nlmefitgydF4y2Ba

非线性mixed-effects估计gydF4y2Ba

语法gydF4y2Ba

β= nlmefit (X, y,, V,有趣,beta0)gydF4y2Ba (β,PSI) = nlmefit (X, y,, V,有趣,beta0)gydF4y2Ba β，psi，stats] = nlmefit（x，y，group，v，fun，beta0）gydF4y2Ba β，psi，stats，b] = nlmefit（x，y，group，v，fun，beta0）gydF4y2Ba (β,PSI,统计数据,B) = nlmefit (X, y,, V,有趣,beta0,”gydF4y2Ba的名字gydF4y2Ba'，gydF4y2Ba价值gydF4y2Ba）gydF4y2Ba

描述gydF4y2Ba

β= nlmefit (X, y,, V,有趣,beta0)gydF4y2Ba拟合非线性混合效应回归模型，并对固定效应进行估计gydF4y2BabetgydF4y2Ba．默认情况下,gydF4y2BanlmefitgydF4y2Ba适合每个参数的模型，其中每个参数是固定和随机效果的总和，随机效果是不相关的（它们的协方差矩阵是对角线）。gydF4y2Ba

XgydF4y2Ba是一个gydF4y2BangydF4y2Ba——- - - - - -gydF4y2BahgydF4y2Ba矩阵的gydF4y2BangydF4y2Ba观察gydF4y2BahgydF4y2Ba预测因子。gydF4y2Ba

ygydF4y2Ba是一个gydF4y2BangydF4y2Ba-乘1的响应向量。gydF4y2Ba

集团gydF4y2Ba分组变量是否有指示gydF4y2Ba米gydF4y2Ba组在观察中。gydF4y2Ba集团gydF4y2Ba是一个分类变量，数字矢量，具有组名称，字符串数组或字符向量的小区数组的行的字符矩阵。有关分组变量的更多信息，请参阅gydF4y2Ba分组变量gydF4y2Ba．gydF4y2Ba

VgydF4y2Ba是一个gydF4y2Ba米gydF4y2Ba——- - - - - -gydF4y2BaggydF4y2Ba矩阵或单元阵列gydF4y2BaggydF4y2Ba组特定的预测因子。这些是对组中所有观察结果采取相同值的预测因子。行的行gydF4y2BaVgydF4y2Ba是分配给组使用gydF4y2Bagrp2idxgydF4y2Ba根据订单指定的订单gydF4y2Bagrp2idx(集团)gydF4y2Ba．使用单元格数组gydF4y2BaVgydF4y2Ba如果不同组的预测因子大小不同。使用gydF4y2Ba［］gydF4y2Ba为gydF4y2BaVgydF4y2Ba如果没有特定群体的预测因子。gydF4y2Ba

乐趣gydF4y2Ba是接受预测值和模型参数并返回拟合值的函数的句柄。gydF4y2Ba乐趣gydF4y2Ba的形式gydF4y2Ba

yfit = modelfun(φ,XFUN VFUN)gydF4y2Ba

的参数是:gydF4y2Ba

披gydF4y2Ba- 一个1-by-gydF4y2BapgydF4y2Ba模型参数向量。gydF4y2Ba
XFUNgydF4y2Ba——一个gydF4y2BakgydF4y2Ba——- - - - - -gydF4y2BahgydF4y2Ba一系列预测因子，其中：gydF4y2Ba
- kgydF4y2Ba= 1,如果gydF4y2BaXFUNgydF4y2Ba是一排gydF4y2BaXgydF4y2Ba．gydF4y2Ba
- kgydF4y2Ba＝gydF4y2BangydF4y2Ba_我gydF4y2Ba如果gydF4y2BaXFUNgydF4y2Ba包含gydF4y2BaXgydF4y2Ba对于单个大小的组gydF4y2BangydF4y2Ba_我gydF4y2Ba．gydF4y2Ba
- kgydF4y2Ba＝gydF4y2BangydF4y2Ba如果gydF4y2BaXFUNgydF4y2Ba包含的所有行gydF4y2BaXgydF4y2Ba．gydF4y2Ba
vfun.gydF4y2Ba-特定群体的预测:gydF4y2Ba
- 一个1-by-gydF4y2BaggydF4y2Ba对应于单个组和一行的向量gydF4y2BaVgydF4y2Ba．gydF4y2Ba
- 一个gydF4y2BangydF4y2Ba——- - - - - -gydF4y2BaggydF4y2Ba数组,gydF4y2BajgydF4y2Ba第一行是V(gydF4y2Ba我gydF4y2Ba:)如果gydF4y2BajgydF4y2Ba观察结果是分组的gydF4y2Ba我gydF4y2Ba．gydF4y2Ba
如果gydF4y2BaVgydF4y2Ba是空的，gydF4y2BanlmefitgydF4y2Ba调用gydF4y2BamodelfungydF4y2Ba只有两个输入。gydF4y2Ba
yfitgydF4y2Ba——一个gydF4y2BakgydF4y2Ba-乘1向量的拟合值gydF4y2Ba

