主要内容

sbioparameterci

计算估计参数的置信区间(需要)统计和机器学习工具箱）

折叠所有页面

语法

ci = sbioparameterci (fitResults)
ci = sbioparameterci (fitResults、名称、值)

描述

例子

ci= sbioparameterci (fitResults）计算估计参数的95%置信区间fitResults,一个NLINResults对象或OptimResults对象返回的sbiofit函数。ci是一个ParameterConfidenceInterval对象，该对象包含计算的置信区间。

例子

ci= sbioparameterci (fitResults，名称,值）使用一个或多个指定的附加选项名称,值对参数。

例子

全部折叠

这个示例使用:

打开脚本

加载数据

加载样本数据以适应。数据存储为带有变量的表ID，时间，CentralConc和PeripheralConc．该合成数据代表了三个人在注射剂量后八个不同时间点的中心室和外周室血浆浓度的时间历程。

清晰的全部的负载data10_32R.matgData = groupedData(数据);gData.Properties.VariableUnits = {＇＇，“小时”，毫克/升的，毫克/升的}斯比奥特雷利斯（格达塔，“ID”，“时间”,{“CentralConc”，“PeripheralConc”}，“标记”，“+”，．..“线型”，“没有”）;

创建模型

创建一个两室模型。

pkmd=PKModelDesign；pkc1=添加隔间（pkmd，“中央”)；pkc1.DosingType=“注入”；pkc1.清除类型=“linear-clearance”；pkc1。H一个年代ResponseVariable = true; pkc2 = addCompartment(pkmd,“外围设备”）;模型=构造(pkmd);configset = getconfigset(模型);configset.CompileOptions.UnitConversion = true;

定义剂量

确定输液剂量。

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；剂量时间单位=“小时”；剂量率单位=“毫克/小时”；

定义参数

定义要估计的参数。为每个参数设置参数边界。除了这些显式边界外，参数转换（如log、logit或probit）还施加隐式边界。

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 1]，．..“界限”，[0.1 3;0.1 10;0 10;0.1 2];

合适的模型

执行非合集拟合，即为每个患者估计一组参数。

unpooledFit = sbiofit(模型、gData responseMap estimatedParam,剂量,“汇集”，假）；

执行一个集合拟合，即对所有患者进行一组估计参数。

pooledFit = sbiofit(模型、gData responseMap estimatedParam,剂量,“汇集”,真正的);

计算估计参数的置信区间

计算非制冷拟合中每个估计参数的95%置信区间。

ciParamUnpooled = sbioparameterci (unpooledFit);

显示结果

以表格格式显示置信区间。各状态的含义请参见参数置信区间估计状态．

CI2表（未冷却的CIP）
ans = 12 x7表组名估计ConfidenceInterval类型α状态  _____ ______________ ________ __________________ ________ _____ ___________ 1{“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”}受限1 0.05 0.47159 0.20093 0.80247高斯{' 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3 {'Cl_Central'} 1.0233 0.96375 1.0828高斯0.05成功

绘制置信区间。若置信区间的估计状态为成功，它被绘制成蓝色(第一种默认颜色)。否则，它将被绘制成红色(第二种默认颜色)，这表明可能需要进一步研究拟合参数。若置信区间为难能可贵，然后该函数绘制一条带中心十字的红线。如果有任何转换参数的估计值为0（对于对数变换）和1或0（对于probit或logit变换），则不会绘制这些参数估计值的置信区间。要查看颜色顺序，请键入get(大的,“defaultAxesColorOrder”)．

组从左到右的显示顺序与它们在列表中的显示顺序相同groupname对象的属性，用于标记x轴。y标签是转换后的参数名。

情节(ciParamUnpooled)

计算集合拟合的置信区间。

CiParamPoolled=sbioparameterci（pooledFit）；

显示置信区间。

CI2表格（合并）
4.7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表池{'Peripheral'}2.687 0.89848 4.8323高斯0.05约束池{'Q12'}0.44956 0.11445 0.85152高斯0.05约束池{'Cl_Central'}0.78493 0.59222 0.97764高斯0.05可估计

绘制置信区间。组名被标记为“pooled”，以表明这种匹配。

情节(ciParamPooled)

把所有的置信区间结果画在一起。默认情况下，每个参数估计的置信区间绘制在单独的坐标轴上。垂直直线组在公共拟合中计算的参数估计的置信区间。

ciAll = [ciParamUnpooled; ciParamPooled];情节(ciAll)

您还可以使用“分组”布局，在一个根据参数估计分组的轴上绘制所有置信区间。

情节(ciAll“布局”，“分组”）

在这个布局中，您可以指向每个置信区间的中心标记来查看组名。每个估计的参数由一条垂直的黑线隔开。垂直虚线组在公共拟合中计算的参数估计的置信区间。在原始拟合中定义的参数边界用方括号标记。注意，由于参数转换，y轴上的不同比例。例如，的y轴12个是线性的，但是中央是对数尺度的，因为它是对数变换。

