菲特尔梅gydF4y2Ba

拟合线性混合效应模型gydF4y2Ba

句法gydF4y2Ba

LME = fitlme（TBL，式）gydF4y2Ba

lme=fitlme（待定、公式、名称、值）gydF4y2Ba

描述gydF4y2Ba

lme三个月gydF4y2Ba=菲特尔梅(gydF4y2BatblgydF4y2Ba，gydF4y2Ba公式gydF4y2Ba）gydF4y2Ba返回由指定的线性混合效果模型gydF4y2Ba公式gydF4y2Ba，适合于表或数据集数组中的变量gydF4y2BatblgydF4y2Ba．gydF4y2Ba

例子gydF4y2Ba

lme三个月gydF4y2Ba=菲特尔梅(gydF4y2BatblgydF4y2Ba，gydF4y2Ba公式gydF4y2Ba，gydF4y2Ba名称,值gydF4y2Ba）gydF4y2Ba返回带有由一个或多个指定的附加选项的线性混合效果模型gydF4y2Ba名称,值gydF4y2Ba对参数。gydF4y2Ba

例如，您可以指定随机效应术语的协方差模式、用于估计参数的方法或优化算法的选项。gydF4y2Ba

例子gydF4y2Ba

全部崩溃gydF4y2Ba

拟合线性混合效应模型gydF4y2Ba

打开实时脚本gydF4y2Ba

加载示例数据。gydF4y2Ba

加载gydF4y2Ba进口- 85gydF4y2Ba

将变量存储在表中。gydF4y2Ba

tbl=表（X（：，12），X（：，14），X（：，24），gydF4y2Ba“变化无常”gydF4y2Ba,{gydF4y2Ba“马力”gydF4y2Ba，gydF4y2Ba“CityMPG”gydF4y2Ba，gydF4y2Ba'发动机类型'gydF4y2Ba});gydF4y2Ba

显示表的前五行。gydF4y2Ba

tbl（1:5，：）gydF4y2Ba

ans =gydF4y2Ba5×3表gydF4y2Ba马力城市MPG发动机类型11111315419371024351518181835gydF4y2Ba

对城市中每加仑汽油的英里数采用线性混合效应模型，对马力采用固定效应，对拦截量和马力按发动机类型分组采用不相关随机效应。gydF4y2Ba

lme=fitlme（待定，gydF4y2Ba“CityMPG ~马力+ (1 | EngineType) + (Horsepower-1 | EngineType)”gydF4y2Ba);gydF4y2Ba

在这个模型中,gydF4y2Ba城市公园gydF4y2Ba是响应变量，马力是预测变量，发动机类型是分组变量gydF4y2Ba1 +马力gydF4y2Ba，因为默认情况下包含截取。gydF4y2Ba

由于截距和马力的随机效应项是不相关的，因此这些项是单独指定的。因为第二个随机效应项仅用于马力，所以必须包括gydF4y2Ba–1gydF4y2Ba消除第二个随机效应项的截距。gydF4y2Ba

显示模型。gydF4y2Ba

lme三个月gydF4y2Ba

模型信息:观测数203固定效应系数2随机效应系数14协方差参数3公式:CityMPG ~ 1 +马力+ (1 | EngineType) +(马力| EngineType)模型拟合统计AIC BIC LogLikelihood deviation 1099.5 1116 -544.73 1089.5 Fixed effects coefficients (95% CIs): Name Estimate SE tStat DF pValue {'(Intercept)'} 0.12631 0.02284 -5.53 201 9.8848e- 28{'马力'}-0.12631 0.02284 -5.53 201 9.8848e-08 Lower Upper 31.645 42.906 -0.17134 -0.081269随机效应协方差参数(95% CIs):组:EngineType (7 Levels) Name1 Name2 Type Estimate {'(Intercept)'} {'(Intercept)'} {'std'} 5.7338 Lower Upper 2.3773 13.829 Group: EngineType (7 Levels) Name1 Name2 Type Estimate{'马力'}{'马力'}{'std'} 0.050357 Lower Upper 0.02307 0.10992 Group: Error Name Estimate Lower Upper {'Res std'} 3.226 2.9078 3.5789 .引擎类型(7 Levels) Name1 Name2 Type Estimate{'马力'}{'马力'gydF4y2Ba

请注意，截距和马力的随机效应协方差参数在显示中是分开的。gydF4y2Ba

现在，拟合城市中每加仑英里数的线性混合效应模型，具有相同的固定效应项和潜在的相关随机效应，用于按发动机类型分组的截距和马力。gydF4y2Ba

lme2 = fitlme（TBL，gydF4y2Ba“CityMPG ~马力+(马力| EngineType)”gydF4y2Ba);gydF4y2Ba

因为随机效应项默认包含截距，所以您不必添加gydF4y2Ba1gydF4y2Ba，则随机效应项等价于gydF4y2Ba（1+马力|发动机类型）gydF4y2Ba．gydF4y2Ba

显示模型。gydF4y2Ba

lme2gydF4y2Ba

lme2=线性混合效应模型拟合ML模型信息：观测次数203固定效应系数2随机效应系数14协方差参数4公式：CityMPG~1+马力+（1+马力|引擎类型）模型拟合统计：AIC BIC对数似然偏差1089 1108.9-538.52 1077固定效应系数（95%CIs）：名称估计值SE tStat DF pValue{（截距）}33.824.0181 8.4178 201 7.1678e-15{（马力）}-0.1087 0.032912-3.3029 201 0.0011328上下25.901 41.747-0.1736-0.043806随机效应协方差参数（95%CIs）：组：EngineType（7个级别）名称1名称类型估计值{（截距）}{（截距）}9.4952{'Horsepower'}{（Intercept）}{'corr'}-0.96843{'Horsepower'}{'Horsepower'}0.078874上下4.7022 19.174-0.99568-0.78738 0.039917 0.15585组：错误名称估计上下{'Res std'}3.1845 2.8774 3.5243gydF4y2Ba

请注意，截距和马力的随机效应协方差参数一起显示在显示屏中，其中包括相关性(gydF4y2Ba“科尔”gydF4y2Ba)在截距和马力之间。gydF4y2Ba

拟合随机截距LME模型gydF4y2Ba

打开实时脚本gydF4y2Ba

加载示例数据。gydF4y2Ba

加载gydF4y2Ba流感gydF4y2Ba

的gydF4y2Ba流感gydF4y2Ba数据集数组具有gydF4y2Ba日期gydF4y2Ba变量，10个变量包含估计的流感率(在9个不同地区，根据谷歌®搜索估计，加上疾病控制和预防中心(CDC)的全国估计)。gydF4y2Ba

若要拟合线性混合效应模型，您的数据必须位于格式正确的数据集数组中。若要拟合以流感发病率作为响应的线性混合效应模型，请将与区域对应的九列组合到一个数组中。新的数据集数组，gydF4y2Baflu2gydF4y2Ba，必须有新的响应变量gydF4y2BaFluRategydF4y2Ba，名义变量gydF4y2Ba地区gydF4y2Ba这显示了每个估计来自哪个地区，全国范围的估计gydF4y2Ba瓦迪利gydF4y2Ba，以及分组变量gydF4y2Ba日期gydF4y2Ba．gydF4y2Ba

2:10 flu2 =堆栈(流感,gydF4y2Ba“NewDataVarName”gydF4y2Ba，gydF4y2Ba“FluRate”gydF4y2Ba，gydF4y2Ba...gydF4y2Ba“因德瓦名”gydF4y2Ba，gydF4y2Ba“地区”gydF4y2Ba); flu2.日期=标称（flu2.日期）；gydF4y2Ba

显示文件的前六行gydF4y2Baflu2gydF4y2Ba．gydF4y2Ba

flu2（1:6，：）gydF4y2Ba

ans=日期WtdILI地区流量2005年9月10日1.182东北0.97 10/9/2005 1.182中部1.025 10/9/2005 1.182南部1.232 10/9/2005 1.182西中部1.286 10/9/2005 1.182南部1.082 10/9/2005 1.182南部1.182南部1.457gydF4y2Ba

适合的线性混合效应模型与固定效应术语在全国范围内的估计，gydF4y2Ba瓦迪利gydF4y2Ba，以及随时间变化的随机截距gydF4y2Ba日期gydF4y2Ba.模型对应于gydF4y2Ba

${ygydF4y2Ba}_{我gydF4y2Ba 米gydF4y2Ba} ＝gydF4y2Ba {βgydF4y2Ba}_{0gydF4y2Ba} +gydF4y2Ba {βgydF4y2Ba}_{1gydF4y2Ba} {WgydF4y2Ba tgydF4y2Ba dgydF4y2Ba 我gydF4y2Ba lgydF4y2Ba 我gydF4y2Ba}_{我gydF4y2Ba 米gydF4y2Ba} +gydF4y2Ba {bgydF4y2Ba}_{0gydF4y2Ba 米gydF4y2Ba} +gydF4y2Ba {εgydF4y2Ba}_{我gydF4y2Ba 米gydF4y2Ba} ，gydF4y2Ba 我gydF4y2Ba ＝gydF4y2Ba 1gydF4y2Ba ，gydF4y2Ba 2gydF4y2Ba ，gydF4y2Ba ．gydF4y2Ba ．gydF4y2Ba ．gydF4y2Ba ，gydF4y2Ba 4gydF4y2Ba 6gydF4y2Ba 8gydF4y2Ba ，gydF4y2Ba 米gydF4y2Ba ＝gydF4y2Ba 1gydF4y2Ba ，gydF4y2Ba 2gydF4y2Ba ，gydF4y2Ba ．gydF4y2Ba ．gydF4y2Ba ．gydF4y2Ba ，gydF4y2Ba 5gydF4y2Ba 2gydF4y2Ba ，gydF4y2Ba$

哪里gydF4y2Ba ${ygydF4y2Ba}_{我gydF4y2Ba 米gydF4y2Ba}$ 这就是观察结果gydF4y2Ba $我gydF4y2Ba$ 的水平gydF4y2Ba $米gydF4y2Ba$ 分组变量的gydF4y2Ba日期gydF4y2Ba，gydF4y2Ba ${bgydF4y2Ba}_{0gydF4y2Ba 米gydF4y2Ba}$ 是水平的随机效应gydF4y2Ba $米gydF4y2Ba$ 分组变量的gydF4y2Ba日期gydF4y2Ba和gydF4y2Ba ${εgydF4y2Ba}_{我gydF4y2Ba 米gydF4y2Ba}$ 观察误差是为了观察吗gydF4y2Ba $我gydF4y2Ba$ ．随机效应具有先验分布，gydF4y2Ba

