,指定为一个积极的标量。gydF4y2Ba
GLME模型拦截,gydF4y2Ba风场gydF4y2Ba
是计算gydF4y2Ba
海温= SSE + SSRgydF4y2Ba
,gydF4y2Ba
在哪里gydF4y2Ba风场gydF4y2Ba
是总平方和,gydF4y2Ba上交所gydF4y2Ba
误差平方和,gydF4y2Ba苏维埃社会主义共和国gydF4y2Ba
回归平方和。gydF4y2Ba
GLME模型没有拦截,gydF4y2Ba风场gydF4y2Ba
是计算gydF4y2Ba
在哪里gydF4y2BaNgydF4y2Ba是观察,的数量gydF4y2BawgydF4y2Ba我gydF4y2BaeffgydF4y2Ba是gydF4y2Ba我gydF4y2Ba有效的重量,gydF4y2BaygydF4y2Ba我gydF4y2Ba是gydF4y2Ba我gydF4y2Bath响应值,gydF4y2Ba 的加权平均响应。gydF4y2Ba
数据类型:gydF4y2Ba双gydF4y2Ba
VariableInfogydF4y2Ba
- - - - - -gydF4y2Ba关于变量的信息gydF4y2Ba
表gydF4y2Ba
信息中使用的变量,存储为一个表。gydF4y2BaVariableInfogydF4y2Ba
为每个变量和一行包含下面的列。gydF4y2Ba
列名gydF4y2Ba | 描述gydF4y2Ba |
---|---|
类gydF4y2Ba |
类的变量(gydF4y2Ba“双”gydF4y2Ba ,gydF4y2Ba“细胞”gydF4y2Ba ,gydF4y2Ba“名义”gydF4y2Ba 等等)。gydF4y2Ba |
范围gydF4y2Ba |
值范围的变量。gydF4y2Ba
|
InModelgydF4y2Ba |
如果变量是一个预测的拟合模型,gydF4y2Ba 如果变量拟合模型,gydF4y2Ba |
IsCategoricalgydF4y2Ba |
如果变量类型视为一个分类预测(如单元、逻辑或分类),gydF4y2Ba 如果变量是一个持续的预测gydF4y2Ba |
数据类型:gydF4y2Ba表gydF4y2Ba
VariableNamesgydF4y2Ba
- - - - - -gydF4y2Ba变量的名字gydF4y2Ba
单元阵列的特征向量gydF4y2Ba
所有变量的名字中包含的数据集表或数组gydF4y2Ba资源描述gydF4y2Ba
、存储单元阵列的特征向量。gydF4y2Ba
数据类型:gydF4y2Ba细胞gydF4y2Ba
变量gydF4y2Ba
- - - - - -gydF4y2Ba变量gydF4y2Ba
表gydF4y2Ba
变量,存储为一个表。如果数据集是基于一个表或数组gydF4y2Ba资源描述gydF4y2Ba
,然后gydF4y2Ba变量gydF4y2Ba
是一样gydF4y2Ba资源描述gydF4y2Ba
。gydF4y2Ba
数据类型:gydF4y2Ba表gydF4y2Ba
对象的功能gydF4y2Ba
方差分析gydF4y2Ba |
对广义线性mixed-effects模型方差分析gydF4y2Ba |
coefCIgydF4y2Ba |
置信区间的广义线性mixed-effects模型系数gydF4y2Ba |
coefTestgydF4y2Ba |
假设检验在固定和随机广义线性mixed-effects模型的影响gydF4y2Ba |
比较gydF4y2Ba |
广义线性mixed-effects模型进行比较gydF4y2Ba |
covarianceParametersgydF4y2Ba |
提取广义线性mixed-effects模型的协方差参数gydF4y2Ba |
designMatrixgydF4y2Ba |
固定和随机设计矩阵gydF4y2Ba |
安装gydF4y2Ba |