当gydF4y2Ba披gydF4y2Ba或者gydF4y2Bavfun.gydF4y2Ba包含单行，它对应于其他两个输入参数中的所有行。gydF4y2Ba

请注意gydF4y2Ba

如果gydF4y2BamodelfungydF4y2Ba可以计算gydF4y2BayfitgydF4y2Ba对于每次调用的多个模型参数向量，使用gydF4y2Ba'矢量化'gydF4y2Ba参数(稍后介绍)以提高性能。gydF4y2Ba

Beta0.gydF4y2Ba是一个gydF4y2Ba问gydF4y2Ba-乘1向量，初始估计为gydF4y2Ba问gydF4y2Ba固定效果。默认情况下,gydF4y2Ba问gydF4y2Ba是模型参数的数量gydF4y2BapgydF4y2Ba．gydF4y2Ba

nlmefitgydF4y2Ba通过最大化边际似然近似来拟合模型，并将随机效应积分出去，假设:gydF4y2Ba

随机效应是多元正态分布的，并且在组间独立。gydF4y2Ba
观察误差是独立的，相同地分布式，并且独立于随机效果。gydF4y2Ba

(β,PSI) = nlmefit (X, y,, V,有趣,beta0)gydF4y2Ba同样的回报gydF4y2BaψgydF4y2Ba,一个gydF4y2BargydF4y2Ba——- - - - - -gydF4y2BargydF4y2Ba随机效应的估计协方差矩阵。默认情况下,gydF4y2BargydF4y2Ba等于模型参数的数量gydF4y2BapgydF4y2Ba．gydF4y2Ba

β，psi，stats] = nlmefit（x，y，group，v，fun，beta0）gydF4y2Ba同样的回报gydF4y2Ba统计数据gydF4y2Ba，具有以下字段的结构:gydF4y2Ba

教育部gydF4y2Ba- 模型的误差自由度gydF4y2Ba
logl.gydF4y2Ba- 拟合模型的最大化的loglikelihiegydF4y2Ba
RMSE.gydF4y2Ba- 估计误差方差的平方根（在日志比例上计算gydF4y2Ba指数gydF4y2Ba误差模型)gydF4y2Ba
errerParam.gydF4y2Ba-误差方差模型的估计参数gydF4y2Ba
AIC.gydF4y2Ba- Akaike信息标准，计算为gydF4y2BaAIC.gydF4y2Ba= 2 *gydF4y2Balogl.gydF4y2Ba+ 2 *gydF4y2BanumParamgydF4y2Ba,在那里gydF4y2BanumParamgydF4y2Ba是拟合参数的数量，包括随机效应的协方差矩阵的自由度，固定效果的数量和误差模型的参数数量，以及gydF4y2Balogl.gydF4y2Ba田野在吗gydF4y2Ba统计数据gydF4y2Ba结构体gydF4y2Ba
bicgydF4y2Ba- 贝叶斯信息标准，计算为gydF4y2BabicgydF4y2Ba= 2 *gydF4y2Balogl.gydF4y2Ba+日志(gydF4y2Ba米gydF4y2Ba）*gydF4y2BanumParamgydF4y2Ba
- 米gydF4y2Ba为组的个数。gydF4y2Ba
- numParamgydF4y2Ba和gydF4y2Balogl.gydF4y2Ba被定义为gydF4y2BaAIC.gydF4y2Ba．gydF4y2Ba
注意，一些文献表明gydF4y2BabicgydF4y2Ba应该是,gydF4y2BabicgydF4y2Ba= 2 *gydF4y2Balogl.gydF4y2Ba+日志(gydF4y2BaNgydF4y2Ba）*gydF4y2BanumParamgydF4y2Ba,在那里gydF4y2BaNgydF4y2Ba为观察次数。gydF4y2Ba
covbgydF4y2Ba-参数估计的协方差矩阵gydF4y2Ba
sebetagydF4y2Ba-标准误差gydF4y2BabetgydF4y2Ba
忿怒gydF4y2Ba-人口残差gydF4y2Ba(y-y_population)gydF4y2Ba,在那里gydF4y2Bay_population.gydF4y2Ba个体预测值是多少gydF4y2Ba
presgydF4y2Ba-人口残差gydF4y2Ba(y-y_population)gydF4y2Ba,在那里gydF4y2Bay_population.gydF4y2Ba人口是预测值吗gydF4y2Ba
iwres.gydF4y2Ba-单项加权残差gydF4y2Ba
压水式反应堆gydF4y2Ba-总体加权残差gydF4y2Ba
cwres.gydF4y2Ba—条件加权残差gydF4y2Ba