${bgydF4y2Ba}_{0gydF4y2Ba 米gydF4y2Ba} \simgydF4y2Ba NgydF4y2Ba （gydF4y2Ba 0gydF4y2Ba ，gydF4y2Ba {σgydF4y2Ba}_{bgydF4y2Ba}^{2gydF4y2Ba} ）gydF4y2Ba ，gydF4y2Ba$

误差项有分布，gydF4y2Ba

${εgydF4y2Ba}_{我gydF4y2Ba 米gydF4y2Ba} \simgydF4y2Ba NgydF4y2Ba （gydF4y2Ba 0gydF4y2Ba ，gydF4y2Ba {σgydF4y2Ba}^{2gydF4y2Ba} ）gydF4y2Ba ．gydF4y2Ba$

LME = fitlme（flu2，gydF4y2Ba'FluRate ~ 1 + WtdILI + (1|Date)'gydF4y2Ba）gydF4y2Ba

lme=线性混合效应模型通过ML模型拟合信息：观测次数468固定效应系数2随机效应系数52协方差参数2公式：FluRate~1+WtdILI+（1 |日期）模型拟合统计：AIC BIC对数似然偏差286.24 302.83-139.12 278.24固定效应系数（95%CIs）：Name Estimate SE tStat DF pValue{（Intercept）}0.16385 0.057525 2.8484 466 0.0045885{WtdILI}0.7236 0.032219 22.459 466 3.0502e-76上下0.050813 0.27689 0.66028 0.78691随机效应协方差参数（95%CI）：组：日期（52个级别）名称1 Name类型估计{（Intercept）}（Intercept）}{（Intercept）}std）}0.17146上下0.13227 0.22226组：错误名称估计上下{'Res Std'}0.30201 0.28217 0.32324gydF4y2Ba

估计协方差参数显示在标题为“随机效应协方差参数”一节。估计值gydF4y2Ba ${σgydF4y2Ba}_{bgydF4y2Ba}$ 为0.17146，其95%置信区间为[0.13227，0.22226]。由于该区间不包括0，随机效应项具有显著性。您可以通过gydF4y2Ba相比gydF4y2Ba方法。gydF4y2Ba

在观察所估计的响应是固定的效果的总和，并在对应于观测分组变量级别的随机效应值。例如，估计流感率观察28gydF4y2Ba

$\begin{array}{l} {ygydF4y2Ba}_{}^{ˆgydF4y2Ba}_{2gydF4y2Ba 8gydF4y2Ba} ＝gydF4y2Ba {βgydF4y2Ba}_{}^{ˆgydF4y2Ba}_{0gydF4y2Ba} +gydF4y2Ba {βgydF4y2Ba}_{}^{ˆgydF4y2Ba}_{1gydF4y2Ba} {WgydF4y2Ba tgydF4y2Ba dgydF4y2Ba 我gydF4y2Ba lgydF4y2Ba 我gydF4y2Ba}_{2gydF4y2Ba 8gydF4y2Ba} +gydF4y2Ba {bgydF4y2Ba}_{}^{ˆgydF4y2Ba}_{1gydF4y2Ba 0gydF4y2Ba /gydF4y2Ba 3.gydF4y2Ba 0gydF4y2Ba /gydF4y2Ba 2gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 5gydF4y2Ba} \\ ＝gydF4y2Ba 0gydF4y2Ba ．gydF4y2Ba 1gydF4y2Ba 6gydF4y2Ba 3.gydF4y2Ba 9gydF4y2Ba +gydF4y2Ba 0gydF4y2Ba ．gydF4y2Ba 7gydF4y2Ba 2gydF4y2Ba 3.gydF4y2Ba 6gydF4y2Ba ＊gydF4y2Ba （gydF4y2Ba 1gydF4y2Ba ．gydF4y2Ba 3.gydF4y2Ba 4gydF4y2Ba 3.gydF4y2Ba ）gydF4y2Ba +gydF4y2Ba 0gydF4y2Ba ．gydF4y2Ba 3.gydF4y2Ba 3.gydF4y2Ba 1gydF4y2Ba 8gydF4y2Ba \\ ＝gydF4y2Ba 1gydF4y2Ba ．gydF4y2Ba 4gydF4y2Ba 6gydF4y2Ba 7gydF4y2Ba 4gydF4y2Ba 9gydF4y2Ba ，gydF4y2Ba \end{array}$

哪里gydF4y2Ba ${bgydF4y2Ba}_{}^{ˆgydF4y2Ba}$ 是估计的最佳线性无偏预测器(BLUP)的随机效应的截距。该值的计算方法如下。gydF4y2Ba

的β= fixedEffects（LME）;[〜，〜，STATS] = randomEffects（LME）;gydF4y2Ba%计算随机效果统计信息（统计信息）gydF4y2Ba统计数据。level = nominal(STATS.Level); y_hat = beta(1) + beta(2)*flu2.WtdILI(28) + STATS.Estimate(STATS.Level=='10/30/2005'gydF4y2Ba）gydF4y2Ba

y_hat = 1.4674gydF4y2Ba

您可以使用gydF4y2Ba合身gydF4y2Ba方法。gydF4y2Ba

F =安装(lme);F (28)gydF4y2Ba

ans = 1.4674gydF4y2Ba

随机区组设计的LME模型gydF4y2Ba

打开实时脚本gydF4y2Ba

加载示例数据。gydF4y2Ba

装载(gydF4y2Ba“shift.mat”gydF4y2Ba）gydF4y2Ba

数据显示了在早班、晚班和夜班三个轮班期间，五名操作员生产的产品与目标质量特性的绝对偏差。这是一个随机区组设计，其中操作员为区组。该实验旨在研究轮班时间对性能的影响。性能度量是质量特性与目标值的下载188bet金宝搏绝对偏差。这是模拟数据。gydF4y2Ba

拟合线性混合效应模型，随机截距按操作员分组，以评估性能是否因换档时间而显著不同。使用受限最大似然法和gydF4y2Ba“影响”gydF4y2Ba对比。gydF4y2Ba

“影响”gydF4y2Ba对比意味着系数的和为0gydF4y2Ba菲特尔梅gydF4y2Ba创建一个称为gydF4y2Ba固定效果设计矩阵gydF4y2Ba用于描述移位的效果。此矩阵有两列，gydF4y2Ba $年代gydF4y2Ba hgydF4y2Ba 我gydF4y2Ba fgydF4y2Ba tgydF4y2Ba ＿gydF4y2Ba EgydF4y2Ba vgydF4y2Ba egydF4y2Ba ngydF4y2Ba 我gydF4y2Ba ngydF4y2Ba ggydF4y2Ba$ 和gydF4y2Ba $年代gydF4y2Ba hgydF4y2Ba 我gydF4y2Ba fgydF4y2Ba tgydF4y2Ba ＿gydF4y2Ba 米gydF4y2Ba ogydF4y2Ba rgydF4y2Ba ngydF4y2Ba 我gydF4y2Ba ngydF4y2Ba ggydF4y2Ba$ ,在那里gydF4y2Ba

$转变gydF4y2Ba ＿gydF4y2Ba 晚上gydF4y2Ba ＝gydF4y2Ba ｛gydF4y2Ba \begin{array}{ll} 0gydF4y2Ba ，gydF4y2Ba & 如果gydF4y2Ba 早晨gydF4y2Ba \\ 1gydF4y2Ba ，gydF4y2Ba & 如果gydF4y2Ba 晚上gydF4y2Ba \\ -gydF4y2Ba 1gydF4y2Ba ，gydF4y2Ba & 如果gydF4y2Ba 夜gydF4y2Ba \end{array}$

$转变gydF4y2Ba ＿gydF4y2Ba 早晨gydF4y2Ba ＝gydF4y2Ba ｛gydF4y2Ba \begin{array}{ll} 1gydF4y2Ba ，gydF4y2Ba & 如果早上gydF4y2Ba \\ 0gydF4y2Ba ，gydF4y2Ba & 如果gydF4y2Ba 晚上gydF4y2Ba \\ -gydF4y2Ba 1gydF4y2Ba ，gydF4y2Ba & 如果gydF4y2Ba 夜gydF4y2Ba \end{array}$

该模型对应于gydF4y2Ba

$\begin{array}{lrl} 早晨gydF4y2Ba 转变:gydF4y2Ba & {QCDevgydF4y2Ba}_{我gydF4y2Ba 米gydF4y2Ba} & ＝gydF4y2Ba {βgydF4y2Ba}_{0gydF4y2Ba} +gydF4y2Ba {βgydF4y2Ba}_{2gydF4y2Ba} {转变gydF4y2Ba ＿gydF4y2Ba 早晨gydF4y2Ba}_{我gydF4y2Ba} +gydF4y2Ba {bgydF4y2Ba}_{0gydF4y2Ba 米gydF4y2Ba} +gydF4y2Ba {ϵgydF4y2Ba}_{我gydF4y2Ba 米gydF4y2Ba} ，gydF4y2Ba \\ 晚上gydF4y2Ba 转变:gydF4y2Ba & {QCDevgydF4y2Ba}_{我gydF4y2Ba 米gydF4y2Ba} & ＝gydF4y2Ba {βgydF4y2Ba}_{0gydF4y2Ba} +gydF4y2Ba {βgydF4y2Ba}_{1gydF4y2Ba} {转变gydF4y2Ba ＿gydF4y2Ba 晚上gydF4y2Ba}_{我gydF4y2Ba} +gydF4y2Ba {bgydF4y2Ba}_{0gydF4y2Ba 米gydF4y2Ba} +gydF4y2Ba {ϵgydF4y2Ba}_{我gydF4y2Ba 米gydF4y2Ba} ，gydF4y2Ba \\ 夜gydF4y2Ba 转变:gydF4y2Ba & {QCDevgydF4y2Ba}_{我gydF4y2Ba 米gydF4y2Ba} & ＝gydF4y2Ba {βgydF4y2Ba}_{0gydF4y2Ba} -gydF4y2Ba {βgydF4y2Ba}_{1gydF4y2Ba} {转变gydF4y2Ba ＿gydF4y2Ba 晚上gydF4y2Ba}_{我gydF4y2Ba} -gydF4y2Ba {βgydF4y2Ba}_{2gydF4y2Ba} {转变gydF4y2Ba ＿gydF4y2Ba 早晨gydF4y2Ba}_{我gydF4y2Ba} +gydF4y2Ba {bgydF4y2Ba}_{0gydF4y2Ba 米gydF4y2Ba} +gydF4y2Ba {ϵgydF4y2Ba}_{我gydF4y2Ba 米gydF4y2Ba} ，gydF4y2Ba \end{array}$