从广义线性mixed-effects模型拟合响应gydF4y2Ba |
fixedEffectsgydF4y2Ba |
固定效应估计和相关统计数据gydF4y2Ba |
partialDependencegydF4y2Ba |
计算部分依赖gydF4y2Ba |
plotPartialDependencegydF4y2Ba |
创建部分依赖图(PDP)和个人条件期望(ICE)情节gydF4y2Ba |
plotResidualsgydF4y2Ba |
情节mixed-effects广义线性模型的残差gydF4y2Ba |
预测gydF4y2Ba |
广义线性mixed-effects模型预测反应gydF4y2Ba |
随机gydF4y2Ba |
从拟合广义线性mixed-effects模型生成随机响应gydF4y2Ba |
randomEffectsgydF4y2Ba |
估计的随机效应和相关统计数据gydF4y2Ba |
改装gydF4y2Ba |
改装mixed-effects广义线性模型gydF4y2Ba |
残差gydF4y2Ba |
残差拟合广义线性mixed-effects模型gydF4y2Ba |
响应gydF4y2Ba |
响应向量的广义线性mixed-effects模型gydF4y2Ba |
例子gydF4y2Ba
符合广义线性Mixed-Effects模型gydF4y2Ba
加载示例数据。gydF4y2Ba
负载gydF4y2Ba生产商gydF4y2Ba
这个模拟的数据从一个制造公司,经营世界各地50个工厂,每个工厂运行一个批处理创建一个成品。公司想要减少缺陷的数量在每一批,所以发明了一种新的制造过程。为了测试新流程的有效性,公司随机选择20的工厂参加一个实验:十个工厂实施新的流程,而其他十继续运行旧的流程。在每个20家工厂,公司跑五个批次(100批次),记录以下数据:gydF4y2Ba
标志表明这批是否使用新工艺(gydF4y2Ba
newprocessgydF4y2Ba
)gydF4y2Ba每一批处理时间,小时(gydF4y2Ba
时间gydF4y2Ba
)gydF4y2Ba批处理的温度在摄氏度(gydF4y2Ba
临时gydF4y2Ba
)gydF4y2Ba分类变量指示供应商(gydF4y2Ba
一个gydF4y2Ba
,gydF4y2BaBgydF4y2Ba
,或gydF4y2BaCgydF4y2Ba
)的化学用于批处理(gydF4y2Ba供应商gydF4y2Ba
)gydF4y2Ba批处理的缺陷数量(gydF4y2Ba
缺陷gydF4y2Ba
)gydF4y2Ba
数据还包括gydF4y2Batime_devgydF4y2Ba
和gydF4y2Batemp_devgydF4y2Ba
代表时间的绝对偏差和温度,分别从流程标准的3小时20摄氏度。gydF4y2Ba
适合一个广义线性mixed-effects模型使用gydF4y2BanewprocessgydF4y2Ba
,gydF4y2Batime_devgydF4y2Ba
,gydF4y2Batemp_devgydF4y2Ba
,gydF4y2Ba供应商gydF4y2Ba
固定后果预测。包括一个随机拦截分组的gydF4y2Ba工厂gydF4y2Ba
,考虑到质量差异,可能存在由于factory-specific变化。响应变量gydF4y2Ba缺陷gydF4y2Ba
泊松分布,适当的日志链接函数模型。使用拉普拉斯合适方法来估计系数。指定哑变量编码gydF4y2Ba“影响”gydF4y2Ba
,所以哑变量系数之和为0。gydF4y2Ba
缺陷的数量可以使用泊松分布建模gydF4y2Ba
这对应于广义线性mixed-effects模型gydF4y2Ba
在哪里gydF4y2Ba
是缺陷的数量在批量生产的工厂吗gydF4y2Ba 在批处理gydF4y2Ba 。gydF4y2Ba