β，psi，stats，b] = nlmefit（x，y，group，v，fun，beta0）gydF4y2Ba同样的回报gydF4y2BaBgydF4y2Ba,一个gydF4y2BargydF4y2Ba——- - - - - -gydF4y2Ba米gydF4y2Ba估计随机效应的矩阵gydF4y2Ba米gydF4y2Ba组。默认情况下,gydF4y2BargydF4y2Ba等于模型参数的数量gydF4y2BapgydF4y2Ba．gydF4y2Ba

(β,PSI,统计数据,B) = nlmefit (X, y,, V,有趣,beta0,”gydF4y2Ba的名字gydF4y2Ba'，gydF4y2Ba价值gydF4y2Ba）gydF4y2Ba指定一个或多个可选参数名称/值对。指定gydF4y2Ba的名字gydF4y2Ba在单引号内。gydF4y2Ba

使用以下参数来适应不同于默认值的模型。(通过设置两者，可以获得默认模型gydF4y2BaFEConstDesigngydF4y2Ba和gydF4y2BaREConstDesigngydF4y2Ba来gydF4y2Ba眼(p)gydF4y2Ba，或通过设置两个gydF4y2BaFEParamsSelectgydF4y2Ba和gydF4y2BaREParamsSelectgydF4y2Ba来gydF4y2Ba1: pgydF4y2Ba.）参数中最多只能使用一个参数gydF4y2Ba'fe'gydF4y2Ba前缀和一个参数gydF4y2Ba“重新”gydF4y2Ba前缀。的gydF4y2BanlmefitgydF4y2Ba功能要求您指定至少一个固定效果和一个随机效果。gydF4y2Ba