哪里gydF4y2Ba $我gydF4y2Ba$ 表示观察结果，以及gydF4y2Ba $米gydF4y2Ba$ 代表运营商,gydF4y2Ba $我gydF4y2Ba$ = 1, 2，…15,gydF4y2Ba $米gydF4y2Ba$ = 1, 2, ..., 5. 随机效应和观测误差具有以下分布：gydF4y2Ba

${bgydF4y2Ba}_{0gydF4y2Ba 米gydF4y2Ba} \simgydF4y2Ba NgydF4y2Ba （gydF4y2Ba 0gydF4y2Ba ，gydF4y2Ba {σgydF4y2Ba}_{bgydF4y2Ba}^{2gydF4y2Ba} ）gydF4y2Ba$

和gydF4y2Ba

${εgydF4y2Ba}_{我gydF4y2Ba 米gydF4y2Ba} \simgydF4y2Ba NgydF4y2Ba （gydF4y2Ba 0gydF4y2Ba ，gydF4y2Ba {σgydF4y2Ba}^{2gydF4y2Ba} ）gydF4y2Ba ．gydF4y2Ba$

lme=fitlme（班次，gydF4y2Ba'QCDev ~ Shift + (1|Operator)'gydF4y2Ba，gydF4y2Ba...gydF4y2Ba“FitMethod”gydF4y2Ba，gydF4y2Ba“REML”gydF4y2Ba，gydF4y2Ba“DummyVarCoding”gydF4y2Ba，gydF4y2Ba“影响”gydF4y2Ba）gydF4y2Ba

通过REML模型信息LME =线性混合效应模型拟合：观测数15个固定效应系数3个随机效应系数5个协方差参数2公式：QCDev〜1 + Shift键+（1 |运营商）模型拟合统计：AIC BIC对数似然越轨58.91361.337 -24.456 48.913固定效应系数（95％CI）的：姓名估计SE TSTAT DF p值{ '（截距）'} 3.6525 0.94109 3.8812 12 0.0021832 { 'Shift_Evening'} -0.53293 0.31206 -1.7078 12 0.11339 { 'Shift_Morning'} -0.919730.31206 -2.9473 12 0.012206下限上限1.6021 5.703 -1.2129 0.14699 -1.5997 -0.23981随机效应协方差参数（95％CI）的：组：操作员（5级）名1名2型估计{ '（截距）'} { '（截距）'} { '性病'} 2.0457下限上限0.98207 4.2612组：错误名称估量较低上限{ 'RES标准'} 0.85462 0.52357 1.395gydF4y2Ba

计算随机效应的最佳线性无偏预测（BLUP）估计。gydF4y2Ba

B=随机效应（lme）gydF4y2Ba

B =gydF4y2Ba5×1gydF4y2Ba0.5775 1.1757 -2.1715 2.3655 -1.9472gydF4y2Ba

对夜班第三个操作员与目标质量特征的绝对偏差估计为gydF4y2Ba

$\begin{array}{l} {ygydF4y2Ba}_{}^{ˆgydF4y2Ba}_{晚上gydF4y2Ba ，gydF4y2Ba 操作符gydF4y2Ba 3.gydF4y2Ba} ＝gydF4y2Ba {βgydF4y2Ba}_{}^{ˆgydF4y2Ba}_{0gydF4y2Ba} +gydF4y2Ba {βgydF4y2Ba}_{}^{ˆgydF4y2Ba}_{1gydF4y2Ba} 转变gydF4y2Ba ＿gydF4y2Ba 晚上gydF4y2Ba +gydF4y2Ba {bgydF4y2Ba}_{}^{ˆgydF4y2Ba}_{0gydF4y2Ba 3.gydF4y2Ba} \\ ＝gydF4y2Ba 3.gydF4y2Ba ．gydF4y2Ba 6gydF4y2Ba 5gydF4y2Ba 2gydF4y2Ba 5gydF4y2Ba -gydF4y2Ba 0gydF4y2Ba ．gydF4y2Ba 5gydF4y2Ba 3.gydF4y2Ba 2gydF4y2Ba 9gydF4y2Ba 3.gydF4y2Ba -gydF4y2Ba 2gydF4y2Ba ．gydF4y2Ba 1gydF4y2Ba 7gydF4y2Ba 1gydF4y2Ba 5gydF4y2Ba \\ ＝gydF4y2Ba 0gydF4y2Ba ．gydF4y2Ba 9gydF4y2Ba 4gydF4y2Ba 8gydF4y2Ba 0gydF4y2Ba 7gydF4y2Ba ．gydF4y2Ba \end{array}$

也可以按如下方式显示此值。gydF4y2Ba

F =安装(lme);F（shift.Shift ==gydF4y2Ba“晚上”gydF4y2Ba&转变。操作符＝＝gydF4y2Ba“3”gydF4y2Ba）gydF4y2Ba

ans = 0.9481gydF4y2Ba

类似地，可以计算出在早班工作的第三个操作员与目标质量特征的估计绝对偏差为gydF4y2Ba

$\begin{array}{l} {ygydF4y2Ba}_{}^{ˆgydF4y2Ba}_{早晨gydF4y2Ba ，gydF4y2Ba 操作符gydF4y2Ba 3.gydF4y2Ba} ＝gydF4y2Ba {βgydF4y2Ba}_{}^{ˆgydF4y2Ba}_{0gydF4y2Ba} +gydF4y2Ba {βgydF4y2Ba}_{}^{ˆgydF4y2Ba}_{2gydF4y2Ba} 转变gydF4y2Ba ＿gydF4y2Ba 早晨gydF4y2Ba +gydF4y2Ba {bgydF4y2Ba}_{}^{ˆgydF4y2Ba}_{0gydF4y2Ba 3.gydF4y2Ba} \\ ＝gydF4y2Ba 3.gydF4y2Ba ．gydF4y2Ba 6gydF4y2Ba 5gydF4y2Ba 2gydF4y2Ba 5gydF4y2Ba -gydF4y2Ba 0gydF4y2Ba ．gydF4y2Ba 9gydF4y2Ba 1gydF4y2Ba 9gydF4y2Ba 7gydF4y2Ba 3.gydF4y2Ba -gydF4y2Ba 2gydF4y2Ba ．gydF4y2Ba 1gydF4y2Ba 7gydF4y2Ba 1gydF4y2Ba 5gydF4y2Ba \\ ＝gydF4y2Ba 0gydF4y2Ba ．gydF4y2Ba 5gydF4y2Ba 6gydF4y2Ba 1gydF4y2Ba 2gydF4y2Ba 7gydF4y2Ba ．gydF4y2Ba \end{array}$

也可以按如下方式显示此值。gydF4y2Ba

F（shift.Shift ==gydF4y2Ba“早晨”gydF4y2Ba&转变。操作符＝＝gydF4y2Ba“3”gydF4y2Ba）gydF4y2Ba

ans=0.5613gydF4y2Ba

操作员在早班时往往会产生较小的误差。gydF4y2Ba

裂区试验的LME模型gydF4y2Ba

打开实时脚本gydF4y2Ba

加载示例数据。gydF4y2Ba

装载(gydF4y2Ba“肥料，垫子”gydF4y2Ba）gydF4y2Ba

该数据集阵列包括来自裂区试验的数据，在裂区试验中，土壤根据土壤类型分为三个块:沙质、粉质和壤土。每个地块被分成5块，5种番茄(樱桃、传家宝、葡萄、葡萄和李子)被随机分配到这些地块。然后，这些小块地里的番茄被分成几个小块，每个小块用四种肥料中的一种进行处理。这是模拟数据。gydF4y2Ba

将数据存储在名为gydF4y2BaDS.gydF4y2Ba，并定义gydF4y2Ba番茄gydF4y2Ba，gydF4y2Ba土壤gydF4y2Ba和gydF4y2Ba肥料gydF4y2Ba作为分类变量。gydF4y2Ba

DS =肥料;ds.Tomato =额定（ds.Tomato）;ds.Soil =额定（ds.Soil）;ds.Fertilizer =额定（ds.Fertilizer）;gydF4y2Ba

拟合线性混合效应模型，其中gydF4y2Ba肥料gydF4y2Ba和gydF4y2Ba番茄gydF4y2Ba是固定效应变量，平均产量因地块（土壤类型）和地块内的地块（土壤类型中的番茄类型）而独立变化。gydF4y2Ba

该模型对应于gydF4y2Ba

$\begin{array}{l} {ygydF4y2Ba}_{我gydF4y2Ba 米gydF4y2Ba jgydF4y2Ba kgydF4y2Ba} ＝gydF4y2Ba {βgydF4y2Ba}_{0gydF4y2Ba} +gydF4y2Ba {\sumgydF4y2Ba}_{米gydF4y2Ba ＝gydF4y2Ba 2gydF4y2Ba}^{4gydF4y2Ba} {βgydF4y2Ba}_{1gydF4y2Ba 米gydF4y2Ba} 我gydF4y2Ba {［gydF4y2Ba FgydF4y2Ba ］gydF4y2Ba}_{我gydF4y2Ba 米gydF4y2Ba} +gydF4y2Ba {\sumgydF4y2Ba}_{jgydF4y2Ba ＝gydF4y2Ba 2gydF4y2Ba}^{5gydF4y2Ba} {βgydF4y2Ba}_{2gydF4y2Ba jgydF4y2Ba} 我gydF4y2Ba {［gydF4y2Ba TgydF4y2Ba ］gydF4y2Ba}_{我gydF4y2Ba jgydF4y2Ba} +gydF4y2Ba {\sumgydF4y2Ba}_{jgydF4y2Ba ＝gydF4y2Ba 2gydF4y2Ba}^{5gydF4y2Ba} {\sumgydF4y2Ba}_{米gydF4y2Ba ＝gydF4y2Ba 2gydF4y2Ba}^{4gydF4y2Ba} {βgydF4y2Ba}_{3.gydF4y2Ba 米gydF4y2Ba jgydF4y2Ba} 我gydF4y2Ba {［gydF4y2Ba FgydF4y2Ba ］gydF4y2Ba}_{我gydF4y2Ba 米gydF4y2Ba} 我gydF4y2Ba {［gydF4y2Ba TgydF4y2Ba ］gydF4y2Ba}_{我gydF4y2Ba jgydF4y2Ba} \\ +gydF4y2Ba {bgydF4y2Ba}_{0gydF4y2Ba kgydF4y2Ba} {年代gydF4y2Ba}_{kgydF4y2Ba} +gydF4y2Ba {bgydF4y2Ba}_{0gydF4y2Ba jgydF4y2Ba kgydF4y2Ba} （gydF4y2Ba 年代gydF4y2Ba ＊gydF4y2Ba TgydF4y2Ba {）gydF4y2Ba}_{jgydF4y2Ba kgydF4y2Ba} +gydF4y2Ba {εgydF4y2Ba}_{我gydF4y2Ba 米gydF4y2Ba jgydF4y2Ba kgydF4y2Ba} ，gydF4y2Ba \end{array}$

