fitglmegydF4y2Ba

拟合广义线性混合效应模型gydF4y2Ba

语法gydF4y2Ba

glme=fitglme（待定，公式）gydF4y2Ba

glme = fitglme(资源描述、公式、名称,值)gydF4y2Ba

描述gydF4y2Ba

glmegydF4y2Ba= fitglme (gydF4y2Ba资源描述gydF4y2Ba,gydF4y2Ba公式gydF4y2Ba)gydF4y2Ba返回一个广义线性混合效应模型，gydF4y2BaglmegydF4y2Ba．模型由gydF4y2Ba公式gydF4y2Ba并与表或数据集数组中的预测变量拟合，gydF4y2Ba资源描述gydF4y2Ba．gydF4y2Ba

glmegydF4y2Ba= fitglme (gydF4y2Ba资源描述gydF4y2Ba,gydF4y2Ba公式gydF4y2Ba,gydF4y2Ba名称、值gydF4y2Ba)gydF4y2Ba使用一个或多个指定的附加选项返回广义线性混合效果模型gydF4y2Ba名称、值gydF4y2Ba配对参数。例如，您可以指定响应的分布、链接函数或随机效应项的协方差模式。gydF4y2Ba

例子gydF4y2Ba

全部折叠gydF4y2Ba

拟合广义线性混合效应模型gydF4y2Ba

打开生活的脚本gydF4y2Ba

加载示例数据。gydF4y2Ba

负载gydF4y2Ba生产商gydF4y2Ba

该模拟数据来自一家制造公司，该公司在全球运营50家工厂，每家工厂都运行一个批处理流程来生产成品。该公司希望减少每批产品中的缺陷数量，因此开发了一种新的制造工艺。为了测试新流程的有效性，该公司随机选择了20家工厂参与实验：10家工厂实施了新流程，而另外10家继续运行旧流程。在这20家工厂中，该公司各运行了5批（总共100批），并记录了以下数据：gydF4y2Ba

指示批处理是否使用新流程的标志(gydF4y2BanewprocessgydF4y2Ba)gydF4y2Ba
每批的处理时间，以小时为单位(gydF4y2Ba时间gydF4y2Ba)gydF4y2Ba
批次的温度，单位为摄氏度(gydF4y2Ba临时gydF4y2Ba)gydF4y2Ba
分类变量，指示批次中所用化学品的供应商(gydF4y2Ba供应商gydF4y2Ba)gydF4y2Ba
批次缺陷数(gydF4y2Ba缺陷gydF4y2Ba)gydF4y2Ba

数据还包括gydF4y2Batime_devgydF4y2Ba和gydF4y2Batemp_devgydF4y2Ba，分别表示时间和温度与20摄氏度下3小时的工艺标准的绝对偏差。gydF4y2Ba

拟合一个广义线性混合效应模型使用gydF4y2BanewprocessgydF4y2Ba,gydF4y2Batime_devgydF4y2Ba,gydF4y2Batemp_devgydF4y2Ba,gydF4y2Ba供应商gydF4y2Ba作为固定效应预测器。包括一个随机效应项，用于按分组的截距gydF4y2Ba工厂gydF4y2Ba，以考虑由于工厂特定差异可能存在的质量差异。响应变量gydF4y2Ba缺陷gydF4y2Ba的泊松分布，该模型的适当链接函数是对数。用拉普拉斯拟合方法估计系数。指定虚拟变量编码为gydF4y2Ba“效果”gydF4y2Ba，所以哑变量系数和为0。gydF4y2Ba

可以使用泊松分布对缺陷的数量进行建模gydF4y2Ba

${缺陷gydF4y2Ba}_{我gydF4y2Ba jgydF4y2Ba} \simgydF4y2Ba 泊松gydF4y2Ba (gydF4y2Ba {μgydF4y2Ba}_{我gydF4y2Ba jgydF4y2Ba})gydF4y2Ba ．gydF4y2Ba$

这对应于广义线性混合效应模型gydF4y2Ba

$日志gydF4y2Ba (gydF4y2Ba {μgydF4y2Ba}_{我gydF4y2Ba jgydF4y2Ba})gydF4y2Ba =gydF4y2Ba {βgydF4y2Ba}_{0gydF4y2Ba} +gydF4y2Ba {βgydF4y2Ba}_{1gydF4y2Ba} {newprocessgydF4y2Ba}_{我gydF4y2Ba jgydF4y2Ba} +gydF4y2Ba {βgydF4y2Ba}_{2gydF4y2Ba} {时间gydF4y2Ba_gydF4y2Ba devgydF4y2Ba}_{我gydF4y2Ba jgydF4y2Ba} +gydF4y2Ba {βgydF4y2Ba}_{三gydF4y2Ba} {临时gydF4y2Ba_gydF4y2Ba devgydF4y2Ba}_{我gydF4y2Ba jgydF4y2Ba} +gydF4y2Ba {βgydF4y2Ba}_{4gydF4y2Ba} {供应商gydF4y2Ba_gydF4y2Ba CgydF4y2Ba}_{我gydF4y2Ba jgydF4y2Ba} +gydF4y2Ba {βgydF4y2Ba}_{5gydF4y2Ba} {供应商gydF4y2Ba_gydF4y2Ba BgydF4y2Ba}_{我gydF4y2Ba jgydF4y2Ba} +gydF4y2Ba {bgydF4y2Ba}_{我gydF4y2Ba},gydF4y2Ba$

哪里gydF4y2Ba

${缺陷gydF4y2Ba}_{我gydF4y2Ba jgydF4y2Ba}$ 在工厂生产的批次中是否观察到缺陷的数量gydF4y2Ba $我gydF4y2Ba$ 批处理期间gydF4y2Ba $jgydF4y2Ba$ ．gydF4y2Ba
${μgydF4y2Ba}_{我gydF4y2Ba jgydF4y2Ba}$ 是对应于工厂的平均缺陷数gydF4y2Ba $我gydF4y2Ba$ (gydF4y2Ba $我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba,gydF4y2Ba 2gydF4y2Ba,gydF4y2Ba ．gydF4y2Ba ．gydF4y2Ba ．gydF4y2Ba,gydF4y2Ba 2gydF4y2Ba 0gydF4y2Ba$ 在批处理)gydF4y2Ba $jgydF4y2Ba$ (gydF4y2Ba $jgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba,gydF4y2Ba 2gydF4y2Ba,gydF4y2Ba ．gydF4y2Ba ．gydF4y2Ba ．gydF4y2Ba,gydF4y2Ba 5gydF4y2Ba$ ）.gydF4y2Ba
${newprocessgydF4y2Ba}_{我gydF4y2Ba jgydF4y2Ba}$ ,gydF4y2Ba ${时间gydF4y2Ba_gydF4y2Ba devgydF4y2Ba}_{我gydF4y2Ba jgydF4y2Ba}$ ,gydF4y2Ba ${临时gydF4y2Ba_gydF4y2Ba devgydF4y2Ba}_{我gydF4y2Ba jgydF4y2Ba}$ 每个变量的测量值是否与工厂相对应gydF4y2Ba $我gydF4y2Ba$ 批处理期间gydF4y2Ba $jgydF4y2Ba$ ．例如,gydF4y2Ba ${newprocessgydF4y2Ba}_{我gydF4y2Ba jgydF4y2Ba}$ 表示该批次是否由工厂生产gydF4y2Ba $我gydF4y2Ba$ 批处理期间gydF4y2Ba $jgydF4y2Ba$ 使用新方法gydF4y2Ba
${供应商gydF4y2Ba_gydF4y2Ba CgydF4y2Ba}_{我gydF4y2Ba jgydF4y2Ba}$ 和gydF4y2Ba ${供应商gydF4y2Ba_gydF4y2Ba BgydF4y2Ba}_{我gydF4y2Ba jgydF4y2Ba}$ 是使用效果（和为零）编码表示公司是否gydF4y2BaCgydF4y2Ba或gydF4y2BaBgydF4y2Ba，分别为工厂生产的批次提供工艺用化学品gydF4y2Ba $我gydF4y2Ba$ 批处理期间gydF4y2Ba $jgydF4y2Ba$ ．gydF4y2Ba
${bgydF4y2Ba}_{我gydF4y2Ba} \simgydF4y2Ba NgydF4y2Ba (gydF4y2Ba 0gydF4y2Ba,gydF4y2Ba {σgydF4y2Ba}_{bgydF4y2Ba}^{2gydF4y2Ba})gydF4y2Ba$ 每个工厂都有随机效果拦截吗gydF4y2Ba $我gydF4y2Ba$ 这就解释了工厂特有的质量差异。gydF4y2Ba

glme = fitglme(生产商,gydF4y2Ba'缺陷~ 1 + newprocess + time_dev + temp_dev + supplier + (1|factory)'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...gydF4y2Ba“DummyVarCoding”gydF4y2Ba,gydF4y2Ba“效果”gydF4y2Ba）;gydF4y2Ba