参数gydF4y2Ba	价值gydF4y2Ba
`FEParamsSelectgydF4y2Ba`	一个向量，指定参数向量的哪些元素gydF4y2Ba`披gydF4y2Ba`包含一个固定的效果，作为索引的数字向量gydF4y2Ba`1gydF4y2Ba`来gydF4y2Ba`pgydF4y2Ba`或者是1-by-gydF4y2BapgydF4y2Ba逻辑向量。如果gydF4y2Ba问gydF4y2Ba是指定数量的元素，然后模型包括gydF4y2Ba问gydF4y2Ba固定效果。gydF4y2Ba
`FEConstDesigngydF4y2Ba`	一个gydF4y2BapgydF4y2Ba——- - - - - -gydF4y2Ba问gydF4y2Ba设计矩阵gydF4y2Ba`动力gydF4y2Ba`,在那里gydF4y2Ba`动力*βgydF4y2Ba`是固定的组件gydF4y2BapgydF4y2Ba要点gydF4y2Ba`披gydF4y2Ba`．gydF4y2Ba
`FEGroupDesigngydF4y2Ba`	一个gydF4y2BapgydF4y2Ba——- - - - - -gydF4y2Ba问gydF4y2Ba——- - - - - -gydF4y2Ba米gydF4y2Ba数组指定不同的gydF4y2BapgydF4y2Ba——- - - - - -gydF4y2Ba问gydF4y2Ba固定效果设计矩阵为每个gydF4y2Ba米gydF4y2Ba组。gydF4y2Ba
`FEObsDesigngydF4y2Ba`	一个gydF4y2BapgydF4y2Ba——- - - - - -gydF4y2Ba问gydF4y2Ba——- - - - - -gydF4y2BangydF4y2Ba数组指定不同的gydF4y2BapgydF4y2Ba——- - - - - -gydF4y2Ba问gydF4y2Ba固定效果设计矩阵为每个gydF4y2BangydF4y2Ba观察。gydF4y2Ba
`REParamsSelectgydF4y2Ba`	一个向量，指定参数向量的哪些元素gydF4y2Ba`披gydF4y2Ba`包含一个随机效应，作为索引的数字向量gydF4y2Ba`1gydF4y2Ba`来gydF4y2Ba`pgydF4y2Ba`或者是1-by-gydF4y2BapgydF4y2Ba逻辑向量。该模型包括gydF4y2BargydF4y2Ba随机效应,gydF4y2BargydF4y2Ba是指定的元素数量。gydF4y2Ba
`REConstDesigngydF4y2Ba`	一个gydF4y2BapgydF4y2Ba——- - - - - -gydF4y2BargydF4y2Ba设计矩阵gydF4y2Ba`BDESIGNgydF4y2Ba`,在那里gydF4y2Ba`BDESIGN * BgydF4y2Ba`是随机成分吗gydF4y2BapgydF4y2Ba要点gydF4y2Ba`披gydF4y2Ba`．gydF4y2Ba
`REGroupDesigngydF4y2Ba`	一个gydF4y2BapgydF4y2Ba——- - - - - -gydF4y2BargydF4y2Ba——- - - - - -gydF4y2Ba米gydF4y2Ba数组指定不同的gydF4y2BapgydF4y2Ba——- - - - - -gydF4y2BargydF4y2Ba随机效应设计矩阵gydF4y2Ba米gydF4y2Ba组。gydF4y2Ba
`REObsDesigngydF4y2Ba`	一个gydF4y2BapgydF4y2Ba——- - - - - -gydF4y2BargydF4y2Ba——- - - - - -gydF4y2BangydF4y2Ba数组指定不同的gydF4y2BapgydF4y2Ba——- - - - - -gydF4y2BargydF4y2Ba随机效应设计矩阵gydF4y2BangydF4y2Ba观察。gydF4y2Ba