哪里gydF4y2Ba $我gydF4y2Ba$ =1，2，…，60，索引gydF4y2Ba $米gydF4y2Ba$ 对应于肥料类型，gydF4y2Ba $jgydF4y2Ba$ 对应于番茄类型，以及gydF4y2Ba $kgydF4y2Ba$ = 1、2、3对应块(土)。gydF4y2Ba ${年代gydF4y2Ba}_{kgydF4y2Ba}$ 代表gydF4y2Ba $kgydF4y2Ba$ 土壤类型，以及gydF4y2Ba $（gydF4y2Ba 年代gydF4y2Ba ＊gydF4y2Ba TgydF4y2Ba {）gydF4y2Ba}_{jgydF4y2Ba kgydF4y2Ba}$ 代表gydF4y2Ba $jgydF4y2Ba$ 番茄类型嵌套在gydF4y2Ba $kgydF4y2Ba$ 土壤类型。gydF4y2Ba $我gydF4y2Ba ［gydF4y2Ba FgydF4y2Ba {］gydF4y2Ba}_{我gydF4y2Ba 米gydF4y2Ba}$ 是虚拟变量代表水平gydF4y2Ba $米gydF4y2Ba$ 的肥料。同样的,gydF4y2Ba $我gydF4y2Ba ［gydF4y2Ba TgydF4y2Ba {］gydF4y2Ba}_{我gydF4y2Ba jgydF4y2Ba}$ 是虚拟变量代表水平gydF4y2Ba $jgydF4y2Ba$ 番茄型的。gydF4y2Ba

随机效应和观测误差具有以下先验分布:gydF4y2Ba ${bgydF4y2Ba}_{0gydF4y2Ba kgydF4y2Ba}$ ~N（0，gydF4y2Ba ${σgydF4y2Ba}_{年代gydF4y2Ba}^{2gydF4y2Ba}$ ),gydF4y2Ba ${bgydF4y2Ba}_{0gydF4y2Ba jgydF4y2Ba kgydF4y2Ba}$ ~N（0，gydF4y2Ba ${σgydF4y2Ba}_{年代gydF4y2Ba ＊gydF4y2Ba TgydF4y2Ba}^{2gydF4y2Ba}$ ),gydF4y2Ba ${ϵgydF4y2Ba}_{我gydF4y2Ba 米gydF4y2Ba jgydF4y2Ba kgydF4y2Ba}$ ~N（0，gydF4y2Ba ${σgydF4y2Ba}^{2gydF4y2Ba}$ ）。gydF4y2Ba

lme=fitlme（ds，gydF4y2Ba'产量~肥料*番茄+(1|土壤)+(1|土壤:番茄)'gydF4y2Ba）gydF4y2Ba

公式:产量~ 1 +番茄*肥料+(1 |土壤)+(1 |土壤:番茄)模型拟合统计量:AIC BIC LogLikelihood Deviance 522.57 570.74 -238.29 476.57固定效应系数(95% CIs):名字估计SE tStat DF{(拦截)的}{‘Tomato_Grape} 77 8.5836 8.9706 -16 11.966 - -1.3371 40{‘Tomato_Heirloom} -6.6667 11.966 -0.55714 40{‘Tomato_Plum}{‘Tomato_Vine} 32.333 11.966 2.7022 -13 11.966 - -1.0864 40{‘Fertilizer_2} 34.667 8.572 4.0442 40{‘Fertilizer_3} 40{‘Fertilizer_4} 47.667 33.667 8.572 3.9275 8.572 - 5.560740｛'Tomato_Grape:Fertilizer_2' } -2.6667 12.123 -0.21997 40 {'Tomato_Heirloom:Fertilizer_2'} -8 12.123 -0.65992 40 {'Tomato_Plum:Fertilizer_2' } -15 12.123 -1.2374 40 {'Tomato_Vine:Fertilizer_2' } -16 12.123 -1.3198 40 {'Tomato_Grape:Fertilizer_3' } 16.667 12.123 1.3748 40 {'Tomato_Heirloom:Fertilizer_3'} 3.3333 12.123 0.27497 40 {'Tomato_Plum:Fertilizer_3' } 3.6667 12.123 0.30246 40 {'Tomato_Vine:Fertilizer_3' } 3 12.123 0.24747 40 {'Tomato_Grape:Fertilizer_4' } 13.333 12.123 1.0999 40 {'Tomato_Heirloom:Fertilizer_4'} -19 12.123 -1.5673 40 {'Tomato_Plum:Fertilizer_4' } -2.6667 12.123 -0.21997 40 {'Tomato_Vine:Fertilizer_4' } 8.6667 12.123 0.71492 40 pValue Lower Upper 4.0206e-11 59.652 94.348 0.18873 -40.184 8.1837 0.58053 -30.85 17.517 0.010059 8.1496 56.517 0.28379 -37.184 11.184 0.00023272 17.342 51.991 0.00033057 16.342 50.991 1.9567e-06 30.342 64.991 0.82701 -27.167 21.834 0.51309 -32.501 16.501 0.22317 -39.501 9.5007 0.19439 -40.501 8.5007 0.17683 -7.8341 41.167 0.78476 -21.167 27.834 0.76387 -20.834 28.167 0.80581 -21.501 27.501 0.27796 -11.167 37.834 0.12492 -43.501 5.5007 0.82701 -27.167 21.834 0.47881 -15.834 33.167 Random effects covariance parameters (95% CIs): Group: Soil (3 Levels) Name1 Name2 Type Estimate {'(Intercept)'} {'(Intercept)'} {'std'} 2.5028 Lower Upper 0.027711 226.04 Group: Soil:Tomato (15 Levels) Name1 Name2 Type Estimate {'(Intercept)'} {'(Intercept)'} {'std'} 10.225 Lower Upper 6.1497 17.001 Group: Error Name Estimate Lower Upper {'Res Std'} 10.499 8.5389 12.908

的gydF4y2Ba $pgydF4y2Ba$ 固定效应系数显示的最后12行对应的-值(0.82701 ~ 0.47881)表明番茄与肥料类型之间的交互系数不显著。为了测试番茄与肥料之间的整体相互作用，使用gydF4y2Ba方差分析gydF4y2Ba使用重新安装后模型方法gydF4y2Ba“影响”gydF4y2Ba对比。gydF4y2Ba

随机效应项标准差的置信区间(gydF4y2Ba ${σgydF4y2Ba}_{年代gydF4y2Ba}^{2gydF4y2Ba}$ ），其中拦截由土壤分组，是非常大的。该术语不会出现显著。gydF4y2Ba

去掉交互项后重新构建模型gydF4y2Ba番茄:肥料gydF4y2Ba和随机效应项gydF4y2Ba(1 |土壤)gydF4y2Ba．gydF4y2Ba

lme=fitlme（ds，gydF4y2Ba‘产量~肥料+番茄+（1 |土壤：番茄）’gydF4y2Ba）gydF4y2Ba

lme =线性mixed-effects模型适合毫升模型信息:数量的观察60固定效应系数15协方差参数2 8随机效应系数公式:收益率~ 1 +番茄+化肥+(1 |土壤:番茄)模型适合统计:AIC BIC LogLikelihood异常511.06 532 -245.53 - 491.06固定效应系数(95% CIs):名字估计SE tStat DF{(拦截)的}77.733 7.3293 10.606 52{‘Tomato_Grape} -9.1667 9.6045 -0.95441 52{‘Tomato_Heirloom} -12.583 9.6045 -1.3102 52{‘Tomato_Plum} 28.833 9.6045 3.0021 52{‘Tomato_Vine} -14.083 9.6045 -1.4663 52{‘Fertilizer_2} 26.333 4.5004 5.8514 52{‘Fertilizer_3} 39 4.5004 - 8.6659 52 47.733{“Fertilizer_4”}4.5004 10.607 52 pValue Lower Upper 1.3108e-14 63.026 92.441 0.34429 -28.439 10.106 0.1959 -31.856 6.6895 0.0041138 9.5605 48.106 0.14858 -33.356 5.1895 3.3024e-07 17.303 35.364 1.1459e-11 29.969 48.031 1.308e-14 38.703 56.764随机效应协方差参数(95% CIs):土壤:番茄(15个级别)Name1 Name2 Type Estimate {'(Intercept)'} {'(Intercept)'} {'std'} 10.02 Lower Upper 6.0812 16.509 Group: Error Name Estimate Lower Upper {'Res std'} 12.325 10.024 15.153gydF4y2Ba

您可以使用gydF4y2Ba相比gydF4y2Ba方法采用模拟似然比检验，因为对固定效应项和随机效应项都进行了检验。gydF4y2Ba

具有协变量的纵向研究gydF4y2Ba

打开实时脚本gydF4y2Ba

加载示例数据。gydF4y2Ba

装载(gydF4y2Ba'weight.mat'gydF4y2Ba）gydF4y2Ba

重量gydF4y2Ba包含纵向研究的数据，20名受试者被随机分配到4个运动项目(a, B, C, D)，他们的减肥记录超过6个2周的时间周期。这是模拟数据。gydF4y2Ba