显示模型。gydF4y2Ba

显示（glme）gydF4y2Ba

ML的广义线性混合效应模型拟合模型信息:观测数100固定效应系数6随机效应系数20协方差参数1分布Poisson Link Log FitMethod拉普拉斯公式:缺陷~ 1 + newprocess + time_dev + temp_dev + supplier + (1 | factory)AIC BIC LogLikelihood Deviance 416.35 434.58 -201.17 402.35固定效应系数(95% CIs):Name Estimate SE tStat DF pValue {'(Intercept)'} 1.4689 0.15988 9.1875 94 9.8194e-15 {'newprocess'} -0.36766 0.17755 -2.0708 94 0.041122 {'time_dev'} -0.094521 0.82849 -0.11409 94 0.90941 {'temp_dev'} -0.28317 0.9617 -0.29444 94 0.76907 {'supplier_C'} -0.071868 0.078024 -0.9211 94 0.35936 {'supplier_B'} 0.071072 0.07739 0.91836 94 0.36078随机效应协方差参数:Group: factory(20个level) Name1 Name2 Type Estimate {'(Intercept)'} {'(Intercept)'} {'std'} 0.31381 Group: Error Name Estimate {'sqrt(Dispersion)'} 1gydF4y2Ba

这个gydF4y2Ba模型信息gydF4y2Ba表显示了样本数据中观测值的总数(100)、固定效应系数和随机效应系数的个数(分别为6和20)、协方差参数的个数(1)。也表明响应变量具有gydF4y2Ba泊松gydF4y2Ba分配，链接功能是gydF4y2Ba日志gydF4y2Ba，拟合方法为gydF4y2Ba拉普拉斯gydF4y2Ba．gydF4y2Ba

公式gydF4y2Ba使用威尔金森符号表示型号规格。gydF4y2Ba

这个gydF4y2Ba模型符合统计数据gydF4y2Ba表格显示用于评估模型拟合优度的统计数据。这包括赤池信息标准(gydF4y2Ba另类投资会议gydF4y2Ba)贝叶斯信息准则(gydF4y2Ba比克gydF4y2Ba)值，log likelihood (gydF4y2BaLogLikelihoodgydF4y2Ba)和异常行为(gydF4y2Ba异常gydF4y2Ba)价值观。gydF4y2Ba

这个gydF4y2Ba固定效应系数gydF4y2Ba表中显示gydF4y2BafitglmegydF4y2Ba返回95%置信区间。它为每个固定效果预测器包含一行，每一列包含与该预测器相对应的统计信息。第1列(gydF4y2Ba的名字gydF4y2Ba)包含每个固定效应系数的名称，第2列(gydF4y2Ba估计gydF4y2Ba)包含它的估计值，第3列(gydF4y2Ba东南方gydF4y2Ba)包含系数的标准误差。列4 (gydF4y2BatStatgydF4y2Ba)包含gydF4y2Ba $tgydF4y2Ba$ -系数等于0的假设检验的统计量。列5 (gydF4y2BaDFgydF4y2Ba)和第6栏(gydF4y2BapValuegydF4y2Ba)包含了自由度和gydF4y2Ba $pgydF4y2Ba$ -对应于gydF4y2Ba $tgydF4y2Ba$ 分别统计。最后两列(gydF4y2Ba较低的gydF4y2Ba和gydF4y2Ba上gydF4y2Ba)分别显示每个固定效应系数的95%置信区间的下限和上限。gydF4y2Ba

随机效应协方差参数gydF4y2Ba显示每个分组变量的表（仅限此处gydF4y2Ba工厂gydF4y2Ba)，包括其水平总数(20)，以及协方差参数的类型和估计。在这里,gydF4y2Ba性病gydF4y2Ba表明gydF4y2BafitglmegydF4y2Ba返回与工厂预测值关联的随机效应的标准偏差，其估计值为0.31381。它还显示一个表格，其中包含误差参数类型（此处为色散参数的平方根）及其估计值1。gydF4y2Ba

由生成的标准显示gydF4y2BafitglmegydF4y2Ba不提供随机效应参数的置信区间。要计算和显示这些值，请使用gydF4y2Ba协方差参数gydF4y2Ba．gydF4y2Ba

输入参数gydF4y2Ba

全部折叠gydF4y2Ba

`资源描述gydF4y2Ba`—gydF4y2Ba输入数据gydF4y2Ba
表格gydF4y2Ba| gydF4y2Ba数据集数组gydF4y2Ba

输入数据，其中包括响应变量、预测变量和分组变量，指定为表或数据集数组。预测变量可以是连续变量或分组变量(见gydF4y2Ba分组变量gydF4y2Ba）.您必须为使用的变量指定模型gydF4y2Ba公式gydF4y2Ba．gydF4y2Ba

`公式gydF4y2Ba`—gydF4y2Ba模型规范公式gydF4y2Ba
形式的字符向量或字符串标量gydF4y2Ba`'y ~ fixed + (random1|grouping1) +…+ (randomR | groupingR) 'gydF4y2Ba`

公式模型规范，指定为字符向量或字符串标量的形式gydF4y2Ba'y ~ fixed + (random1|grouping1) +…+ (randomR | groupingR) 'gydF4y2Ba．公式是区分大小写的。有关详细描述，请参见gydF4y2Ba公式gydF4y2Ba．gydF4y2Ba

例子:gydF4y2Ba'y ~ treatment + (1|block)'gydF4y2Ba

名称-值参数gydF4y2Ba

指定可选的逗号分隔的字符对gydF4y2Ba名称、值gydF4y2Ba参数。gydF4y2Ba的名字gydF4y2Ba参数名和gydF4y2Ba价值gydF4y2Ba为对应值。gydF4y2Ba的名字gydF4y2Ba必须出现在引号内。可以以任意顺序指定多个名称和值对参数gydF4y2BaName1, Value1,…,的家gydF4y2Ba．gydF4y2Ba

例子:gydF4y2Ba

“分布”、“泊松’,‘联系’,‘日志’,‘FitMethod’,‘拉普拉斯’,‘DummyVarCoding’,‘影响’gydF4y2Ba

指定响应变量分布为泊松，链接函数为对数，拟合方法为拉普拉斯，以及系数和为0的哑变量编码。gydF4y2Ba

`BinomialSizegydF4y2Ba`—gydF4y2Ba二项分布的试验次数gydF4y2Ba
1gydF4y2Ba(默认)|gydF4y2Ba标量值gydF4y2Ba| gydF4y2Ba向量gydF4y2Ba| gydF4y2Ba变量名gydF4y2Ba

二项分布的试验数，即样本大小，指定为由标量值、与响应长度相同的向量或输入表中变量的名称组成的逗号分隔的对。如果指定了一个变量的名称，那么该变量必须与响应的长度相同。gydF4y2BaBinomialSizegydF4y2Ba只适用于gydF4y2Ba分布gydF4y2Ba参数为gydF4y2Ba“二项式”gydF4y2Ba．gydF4y2Ba

如果gydF4y2BaBinomialSizegydF4y2Ba是一个标量值，这意味着所有的观察有相同的试验次数。gydF4y2Ba

数据类型:gydF4y2Ba单gydF4y2Ba| gydF4y2Ba双gydF4y2Ba

`CheckHessiangydF4y2Ba`—gydF4y2Ba用于检查Hessian的正定性的指示器gydF4y2Ba
`假gydF4y2Ba`(默认)|gydF4y2Ba`真正的gydF4y2Ba`

用于检查目标函数关于收敛时无约束参数的Hessian正定性的指示器，指定为逗号分隔对，包括gydF4y2Ba“CheckHessian”gydF4y2Ba,要么gydF4y2Ba假gydF4y2Ba或gydF4y2Ba真正的gydF4y2Ba．默认是gydF4y2Ba假gydF4y2Ba．gydF4y2Ba

指明gydF4y2Ba“CheckHessian”gydF4y2Ba作为gydF4y2Ba真正的gydF4y2Ba验证解决方案的最优性或确定模型在协方差参数数量上是否过度参数化。gydF4y2Ba

如果您指定gydF4y2Ba“FitMethod”gydF4y2Ba作为gydF4y2Ba“MPL”gydF4y2Ba或gydF4y2Ba“REMPL”gydF4y2Ba然后，固定效应和协方差参数的协方差基于最终伪似然迭代得到的拟合线性混合效应模型。gydF4y2Ba

例子:gydF4y2Ba“CheckHessian”，对gydF4y2Ba

`CovarianceMethodgydF4y2Ba`—gydF4y2Ba估计参数协方差的计算方法gydF4y2Ba
`“条件”gydF4y2Ba`(默认)|gydF4y2Ba`“JointHessian”gydF4y2Ba`

方法来计算估计参数的协方差，指定为逗号分隔对组成gydF4y2Ba“协变方法”gydF4y2Ba,要么gydF4y2Ba“条件”gydF4y2Ba或gydF4y2Ba“JointHessian”gydF4y2Ba.如果you specify“条件”gydF4y2Ba,然后gydF4y2BafitglmegydF4y2Ba计算给定估计协方差参数的固定效果协方差的快速近似值。它不计算协方差参数的协方差。如果指定gydF4y2Ba“JointHessian”gydF4y2Ba,然后gydF4y2BafitglmegydF4y2Ba利用拉普拉斯对数似然，通过观测信息矩阵计算固定效应和协方差参数的联合协方差。gydF4y2Ba