使用以下参数控制迭代算法，使可能性最大化:gydF4y2Ba

`参数gydF4y2Ba`	价值gydF4y2Ba
`RefineBeta0gydF4y2Ba`	决定gydF4y2Ba`nlmefitgydF4y2Ba`对…作初步的改进gydF4y2Ba`Beta0.gydF4y2Ba`首先拟合gydF4y2Ba`modelfungydF4y2Ba`没有随机效果和替换gydF4y2Ba`Beta0.gydF4y2Ba`与gydF4y2Ba`betgydF4y2Ba`．的选择是gydF4y2Ba`“上”gydF4y2Ba`和gydF4y2Ba`“关闭”gydF4y2Ba`．默认值为gydF4y2Ba`“上”gydF4y2Ba`．gydF4y2Ba
`errormodel.gydF4y2Ba`	指定错误项的形式的字符向量或字符串标量。默认为gydF4y2Ba`“不变”gydF4y2Ba`．每个模型使用标准正态(高斯)变量定义误差gydF4y2BaegydF4y2Ba，函数值gydF4y2BafgydF4y2Ba，以及一个或两个参数gydF4y2Ba一个gydF4y2Ba和gydF4y2BabgydF4y2Ba．的选择是:gydF4y2Ba `“不变”gydF4y2Ba`：gydF4y2BaygydF4y2Ba＝gydF4y2BafgydF4y2Ba+gydF4y2Ba一个gydF4y2Ba＊gydF4y2BaegydF4y2Ba `'成比例的'gydF4y2Ba`：gydF4y2BaygydF4y2Ba＝gydF4y2BafgydF4y2Ba+gydF4y2BabgydF4y2Ba＊gydF4y2BafgydF4y2Ba＊gydF4y2BaegydF4y2Ba `“组合”gydF4y2Ba`：gydF4y2BaygydF4y2Ba＝gydF4y2BafgydF4y2Ba+（gydF4y2Ba一个gydF4y2Ba+gydF4y2BabgydF4y2Ba＊gydF4y2BafgydF4y2Ba) gydF4y2BaegydF4y2Ba `“指数”gydF4y2Ba`：gydF4y2BaygydF4y2Ba＝gydF4y2BafgydF4y2Ba exp (gydF4y2Ba一个gydF4y2Ba＊gydF4y2BaegydF4y2Ba)，或等效为log(gydF4y2BaygydF4y2Ba) =日志(gydF4y2BafgydF4y2Ba）+gydF4y2Ba一个gydF4y2Ba＊gydF4y2BaegydF4y2Ba 如果给定此参数，则输出gydF4y2Ba`stats.errorparamgydF4y2Ba`字段的值为gydF4y2Ba 一个gydF4y2Ba为gydF4y2Ba`“不变”gydF4y2Ba`和gydF4y2Ba`“指数”gydF4y2Ba` bgydF4y2Ba为gydF4y2Ba`'成比例的'gydF4y2Ba` ［gydF4y2Ba一个gydF4y2BabgydF4y2Ba]gydF4y2Ba`“组合”gydF4y2Ba`
`ApproximationTypegydF4y2Ba`	用来近似模型的可能性的方法。的选择是:gydF4y2Ba `LME的gydF4y2Ba`-使用线性混合效应模型的可能性在当前的条件估计gydF4y2Ba`betgydF4y2Ba`和gydF4y2Ba`BgydF4y2Ba`．这是默认值。gydF4y2Ba `“RELME”gydF4y2Ba`- 在当前条件估计下使用线性混合效应模型的限制可能性gydF4y2Ba`betgydF4y2Ba`和gydF4y2Ba`BgydF4y2Ba`．gydF4y2Ba `‘佛’gydF4y2Ba`- 一阶拉普拉斯近似无随机效应。gydF4y2Ba `“FOCE”gydF4y2Ba`- 条件估计下的一阶拉普人近似gydF4y2Ba`BgydF4y2Ba`．gydF4y2Ba
`向量化gydF4y2Ba`	的可接受的大小gydF4y2Ba`披gydF4y2Ba`，gydF4y2Ba`XFUNgydF4y2Ba`，和gydF4y2Ba`vfun.gydF4y2Ba`输入参数到gydF4y2Ba`modelfungydF4y2Ba`．的选择是:gydF4y2Ba `“SinglePhi”gydF4y2Ba`- - - - - -gydF4y2Ba`modelfungydF4y2Ba`一次只能接受一组模型参数，所以呢gydF4y2Ba`披gydF4y2Ba`每次调用必须是一个单行向量。gydF4y2Ba`nlmefitgydF4y2Ba`调用gydF4y2Ba`modelfungydF4y2Ba`在一个循环中，如果有必要，用一个gydF4y2Ba`披gydF4y2Ba`向量和gydF4y2Ba`XFUNgydF4y2Ba`每次包含单个观察或组的行。gydF4y2Ba`vfun.gydF4y2Ba`可能是一个适用于所有行的一行gydF4y2Ba`XFUNgydF4y2Ba`，或者一个行与行对应的矩阵gydF4y2Ba`XFUNgydF4y2Ba`．这是默认值。gydF4y2Ba `“SingleGroup”gydF4y2Ba`- - - - - -gydF4y2Ba`modelfungydF4y2Ba`只能接受数据中对应于单个组的输入，所以呢gydF4y2Ba`XFUNgydF4y2Ba`必须包含gydF4y2Ba`XgydF4y2Ba`从每个呼叫的单个组。根据模型，gydF4y2Ba`披gydF4y2Ba`是一个适用于整个组的单行，或者是一个矩阵，每个观察只有一行。gydF4y2Ba`vfun.gydF4y2Ba`是单行。gydF4y2Ba `“全部”gydF4y2Ba`- - - - - -gydF4y2Ba`modelfungydF4y2Ba`可以接受多个参数向量和数据中的多个组的输入。任何一个gydF4y2Ba`披gydF4y2Ba`或者gydF4y2Ba`vfun.gydF4y2Ba`可能是一个适用于所有行的一行gydF4y2Ba`XFUNgydF4y2Ba`或者一个行与行对应的矩阵gydF4y2Ba`XFUNgydF4y2Ba`．这个选项可以通过减少调用的次数来提高性能gydF4y2Ba`modelfungydF4y2Ba`，但可能需要gydF4y2Ba`modelfungydF4y2Ba`执行单例扩张gydF4y2Ba`披gydF4y2Ba`或者gydF4y2Ba`VgydF4y2Ba`．gydF4y2Ba