缺陷对应的平均数量是工厂吗gydF4y2Ba (gydF4y2Ba 在批处理)gydF4y2Ba (gydF4y2Ba )。gydF4y2Ba
,gydF4y2Ba ,gydF4y2Ba 每个变量的测量是对应于工厂吗gydF4y2Ba 在批处理gydF4y2Ba 。例如,gydF4y2Ba 指示是否批量生产的工厂gydF4y2Ba 在批处理gydF4y2Ba 使用新工艺。gydF4y2Ba
和gydF4y2Ba 虚拟变量,使用效果(总和为零)编码来表示是否公司吗gydF4y2Ba
CgydF4y2Ba
或gydF4y2BaBgydF4y2Ba
分别提供工厂生产的批处理过程的化学物质gydF4y2Ba 在批处理gydF4y2Ba 。gydF4y2Ba是一个随机拦截每个工厂吗gydF4y2Ba 占factory-specific质量的变化。gydF4y2Ba
glme = fitglme(生产商,gydF4y2Ba的缺陷~ 1 + newprocess + time_dev + temp_dev +供应商+(1 |工厂)'gydF4y2Ba,gydF4y2Ba…gydF4y2Ba“分布”gydF4y2Ba,gydF4y2Ba“泊松”gydF4y2Ba,gydF4y2Ba“链接”gydF4y2Ba,gydF4y2Ba“日志”gydF4y2Ba,gydF4y2Ba“FitMethod”gydF4y2Ba,gydF4y2Ba“拉普拉斯”gydF4y2Ba,gydF4y2Ba“DummyVarCoding”gydF4y2Ba,gydF4y2Ba“影响”gydF4y2Ba);gydF4y2Ba
显示模型。gydF4y2Ba
disp (glme)gydF4y2Ba
广义线性mixed-effects模型适合毫升模型信息:观察100固定效应系数6 20协方差参数随机效应系数1泊松分布链接日志FitMethod拉普拉斯公式:缺陷~ 1 + newprocess + time_dev + temp_dev +供应商+(1 |工厂)模型适合统计:AIC BIC LogLikelihood异常固定效应系数416.35 434.58 -201.17 402.35 (95% CIs):名字估计SE tStat DF pValue低上{(拦截)的}94 1.4689 0.15988 9.1875 9.8194 e15汽油1.1515 - 1.7864 {‘newprocess} 94 -0.36766 0.17755 -2.0708 0.041122 -0.72019 -0.015134 {‘time_dev} 94 -0.094521 0.82849 -0.11409 0.90941 -1.7395 1.5505 {‘temp_dev} 94 -0.28317 0.9617 -0.29444 0.76907 -2.1926 1.6263 {‘supplier_C} 94 -0.071868 0.078024 -0.9211 0.35936 -0.22679 0.083051 {‘supplier_B} 94 0.071072 0.07739 0.91836 0.36078 -0.082588 0.22473随机效应方差参数:组:工厂(水平)20日Name1 Name2类型估计{(拦截)的}{(拦截)的}{“性病”}0.31381组:错误的名字估计{sqrt(分散)的}1gydF4y2Ba
的gydF4y2Ba模型信息gydF4y2Ba
表显示观测样本数据的总数(100),固定和随机系数的数量(分别为6 - 20),和协方差参数的数量(1),它也表明,响应变量的gydF4y2Ba泊松gydF4y2Ba
分布函数的链接gydF4y2Ba日志gydF4y2Ba
和合适的方法gydF4y2Ba拉普拉斯gydF4y2Ba
。gydF4y2Ba
公式gydF4y2Ba
表明该模型规范使用威尔金森的符号。gydF4y2Ba
的gydF4y2Ba模型符合统计数据gydF4y2Ba