例子:gydF4y2Ba“CovarianceMethod”、“JointHessian”gydF4y2Ba

`协变模式gydF4y2Ba`—gydF4y2Ba协方差矩阵的模式gydF4y2Ba
`“FullCholesky”gydF4y2Ba`| gydF4y2Ba`“各向同性”gydF4y2Ba`| gydF4y2Ba`“满”gydF4y2Ba`| gydF4y2Ba`“对角线”gydF4y2Ba`| gydF4y2Ba`“CompSymm”gydF4y2Ba`| gydF4y2Ba平方对称逻辑矩阵gydF4y2Ba| gydF4y2Ba字符串数组gydF4y2Ba| gydF4y2Ba字符向量或逻辑矩阵的单元阵列gydF4y2Ba

随机效应协方差矩阵的模式，指定为逗号分隔对组成gydF4y2Ba“CovariancePattern”gydF4y2Ba和gydF4y2Ba“FullCholesky”gydF4y2Ba,gydF4y2Ba“各向同性”gydF4y2Ba,gydF4y2Ba“满”gydF4y2Ba,gydF4y2Ba“对角线”gydF4y2Ba,gydF4y2Ba“CompSymm”gydF4y2Ba、方对称逻辑矩阵、字符串数组或包含字符向量或逻辑矩阵的单元格数组。gydF4y2Ba

如果有gydF4y2BaRgydF4y2Ba随机效应项，然后是gydF4y2Ba“CovariancePattern”gydF4y2Ba必须是字符串数组或单元格数组的长度gydF4y2BaRgydF4y2Ba，其中每个元素gydF4y2BargydF4y2Ba的值指定与的随机效果向量的协方差矩阵的模式gydF4y2BargydF4y2Ba随机项。下面是每个元素的选项。gydF4y2Ba

价值gydF4y2Ba	描述gydF4y2Ba
`“FullCholesky”gydF4y2Ba`	使用Cholesky参数化的全协方差矩阵。gydF4y2Ba`fitglmegydF4y2Ba`估计协方差矩阵的所有元素。gydF4y2Ba
`“各向同性”gydF4y2Ba`	等方差对角协方差矩阵。即协方差矩阵的非对角元素被约束为0，对角元素被约束为相等。例如，如果有三个随机效应项具有各向同性协方差结构，这个协方差矩阵是这样的gydF4y2Ba $(gydF4y2Ba \begin{matrix} {σgydF4y2Ba}_{bgydF4y2Ba}^{2gydF4y2Ba} & 0gydF4y2Ba & 0gydF4y2Ba \\ 0gydF4y2Ba & {σgydF4y2Ba}_{bgydF4y2Ba}^{2gydF4y2Ba} & 0gydF4y2Ba \\ 0gydF4y2Ba & 0gydF4y2Ba & {σgydF4y2Ba}_{bgydF4y2Ba}^{2gydF4y2Ba} \end{matrix})gydF4y2Ba$ σ在哪里gydF4y2Ba^2gydF4y2Ba_1gydF4y2Ba是随机效应项的共同方差。gydF4y2Ba
`“满”gydF4y2Ba`	完全协方差矩阵，使用log Cholesky参数化。gydF4y2Ba`fitlmegydF4y2Ba`估计协方差矩阵的所有元素。gydF4y2Ba
`“对角线”gydF4y2Ba`	对角协方差矩阵。也就是说，协方差矩阵的非对角元素被约束为0。gydF4y2Ba $(gydF4y2Ba \begin{matrix} {σgydF4y2Ba}_{bgydF4y2Ba 1gydF4y2Ba}^{2gydF4y2Ba} & 0gydF4y2Ba & 0gydF4y2Ba \\ 0gydF4y2Ba & {σgydF4y2Ba}_{bgydF4y2Ba 2gydF4y2Ba}^{2gydF4y2Ba} & 0gydF4y2Ba \\ 0gydF4y2Ba & 0gydF4y2Ba & {σgydF4y2Ba}_{bgydF4y2Ba 三gydF4y2Ba}^{2gydF4y2Ba} \end{matrix})gydF4y2Ba$
`“CompSymm”gydF4y2Ba`	复合对称结构。也就是说，沿对角线的共同方差和所有随机效应之间的相等相关性。例如，如果有三个随机效应项与一个具有复合对称结构的协方差矩阵，这个协方差矩阵看起来像gydF4y2Ba $(gydF4y2Ba \begin{matrix} {σgydF4y2Ba}_{bgydF4y2Ba 1gydF4y2Ba}^{2gydF4y2Ba} & {σgydF4y2Ba}_{bgydF4y2Ba 1gydF4y2Ba,gydF4y2Ba bgydF4y2Ba 2gydF4y2Ba} & {σgydF4y2Ba}_{bgydF4y2Ba 1gydF4y2Ba,gydF4y2Ba bgydF4y2Ba 2gydF4y2Ba} \\ {σgydF4y2Ba}_{bgydF4y2Ba 1gydF4y2Ba,gydF4y2Ba bgydF4y2Ba 2gydF4y2Ba} & {σgydF4y2Ba}_{bgydF4y2Ba 1gydF4y2Ba}^{2gydF4y2Ba} & {σgydF4y2Ba}_{bgydF4y2Ba 1gydF4y2Ba,gydF4y2Ba bgydF4y2Ba 2gydF4y2Ba} \\ {σgydF4y2Ba}_{bgydF4y2Ba 1gydF4y2Ba,gydF4y2Ba bgydF4y2Ba 2gydF4y2Ba} & {σgydF4y2Ba}_{bgydF4y2Ba 1gydF4y2Ba,gydF4y2Ba bgydF4y2Ba 2gydF4y2Ba} & {σgydF4y2Ba}_{bgydF4y2Ba 1gydF4y2Ba}^{2gydF4y2Ba} \end{matrix})gydF4y2Ba$ σ在哪里gydF4y2Ba^2gydF4y2Ba_b1gydF4y2Ba是随机效应项和σ的共同方差gydF4y2Ba_{b1、b2gydF4y2Ba}为任意两个随机效应项之间的共协方差。gydF4y2Ba
`帕特gydF4y2Ba`	平方对称逻辑矩阵。如果gydF4y2Ba`“CovariancePattern”gydF4y2Ba`由矩阵定义gydF4y2Ba`帕特gydF4y2Ba`,如果gydF4y2Ba`帕特(a, b) = falsegydF4y2Ba`，然后gydF4y2Ba`(a, b)gydF4y2Ba`相应协方差矩阵的元素被约束为0。gydF4y2Ba

对于标量随机效果项，默认值为gydF4y2Ba“各向同性”gydF4y2Ba。否则，默认值为gydF4y2Ba“FullCholesky”gydF4y2Ba．gydF4y2Ba

例子:gydF4y2Ba“协变模式”，“对角”gydF4y2Ba

例子:gydF4y2Ba'协变模式'，{'Full'，'Diagonal'}gydF4y2Ba

数据类型:gydF4y2Ba字符gydF4y2Ba| gydF4y2Ba一串gydF4y2Ba| gydF4y2Ba符合逻辑的gydF4y2Ba| gydF4y2Ba细胞gydF4y2Ba

`DispersionFlaggydF4y2Ba`—gydF4y2Ba计算色散参数的指示器gydF4y2Ba
`假gydF4y2Ba`为gydF4y2Ba`“二项式”gydF4y2Ba`和gydF4y2Ba`“泊松”gydF4y2Ba`分布gydF4y2Ba(默认)|gydF4y2Ba`真正的gydF4y2Ba`

用于计算色散参数的指标gydF4y2Ba“二项式”gydF4y2Ba和gydF4y2Ba“泊松”gydF4y2Ba发行版，指定为逗号分隔对，由gydF4y2Ba“分散旗”gydF4y2Ba和下面的一个。gydF4y2Ba

价值gydF4y2Ba	描述gydF4y2Ba
`真正的gydF4y2Ba`	在计算标准误差时估计一个离散参数gydF4y2Ba
`假gydF4y2Ba`	使用的理论价值gydF4y2Ba`1．0gydF4y2Ba`计算标准误差时gydF4y2Ba

“分散旗”gydF4y2Ba仅适用于以下情况gydF4y2Ba“FitMethod”gydF4y2Ba是gydF4y2Ba“MPL”gydF4y2Ba或gydF4y2Ba“REMPL”gydF4y2Ba．gydF4y2Ba

拟合函数总是估计其他分布的色散。gydF4y2Ba

例子:gydF4y2Ba“DispersionFlag”,真的gydF4y2Ba

`分布gydF4y2Ba`—gydF4y2Ba响应变量的分布gydF4y2Ba
`“正常”gydF4y2Ba`(默认)|gydF4y2Ba`“二项式”gydF4y2Ba`| gydF4y2Ba`“泊松”gydF4y2Ba`| gydF4y2Ba`“伽马”gydF4y2Ba`| gydF4y2Ba`“反高斯”gydF4y2Ba`