`CovParameterizationgydF4y2Ba`	指定用于内部缩放协方差矩阵的参数化。的选择是gydF4y2Ba`“胆固醇”gydF4y2Ba`对于乔尔斯基分解或者gydF4y2Ba`“logm”gydF4y2Ba`矩阵对数。默认值是gydF4y2Ba`“logm”gydF4y2Ba`．gydF4y2Ba
`CovPatterngydF4y2Ba`	指定一个gydF4y2BargydF4y2Ba——- - - - - -gydF4y2BargydF4y2Ba逻辑或数字矩阵gydF4y2Ba`PgydF4y2Ba`这定义了随机效应协方差矩阵的模式gydF4y2Ba`ψgydF4y2Ba`．gydF4y2Ba`nlmefitgydF4y2Ba`估计沿对角线的方差gydF4y2Ba`ψgydF4y2Ba`和的非对角元素中的非零所指定的协方差gydF4y2Ba`PgydF4y2Ba`．中0个非对角元素对应的协方差gydF4y2Ba`PgydF4y2Ba`都被限制为零。如果gydF4y2Ba`PgydF4y2Ba`不指定块对角线矩阵的行列置换，gydF4y2Ba`nlmefitgydF4y2Ba`添加非零元素gydF4y2Ba`PgydF4y2Ba`根据需要。的默认值gydF4y2Ba`PgydF4y2Ba`是gydF4y2Ba`眼睛(右)gydF4y2Ba`，对应于不相关的随机效应。gydF4y2Ba 另外,gydF4y2Ba`PgydF4y2Ba`可能是1 ×gydF4y2BargydF4y2Ba中包含值的向量gydF4y2Ba`1: rgydF4y2Ba`，具有等值指定随机效应组。在这种情况下，gydF4y2Ba`nlmefitgydF4y2Ba`仅在一组内估计协方差，并限制跨组的协方差为零。gydF4y2Ba
`ParamTransformgydF4y2Ba`	一个向量的gydF4y2BapgydF4y2Ba- 指定转换函数的值gydF4y2BafgydF4y2Ba() for each thegydF4y2Ba`PgydF4y2Ba`参数:gydF4y2Ba`XBgydF4y2Ba`＝gydF4y2Ba`动力gydF4y2Ba`＊gydF4y2Ba`betgydF4y2Ba`+gydF4y2Ba`BDESIGNgydF4y2Ba`＊gydF4y2Ba`BgydF4y2Ba披gydF4y2Ba`＝gydF4y2BafgydF4y2Ba（gydF4y2Ba`XBgydF4y2Ba`)。向量的每个元素必须是下列整数码之一，指定对应PHI值的变换:gydF4y2Ba 0：gydF4y2Ba`披gydF4y2Ba`＝gydF4y2Ba`XBgydF4y2Ba`(默认为所有参数)gydF4y2Ba 1：日志（gydF4y2Ba`披gydF4y2Ba`）=gydF4y2Ba`XBgydF4y2Ba` 2: probit (gydF4y2Ba`披gydF4y2Ba`）=gydF4y2Ba`XBgydF4y2Ba` 3:分对数(gydF4y2Ba`披gydF4y2Ba`）=gydF4y2Ba`XBgydF4y2Ba`
`选项gydF4y2Ba`	返回的表单结构gydF4y2Ba`statsetgydF4y2Ba`．gydF4y2Ba`nlmefitgydF4y2Ba`使用以下gydF4y2Ba`statsetgydF4y2Ba`参数:gydF4y2Ba `“DerivStep”gydF4y2Ba`- 有限差分梯度计算中使用的相对差异。可以是标量，或长度是模型参数的数量的矢量gydF4y2BapgydF4y2Ba．默认值是gydF4y2Ba`eps ^ (1/3)gydF4y2Ba`．gydF4y2Ba `“显示”gydF4y2Ba`-估计期间的迭代显示级别。的选择是:gydF4y2Ba `“关闭”gydF4y2Ba`（默认） - 无显示信息gydF4y2Ba `“最后一次”gydF4y2Ba`—显示最后一次迭代后的信息gydF4y2Ba `“通路”gydF4y2Ba`- 显示每次迭代的信息gydF4y2Ba `“FunValCheck”gydF4y2Ba`—检查是否有无效的值，例如gydF4y2Ba`南gydF4y2Ba`或者gydF4y2Ba`正gydF4y2Ba`,从gydF4y2Ba`modelfungydF4y2Ba`．的选择是gydF4y2Ba`“上”gydF4y2Ba`和gydF4y2Ba`“关闭”gydF4y2Ba`．默认值是gydF4y2Ba`“上”gydF4y2Ba`．gydF4y2Ba `“麦克斯特”gydF4y2Ba`—允许的最大迭代次数。默认值是gydF4y2Ba`200.gydF4y2Ba`．gydF4y2Ba `“OutputFcn”gydF4y2Ba`使用指定的函数句柄gydF4y2Ba`＠gydF4y2Ba`，带有函数句柄的单元格数组或空数组(默认)。求解器在每次迭代后调用所有输出函数。gydF4y2Ba `“TolFun”gydF4y2Ba`-对数似然函数的终止公差。默认值是gydF4y2Ba`1的军医gydF4y2Ba`．gydF4y2Ba `“TolX”gydF4y2Ba`-对估计的固定和随机效应的终止公差。默认值是gydF4y2Ba`1的军医gydF4y2Ba`．gydF4y2Ba
`OptimFungydF4y2Ba`	使似然函数最大化的估计过程的优化函数，指定为gydF4y2Ba`'fminsearch'gydF4y2Ba`(默认)或gydF4y2Ba`“fminunc”gydF4y2Ba`．用于gydF4y2Ba`“fminunc”gydF4y2Ba`需要优化工具箱™。的gydF4y2Ba`fminsearchgydF4y2Ba`函数使用只使用函数求值的直接搜索方法。的gydF4y2Ba`fminuncgydF4y2Ba`(优化工具箱)gydF4y2Ba函数使用梯度方法，通常更有效的优化问题，使似然函数最大化。gydF4y2Ba