计算模型预测的置信区间

计算模型预测的95%置信区间，即使用估计参数的模拟结果。

%集合适合CipredPoolled=sbiopredictionci（pooledFit）；%为非制冷的适合ciPredUnpooled = sbiopredictionci (unpooledFit);

绘制模型预测的置信区间

每组的置信区间分别绘制在单独的列中，每个响应分别绘制在单独的行中。受边界限制的置信区间用红色标出。不受边界限制的置信区间用蓝色表示。

情节(ciPredPooled)

情节(ciPredUnpooled)

输入参数

全部折叠

参数估计结果由sbiofit，指定为NLINResults对象，OptimResults对象，或从同一位置返回的未冷却拟合的对象向量sbiofit调用。

名称-值对参数

指定可选的逗号分隔的对名称,值参数。的名字参数名和价值是对应的值。的名字必须出现在引号内。您可以按任意顺序指定多个名称和值对参数，如下所示：Name1, Value1,…,的家．

例子:“阿尔法”,0.01,“类型”,“profileLikelihood”指定使用配置文件可能性方法计算99%置信区间。

信心水平,(1α)* 100%，指定为逗号分隔的对，由“阿尔法”一个在0和1之间的正标量。默认值为0．05，表示计算95%置信区间。

例子:“阿尔法”，0.01

置信区间类型，指定为逗号分隔的对，由“类型”一个字符向量。有效的选择是:

  • “高斯”——使用高斯近似参数估计的分布。

  • “profileLikelihood”–计算轮廓似然区间。分层模型的参数估计不支持这种类型，也就是从金宝app拟合不同类别(如年龄或性别)。换句话说，如果你设置类别变量名称财产的估计信息对象在原始匹配中，匹配结果是分层的，因此不能计算profileLikelihood结果的置信区间。有关详细信息,请参见剖面似然置信区间计算．

  • “引导”—使用引导的方法．

例子:“类型”,“引导”

轮廓似然公差和bootstrap置信区间计算，指定为逗号分隔对组成“宽容”和一个正标量。

轮廓似然法使用这个值作为终止公差。有关详细信息,请参见剖面似然置信区间计算．

bootstrap方法使用此值确定置信区间是否受原始拟合中指定的边界约束。有关详细信息，请参阅Bootstrap置信区间计算．

例子:“宽容”,1 e-6

用于计算轮廓似然曲线的最大步长，指定为由…组成的逗号分隔对“MaxStepSize”和一个正标量，［］，或单元格数组。默认情况下，此参数被设置为0.1．如果你把它设为［］，则将最大步长设置为置信区间高斯近似宽度的10%(如果存在的话)。您可以指定最大步长(或)［］)来获取每个估计参数。

例子:“最大步长”，0.5

用于引导的样本数量，指定为逗号分隔对，由以下组成“NumSamples”一个正整数。这个数字定义了在置信区间计算期间生成bootstrap样本所执行的拟合次数。数字越小，置信区间的计算速度就越快，代价是精确度降低。

例子:“NumSamples”,500年

返回到命令行的显示级别，指定为逗号分隔对组成“显示”一个字符向量。“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”显示每次迭代的输出。

例子:“显示”、“最后”

并行计算置信区间的逻辑标志，指定为逗号分隔的对，由“UseParallel”和符合事实的或假．默认情况下，使用原始fit中的并行选项。如果这个参数设置为符合事实的和Parallel Computing Toolbox™可用，忽略原始拟合中的并行选项，并行计算置信区间。

对于高斯置信区间:

  • 如果输入fitResults是结果对象的向量，然后并行计算每个对象的置信区间。高斯置信区间计算很快。因此，将原始拟合(sbiofit)而不设置UseParallel为真正的sbioparameterci．

对于Profile Likelihood置信区间:

  • 如果输入的结果对象的数量fitResults向量大于估计参数的个数，然后并行计算每个对象的置信区间。

  • 否则，在函数移动到下一个结果对象之前，将并行计算一个结果对象中所有估计参数的置信区间。

对于Bootstrap置信区间:

  • 函数将UseParallel旗帜bootci．结果对象的输入向量没有并行化。

请注意

如果你有一个用于生成随机数的全局流，其中有几个子流以可复制的方式并行计算，sbioparameterci首先检查worker的数量是否与子流的数量相同。如果是这样,sbioparameterci集UseSubstreams来符合事实的在statset选项，并将其传递给bootci(统计学和机器学习工具箱)．否则，默认忽略子流。

例子:“UseParallel”，对

输出参数

全部折叠

置信区间结果，作为ParameterConfidenceInterval对象。对于未冷却的配合，ci可以是向量ParameterConfidenceInterval对象。

更多关于

全部折叠

高斯置信区间计算

该函数使用Wald测试统计量［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，近似为学生的t分布与协方差矩阵年代(CovarianceMatrix属性)sbiofit．

第i个参数估计的置信区间P美国东部时间,我计算方法如下：

P e 年代 t ， 我 ± 年代 我 ， 我 ＊ T 我 n v （ 1 − 一个 l p h 一个 2 ） ,在那里T发票为学生t逆累积分布函数(tinv(统计学和机器学习工具箱))的概率1 -(α/ 2)和年代我,我是协方差矩阵的对角元素(方差)吗年代．