响应变量的分布，指定为逗号分隔对，由gydF4y2Ba“分布”gydF4y2Ba和下面的一个。gydF4y2Ba

价值gydF4y2Ba	描述gydF4y2Ba
`“正常”gydF4y2Ba`	正态分布gydF4y2Ba
`“二项式”gydF4y2Ba`	二项分布gydF4y2Ba
`“泊松”gydF4y2Ba`	泊松分布gydF4y2Ba
`“伽马”gydF4y2Ba`	伽马分布gydF4y2Ba
`“反高斯”gydF4y2Ba`	逆高斯分布gydF4y2Ba

例子:gydF4y2Ba“分布”、“二项”gydF4y2Ba

`DummyVarCodinggydF4y2Ba`—gydF4y2Ba用于虚拟变量的编码gydF4y2Ba
`“参考”gydF4y2Ba`(默认)|gydF4y2Ba`“效果”gydF4y2Ba`| gydF4y2Ba`“全部”gydF4y2Ba`

用于从分类变量创建的伪变量的编码，指定为逗号分隔对，由gydF4y2Ba“DummyVarCoding”gydF4y2Ba和这个表中的一个变量。gydF4y2Ba

价值gydF4y2Ba	描述gydF4y2Ba
`“参考”gydF4y2Ba`(默认)gydF4y2Ba	`fitglmegydF4y2Ba`使用参考组创建虚拟变量。该方案将第一个类别作为参照组，并比类别数量少创建一个虚拟变量。属性可以检查类别变量的类别顺序gydF4y2Ba`类别gydF4y2Ba`函数，并使用gydF4y2Ba`重装猫gydF4y2Ba`功能。gydF4y2Ba
`“效果”gydF4y2Ba`	`fitglmegydF4y2Ba`使用效果编码创建虚拟变量。该方案使用-1表示最后一个类别。这个方案比类别的数目少创建一个虚拟变量。gydF4y2Ba
`“全部”gydF4y2Ba`	`fitglmegydF4y2Ba`创建完全虚拟变量。此方案为每个类别创建一个虚拟变量。gydF4y2Ba

有关创建虚拟变量的更多详细信息，请参见gydF4y2Ba虚拟变量的自动创建gydF4y2Ba．gydF4y2Ba

例子:gydF4y2Ba“DummyVarCoding”，“effects”gydF4y2Ba

`EBMethodgydF4y2Ba`—gydF4y2Ba用于近似随机效应的经验Bayes估计的方法gydF4y2Ba
`“汽车”gydF4y2Ba`(默认)|gydF4y2Ba`“牛顿”gydF4y2Ba`| gydF4y2Ba`“TrustRegion2D”gydF4y2Ba`| gydF4y2Ba`“fsolve”gydF4y2Ba`

用于近似随机效应的经验Bayes估计的方法，指定为逗号分隔对，包括gydF4y2Ba“EBMethod”gydF4y2Ba和下面的一个。gydF4y2Ba

“汽车”gydF4y2Ba
“牛顿”gydF4y2Ba
“TrustRegion2D”gydF4y2Ba
“fsolve”gydF4y2Ba

“汽车”gydF4y2Ba类似于gydF4y2Ba“牛顿”gydF4y2Ba但使用不同的收敛标准，不显示迭代进度。gydF4y2Ba“汽车”gydF4y2Ba和gydF4y2Ba“牛顿”gydF4y2Ba对于非规范链接函数可能会失败。对于非标准链接函数，gydF4y2Ba“TrustRegion2D”gydF4y2Ba或gydF4y2Ba“fsolve”gydF4y2Ba建议使用。您必须具有优化工具箱™ 使用gydF4y2Ba“fsolve”gydF4y2Ba．gydF4y2Ba

例子:gydF4y2Ba“EBMethod”、“LineSearchNewton”gydF4y2Ba

`EBOptionsgydF4y2Ba`—gydF4y2Ba经验贝叶斯优化的选择gydF4y2Ba
结构gydF4y2Ba

经验贝叶斯优化选项，指定为逗号分隔对，由gydF4y2Ba“EBOptions”gydF4y2Ba以及包含以下内容的结构。gydF4y2Ba

价值gydF4y2Ba	描述gydF4y2Ba
`“TolFun”gydF4y2Ba`	梯度范数的相对公差。默认值为1e-6。gydF4y2Ba
`“TolX”gydF4y2Ba`	步长的绝对公差。默认值为1e-8。gydF4y2Ba
`“麦克斯特”gydF4y2Ba`	最大迭代次数。默认值为100。gydF4y2Ba
`“显示”gydF4y2Ba`	`“关闭”gydF4y2Ba`,gydF4y2Ba`“国际热核实验堆”gydF4y2Ba`,或gydF4y2Ba`“最后一次”gydF4y2Ba`．默认是gydF4y2Ba`“关闭”gydF4y2Ba`．gydF4y2Ba

如果gydF4y2BaEBMethodgydF4y2Ba是gydF4y2Ba“汽车”gydF4y2Ba和gydF4y2Ba“FitMethod”gydF4y2Ba是gydF4y2Ba“拉普拉斯”gydF4y2Ba,gydF4y2BaTolFungydF4y2Ba模型的线性预测器的相对容差是多少gydF4y2Ba“显示”gydF4y2Ba选项不适用。gydF4y2Ba

如果gydF4y2Ba“EBMethod”gydF4y2Ba是gydF4y2Ba“fsolve”gydF4y2Ba,然后gydF4y2Ba“EBOptions”gydF4y2Ba必须指定为由gydF4y2Baoptimoptions（'fsolve'）gydF4y2Ba．gydF4y2Ba

数据类型:gydF4y2Ba结构gydF4y2Ba

`排除gydF4y2Ba`—gydF4y2Ba要排除的行的索引gydF4y2Ba
使用所有行gydF4y2Ba`南斯gydF4y2Ba`(默认)|gydF4y2Ba整数值或逻辑值的向量gydF4y2Ba

要从数据中的广义线性混合效应模型中排除的行的索引，指定为逗号分隔对，包括gydF4y2Ba“排除”gydF4y2Ba和一个整数或逻辑值的向量。gydF4y2Ba

例如，可以从拟合中排除第13行和第67行，如下所示。gydF4y2Ba

例子:gydF4y2Ba“排除”,[67]gydF4y2Ba

数据类型:gydF4y2Ba单gydF4y2Ba| gydF4y2Ba双gydF4y2Ba| gydF4y2Ba符合逻辑的gydF4y2Ba

`FitMethodgydF4y2Ba`—gydF4y2Ba模型参数估计方法gydF4y2Ba
`“MPL”gydF4y2Ba`(默认)|gydF4y2Ba`“REMPL”gydF4y2Ba`| gydF4y2Ba`“拉普拉斯”gydF4y2Ba`| gydF4y2Ba`“ApproximateLaplacegydF4y2Ba`

估计模型参数的方法，指定为逗号分隔对，由gydF4y2Ba“FitMethod”gydF4y2Ba和下面的一个。gydF4y2Ba

“MPL”gydF4y2Ba-最大伪似然gydF4y2Ba
“REMPL”gydF4y2Ba-限制最大伪似然gydF4y2Ba
“拉普拉斯”gydF4y2Ba-使用拉普拉斯近似的最大似然法gydF4y2Ba
“ApproximateLaplace”gydF4y2Ba-最大似然使用近似拉普拉斯近似固定效果剖析gydF4y2Ba

例子:gydF4y2Ba“FitMethod”和“REMPL”gydF4y2Ba

`初始迭代gydF4y2Ba`—gydF4y2Ba伪似然迭代的初始次数gydF4y2Ba
10gydF4y2Ba(默认)|gydF4y2Ba在[1，∞]范围内的整数值gydF4y2Ba

用于初始化参数的伪似然迭代的初始次数gydF4y2BaApproximateLaplacegydF4y2Ba和gydF4y2Ba拉普拉斯gydF4y2BaFit方法，指定为逗号分隔的对，由gydF4y2Ba“InitPLIterations”gydF4y2Ba和一个大于等于1的整数值。gydF4y2Ba

数据类型:gydF4y2Ba单gydF4y2Ba| gydF4y2Ba双gydF4y2Ba

`链接gydF4y2Ba`—gydF4y2Ba链接功能gydF4y2Ba
`“身份”gydF4y2Ba`| gydF4y2Ba`“日志”gydF4y2Ba`| gydF4y2Ba`“罗吉特”gydF4y2Ba`| gydF4y2Ba`“probit”gydF4y2Ba`| gydF4y2Ba`“comploglog”gydF4y2Ba`| gydF4y2Ba`“互惠”gydF4y2Ba`| gydF4y2Ba标量值gydF4y2Ba| gydF4y2Ba结构gydF4y2Ba