将数据存储在表中。定义gydF4y2Ba主题gydF4y2Ba和gydF4y2Ba程序gydF4y2Ba作为分类变量。gydF4y2Ba

tbl=表格（初始重量，计划，受试者，周，y）；tbl.受试者=标称（tbl.受试者）；tbl.计划=标称（tbl.计划）；gydF4y2Ba

拟合一个线性混合效应模型，其中初始权重、节目类型、周以及周与节目类型之间的交互作用是固定效应。截距和周因受试者而异。gydF4y2Ba

菲特尔梅gydF4y2Ba使用程序A作为参考，并创建必要的虚拟变量gydF4y2Ba $我gydF4y2Ba$ [·]。由于该模型已经有一个拦截，gydF4y2Ba菲特尔梅gydF4y2Ba仅为程序B、C和d创建虚拟变量gydF4y2Ba'参考'gydF4y2Ba虚拟变量的编码方法。gydF4y2Ba

该模型对应于gydF4y2Ba

$\begin{array}{l} {ygydF4y2Ba}_{我gydF4y2Ba 米gydF4y2Ba} ＝gydF4y2Ba {βgydF4y2Ba}_{0gydF4y2Ba} +gydF4y2Ba {βgydF4y2Ba}_{1gydF4y2Ba} 我gydF4y2Ba {WgydF4y2Ba}_{我gydF4y2Ba} +gydF4y2Ba {βgydF4y2Ba}_{2gydF4y2Ba} WgydF4y2Ba egydF4y2Ba egydF4y2Ba {kgydF4y2Ba}_{我gydF4y2Ba} +gydF4y2Ba {βgydF4y2Ba}_{3.gydF4y2Ba} 我gydF4y2Ba {［gydF4y2Ba PgydF4y2Ba BgydF4y2Ba ］gydF4y2Ba}_{我gydF4y2Ba} +gydF4y2Ba {βgydF4y2Ba}_{4gydF4y2Ba} 我gydF4y2Ba {［gydF4y2Ba PgydF4y2Ba CgydF4y2Ba ］gydF4y2Ba}_{我gydF4y2Ba} +gydF4y2Ba {βgydF4y2Ba}_{5gydF4y2Ba} 我gydF4y2Ba {［gydF4y2Ba PgydF4y2Ba DgydF4y2Ba ］gydF4y2Ba}_{我gydF4y2Ba} \\ +gydF4y2Ba {βgydF4y2Ba}_{6gydF4y2Ba} （gydF4y2Ba WgydF4y2Ba egydF4y2Ba egydF4y2Ba {kgydF4y2Ba}_{我gydF4y2Ba} ＊gydF4y2Ba 我gydF4y2Ba {［gydF4y2Ba PgydF4y2Ba BgydF4y2Ba ］gydF4y2Ba}_{我gydF4y2Ba} ）gydF4y2Ba +gydF4y2Ba {βgydF4y2Ba}_{7gydF4y2Ba} （gydF4y2Ba WgydF4y2Ba egydF4y2Ba egydF4y2Ba {kgydF4y2Ba}_{我gydF4y2Ba} ＊gydF4y2Ba 我gydF4y2Ba {［gydF4y2Ba PgydF4y2Ba CgydF4y2Ba ］gydF4y2Ba}_{我gydF4y2Ba} ）gydF4y2Ba +gydF4y2Ba {βgydF4y2Ba}_{8gydF4y2Ba} （gydF4y2Ba WgydF4y2Ba egydF4y2Ba egydF4y2Ba {kgydF4y2Ba}_{我gydF4y2Ba} ＊gydF4y2Ba 我gydF4y2Ba {［gydF4y2Ba PgydF4y2Ba DgydF4y2Ba ］gydF4y2Ba}_{我gydF4y2Ba} ）gydF4y2Ba \\ +gydF4y2Ba bgydF4y2Ba_{0gydF4y2Ba 米gydF4y2Ba} +gydF4y2Ba {bgydF4y2Ba}_{1gydF4y2Ba 米gydF4y2Ba} WgydF4y2Ba egydF4y2Ba egydF4y2Ba {kgydF4y2Ba}_{我gydF4y2Ba 米gydF4y2Ba} +gydF4y2Ba {εgydF4y2Ba}_{我gydF4y2Ba 米gydF4y2Ba} ，gydF4y2Ba \end{array}$

哪里gydF4y2Ba $我gydF4y2Ba$ =1、2、…、120和gydF4y2Ba $米gydF4y2Ba$ = 1, 2, ..., 20.gydF4y2Ba ${βgydF4y2Ba}_{jgydF4y2Ba}$ 是固定效应系数，gydF4y2Ba $jgydF4y2Ba$ = 0, 1，…8,gydF4y2Ba ${bgydF4y2Ba}_{0gydF4y2Ba 米gydF4y2Ba}$ 和gydF4y2Ba ${bgydF4y2Ba}_{1gydF4y2Ba 米gydF4y2Ba}$ 是随机效应。gydF4y2Ba $我gydF4y2Ba WgydF4y2Ba$ 代表初始重量和gydF4y2Ba $我gydF4y2Ba ［gydF4y2Ba \cdotgydF4y2Ba ］gydF4y2Ba$ 是表示程序类型的虚拟变量。例如gydF4y2Ba $我gydF4y2Ba ［gydF4y2Ba PgydF4y2Ba BgydF4y2Ba {］gydF4y2Ba}_{我gydF4y2Ba}$ 是表示程序类型B的虚拟变量。随机效应和观测误差具有以下先验分布：gydF4y2Ba

${bgydF4y2Ba}_{0gydF4y2Ba 米gydF4y2Ba} \simgydF4y2Ba NgydF4y2Ba （gydF4y2Ba 0gydF4y2Ba ，gydF4y2Ba {σgydF4y2Ba}_{0gydF4y2Ba}^{2gydF4y2Ba} ）gydF4y2Ba$

${bgydF4y2Ba}_{1gydF4y2Ba 米gydF4y2Ba} \simgydF4y2Ba NgydF4y2Ba （gydF4y2Ba 0gydF4y2Ba ，gydF4y2Ba {σgydF4y2Ba}_{1gydF4y2Ba}^{2gydF4y2Ba} ）gydF4y2Ba$

${εgydF4y2Ba}_{我gydF4y2Ba 米gydF4y2Ba} \simgydF4y2Ba NgydF4y2Ba （gydF4y2Ba 0gydF4y2Ba ，gydF4y2Ba {σgydF4y2Ba}^{2gydF4y2Ba} ）gydF4y2Ba ．gydF4y2Ba$

lme=fitlme（待定，gydF4y2Ba'y~初始体重+计划*周+（周|受试者）'gydF4y2Ba）gydF4y2Ba

lme=线性混合效应模型符合ML模型信息：观察次数120固定效应系数9随机效应系数40协方差参数4公式：y~1+初始权重+计划*周+（1+周|受试者）模型拟合统计：AIC BIC对数似然偏差-22.981 13.257 24.49-48.981固定效应系数（95%CI）：名称估计值setstat DF{（截距）}0.66105 0.25892.5531 111{‘初始权重}0.0031879 0.0013814 2.3078 111{‘程序{0.36079 0.13139 2.746 111{‘程序{’0.033263 0.13117-0.25358 111{‘程序}0.11317 0.13132 0.86175 111{'Week'}0.17320.067454 2.5677 111{'Program_B:Week'}0.038771 0.095394 0.40644 111{'Program_C:Week'}0.030543 0.095394 0.32018 111{'Program_D:Week'}0.033114 0.095394 0.34713 111 pValue Lower Upper 0.012034 0.14798 1.1741 0.022863 0.00045067 0.0059252 0.0070394 0.10044 0.62113 0.80029-0.29319 0.22666 0.39068-0.14706 0.3734 0.011567 0.039536 0.30686 0.68521-0.15026 0.2278 0.74944-0.15849 0.2190.72915-0.15592：受试者组协方差参数（CIs组：95%（20级）名称1名称2类型估计值{（截取）{（截取）}{（截取）}{（截取）}0.18407{（截取）{（截取）}0.66841{（截取）{（截取）{（截取）}0.15033上下0.12281 0.27587 0.21077 0.88573 0.11004 0.20537组：错误名称估计值上下{Res std}0.10261 0.087882 0.11981gydF4y2Ba

的gydF4y2Ba $pgydF4y2Ba$ - 值0.022863和0.011567表示在重量损失的量受试者初始权重与时间的显著影响。的受试者是谁在节目B的重量损失是显著不同相对于受试者谁在程序A的重量损失的协方差参数为随机效应的下限和上限不包括0，因此它们显著。您也可以使用测试的随机效应的意义gydF4y2Ba相比gydF4y2Ba方法。gydF4y2Ba

输入参数gydF4y2Ba

全部崩溃gydF4y2Ba

`tblgydF4y2Ba`- - - - - -gydF4y2Ba输入数据gydF4y2Ba
桌子gydF4y2Ba|gydF4y2Ba`数据集gydF4y2Ba`大堆gydF4y2Ba

输入数据，它包括响应变量，预测变量，和分组变量，指定为表或gydF4y2Ba数据集gydF4y2Ba大堆预测变量可以是连续变量或分组变量（参见gydF4y2Ba分组变量gydF4y2Ba）。您必须使用指定变量模型gydF4y2Ba公式gydF4y2Ba．gydF4y2Ba

数据类型:gydF4y2Ba桌子gydF4y2Ba

`公式gydF4y2Ba`- - - - - -gydF4y2Ba公式型号规格gydF4y2Ba
形式的字符向量或字符串标量gydF4y2Ba`'y~固定+（随机1 |分组1）+…+（随机r |分组r）'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~固定+（随机1 |分组1）+…+（随机r |分组r）'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~治疗+（1 |块）’gydF4y2Ba

名称 - 值参数gydF4y2Ba

指定可选的逗号分隔的对gydF4y2Ba名称,值gydF4y2Ba论据。gydF4y2Ba名称gydF4y2Ba是参数名称和gydF4y2Ba价值gydF4y2Ba是对应的值。gydF4y2Ba名称gydF4y2Ba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：gydF4y2Ba名称1，值1，…，名称，值gydF4y2Ba．gydF4y2Ba

例子：gydF4y2Ba“协方差模式”、“对角线”、“优化器”、“fminunc”、“优化器选项”等选项gydF4y2Ba指定一个模型，其中随机效应项具有对角协方差矩阵结构，并且gydF4y2Ba菲特尔梅gydF4y2Ba使用gydF4y2BafminuncgydF4y2Ba在变量中定义自定义优化参数的优化算法gydF4y2Ba选择gydF4y2Ba．gydF4y2Ba

`CovariancePatterngydF4y2Ba`- - - - - -gydF4y2Ba协方差矩阵模式gydF4y2Ba
`“FullCholesky”gydF4y2Ba`（默认）|gydF4y2Ba特征向量gydF4y2Ba|gydF4y2Ba字符串标量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数组gydF4y2Ba