当置信区间受到原始拟合中定义的参数界限的约束时，根据Wu, H.和Neale, M.所描述的方法调整置信区间界限。［2］．

设置状态估计

  • 对于每个参数估计，函数首先确定参数估计的置信区间是否无界。如果是，函数将相应参数估计的估计状态设置为难能可贵．

  • 否则，如果参数估计的置信区间受到原始拟合中定义的参数界的约束，则函数会将估计状态设置为限制.参数转换（例如日志，probit,或罗吉特)对估计参数施加隐式边界，例如，正性约束。这样的界限会导致置信值的高估，即置信区间可能会小于预期。

  • 如果没有置信区间则有估计状态难能可贵或限制，然后该函数将所有参数估计的估计状态设置为成功。否则，剩余参数估计的估计状态设置为可尊敬的．

剖面似然置信区间计算

定义l有可能，LH的参数估计值(存储在ParameterEstimates属性)sbiofit， l ＝ l H （ P e 年代 t ） ,在那里P美国东部时间是一个参数估计向量，P美国东部时间1，P美国东部时间2、……P美国东部时间,n．

轮廓似然函数PL为一个参数P我被定义为 P l （ P 我 ） ＝ 最大值 P j ， j ≠ 我 l H （ P 1 ， ．.. ， P 我 ， ．． ， P n ） ,在那里n是参数的总数。

伯威尔克斯定理［3］，似然比检验统计量， − 2 日志 （ P l （ P 我 ） l ） ，是分布在1个自由度上的卡方。

因此,找到所有P我这样: 日志 （ l ） − 日志 （ P l （ P 我 ） ） ≤ c h 我 我 n v （ 1 ， 1 − 一个 l p h 一个 ） 2 ．

相当地， 日志 （ P l （ P 我 ） ） ≥ 日志 （ l ） − c h 我 我 n v （ 1 ， 1 − 一个 l p h 一个 ） 2 ,在那里 日志 （ l ） − c h 我 我 n v （ 1 ， 1 − 一个 l p h 一个 ） 2 为计算测井剖面似然曲线所用的目标值，如下所述。

计算对数轮廓似然曲线

  1. 开始P美国东部时间,我评估可能性l．

  2. 计算测井剖面的可能性P美国东部时间,我+k* MaxStepSize对于置信区间的每一边(或方向)，即:k= 1, 2, 3，…和k= -1, -2, -3,…．

  3. 如果每边满足一个停止条件，就停止。

    • 日志剖面的可能性低于目标值。在这种情况下，开始平分P在下面和P以上,在那里P在下面日志剖面似然值最大的参数值是否低于目标值，和P以上最小对数剖面似然值大于目标值的参数值。如果以下情况之一为真，则停止平分：

      • 相邻的对数剖面似然值小于宽容分开。将置信区间的相应边的状态设置为成功．

      • 二等分间隔小于max(宽容、2 * eps(双))目前计算的轮廓似然曲线均在目标值以上。设置对应侧的状态为难能可贵．

      • 轮廓似然曲线(两个相邻参数值的有限差分)的线性梯度近似大于)(公差的负值)。设置对应侧的状态为难能可贵．

    • 步长受初始拟合中定义的界限的限制。在绑定处求值，并设置对应端的状态为限制．

设置状态估计

  • 如果置信区间两边都不成功，即有状态难能可贵，该函数设置评估状态(ci.Results.Status)到难能可贵．

  • 如果没有一方有地位难能可贵一方有地位限制，该函数设置评估状态(ci.Results.Status)到限制．

  • 如果置信区间两侧的所有参数计算成功，则设置估计状态(ci.Results.Status)到成功．

  • 否则，函数将其余参数估计的估计状态设置为可尊敬的．

Bootstrap置信区间计算

的bootci(统计学和机器学习工具箱)函数用于计算bootstrap置信区间。第一个输入nboot是样本数量(NumSamples)和第二个输入bootfun是执行以下操作的函数：

  • 重新取样数据(如果有多个组可用，则在每个组内独立取样)。

  • 对重新采样的数据进行参数拟合。

  • 返回估计的参数。

设置状态估计

如果置信区间比宽容对于初始拟合中定义的参数界，函数将估计状态设置为限制．如果所有置信区间离参数界限的距离大于宽容，将状态设置为成功．否则，设置为可尊敬的．

参考文献

[1]瓦尔德,一个。当观测数据量很大时，关于几个参数的统计假设检验美国数学学会学报．(3)， 2003, pp. 426-482。

[2] 吴、H.和M.C.尼尔。“有界参数的调整置信区间。”行为遗传学．42 (6)， 2012, pp. 886-898。

[3]威尔,党卫军检验复合假设的似然比的大样本分布数理统计年鉴．9 (1)， 1938, pp. 60-62。

扩展功能

另请参阅

|||

介绍了R2017b

SimBiology文档

金宝app

尝试MATLAB, Si金宝appmulink和其他产品下载188bet金宝搏

得到审判现在