链接函数，指定为逗号分隔对，由gydF4y2Ba“链接”gydF4y2Ba和下面的一个。gydF4y2Ba

价值gydF4y2Ba	描述gydF4y2Ba
`“身份”gydF4y2Ba`	`g（mu）=mugydF4y2Ba` 这是正态分布的默认值。gydF4y2Ba
`“日志”gydF4y2Ba`	`g(μ)=日志(亩)gydF4y2Ba` 这是泊松分布的默认值。gydF4y2Ba
`“罗吉特”gydF4y2Ba`	`日志(μ/ g(μ)=(1μ))gydF4y2Ba` 这是二项分布的默认值。gydF4y2Ba
`“重对数”gydF4y2Ba`	`g(μ)=日志(日志(μ))gydF4y2Ba`
`“probit”gydF4y2Ba`	`g(μ)= norminv(亩)gydF4y2Ba`
`“comploglog”gydF4y2Ba`	`g(μ)=日志(日志(1μ))gydF4y2Ba`
`“互惠”gydF4y2Ba`	`μg(μ)=。^ (1)gydF4y2Ba`
标量值gydF4y2Ba`PgydF4y2Ba`	`μg(μ)=。^ PgydF4y2Ba`
结构gydF4y2Ba`gydF4y2Ba`	包含四个字段的结构，其值是具有以下名称的函数句柄：gydF4y2Ba `美国链接gydF4y2Ba`-链接功能gydF4y2Ba `S.DerivativegydF4y2Ba`-衍生工具gydF4y2Ba `二阶导数gydF4y2Ba`——二阶导数gydF4y2Ba `S.InversegydF4y2Ba`-连杆逆gydF4y2Ba 规范的gydF4y2Ba`二阶导数gydF4y2Ba`可以省略gydF4y2Ba`FitMethodgydF4y2Ba`是gydF4y2Ba`MPLgydF4y2Ba`或gydF4y2Ba`REMPLgydF4y2Ba`,或者如果gydF4y2Ba`gydF4y2Ba`是指定分发的规范链接。gydF4y2Ba

所使用的默认链接函数gydF4y2BafitglmegydF4y2Ba是依赖于响应分布的规范链接。gydF4y2Ba

响应分布gydF4y2Ba	标准连接函数gydF4y2Ba
`“正常”gydF4y2Ba`	`“身份”gydF4y2Ba`
`“二项式”gydF4y2Ba`	`“罗吉特”gydF4y2Ba`
`“泊松”gydF4y2Ba`	`“日志”gydF4y2Ba`
`“伽马”gydF4y2Ba`	`－1gydF4y2Ba`
`“反高斯”gydF4y2Ba`	`－2gydF4y2Ba`

例子:gydF4y2Ba“链接”、“日志”gydF4y2Ba

数据类型:gydF4y2Ba字符gydF4y2Ba| gydF4y2Ba一串gydF4y2Ba| gydF4y2Ba单gydF4y2Ba| gydF4y2Ba双gydF4y2Ba| gydF4y2Ba结构gydF4y2Ba

`穆斯塔特gydF4y2Ba`—gydF4y2Ba条件平均值的起始值gydF4y2Ba
标量值gydF4y2Ba

条件平均值的起始值，指定为逗号分隔对，由gydF4y2Ba“MuStart”gydF4y2Ba和标量值。有效值如下:gydF4y2Ba

响应分布gydF4y2Ba	有效值gydF4y2Ba
`“正常”gydF4y2Ba`	`(负无穷到正无穷)gydF4y2Ba`
`“二项式”gydF4y2Ba`	`(0,1)gydF4y2Ba`
`“泊松”gydF4y2Ba`	`（0，Inf）gydF4y2Ba`
`“伽马”gydF4y2Ba`	`（0，Inf）gydF4y2Ba`
`“反高斯”gydF4y2Ba`	`（0，Inf）gydF4y2Ba`

数据类型:gydF4y2Ba单gydF4y2Ba| gydF4y2Ba双gydF4y2Ba

`抵消gydF4y2Ba`—gydF4y2Ba抵消gydF4y2Ba
`0 (n, 1)gydF4y2Ba`(默认)|gydF4y2BangydF4y2Ba标量值的-乘1向量gydF4y2Ba

由逗号分隔的对组成的偏移量gydF4y2Ba“抵消”gydF4y2Ba和一个gydF4y2BangydF4y2Ba向量的标量值，其中gydF4y2BangydF4y2Ba是响应向量的长度。您还可以指定gydF4y2BangydF4y2Ba标量值的-乘1向量。gydF4y2Ba“抵消”gydF4y2Ba作为一个附加的预测器，其系数值固定在gydF4y2Ba1．0gydF4y2Ba．gydF4y2Ba

数据类型:gydF4y2Ba单gydF4y2Ba| gydF4y2Ba双gydF4y2Ba

`优化器gydF4y2Ba`—gydF4y2Ba优化算法gydF4y2Ba
`“准涅顿”gydF4y2Ba`(默认)|gydF4y2Ba`“fminsearch”gydF4y2Ba`| gydF4y2Ba`“fminunc”gydF4y2Ba`

优化算法，指定为逗号分隔对组成gydF4y2Ba“优化”gydF4y2Ba以及以下任何一种情况。gydF4y2Ba

价值gydF4y2Ba	描述gydF4y2Ba
`“准涅顿”gydF4y2Ba`	使用基于信赖域的拟牛顿优化器。可以使用更改算法的选项gydF4y2Ba`statset(“fitglme”)gydF4y2Ba`.如果you do not specify the options, then`fitglmegydF4y2Ba`使用的默认选项gydF4y2Ba`statset(“fitglme”)gydF4y2Ba`．gydF4y2Ba
`“fminsearch”gydF4y2Ba`	使用无导数的内尔德-米德方法。您可以使用以下方法更改算法的选项gydF4y2Ba`optimset(“fminsearch”)gydF4y2Ba`.如果you do not specify the options, then`fitglmegydF4y2Ba`使用的默认选项gydF4y2Ba`optimset(“fminsearch”)gydF4y2Ba`．gydF4y2Ba
`“fminunc”gydF4y2Ba`	使用基于线搜索的拟牛顿方法。必须有“优化工具箱”才能指定此选项。您可以使用以下方法更改算法的选项gydF4y2Ba`optimoptions(“fminunc”)gydF4y2Ba`.如果you do not specify the options, then`fitglmegydF4y2Ba`使用的默认选项gydF4y2Ba`optimoptions(“fminunc”)gydF4y2Ba`具有gydF4y2Ba`“算法”gydF4y2Ba`设置为gydF4y2Ba`“拟牛顿”gydF4y2Ba`．gydF4y2Ba

例子:gydF4y2Ba“优化”、“fminsearch”gydF4y2Ba

`OptimizerOptionsgydF4y2Ba`—gydF4y2Ba优化算法的选择gydF4y2Ba
返回的结构gydF4y2Ba`statsetgydF4y2Ba`| gydF4y2Ba返回的结构gydF4y2Ba`optimsetgydF4y2Ba`| gydF4y2Ba返回的对象gydF4y2Ba`最佳选择gydF4y2Ba`

优化算法的选项，指定为逗号分隔对，由gydF4y2Ba“OptimizerOptions”gydF4y2Ba以及gydF4y2Bastatset(“fitglme”)gydF4y2Ba，是由gydF4y2Baoptimset(“fminsearch”)gydF4y2Ba或返回的对象gydF4y2Baoptimoptions(“fminunc”)gydF4y2Ba．gydF4y2Ba

如果gydF4y2Ba“优化”gydF4y2Ba是gydF4y2Ba“fminsearch”gydF4y2Ba,然后用gydF4y2Baoptimset(“fminsearch”)gydF4y2Ba更改算法的选项。如果gydF4y2Ba“优化”gydF4y2Ba是gydF4y2Ba“fminsearch”gydF4y2Ba而你不提供gydF4y2Ba“OptimizerOptions”gydF4y2Ba，然后是中使用的默认值gydF4y2BafitglmegydF4y2Ba默认选项是由gydF4y2Baoptimset(“fminsearch”)gydF4y2Ba．gydF4y2Ba
如果gydF4y2Ba“优化”gydF4y2Ba是gydF4y2Ba“fminunc”gydF4y2Ba,然后用gydF4y2Baoptimoptions(“fminunc”)gydF4y2Ba要更改优化算法的选项，请参阅gydF4y2Ba最佳选择gydF4y2Ba选择gydF4y2Ba“fminunc”gydF4y2Ba使用。如果gydF4y2Ba“优化”gydF4y2Ba是gydF4y2Ba“fminunc”gydF4y2Ba而你不提供gydF4y2Ba“OptimizerOptions”gydF4y2Ba，然后是中使用的默认值gydF4y2BafitglmegydF4y2Ba默认选项是由gydF4y2Baoptimoptions(“fminunc”)gydF4y2Ba具有gydF4y2Ba“算法”gydF4y2Ba设置为gydF4y2Ba“拟牛顿”gydF4y2Ba．gydF4y2Ba
如果gydF4y2Ba“优化”gydF4y2Ba是gydF4y2Ba“准涅顿”gydF4y2Ba,然后用gydF4y2Bastatset(“fitglme”)gydF4y2Ba更改优化参数。如果gydF4y2Ba“优化”gydF4y2Ba是gydF4y2Ba“准涅顿”gydF4y2Ba并且您不会使用更改优化参数gydF4y2BastatsetgydF4y2Ba,然后gydF4y2BafitglmegydF4y2Ba使用由创建的默认选项gydF4y2Bastatset(“fitglme”)gydF4y2Ba．gydF4y2Ba