随机效应协方差矩阵的模式，指定为逗号分隔对组成gydF4y2Ba“协变模式”gydF4y2Ba以及字符向量、字符串标量、平方对称逻辑矩阵、字符串数组或字符向量或逻辑矩阵的单元数组。gydF4y2Ba

如果有gydF4y2BaRgydF4y2Ba随机效应而言，则价值gydF4y2Ba“协变模式”gydF4y2Ba必须是长度的串阵列或电池阵列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日随机效应项。每个元素以下选项。gydF4y2Ba

`“FullCholesky”gydF4y2Ba`	违约。使用Cholesky参数化的全协方差矩阵。gydF4y2Ba`菲特尔梅gydF4y2Ba`估计协方差矩阵的所有元素。gydF4y2Ba
`“全部”gydF4y2Ba`	完全协方差矩阵，使用log Cholesky参数化。gydF4y2Ba`菲特尔梅gydF4y2Ba`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限制为0。gydF4y2Ba $（gydF4y2Ba \begin{matrix} {σgydF4y2Ba}_{bgydF4y2Ba 1gydF4y2Ba}^{2gydF4y2Ba} & 0gydF4y2Ba & 0gydF4y2Ba \\ 0gydF4y2Ba & {σgydF4y2Ba}_{bgydF4y2Ba 2gydF4y2Ba}^{2gydF4y2Ba} & 0gydF4y2Ba \\ 0gydF4y2Ba & 0gydF4y2Ba & {σgydF4y2Ba}_{bgydF4y2Ba 3.gydF4y2Ba}^{2gydF4y2Ba} \end{matrix} ）gydF4y2Ba$
`“各向同性”gydF4y2Ba`	方差相等的对角协方差矩阵。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，如果有三个具有各向同性协方差结构的随机效应项，则此协方差矩阵如下gydF4y2Ba $（gydF4y2Ba \begin{matrix} {σgydF4y2Ba}_{bgydF4y2Ba}^{2gydF4y2Ba} & 0gydF4y2Ba & 0gydF4y2Ba \\ 0gydF4y2Ba & {σgydF4y2Ba}_{bgydF4y2Ba}^{2gydF4y2Ba} & 0gydF4y2Ba \\ 0gydF4y2Ba & 0gydF4y2Ba & {σgydF4y2Ba}_{bgydF4y2Ba}^{2gydF4y2Ba} \end{matrix} ）gydF4y2Ba$ 在σgydF4y2Ba^2gydF4y2Ba_bgydF4y2Ba是随机效应项的共同方差。gydF4y2Ba
`“康普西姆”gydF4y2Ba`	复合对称结构。即沿对角线的公共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，且协方差矩阵具有复合对称结构，则该协方差矩阵如下所示gydF4y2Ba $（gydF4y2Ba \begin{matrix} {σgydF4y2Ba}_{bgydF4y2Ba 1gydF4y2Ba}^{2gydF4y2Ba} & {σgydF4y2Ba}_{bgydF4y2Ba 1gydF4y2Ba ，gydF4y2Ba bgydF4y2Ba 2gydF4y2Ba} & {σgydF4y2Ba}_{bgydF4y2Ba 1gydF4y2Ba ，gydF4y2Ba bgydF4y2Ba 2gydF4y2Ba} \\ {σgydF4y2Ba}_{bgydF4y2Ba 1gydF4y2Ba ，gydF4y2Ba bgydF4y2Ba 2gydF4y2Ba} & {σgydF4y2Ba}_{bgydF4y2Ba 1gydF4y2Ba}^{2gydF4y2Ba} & {σgydF4y2Ba}_{bgydF4y2Ba 1gydF4y2Ba ，gydF4y2Ba bgydF4y2Ba 2gydF4y2Ba} \\ {σgydF4y2Ba}_{bgydF4y2Ba 1gydF4y2Ba ，gydF4y2Ba bgydF4y2Ba 2gydF4y2Ba} & {σgydF4y2Ba}_{bgydF4y2Ba 1gydF4y2Ba ，gydF4y2Ba bgydF4y2Ba 2gydF4y2Ba} & {σgydF4y2Ba}_{bgydF4y2Ba 1gydF4y2Ba}^{2gydF4y2Ba} \end{matrix} ）gydF4y2Ba$ 在σgydF4y2Ba^2gydF4y2Ba_b1gydF4y2Ba是随机效应项和σ的共同方差gydF4y2Ba_{b1、b2gydF4y2Ba}是任意两个随机效应项之间的共同协方差。gydF4y2Ba
`拍gydF4y2Ba`	平方对称逻辑矩阵gydF4y2Ba`“协变模式”gydF4y2Ba`是由矩阵定义的gydF4y2Ba`拍gydF4y2Ba`，如果gydF4y2Ba`PAT（A，B）=假gydF4y2Ba`，然后gydF4y2Ba`（a、b）gydF4y2Ba`相应协方差矩阵的元素被约束为0。gydF4y2Ba

例子：gydF4y2Ba“CovariancePattern”、“对角线”gydF4y2Ba

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

数据类型:gydF4y2Ba字符gydF4y2Ba|gydF4y2Ba字符串gydF4y2Ba|gydF4y2Ba逻辑gydF4y2Ba|gydF4y2Ba细胞gydF4y2Ba

`菲特法gydF4y2Ba`- - - - - -gydF4y2Ba参数估计方法gydF4y2Ba
`'ML'gydF4y2Ba`（默认）|gydF4y2Ba`“REML”gydF4y2Ba`

线性混合效应模型的参数估计方法，指定为逗号分隔对组成gydF4y2Ba“FitMethod”gydF4y2Ba和下面的任一。gydF4y2Ba

`'ML'gydF4y2Ba`	最大似然估计gydF4y2Ba
`“REML”gydF4y2Ba`	限制最大似然估计gydF4y2Ba

例子：gydF4y2Ba“FitMethod”和“REML”gydF4y2Ba

`权重gydF4y2Ba`- - - - - -gydF4y2Ba观测权重gydF4y2Ba
标量值向量gydF4y2Ba

观察权值，指定为逗号分隔的对，由gydF4y2Ba“重量”gydF4y2Ba和一个长度的向量gydF4y2BangydF4y2Ba,在那里gydF4y2BangydF4y2Ba是观察数。gydF4y2Ba

数据类型:gydF4y2Ba仅有一个的gydF4y2Ba|gydF4y2Ba双gydF4y2Ba

`排除gydF4y2Ba`- - - - - -gydF4y2Ba要排除的行的索引gydF4y2Ba
使用所有行gydF4y2Ba`nangydF4y2Ba`（默认）|gydF4y2Ba整数或逻辑值的向量gydF4y2Ba

为行索引来从线性混合效应模型中的数据，指定为逗号分隔的一对组成的排除gydF4y2Ba“排除”gydF4y2Ba和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”，[13,67]gydF4y2Ba

数据类型:gydF4y2Ba仅有一个的gydF4y2Ba|gydF4y2Ba双gydF4y2Ba|gydF4y2Ba逻辑gydF4y2Ba

`DummyVarCodinggydF4y2Ba`- - - - - -gydF4y2Ba用于虚拟变量的编码gydF4y2Ba
`'参考'gydF4y2Ba`（默认）|gydF4y2Ba`“影响”gydF4y2Ba`|gydF4y2Ba`“满”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和表中的一个变量。gydF4y2Ba

价值gydF4y2Ba	描述gydF4y2Ba
`'参考'gydF4y2Ba`(默认)gydF4y2Ba	`菲特尔梅gydF4y2Ba`创建与参考组虚拟变量。该方案对待第一类别作为基准组，并创建比类别的数量少一个虚拟变量。您可以通过检查分类变量的类别顺序gydF4y2Ba`类别gydF4y2Ba`函数，并使用gydF4y2Ba`reordercatsgydF4y2Ba`函数。gydF4y2Ba
`“影响”gydF4y2Ba`	`菲特尔梅gydF4y2Ba`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
`“满”gydF4y2Ba`	`菲特尔梅gydF4y2Ba`创建完全虚拟变量。这个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详细信息，请参见gydF4y2Ba虚拟变量的自动创建gydF4y2Ba．gydF4y2Ba

例子：gydF4y2Ba“DummyVarCoding”、“影响”gydF4y2Ba

`优化gydF4y2Ba`- - - - - -gydF4y2Ba优化算法gydF4y2Ba
`“quasinewton”gydF4y2Ba`（默认）|gydF4y2Ba`“fminunc”gydF4y2Ba`

优化算法，指定为逗号分隔对，由gydF4y2Ba“优化器”gydF4y2Ba和下面的任一。gydF4y2Ba

`“quasinewton”gydF4y2Ba`	违约。使用基于信赖域的拟牛顿优化器。使用方法更改算法的选项gydF4y2Ba`statset(“LinearMixedModel”)gydF4y2Ba`．如果你不指定选项，那么gydF4y2Ba`线性矩阵模型gydF4y2Ba`使用的默认选项gydF4y2Ba`statset(“LinearMixedModel”)gydF4y2Ba`．gydF4y2Ba
`“fminunc”gydF4y2Ba`	你必须有优化工具箱™ 若要指定此选项，请使用更改算法的选项gydF4y2Ba`optimoptions（'fminunc'）gydF4y2Ba`．如果你不指定选项，那么gydF4y2Ba`线性矩阵模型gydF4y2Ba`使用的默认选项gydF4y2Ba`optimoptions（'fminunc'）gydF4y2Ba`与gydF4y2Ba`“算法”gydF4y2Ba`设置gydF4y2Ba`“拟牛顿”gydF4y2Ba`．gydF4y2Ba

例子：gydF4y2Ba'优化'， 'fminunc'gydF4y2Ba

`优化配置gydF4y2Ba`- - - - - -gydF4y2Ba优化算法选项gydF4y2Ba
返回的结构gydF4y2Ba`statsetgydF4y2Ba`|gydF4y2Ba返回的对象gydF4y2Ba`optimoptionsgydF4y2Ba`

优化算法的选项，指定为逗号分隔的对组成gydF4y2Ba“OptimizerOptions”gydF4y2Ba和返回的结构gydF4y2Bastatset(“LinearMixedModel”)gydF4y2Ba或返回的对象gydF4y2Baoptimoptions（'fminunc'）gydF4y2Ba．gydF4y2Ba

