这个例子展示了如何拟合一个混合效果的线性样条模型。
加载示例数据。
负载(“mespline.mat”);
这是模拟数据。
情节 与排序 .
[x_sorted,我]=排序(x,“提升”);情节(x_sorted, y(我),“o”)
拟合下列混合效应线性样条回归模型
在哪里 是 th结, 是总节数。假设 和 .
定义的结。
k = linspace(0.05、0.95,100);
定义设计矩阵。
X = [(1000 1), X];Z = 0(长度(x),长度(k));为j = 1:长度Z(:,j) = max(X(:,2) - k(j),0);结束
对随机效应采用各向同性协方差结构拟合模型。
lme = fitlmematrix (X, y, Z, [],“CovariancePattern”,“各向同性”);
适合一个固定效应模型。
X = [X z];lme_fixed = fitlmematrix (X, y, [] []);
比较lme_fixed
和lme三个月
通过模拟似然比检验。
比较(lme lme_fixed,“NSim”, 500,“CheckNesting”,真正的)
ans =模拟似然比检验:Nsim = 500, Alpha = 0.05模型DF AIC BIC LogLik LRStat pValue lme 4 170.62 190.25 -81.309 lme_fixed 103 113.38 618.88 46.309 255.24 0.68064 Lower Upper 0.63784 0.72129
的 -value表示单一固定效应模型并不比混合效应样条回归模型拟合得更好。
在原始响应数据上绘制来自两个模型的拟合值。
R =响应(lme);图();情节(x_sorted R (I),“o”,“MarkerFaceColor”(0.8, 0.8, 0.8),...“MarkerEdgeColor”(0.8, 0.8, 0.8),“MarkerSize”4);持有在F =安装(lme);F_fixed =安装(lme_fixed);情节(x_sorted F(我)“b”);情节(x_sorted F_fixed(我),“r”);传奇(“数据”,“混合效应”,“固定效应”,“位置”,“西北”)包含(“x值排序”);ylabel (“y”);持有从
从图中还可以看出,混合效应模型比单一固定效应模型更适合数据。