表显示统计用来评估模型的拟合优度。这包括Akaike信息准则(gydF4y2Ba另类投资会议gydF4y2Ba
),贝叶斯信息准则(gydF4y2BaBICgydF4y2Ba
(可能性)值,日志gydF4y2BaLogLikelihoodgydF4y2Ba
)和异常(gydF4y2Ba异常gydF4y2Ba
)的值。gydF4y2Ba
的gydF4y2Ba固定效应系数gydF4y2Ba
表显示,gydF4y2BafitglmegydF4y2Ba
返回的95%置信区间。每个固定后果预测它包含一行,每一列包含统计相应的预测。第1列(gydF4y2Ba的名字gydF4y2Ba
)包含每个固定后果系数的名称,第二列(gydF4y2Ba估计gydF4y2Ba
)包含它的估计价值,第三列(gydF4y2BaSEgydF4y2Ba
)包含的标准误差系数。列4 (gydF4y2BatStatgydF4y2Ba
)包含gydF4y2Ba
统计假设检验,系数等于0。列5 (gydF4y2BaDFgydF4y2Ba
6()和列gydF4y2BapValuegydF4y2Ba
)包含的自由度和gydF4y2Ba
对应的值gydF4y2Ba
分别统计。最后两列(gydF4y2Ba较低的gydF4y2Ba
和gydF4y2Ba上gydF4y2Ba
)显示较低和上限分别为每个固定后果系数的95%置信区间。gydF4y2Ba
随机效应方差参数gydF4y2Ba
为每个分组变量(在这里,显示一个表gydF4y2Ba工厂gydF4y2Ba
),包括水平(20)的总数,和协方差参数的类型和估计。在这里,gydF4y2Ba性病gydF4y2Ba
表明gydF4y2BafitglmegydF4y2Ba
回报率的标准差与工厂相关的随机效应预测,估计有0.31381的价值。它还显示一个表包含错误的参数类型(这里,的平方根色散参数),及其估计的值为1。gydF4y2Ba
标准显示生成的gydF4y2BafitglmegydF4y2Ba
不提供随机参数的置信区间。计算和显示这些值,使用gydF4y2BacovarianceParametersgydF4y2Ba
。gydF4y2Ba
更多关于gydF4y2Ba
公式gydF4y2Ba
一般来说,一个模型规范公式是一个特征向量或字符串标量的形式gydF4y2Ba“y ~条款”gydF4y2Ba
。广义线性mixed-effects模型,这个公式的形式gydF4y2Ba“y ~固定+ (random1 | grouping1) +…+ (randomR | groupingR) 'gydF4y2Ba
,在那里gydF4y2Ba固定gydF4y2Ba
和gydF4y2Ba随机gydF4y2Ba
包含固定后果和随机项,分别gydF4y2BaRgydF4y2Ba在模型中是分组变量的数量。gydF4y2Ba
假设一个表gydF4y2Ba资源描述gydF4y2Ba
包含以下:gydF4y2Ba
一个响应变量,gydF4y2Ba
ygydF4y2Ba
预测变量,gydF4y2Ba
XgydF4y2BajgydF4y2Ba
,可连续或分组变量gydF4y2Ba分组变量,gydF4y2Ba
ggydF4y2Ba1gydF4y2Ba
,gydF4y2BaggydF4y2Ba2gydF4y2Ba
、……gydF4y2BaggydF4y2BaRgydF4y2Ba
,gydF4y2Ba
分组变量在哪里gydF4y2BaXgydF4y2BajgydF4y2Ba
和gydF4y2BaggydF4y2BargydF4y2Ba
可以分类、逻辑、字符数组,字符串数组,或细胞阵列的特征向量。gydF4y2Ba
然后,在一个公式的形式,gydF4y2Ba“y ~固定+(随机的gydF4y2Ba1gydF4y2Ba| ggydF4y2Ba1gydF4y2Ba)+…+(随机gydF4y2BaRgydF4y2Ba| ggydF4y2BaRgydF4y2Ba)”gydF4y2Ba