如果gydF4y2Ba“优化器”gydF4y2Ba是gydF4y2Ba“fminunc”gydF4y2Ba，然后使用gydF4y2Baoptimoptions（'fminunc'）gydF4y2Ba更改优化算法的选项。看到gydF4y2BaoptimoptionsgydF4y2Ba选择gydF4y2Ba“fminunc”gydF4y2Ba用途。如果gydF4y2Ba“优化器”gydF4y2Ba是gydF4y2Ba“fminunc”gydF4y2Ba你不提供gydF4y2Ba“OptimizerOptions”gydF4y2Ba，则为默认值gydF4y2Ba线性矩阵模型gydF4y2Ba是由创建的默认选项gydF4y2Baoptimoptions（'fminunc'）gydF4y2Ba与gydF4y2Ba“算法”gydF4y2Ba设置gydF4y2Ba“拟牛顿”gydF4y2Ba．gydF4y2Ba
如果gydF4y2Ba“优化器”gydF4y2Ba是gydF4y2Ba“quasinewton”gydF4y2Ba，然后使用gydF4y2Bastatset(“LinearMixedModel”)gydF4y2Ba更改优化参数。如果你不改变优化参数，那么gydF4y2Ba线性矩阵模型gydF4y2Ba使用。创建的默认选项gydF4y2Bastatset(“LinearMixedModel”)gydF4y2Ba：gydF4y2Ba

的gydF4y2Ba“quasinewton”gydF4y2Ba优化器使用以下字段在由创建的结构gydF4y2Bastatset(“LinearMixedModel”)gydF4y2Ba．gydF4y2Ba

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

目标函数的梯度相对容差，指定为正标量的值。gydF4y2Ba

`收费gydF4y2Ba`-步长绝对公差gydF4y2Ba
`1 e-12gydF4y2Ba`(默认)|正标量值gydF4y2Ba

步长的绝对公差，指定为一个正标量值。gydF4y2Ba

`马克西特gydF4y2Ba`-允许的最大迭代次数gydF4y2Ba
`10000gydF4y2Ba`(默认)|正标量值gydF4y2Ba

允许的最大迭代次数，指定为正标量值。gydF4y2Ba

`陈列gydF4y2Ba`- 显示的水平gydF4y2Ba
`“关”gydF4y2Ba`（默认）|gydF4y2Ba`“通路”gydF4y2Ba`|gydF4y2Ba`“决赛”gydF4y2Ba`

显示器的水平，指定为一个gydF4y2Ba“关”gydF4y2Ba，gydF4y2Ba“通路”gydF4y2Ba或gydF4y2Ba“决赛”gydF4y2Ba．gydF4y2Ba

`起始方法gydF4y2Ba`- - - - - -gydF4y2Ba方法开始迭代优化gydF4y2Ba
`“默认”gydF4y2Ba`（默认）|gydF4y2Ba`'随机的'gydF4y2Ba`

方法启动迭代优化，指定为逗号分隔对，由gydF4y2Ba“StartMethod”gydF4y2Ba和下面的任一。gydF4y2Ba

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

例子：gydF4y2Ba“StartMethod”、“随机”gydF4y2Ba

`详细的gydF4y2Ba`- - - - - -gydF4y2Ba用于在屏幕上显示优化过程的指示器gydF4y2Ba
`错误的gydF4y2Ba`（默认）|gydF4y2Ba`符合事实的gydF4y2Ba`

指示器在屏幕上显示的优化过程中，指定为逗号分隔的一对组成的gydF4y2Ba“冗长”gydF4y2Ba或者gydF4y2Ba错误的gydF4y2Ba或gydF4y2Ba符合事实的gydF4y2Ba．默认是gydF4y2Ba错误的gydF4y2Ba．gydF4y2Ba

设置gydF4y2Ba“冗长”gydF4y2Ba覆盖该字段gydF4y2Ba“显示”gydF4y2Ba在里面gydF4y2Ba“OptimizerOptions”gydF4y2Ba．gydF4y2Ba

例子：gydF4y2Ba“放牧”，真gydF4y2Ba

`切赫森gydF4y2Ba`- - - - - -gydF4y2Ba检查黑森氏阳性确定度的指标gydF4y2Ba
`错误的gydF4y2Ba`（默认）|gydF4y2Ba`符合事实的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或者gydF4y2Ba错误的gydF4y2Ba或gydF4y2Ba符合事实的gydF4y2Ba．默认是gydF4y2Ba错误的gydF4y2Ba．gydF4y2Ba

指定gydF4y2Ba“CheckHessian”gydF4y2Ba作为gydF4y2Ba符合事实的gydF4y2Ba验证解决方案的最优性或确定模型是否在协方差参数的数量上过度参数化。gydF4y2Ba

例子：gydF4y2Ba“CheckHessian”,真的gydF4y2Ba

输出参数gydF4y2Ba

全部崩溃gydF4y2Ba

`lme三个月gydF4y2Ba`-线性混合效应模型gydF4y2Ba
`线性矩阵模型gydF4y2Ba`对象gydF4y2Ba

线性混合效应模型，返回为gydF4y2Ba线性矩阵模型gydF4y2Ba对象gydF4y2Ba

威尔金森符号gydF4y2Ba	在标准的符号因素gydF4y2Ba
`1gydF4y2Ba`	常数(拦截)gydF4y2Ba
`X^kgydF4y2Ba`,在那里gydF4y2Ba`kgydF4y2Ba`是一个正整数gydF4y2Ba	`XgydF4y2Ba`，gydF4y2Ba`XgydF4y2Ba^2gydF4y2Ba`, ...,gydF4y2Ba`XgydF4y2Ba^kgydF4y2Ba`
`X1+X2gydF4y2Ba`	`X1gydF4y2Ba`，gydF4y2Ba`X2gydF4y2Ba`
`X1*X2gydF4y2Ba`	`X1gydF4y2Ba`，gydF4y2Ba`X2gydF4y2Ba`，gydF4y2Ba`X1 * X2（X1和X2的elementwise乘法）gydF4y2Ba`
`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`
`X1 * X2 * X3 - X1, X2, X3gydF4y2Ba`	`X1gydF4y2Ba`，gydF4y2Ba`X2gydF4y2Ba`，gydF4y2Ba`X3gydF4y2Ba`，gydF4y2Ba`X1X2gydF4y2Ba`，gydF4y2Ba`X1X3gydF4y2Ba`，gydF4y2Ba`X2 * X3gydF4y2Ba`
`X1*（X2+X3）gydF4y2Ba`	`X1gydF4y2Ba`，gydF4y2Ba`X2gydF4y2Ba`，gydF4y2Ba`X3gydF4y2Ba`，gydF4y2Ba`X1X2gydF4y2Ba`，gydF4y2Ba`X1X3gydF4y2Ba`

公式gydF4y2Ba	描述gydF4y2Ba
`'Y〜X1 + X2'gydF4y2Ba`	拦截的固定效果，gydF4y2Ba`X1gydF4y2Ba`和gydF4y2Ba`X2gydF4y2Ba`．这个等价于gydF4y2Ba`'y ~ 1 + X1 + X2'gydF4y2Ba`．gydF4y2Ba
`'Y〜-1 + X1 + X2'gydF4y2Ba`	无截距和固定效果gydF4y2Ba`X1gydF4y2Ba`和gydF4y2Ba`X2gydF4y2Ba`．隐式的截距项是通过包括抑制gydF4y2Ba`-1gydF4y2Ba`．gydF4y2Ba
`‘y~1+（1 \| g1）’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`	随机截距模型具有固定斜率。gydF4y2Ba
`'y ~ X1 + (X1 \| g1)'gydF4y2Ba`	随机截距和斜率，它们之间可能存在相关性。这相当于gydF4y2Ba`'Y〜1 + X1 +（1个+ X1 \| G1）'gydF4y2Ba`．gydF4y2Ba
`‘y~X1+（1 \| g1）+（-1+X1 \| g1）’gydF4y2Ba`	截距和斜率的独立随机效应项。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`，加上一个独立的相互作用效应。gydF4y2Ba

备择方案gydF4y2Ba

如果无法使用公式轻松描述模型，则可以创建矩阵来定义固定和随机效果，并使用gydF4y2Bafitlmematrix (X, y, Z, G)gydF4y2Ba．gydF4y2Ba

工具书类gydF4y2Ba

Pinherio J. C.和D. M. Bates。“方差-协方差矩阵的无约束参数化”。gydF4y2Ba统计和计算gydF4y2Ba，卷。6，1996年，第289-296。gydF4y2Ba

另请参阅gydF4y2Ba

线性矩阵模型gydF4y2Ba|gydF4y2Ba菲特尔梅矩阵gydF4y2Ba

主题gydF4y2Ba

公式与设计矩阵的关系gydF4y2Ba

在R2013b中引入gydF4y2Ba

菲特尔梅gydF4y2Ba

句法gydF4y2Ba

描述gydF4y2Ba

例子gydF4y2Ba

拟合线性混合效应模型gydF4y2Ba

拟合随机截距LME模型gydF4y2Ba

随机区组设计的LME模型gydF4y2Ba

裂区试验的LME模型gydF4y2Ba

具有协变量的纵向研究gydF4y2Ba

输入参数gydF4y2Ba

`tblgydF4y2Ba`- - - - - -gydF4y2Ba输入数据gydF4y2Ba
桌子gydF4y2Ba|gydF4y2Ba`数据集gydF4y2Ba`大堆gydF4y2Ba

`公式gydF4y2Ba`- - - - - -gydF4y2Ba公式型号规格gydF4y2Ba
形式的字符向量或字符串标量gydF4y2Ba`'y~固定+（随机1 |分组1）+…+（随机r |分组r）'gydF4y2Ba`

名称 - 值参数gydF4y2Ba

`菲特法gydF4y2Ba`- - - - - -gydF4y2Ba参数估计方法gydF4y2Ba
`'ML'gydF4y2Ba`（默认）|gydF4y2Ba`“REML”gydF4y2Ba`

`权重gydF4y2Ba`- - - - - -gydF4y2Ba观测权重gydF4y2Ba
标量值向量gydF4y2Ba

`排除gydF4y2Ba`- - - - - -gydF4y2Ba要排除的行的索引gydF4y2Ba
使用所有行gydF4y2Ba`nangydF4y2Ba`（默认）|gydF4y2Ba整数或逻辑值的向量gydF4y2Ba