这个gydF4y2Ba“准涅顿”gydF4y2Ba优化器在结构中使用以下字段gydF4y2Bastatset(“fitglme”)gydF4y2Ba．gydF4y2Ba

`TolFungydF4y2Ba`-目标函数梯度的相对容限gydF4y2Ba
`1 e-6gydF4y2Ba`（默认值）|正标量值gydF4y2Ba

目标函数梯度的相对公差，指定为一个正标量值。gydF4y2Ba

`TolXgydF4y2Ba`-步长的绝对公差gydF4y2Ba
`1e-12gydF4y2Ba`（默认值）|正标量值gydF4y2Ba

步长的绝对公差，指定为正标量值。gydF4y2Ba

`麦克斯特gydF4y2Ba`-允许的最大迭代次数gydF4y2Ba
`10000gydF4y2Ba`（默认值）|正标量值gydF4y2Ba

允许的最大迭代次数，指定为正标量值。gydF4y2Ba

`显示gydF4y2Ba`-显示级别gydF4y2Ba
`“关闭”gydF4y2Ba`(默认)|gydF4y2Ba`“国际热核实验堆”gydF4y2Ba`| gydF4y2Ba`“最后一次”gydF4y2Ba`

显示电平，指定为之一gydF4y2Ba“关闭”gydF4y2Ba,gydF4y2Ba“国际热核实验堆”gydF4y2Ba,或gydF4y2Ba“最后一次”gydF4y2Ba．gydF4y2Ba

`拼音gydF4y2Ba`—gydF4y2Ba最大似然迭代数gydF4y2Ba
`One hundred.gydF4y2Ba`(默认)|gydF4y2Ba正整数的值gydF4y2Ba

伪似然(PL)迭代的最大次数，指定为逗号分隔的对，由gydF4y2Ba“拼音”gydF4y2Ba和一个正整数。PL用于拟合模型ifgydF4y2Ba“FitMethod”gydF4y2Ba是gydF4y2Ba“MPL”gydF4y2Ba或gydF4y2Ba“REMPL”gydF4y2Ba．为其他gydF4y2Ba“FitMethod”gydF4y2Ba值时，PL迭代用于初始化参数以进行后续优化。gydF4y2Ba

例子:gydF4y2Ba“拼音”，200gydF4y2Ba

数据类型:gydF4y2Ba单gydF4y2Ba| gydF4y2Ba双gydF4y2Ba

`PLTolerancegydF4y2Ba`—gydF4y2Ba伪似然迭代的相对容差因子gydF4y2Ba
`1 e-08gydF4y2Ba`(默认)|gydF4y2Ba正标量值gydF4y2Ba

伪似然迭代的相对容忍因子，指定为逗号分隔对，由gydF4y2Ba“PLTolerance”gydF4y2Ba和一个正标量值。gydF4y2Ba

例子:gydF4y2Bae-06 PLTolerance, 1gydF4y2Ba

数据类型:gydF4y2Ba单gydF4y2Ba| gydF4y2Ba双gydF4y2Ba

`StartMethodgydF4y2Ba`—gydF4y2Ba方法开始迭代优化gydF4y2Ba
`“默认”gydF4y2Ba`(默认)|gydF4y2Ba`“随机”gydF4y2Ba`

方法开始迭代优化，指定为逗号分隔对组成gydF4y2Ba“StartMethod”gydF4y2Ba以及以下任何一种情况。gydF4y2Ba

价值gydF4y2Ba	描述gydF4y2Ba
`“默认”gydF4y2Ba`	一个内部定义的默认值gydF4y2Ba
`“随机”gydF4y2Ba`	随机初值gydF4y2Ba

例子:gydF4y2Ba“StartMethod”和“random”gydF4y2Ba

`使用顺序拟合gydF4y2Ba`—gydF4y2Ba初始拟合类型gydF4y2Ba
`假gydF4y2Ba`(默认)|gydF4y2Ba`真正的gydF4y2Ba`

，指定为逗号分隔的对，由gydF4y2Ba“使用顺序配件”gydF4y2Ba,要么gydF4y2Ba假gydF4y2Ba或gydF4y2Ba真正的gydF4y2Ba.如果gydF4y2Ba“使用顺序配件”gydF4y2Ba是gydF4y2Ba假gydF4y2Ba，所有最大似然方法都使用一个或多个伪似然迭代进行初始化。如果gydF4y2Ba“使用顺序配件”gydF4y2Ba是gydF4y2Ba真正的gydF4y2Ba，利用伪似然迭代的初值进行优化gydF4y2Ba“ApproximateLaplace”gydF4y2Ba为gydF4y2Ba“拉普拉斯”gydF4y2Ba拟合。gydF4y2Ba

例子:gydF4y2Ba“UseSequentialFitting”,真的gydF4y2Ba

`冗长的gydF4y2Ba`—gydF4y2Ba指标显示优化过程在屏幕上gydF4y2Ba
`0gydF4y2Ba`(默认)|gydF4y2Ba`1gydF4y2Ba`| gydF4y2Ba`2gydF4y2Ba`

指示符在屏幕上显示优化过程，指定为逗号分隔对组成gydF4y2Ba“详细”gydF4y2Ba和gydF4y2Ba0gydF4y2Ba,gydF4y2Ba1gydF4y2Ba,或gydF4y2Ba2gydF4y2Ba.如果gydF4y2Ba“详细”gydF4y2Ba被指定为gydF4y2Ba1gydF4y2Ba或gydF4y2Ba2gydF4y2Ba,然后gydF4y2BafitglmegydF4y2Ba显示模型拟合的迭代过程。指定gydF4y2Ba“详细”gydF4y2Ba作为gydF4y2Ba2gydF4y2Ba显示来自单个伪似然迭代的迭代优化信息。指定gydF4y2Ba“详细”gydF4y2Ba作为gydF4y2Ba1gydF4y2Ba省略了这显示。gydF4y2Ba

的设置gydF4y2Ba“详细”gydF4y2Ba覆盖该字段gydF4y2Ba“显示”gydF4y2Ba在gydF4y2Ba“OptimizerOptions”gydF4y2Ba．gydF4y2Ba

例子:gydF4y2Ba“冗长”，1gydF4y2Ba

`砝码gydF4y2Ba`—gydF4y2Ba观测权重gydF4y2Ba
非负标量值的向量gydF4y2Ba

观察权值，指定为逗号分隔的对，由gydF4y2Ba“重量”gydF4y2Ba和一个gydF4y2BangydF4y2Ba非负标量值的-by-1向量，其中gydF4y2BangydF4y2Ba为观察次数。如果响应分布是二项分布或泊松分布，则gydF4y2Ba“重量”gydF4y2Ba一定是一个正整数向量。gydF4y2Ba

数据类型:gydF4y2Ba单gydF4y2Ba| gydF4y2Ba双gydF4y2Ba

输出参数gydF4y2Ba

全部折叠gydF4y2Ba

`glmegydF4y2Ba`-广义线性混合效应模型gydF4y2Ba
`GeneralizedLinearMixedModelgydF4y2Ba`对象gydF4y2Ba

广义线性混合效应模型，指定为gydF4y2BaGeneralizedLinearMixedModelgydF4y2Ba对象。有关此对象的属性和方法，请参见gydF4y2BaGeneralizedLinearMixedModelgydF4y2Ba．gydF4y2Ba