,这个术语gydF4y2Ba固定gydF4y2Ba
对应于一个固定后果设计矩阵的规范gydF4y2BaXgydF4y2Ba
,gydF4y2Ba随机gydF4y2Ba
1gydF4y2Ba是一个随机设计矩阵的规范gydF4y2BaZgydF4y2Ba
1gydF4y2Ba相应的分组变量gydF4y2BaggydF4y2Ba
1gydF4y2Ba和类似的gydF4y2Ba随机gydF4y2Ba
RgydF4y2Ba是一个随机设计矩阵的规范gydF4y2BaZgydF4y2Ba
RgydF4y2Ba相应的分组变量gydF4y2BaggydF4y2Ba
RgydF4y2Ba。你可以表达gydF4y2Ba固定gydF4y2Ba
和gydF4y2Ba随机gydF4y2Ba
使用威尔金森符号。gydF4y2Ba
威尔金森符号描述的因素出现在模型中。符号与因素存在于模型,不是乘数(系数)的因素。gydF4y2Ba
威尔金森符号gydF4y2Ba | 因素标准符号gydF4y2Ba |
---|---|
1gydF4y2Ba |
常数(拦截)gydF4y2Ba |
X ^ kgydF4y2Ba ,在那里gydF4y2BakgydF4y2Ba 是一个正整数gydF4y2Ba |
XgydF4y2Ba ,gydF4y2BaXgydF4y2Ba2gydF4y2Ba 、……gydF4y2BaXgydF4y2BakgydF4y2Ba |
X1 + X2gydF4y2Ba |
X1gydF4y2Ba ,gydF4y2BaX2gydF4y2Ba |
X1 * X2gydF4y2Ba |
X1gydF4y2Ba ,gydF4y2BaX2gydF4y2Ba ,gydF4y2BaX1。* X2(elementwise multiplication of X1 and X2) |
X1, X2gydF4y2Ba |
X1。* X2gydF4y2Ba 只有gydF4y2Ba |
- - - - - - X2gydF4y2Ba |
不包括gydF4y2BaX2gydF4y2Ba |
X1 * X2 + X3gydF4y2Ba |
X1gydF4y2Ba ,gydF4y2BaX2gydF4y2Ba ,gydF4y2BaX3gydF4y2Ba ,gydF4y2BaX1 * X2gydF4y2Ba |
X1 + X2 + X3 + X1, X2gydF4y2Ba |
X1gydF4y2Ba ,gydF4y2BaX2gydF4y2Ba ,gydF4y2BaX3gydF4y2Ba ,gydF4y2BaX1 * X2gydF4y2Ba |
X1 * X2 * X3 - X1, X2, X3gydF4y2Ba |
X1gydF4y2Ba ,gydF4y2BaX2gydF4y2Ba ,gydF4y2BaX3gydF4y2Ba ,gydF4y2BaX1 * X2gydF4y2Ba ,gydF4y2BaX1 * X3gydF4y2Ba ,gydF4y2BaX2 * X3gydF4y2Ba |
X1 * (X2 + X3)gydF4y2Ba |
X1gydF4y2Ba ,gydF4y2BaX2gydF4y2Ba ,gydF4y2BaX3gydF4y2Ba ,gydF4y2BaX1 * X2gydF4y2Ba ,gydF4y2BaX1 * X3gydF4y2Ba |
统计和机器学习工具箱™符号总是包含一个常数项,除非你显式地删除术语使用gydF4y2Ba1gydF4y2Ba
。这里有一些例子为线性mixed-effects模型规范。gydF4y2Ba
例子:gydF4y2Ba
公式gydF4y2Ba | 描述gydF4y2Ba |
---|---|
“y ~ X1 + X2”gydF4y2Ba |
固定的拦截效果,gydF4y2BaX1gydF4y2Ba 和gydF4y2BaX2gydF4y2Ba 。这相当于gydF4y2Ba“y ~ 1 + X1 + X2”gydF4y2Ba 。gydF4y2Ba |