例子gydF4y2Ba

全部收缩gydF4y2Ba

非线性Mixed-Effects模型gydF4y2Ba

打开直播脚本gydF4y2Ba

输入和显示有关五橙树的增长的数据。gydF4y2Ba

Circ = [30 58 87 115 120 142 145;33 69 111 156 172 203 203;30 51 75 108 115 139 140;32 62 112 167 179 209 214;30 49 81 125 142 174 177];时间= [118 484 664 1004 1231 1372 1582];h =情节(时间,保监会”,gydF4y2Ba“o”gydF4y2Ba，gydF4y2Ba“线宽”gydF4y2Ba2);包含(gydF4y2Ba'时间（天）'gydF4y2Ba）ylabel（gydF4y2Ba'圆周（mm）'gydF4y2Ba)标题(gydF4y2Ba'{\ bf橙树增长}'gydF4y2Ba) ([repmat传奇(gydF4y2Ba“树”gydF4y2Ba5 1) num2str ((1:5) '),gydF4y2Ba．..gydF4y2Ba'地点'gydF4y2Ba，gydF4y2Ba'nw'gydF4y2Ba网格)gydF4y2Ba在gydF4y2Ba持有gydF4y2Ba在gydF4y2Ba

图中包含一个轴对象。包含标题的轴对象a n g e空白g r o w t h包含5个类型线的物体。这些对象代表树1，树2，树3，树4，树5。gydF4y2Ba

使用匿名函数来指定逻辑增长模型。gydF4y2Ba

模型= @(φ,t)(φ(:1))。/ (1 + exp (- (t-PHI(:, 2)) /φ(:,3)));gydF4y2Ba

使用以下方法拟合模型gydF4y2BanlmefitgydF4y2Ba使用默认设置(即假设每个参数是固定效果和随机效果的总和，随机效果之间没有相关性):gydF4y2Ba

时间= Repmat（时间，5,1）;nums = Repmat（（1：5）'，大小（时间））;beta0 = [100 100 100];[beta1，psi1，stats1] = nlmefit（时间（:)，circ（:)，nums（:)，gydF4y2Ba．..gydF4y2Ba[],模型,beta0)gydF4y2Ba

beta1 =gydF4y2Ba3×1gydF4y2Ba191.3189 723.7608 346.2517gydF4y2Ba

形式=gydF4y2Ba3×3gydF4y2Ba962.1534 000 0.0000 00 297.9879gydF4y2Ba

stats1 =gydF4y2Ba结构与字段：gydF4y2BaDFE：28 LOGL：-131.5457 MSE：59.7882 RMSE：7.9016 ERRERPERAM：7.7323 AIC：277.0913 BIC：274.3574 COVB：[3x3 DOUBLE] SEBETA：[15.2249 33.1579 26.8235] IRES：[35x1双] IWRES：[35x1双] PWRES：[35x1双] CWRE：[35x1双]gydF4y2Ba