威尔金森符号gydF4y2Ba	标准符号中的因子gydF4y2Ba
`1gydF4y2Ba`	常数（截距）项gydF4y2Ba
`X ^ kgydF4y2Ba`,在那里gydF4y2Ba`kgydF4y2Ba`为正整数gydF4y2Ba	`XgydF4y2Ba`,gydF4y2Ba`XgydF4y2Ba^2gydF4y2Ba`, ...,gydF4y2Ba`XgydF4y2Ba^kgydF4y2Ba`
`X1 + X2gydF4y2Ba`	`X1gydF4y2Ba`,gydF4y2Ba`X2gydF4y2Ba`
`X1 * X2gydF4y2Ba`	`X1gydF4y2Ba`,gydF4y2Ba`X2gydF4y2Ba`,gydF4y2Ba`X1。* X2(elementwise multiplication of X1 and X2)`
`X1, X2gydF4y2Ba`	`X1。* X2gydF4y2Ba`只有gydF4y2Ba
`- - - - - - X2gydF4y2Ba`	不包括gydF4y2Ba`X2gydF4y2Ba`
`X1*X2+X3gydF4y2Ba`	`X1gydF4y2Ba`,gydF4y2Ba`X2gydF4y2Ba`,gydF4y2Ba`X3gydF4y2Ba`,gydF4y2Ba`X1 * X2gydF4y2Ba`
`X1 + x2 + x3 + X1: x2gydF4y2Ba`	`X1gydF4y2Ba`,gydF4y2Ba`X2gydF4y2Ba`,gydF4y2Ba`X3gydF4y2Ba`,gydF4y2Ba`X1 * X2gydF4y2Ba`
`X1X2X3-X1:X2:X3gydF4y2Ba`	`X1gydF4y2Ba`,gydF4y2Ba`X2gydF4y2Ba`,gydF4y2Ba`X3gydF4y2Ba`,gydF4y2Ba`X1 * X2gydF4y2Ba`,gydF4y2Ba`X1 * X3gydF4y2Ba`,gydF4y2Ba`X2 * X3gydF4y2Ba`
`X1 * (X2 + X3)gydF4y2Ba`	`X1gydF4y2Ba`,gydF4y2Ba`X2gydF4y2Ba`,gydF4y2Ba`X3gydF4y2Ba`,gydF4y2Ba`X1 * X2gydF4y2Ba`,gydF4y2Ba`X1 * X3gydF4y2Ba`

公式gydF4y2Ba	描述gydF4y2Ba
`'y ~ X1 + X2'gydF4y2Ba`	固定的效果为拦截，gydF4y2Ba`X1gydF4y2Ba`和gydF4y2Ba`X2gydF4y2Ba`.这相当于gydF4y2Ba`‘y~1+X1+X2’gydF4y2Ba`．gydF4y2Ba
`'y ~ -1 + X1 + X2'gydF4y2Ba`	没有拦截和固定的效果gydF4y2Ba`X1gydF4y2Ba`和gydF4y2Ba`X2gydF4y2Ba`．隐式截距项通过包含来抑制gydF4y2Ba`－1gydF4y2Ba`．gydF4y2Ba
`(b + b + b + b)gydF4y2Ba`	截距的固定效果加上分组变量每个级别截距的随机效果gydF4y2Ba`g1gydF4y2Ba`．gydF4y2Ba
`'y ~ X1 + (1 \| g1)'gydF4y2Ba`	具有固定斜率的随机截距模型。gydF4y2Ba
`'y ~ X1 + (X1 \| g1)'gydF4y2Ba`	随机截距和斜率，两者之间可能存在相关性。这个等价于gydF4y2Ba`' 1 + X1 + (1 + X1\|g1)'gydF4y2Ba`．gydF4y2Ba
`' X1 + (1 \| g1) + (-1 + X1 \| g1)'gydF4y2Ba`	独立随机影响项的截距和斜率。gydF4y2Ba
`‘y~1+（1\|g1）+（1\|g2）+（1\|g1:g2）’gydF4y2Ba`	具有独立主效应的随机截距模型gydF4y2Ba`g1gydF4y2Ba`和gydF4y2Ba`g2gydF4y2Ba`，加上独立的交互作用。gydF4y2Ba

另见gydF4y2Ba

GeneralizedLinearMixedModelgydF4y2Ba

话题gydF4y2Ba

R2014b中引入gydF4y2Ba

fitglmegydF4y2Ba

语法gydF4y2Ba

描述gydF4y2Ba

例子gydF4y2Ba

拟合广义线性混合效应模型gydF4y2Ba

输入参数gydF4y2Ba

资源描述gydF4y2Ba—gydF4y2Ba输入数据gydF4y2Ba表格gydF4y2Ba| gydF4y2Ba数据集数组gydF4y2Ba

公式gydF4y2Ba—gydF4y2Ba模型规范公式gydF4y2Ba形式的字符向量或字符串标量gydF4y2Ba'y ~ fixed + (random1|grouping1) +…+ (randomR | groupingR) 'gydF4y2Ba

名称-值参数gydF4y2Ba

BinomialSizegydF4y2Ba—gydF4y2Ba二项分布的试验次数gydF4y2Ba1gydF4y2Ba(默认)|gydF4y2Ba标量值gydF4y2Ba| gydF4y2Ba向量gydF4y2Ba| gydF4y2Ba变量名gydF4y2Ba

CheckHessiangydF4y2Ba—gydF4y2Ba用于检查Hessian的正定性的指示器gydF4y2Ba假gydF4y2Ba(默认)|gydF4y2Ba真正的gydF4y2Ba

CovarianceMethodgydF4y2Ba—gydF4y2Ba估计参数协方差的计算方法gydF4y2Ba“条件”gydF4y2Ba(默认)|gydF4y2Ba“JointHessian”gydF4y2Ba

DispersionFlaggydF4y2Ba—gydF4y2Ba计算色散参数的指示器gydF4y2Ba假gydF4y2Ba为gydF4y2Ba“二项式”gydF4y2Ba和gydF4y2Ba“泊松”gydF4y2Ba分布gydF4y2Ba(默认)|gydF4y2Ba真正的gydF4y2Ba

分布gydF4y2Ba—gydF4y2Ba响应变量的分布gydF4y2Ba“正常”gydF4y2Ba(默认)|gydF4y2Ba“二项式”gydF4y2Ba| gydF4y2Ba“泊松”gydF4y2Ba| gydF4y2Ba“伽马”gydF4y2Ba| gydF4y2Ba“反高斯”gydF4y2Ba

DummyVarCodinggydF4y2Ba—gydF4y2Ba用于虚拟变量的编码gydF4y2Ba“参考”gydF4y2Ba(默认)|gydF4y2Ba“效果”gydF4y2Ba| gydF4y2Ba“全部”gydF4y2Ba

EBMethodgydF4y2Ba—gydF4y2Ba用于近似随机效应的经验Bayes估计的方法gydF4y2Ba“汽车”gydF4y2Ba(默认)|gydF4y2Ba“牛顿”gydF4y2Ba| gydF4y2Ba“TrustRegion2D”gydF4y2Ba| gydF4y2Ba“fsolve”gydF4y2Ba

EBOptionsgydF4y2Ba—gydF4y2Ba经验贝叶斯优化的选择gydF4y2Ba结构gydF4y2Ba

排除gydF4y2Ba—gydF4y2Ba要排除的行的索引gydF4y2Ba使用所有行gydF4y2Ba南斯gydF4y2Ba(默认)|gydF4y2Ba整数值或逻辑值的向量gydF4y2Ba

FitMethodgydF4y2Ba—gydF4y2Ba模型参数估计方法gydF4y2Ba“MPL”gydF4y2Ba(默认)|gydF4y2Ba“REMPL”gydF4y2Ba| gydF4y2Ba“拉普拉斯”gydF4y2Ba| gydF4y2Ba“ApproximateLaplacegydF4y2Ba

初始迭代gydF4y2Ba—gydF4y2Ba伪似然迭代的初始次数gydF4y2Ba10gydF4y2Ba(默认)|gydF4y2Ba在[1，∞]范围内的整数值gydF4y2Ba

链接gydF4y2Ba—gydF4y2Ba链接功能gydF4y2Ba“身份”gydF4y2Ba| gydF4y2Ba“日志”gydF4y2Ba| gydF4y2Ba“罗吉特”gydF4y2Ba| gydF4y2Ba“probit”gydF4y2Ba| gydF4y2Ba“comploglog”gydF4y2Ba| gydF4y2Ba“互惠”gydF4y2Ba| gydF4y2Ba标量值gydF4y2Ba| gydF4y2Ba结构gydF4y2Ba

穆斯塔特gydF4y2Ba—gydF4y2Ba条件平均值的起始值gydF4y2Ba标量值gydF4y2Ba

抵消gydF4y2Ba—gydF4y2Ba抵消gydF4y2Ba0 (n, 1)gydF4y2Ba(默认)|gydF4y2BangydF4y2Ba标量值的-乘1向量gydF4y2Ba

优化器gydF4y2Ba—gydF4y2Ba优化算法gydF4y2Ba“准涅顿”gydF4y2Ba(默认)|gydF4y2Ba“fminsearch”gydF4y2Ba| gydF4y2Ba“fminunc”gydF4y2Ba

OptimizerOptionsgydF4y2Ba—gydF4y2Ba优化算法的选择gydF4y2Ba返回的结构gydF4y2BastatsetgydF4y2Ba| gydF4y2Ba返回的结构gydF4y2BaoptimsetgydF4y2Ba| gydF4y2Ba返回的对象gydF4y2Ba最佳选择gydF4y2Ba

TolFungydF4y2Ba-目标函数梯度的相对容限gydF4y2Ba1 e-6gydF4y2Ba（默认值）|正标量值gydF4y2Ba

TolXgydF4y2Ba-步长的绝对公差gydF4y2Ba1e-12gydF4y2Ba（默认值）|正标量值gydF4y2Ba

麦克斯特gydF4y2Ba-允许的最大迭代次数gydF4y2Ba10000gydF4y2Ba（默认值）|正标量值gydF4y2Ba

显示gydF4y2Ba-显示级别gydF4y2Ba“关闭”gydF4y2Ba(默认)|gydF4y2Ba“国际热核实验堆”gydF4y2Ba| gydF4y2Ba“最后一次”gydF4y2Ba