“y ~ 1 + X1 + X2”gydF4y2Ba |
没有拦截和固定效果gydF4y2BaX1gydF4y2Ba 和gydF4y2BaX2gydF4y2Ba 。包括隐式截距项是镇压gydF4y2Ba1gydF4y2Ba 。gydF4y2Ba |
“y ~ 1 + (1 | g1) 'gydF4y2Ba |
固定效应拦截的拦截+随机效应为每个级别的分组变量gydF4y2Bag1gydF4y2Ba 。gydF4y2Ba |
“y ~ X1 + (1 | g1) 'gydF4y2Ba |
随机拦截模型与一个固定的斜率。gydF4y2Ba |
“y ~ X1 + (X1 | g1) 'gydF4y2Ba |
随机截距和斜率,它们之间可能的相关性。这相当于gydF4y2Ba“y ~ 1 + X1 + (1 + X1 | g1) 'gydF4y2Ba 。gydF4y2Ba |
“y ~ X1 + (1 | g1) + (1 + X1 | g1) 'gydF4y2Ba |
独立随机效应方面截距和斜率。gydF4y2Ba |
“y ~ 1 + (1 | g1) + (1 | g2) + (1 | g1, g2) 'gydF4y2Ba |
随机拦截模型与独立的主要影响gydF4y2Bag1gydF4y2Ba 和gydF4y2Bag2gydF4y2Ba ,再加上一个独立的相互影响。gydF4y2Ba |
另请参阅gydF4y2Ba
MATLAB命令gydF4y2Ba
你点击一个链接对应MATLAB命令:gydF4y2Ba
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appgydF4y2Ba
选择一个网站gydF4y2Ba
选择一个网站翻译内容,看到当地事件和提供。根据你的位置,我们建议您选择:gydF4y2Ba。gydF4y2Ba
你也可以从下面的列表中选择一个网站:gydF4y2Ba
表现最好的网站怎么走吗gydF4y2Ba
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。gydF4y2Ba
美洲gydF4y2Ba
- 美国拉丁gydF4y2Ba(西班牙语)gydF4y2Ba
- 加拿大gydF4y2Ba(英语)gydF4y2Ba
- 美国gydF4y2Ba(英语)gydF4y2Ba
欧洲gydF4y2Ba
- 比利时gydF4y2Ba(英语)gydF4y2Ba
- 丹麦gydF4y2Ba(英语)gydF4y2Ba
- 德国gydF4y2Ba(德语)gydF4y2Ba
- 西班牙gydF4y2Ba(西班牙语)gydF4y2Ba
- 芬兰gydF4y2Ba(英语)gydF4y2Ba
- 法国gydF4y2Ba(法语)gydF4y2Ba
- 爱尔兰gydF4y2Ba(英语)gydF4y2Ba
- 意大利gydF4y2Ba(意大利语)gydF4y2Ba
- 卢森堡gydF4y2Ba(英语)gydF4y2Ba
- 荷兰gydF4y2Ba(英语)gydF4y2Ba
- 挪威gydF4y2Ba(英语)gydF4y2Ba
- 奥地利gydF4y2Ba(德语)gydF4y2Ba
- 葡萄牙gydF4y2Ba(英语)gydF4y2Ba
- 瑞典gydF4y2Ba(英语)gydF4y2Ba
- 瑞士gydF4y2Ba
- 联合王国gydF4y2Ba(英语)gydF4y2Ba
亚太地区gydF4y2Ba
- 澳大利亚gydF4y2Ba(英语)gydF4y2Ba
- 印度gydF4y2Ba(英语)gydF4y2Ba
- 新西兰gydF4y2Ba(英语)gydF4y2Ba
- 中国gydF4y2Ba
- 日本gydF4y2Ba(日本語)gydF4y2Ba
- 한국gydF4y2Ba(한국어)gydF4y2Ba