第二个随机效应的可忽略方差，gydF4y2Ba的形式(2,2)gydF4y2Ba，建议将其移除以简化模型。gydF4y2Ba

[beta2，psi2，stats2，b2] = nlmefit（时间（:)，circ（:)，gydF4y2Ba．..gydF4y2Banum(:),[],模型,beta0,gydF4y2Ba“REParamsSelect”gydF4y2Ba1, [3])gydF4y2Ba

beta2 =gydF4y2Ba3×1gydF4y2Ba191.3193 723.7629 346.2527gydF4y2Ba

PSI2 =gydF4y2Ba2×2gydF4y2Ba962.5873 0 0 297.8532gydF4y2Ba

stats2 =gydF4y2Ba结构与字段：gydF4y2BaDfe: 29 logl: -131.5456 mse: 59.7845 rmse: 7.7643 errorparams: 7.7320 aic: 275.0913 bic: 272.7479 covb: [3x3 double] sebeta: [15.2277 33.1573 26.8224] ires: [35x1 double] pre: [35x1 double] iwres: [35x1 double] pwres: [35x1 double] cwres: [35x1 double]gydF4y2Ba

b2 =gydF4y2Ba2×5gydF4y2Ba9.9941 -0.7619 6.0021 -9.4542 -5.7801gydF4y2Ba

loglikelihiegydF4y2Balogl.gydF4y2Ba不受影响，赤池和贝叶斯信息准则(gydF4y2BaAIC.gydF4y2Ba和gydF4y2BabicgydF4y2Ba)，支持从模型中删除第二个随机金宝app效应的决定。gydF4y2Ba

使用中估计的固定效果gydF4y2BaBeta2.gydF4y2Ba以及每棵树的随机效应gydF4y2Bab2gydF4y2Ba通过数据绘制模型。gydF4y2Ba

PHI = repmat(beta2,1,5) +gydF4y2Ba．..gydF4y2Ba%的固定效果gydF4y2Ba(b2(1:); 0(1、5);b2 (2:)];gydF4y2Ba％随机效应gydF4y2Batplot = 0:0.1:1600;gydF4y2Ba为gydF4y2Bai = 1：5 fitted_model = @（t）（phi（1，i））./（1 + exp（ - （t-phi（2，i））./gydF4y2Ba．..gydF4y2BaPHI（3，i）））;绘图（tplot，fitted_model（tplot），gydF4y2Ba“颜色”gydF4y2Ba，h（i）.color，gydF4y2Ba．..gydF4y2Ba“线宽”gydF4y2Ba，2)gydF4y2Ba结束gydF4y2Ba

图中包含一个轴对象。具有标题空白或空白T r e e空白g r O Th的轴对象包含10个类型行对象。这些对象代表树1，树2，树3，树4，树5。gydF4y2Ba

参考文献gydF4y2Ba

[1] Lindstrom，M. J.和D. M. Bates。“重复测量数据的非线性混合效应模型。”gydF4y2Ba生物识别技术gydF4y2Ba．第46卷，1990年，673-687页。gydF4y2Ba

david, M.和D. M. Giltinan。gydF4y2Ba重复测量数据的非线性模型gydF4y2Ba．纽约：Chapman＆Hall，1995。gydF4y2Ba

Pinheiro J. C.和D. M. Bates。非线性混合效应模型中对数似然函数的近似值gydF4y2Ba中国计算与图形统计学报gydF4y2Ba．第4卷，1995年，12-35页。gydF4y2Ba

[4] Demidenko E。gydF4y2Ba混合模型：理论与应用gydF4y2Ba．约翰·威利父子公司，2004。gydF4y2Ba

另请参阅gydF4y2Ba

nlinfitgydF4y2Ba|gydF4y2BanlpredcigydF4y2Ba|gydF4y2BanlmefitsagydF4y2Ba

主题gydF4y2Ba

介绍了R2008bgydF4y2Ba