拼音gydF4y2Ba—gydF4y2Ba最大似然迭代数gydF4y2BaOne hundred.gydF4y2Ba(默认)|gydF4y2Ba正整数的值gydF4y2Ba

PLTolerancegydF4y2Ba—gydF4y2Ba伪似然迭代的相对容差因子gydF4y2Ba1 e-08gydF4y2Ba(默认)|gydF4y2Ba正标量值gydF4y2Ba

StartMethodgydF4y2Ba—gydF4y2Ba方法开始迭代优化gydF4y2Ba“默认”gydF4y2Ba(默认)|gydF4y2Ba“随机”gydF4y2Ba

使用顺序拟合gydF4y2Ba—gydF4y2Ba初始拟合类型gydF4y2Ba假gydF4y2Ba(默认)|gydF4y2Ba真正的gydF4y2Ba

冗长的gydF4y2Ba—gydF4y2Ba指标显示优化过程在屏幕上gydF4y2Ba0gydF4y2Ba(默认)|gydF4y2Ba1gydF4y2Ba| gydF4y2Ba2gydF4y2Ba

砝码gydF4y2Ba—gydF4y2Ba观测权重gydF4y2Ba非负标量值的向量gydF4y2Ba

输出参数gydF4y2Ba

glmegydF4y2Ba-广义线性混合效应模型gydF4y2BaGeneralizedLinearMixedModelgydF4y2Ba对象gydF4y2Ba

更多关于gydF4y2Ba

公式gydF4y2Ba

另见gydF4y2Ba

话题gydF4y2Ba

统计和机器学习工具箱文档gydF4y2Ba

金宝app

掌握机器学习:一步一步的指导与MATLABgydF4y2Ba

`资源描述gydF4y2Ba`—gydF4y2Ba输入数据gydF4y2Ba
表格gydF4y2Ba| gydF4y2Ba数据集数组gydF4y2Ba

`公式gydF4y2Ba`—gydF4y2Ba模型规范公式gydF4y2Ba
形式的字符向量或字符串标量gydF4y2Ba`'y ~ fixed + (random1|grouping1) +…+ (randomR | groupingR) 'gydF4y2Ba`

`BinomialSizegydF4y2Ba`—gydF4y2Ba二项分布的试验次数gydF4y2Ba
1gydF4y2Ba(默认)|gydF4y2Ba标量值gydF4y2Ba| gydF4y2Ba向量gydF4y2Ba| gydF4y2Ba变量名gydF4y2Ba

`CheckHessiangydF4y2Ba`—gydF4y2Ba用于检查Hessian的正定性的指示器gydF4y2Ba
`假gydF4y2Ba`(默认)|gydF4y2Ba`真正的gydF4y2Ba`

`CovarianceMethodgydF4y2Ba`—gydF4y2Ba估计参数协方差的计算方法gydF4y2Ba
`“条件”gydF4y2Ba`(默认)|gydF4y2Ba`“JointHessian”gydF4y2Ba`

`DispersionFlaggydF4y2Ba`—gydF4y2Ba计算色散参数的指示器gydF4y2Ba
`假gydF4y2Ba`为gydF4y2Ba`“二项式”gydF4y2Ba`和gydF4y2Ba`“泊松”gydF4y2Ba`分布gydF4y2Ba(默认)|gydF4y2Ba`真正的gydF4y2Ba`

`分布gydF4y2Ba`—gydF4y2Ba响应变量的分布gydF4y2Ba
`“正常”gydF4y2Ba`(默认)|gydF4y2Ba`“二项式”gydF4y2Ba`| gydF4y2Ba`“泊松”gydF4y2Ba`| gydF4y2Ba`“伽马”gydF4y2Ba`| gydF4y2Ba`“反高斯”gydF4y2Ba`

`DummyVarCodinggydF4y2Ba`—gydF4y2Ba用于虚拟变量的编码gydF4y2Ba
`“参考”gydF4y2Ba`(默认)|gydF4y2Ba`“效果”gydF4y2Ba`| gydF4y2Ba`“全部”gydF4y2Ba`

`EBMethodgydF4y2Ba`—gydF4y2Ba用于近似随机效应的经验Bayes估计的方法gydF4y2Ba
`“汽车”gydF4y2Ba`(默认)|gydF4y2Ba`“牛顿”gydF4y2Ba`| gydF4y2Ba`“TrustRegion2D”gydF4y2Ba`| gydF4y2Ba`“fsolve”gydF4y2Ba`

`EBOptionsgydF4y2Ba`—gydF4y2Ba经验贝叶斯优化的选择gydF4y2Ba
结构gydF4y2Ba

`排除gydF4y2Ba`—gydF4y2Ba要排除的行的索引gydF4y2Ba
使用所有行gydF4y2Ba`南斯gydF4y2Ba`(默认)|gydF4y2Ba整数值或逻辑值的向量gydF4y2Ba

`FitMethodgydF4y2Ba`—gydF4y2Ba模型参数估计方法gydF4y2Ba
`“MPL”gydF4y2Ba`(默认)|gydF4y2Ba`“REMPL”gydF4y2Ba`| gydF4y2Ba`“拉普拉斯”gydF4y2Ba`| gydF4y2Ba`“ApproximateLaplacegydF4y2Ba`

`初始迭代gydF4y2Ba`—gydF4y2Ba伪似然迭代的初始次数gydF4y2Ba
10gydF4y2Ba(默认)|gydF4y2Ba在[1，∞]范围内的整数值gydF4y2Ba

`穆斯塔特gydF4y2Ba`—gydF4y2Ba条件平均值的起始值gydF4y2Ba
标量值gydF4y2Ba

`抵消gydF4y2Ba`—gydF4y2Ba抵消gydF4y2Ba
`0 (n, 1)gydF4y2Ba`(默认)|gydF4y2BangydF4y2Ba标量值的-乘1向量gydF4y2Ba

`优化器gydF4y2Ba`—gydF4y2Ba优化算法gydF4y2Ba
`“准涅顿”gydF4y2Ba`(默认)|gydF4y2Ba`“fminsearch”gydF4y2Ba`| gydF4y2Ba`“fminunc”gydF4y2Ba`

`OptimizerOptionsgydF4y2Ba`—gydF4y2Ba优化算法的选择gydF4y2Ba
返回的结构gydF4y2Ba`statsetgydF4y2Ba`| gydF4y2Ba返回的结构gydF4y2Ba`optimsetgydF4y2Ba`| gydF4y2Ba返回的对象gydF4y2Ba`最佳选择gydF4y2Ba`

`TolFungydF4y2Ba`-目标函数梯度的相对容限gydF4y2Ba
`1 e-6gydF4y2Ba`（默认值）|正标量值gydF4y2Ba

`TolXgydF4y2Ba`-步长的绝对公差gydF4y2Ba
`1e-12gydF4y2Ba`（默认值）|正标量值gydF4y2Ba

`麦克斯特gydF4y2Ba`-允许的最大迭代次数gydF4y2Ba
`10000gydF4y2Ba`（默认值）|正标量值gydF4y2Ba

`显示gydF4y2Ba`-显示级别gydF4y2Ba
`“关闭”gydF4y2Ba`(默认)|gydF4y2Ba`“国际热核实验堆”gydF4y2Ba`| gydF4y2Ba`“最后一次”gydF4y2Ba`

`拼音gydF4y2Ba`—gydF4y2Ba最大似然迭代数gydF4y2Ba
`One hundred.gydF4y2Ba`(默认)|gydF4y2Ba正整数的值gydF4y2Ba

`PLTolerancegydF4y2Ba`—gydF4y2Ba伪似然迭代的相对容差因子gydF4y2Ba
`1 e-08gydF4y2Ba`(默认)|gydF4y2Ba正标量值gydF4y2Ba

`StartMethodgydF4y2Ba`—gydF4y2Ba方法开始迭代优化gydF4y2Ba
`“默认”gydF4y2Ba`(默认)|gydF4y2Ba`“随机”gydF4y2Ba`

`使用顺序拟合gydF4y2Ba`—gydF4y2Ba初始拟合类型gydF4y2Ba
`假gydF4y2Ba`(默认)|gydF4y2Ba`真正的gydF4y2Ba`

`冗长的gydF4y2Ba`—gydF4y2Ba指标显示优化过程在屏幕上gydF4y2Ba
`0gydF4y2Ba`(默认)|gydF4y2Ba`1gydF4y2Ba`| gydF4y2Ba`2gydF4y2Ba`

`砝码gydF4y2Ba`—gydF4y2Ba观测权重gydF4y2Ba
非负标量值的向量gydF4y2Ba

`glmegydF4y2Ba`-广义线性混合效应模型gydF4y2Ba
`GeneralizedLinearMixedModelgydF4y2Ba`对象gydF4y2Ba