`DummyVarCodinggydF4y2Ba`- - - - - -gydF4y2Ba用于虚拟变量的编码gydF4y2Ba
`'参考'gydF4y2Ba`（默认）|gydF4y2Ba`“影响”gydF4y2Ba`|gydF4y2Ba`“满”gydF4y2Ba`

`优化gydF4y2Ba`- - - - - -gydF4y2Ba优化算法gydF4y2Ba
`“quasinewton”gydF4y2Ba`（默认）|gydF4y2Ba`“fminunc”gydF4y2Ba`

`优化配置gydF4y2Ba`- - - - - -gydF4y2Ba优化算法选项gydF4y2Ba
返回的结构gydF4y2Ba`statsetgydF4y2Ba`|gydF4y2Ba返回的对象gydF4y2Ba`optimoptionsgydF4y2Ba`

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

`收费gydF4y2Ba`-步长绝对公差gydF4y2Ba
`1 e-12gydF4y2Ba`(默认)|正标量值gydF4y2Ba

`马克西特gydF4y2Ba`-允许的最大迭代次数gydF4y2Ba
`10000gydF4y2Ba`(默认)|正标量值gydF4y2Ba

`陈列gydF4y2Ba`- 显示的水平gydF4y2Ba
`“关”gydF4y2Ba`（默认）|gydF4y2Ba`“通路”gydF4y2Ba`|gydF4y2Ba`“决赛”gydF4y2Ba`

`起始方法gydF4y2Ba`- - - - - -gydF4y2Ba方法开始迭代优化gydF4y2Ba
`“默认”gydF4y2Ba`（默认）|gydF4y2Ba`'随机的'gydF4y2Ba`

`详细的gydF4y2Ba`- - - - - -gydF4y2Ba用于在屏幕上显示优化过程的指示器gydF4y2Ba
`错误的gydF4y2Ba`（默认）|gydF4y2Ba`符合事实的gydF4y2Ba`

`切赫森gydF4y2Ba`- - - - - -gydF4y2Ba检查黑森氏阳性确定度的指标gydF4y2Ba
`错误的gydF4y2Ba`（默认）|gydF4y2Ba`符合事实的gydF4y2Ba`

输出参数gydF4y2Ba

`lme三个月gydF4y2Ba`-线性混合效应模型gydF4y2Ba
`线性矩阵模型gydF4y2Ba`对象gydF4y2Ba

更多关于gydF4y2Ba

公式gydF4y2Ba

乔莱斯基参数gydF4y2Ba

Log-Cholesky参数化gydF4y2Ba

备择方案gydF4y2Ba

工具书类gydF4y2Ba

另请参阅gydF4y2Ba

主题gydF4y2Ba

统计和机器学习工具箱文档gydF4y2Ba

金宝app

掌握机器学习：使用MATLAB逐步指南gydF4y2Ba

菲特尔梅gydF4y2Ba

句法gydF4y2Ba

描述gydF4y2Ba

例子gydF4y2Ba

拟合线性混合效应模型gydF4y2Ba

拟合随机截距LME模型gydF4y2Ba

随机区组设计的LME模型gydF4y2Ba

裂区试验的LME模型gydF4y2Ba

具有协变量的纵向研究gydF4y2Ba

输入参数gydF4y2Ba

tblgydF4y2Ba- - - - - -gydF4y2Ba输入数据gydF4y2Ba桌子gydF4y2Ba|gydF4y2Ba数据集gydF4y2Ba大堆gydF4y2Ba

公式gydF4y2Ba- - - - - -gydF4y2Ba公式型号规格gydF4y2Ba形式的字符向量或字符串标量gydF4y2Ba'y~固定+（随机1 |分组1）+…+（随机r |分组r）'gydF4y2Ba

名称 - 值参数gydF4y2Ba

菲特法gydF4y2Ba- - - - - -gydF4y2Ba参数估计方法gydF4y2Ba'ML'gydF4y2Ba（默认）|gydF4y2Ba“REML”gydF4y2Ba

权重gydF4y2Ba- - - - - -gydF4y2Ba观测权重gydF4y2Ba标量值向量gydF4y2Ba

排除gydF4y2Ba- - - - - -gydF4y2Ba要排除的行的索引gydF4y2Ba使用所有行gydF4y2BanangydF4y2Ba（默认）|gydF4y2Ba整数或逻辑值的向量gydF4y2Ba

DummyVarCodinggydF4y2Ba- - - - - -gydF4y2Ba用于虚拟变量的编码gydF4y2Ba'参考'gydF4y2Ba（默认）|gydF4y2Ba“影响”gydF4y2Ba|gydF4y2Ba“满”gydF4y2Ba

优化gydF4y2Ba- - - - - -gydF4y2Ba优化算法gydF4y2Ba“quasinewton”gydF4y2Ba（默认）|gydF4y2Ba“fminunc”gydF4y2Ba

优化配置gydF4y2Ba- - - - - -gydF4y2Ba优化算法选项gydF4y2Ba返回的结构gydF4y2BastatsetgydF4y2Ba|gydF4y2Ba返回的对象gydF4y2BaoptimoptionsgydF4y2Ba

托尔芬gydF4y2Ba-目标函数梯度的相对容限gydF4y2Ba1e-6gydF4y2Ba(默认)|正标量值gydF4y2Ba

收费gydF4y2Ba-步长绝对公差gydF4y2Ba1 e-12gydF4y2Ba(默认)|正标量值gydF4y2Ba

马克西特gydF4y2Ba-允许的最大迭代次数gydF4y2Ba10000gydF4y2Ba(默认)|正标量值gydF4y2Ba

陈列gydF4y2Ba- 显示的水平gydF4y2Ba“关”gydF4y2Ba（默认）|gydF4y2Ba“通路”gydF4y2Ba|gydF4y2Ba“决赛”gydF4y2Ba

起始方法gydF4y2Ba- - - - - -gydF4y2Ba方法开始迭代优化gydF4y2Ba“默认”gydF4y2Ba（默认）|gydF4y2Ba'随机的'gydF4y2Ba

详细的gydF4y2Ba- - - - - -gydF4y2Ba用于在屏幕上显示优化过程的指示器gydF4y2Ba错误的gydF4y2Ba（默认）|gydF4y2Ba符合事实的gydF4y2Ba

切赫森gydF4y2Ba- - - - - -gydF4y2Ba检查黑森氏阳性确定度的指标gydF4y2Ba错误的gydF4y2Ba（默认）|gydF4y2Ba符合事实的gydF4y2Ba

输出参数gydF4y2Ba

lme三个月gydF4y2Ba-线性混合效应模型gydF4y2Ba线性矩阵模型gydF4y2Ba对象gydF4y2Ba

更多关于gydF4y2Ba

公式gydF4y2Ba

乔莱斯基参数gydF4y2Ba

Log-Cholesky参数化gydF4y2Ba

备择方案gydF4y2Ba

工具书类gydF4y2Ba

另请参阅gydF4y2Ba

主题gydF4y2Ba

统计和机器学习工具箱文档gydF4y2Ba

金宝app

掌握机器学习：使用MATLAB逐步指南gydF4y2Ba

`tblgydF4y2Ba`- - - - - -gydF4y2Ba输入数据gydF4y2Ba
桌子gydF4y2Ba|gydF4y2Ba`数据集gydF4y2Ba`大堆gydF4y2Ba

`公式gydF4y2Ba`- - - - - -gydF4y2Ba公式型号规格gydF4y2Ba
形式的字符向量或字符串标量gydF4y2Ba`'y~固定+（随机1 |分组1）+…+（随机r |分组r）'gydF4y2Ba`

`菲特法gydF4y2Ba`- - - - - -gydF4y2Ba参数估计方法gydF4y2Ba
`'ML'gydF4y2Ba`（默认）|gydF4y2Ba`“REML”gydF4y2Ba`

`权重gydF4y2Ba`- - - - - -gydF4y2Ba观测权重gydF4y2Ba
标量值向量gydF4y2Ba

`排除gydF4y2Ba`- - - - - -gydF4y2Ba要排除的行的索引gydF4y2Ba
使用所有行gydF4y2Ba`nangydF4y2Ba`（默认）|gydF4y2Ba整数或逻辑值的向量gydF4y2Ba

`DummyVarCodinggydF4y2Ba`- - - - - -gydF4y2Ba用于虚拟变量的编码gydF4y2Ba
`'参考'gydF4y2Ba`（默认）|gydF4y2Ba`“影响”gydF4y2Ba`|gydF4y2Ba`“满”gydF4y2Ba`

`优化gydF4y2Ba`- - - - - -gydF4y2Ba优化算法gydF4y2Ba
`“quasinewton”gydF4y2Ba`（默认）|gydF4y2Ba`“fminunc”gydF4y2Ba`

`优化配置gydF4y2Ba`- - - - - -gydF4y2Ba优化算法选项gydF4y2Ba
返回的结构gydF4y2Ba`statsetgydF4y2Ba`|gydF4y2Ba返回的对象gydF4y2Ba`optimoptionsgydF4y2Ba`

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

`收费gydF4y2Ba`-步长绝对公差gydF4y2Ba
`1 e-12gydF4y2Ba`(默认)|正标量值gydF4y2Ba

`马克西特gydF4y2Ba`-允许的最大迭代次数gydF4y2Ba
`10000gydF4y2Ba`(默认)|正标量值gydF4y2Ba

`陈列gydF4y2Ba`- 显示的水平gydF4y2Ba
`“关”gydF4y2Ba`（默认）|gydF4y2Ba`“通路”gydF4y2Ba`|gydF4y2Ba`“决赛”gydF4y2Ba`

`起始方法gydF4y2Ba`- - - - - -gydF4y2Ba方法开始迭代优化gydF4y2Ba
`“默认”gydF4y2Ba`（默认）|gydF4y2Ba`'随机的'gydF4y2Ba`

`详细的gydF4y2Ba`- - - - - -gydF4y2Ba用于在屏幕上显示优化过程的指示器gydF4y2Ba
`错误的gydF4y2Ba`（默认）|gydF4y2Ba`符合事实的gydF4y2Ba`

`切赫森gydF4y2Ba`- - - - - -gydF4y2Ba检查黑森氏阳性确定度的指标gydF4y2Ba
`错误的gydF4y2Ba`（默认）|gydF4y2Ba`符合事实的gydF4y2Ba`

`lme三个月gydF4y2Ba`-线性混合效应模型gydF4y2Ba
`线性矩阵模型gydF4y2Ba`对象gydF4y2Ba