广义线性混合效应模型类gydF4y2Ba
一个gydF4y2BaGeneralizeLmixedModel.gydF4y2Ba
对象表示包含固定和随机效果的响应变量的回归模型。该对象包括数据,模型描述,拟合系数,协方差参数,设计矩阵,残差,剩余曲线和用于广义线性混合效应(GLME)模型的其他诊断信息。您可以预测模型响应gydF4y2Ba预测gydF4y2Ba
函数和产生随机数据在新的设计点使用gydF4y2Ba随机的gydF4y2Ba
功能。gydF4y2Ba
您可以使用通用的线性混合效应(GLME)模型来使用gydF4y2BaFitglme(gydF4y2Ba
.有关更多信息,请参见gydF4y2BaTBL.gydF4y2Ba
,gydF4y2Ba公式gydF4y2Ba
)gydF4y2BafitglmegydF4y2Ba
.gydF4y2Ba
TBL.gydF4y2Ba
- - - - - -gydF4y2Ba输入数据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)。您必须指定使用变量的模型gydF4y2Ba公式gydF4y2Ba
.gydF4y2Ba
数据类型:gydF4y2Ba桌子gydF4y2Ba
公式gydF4y2Ba
- - - - - -gydF4y2Ba用于模型规格的公式gydF4y2Ba'y〜固定+(random1 | grouping1)+ ... +(randomr | groupingr)'gydF4y2Ba
模型规范的公式,指定为表单的字符向量或字符串标量gydF4y2Ba'y〜固定+(random1 | grouping1)+ ... +(randomr | groupingr)'gydF4y2Ba
.有关完整描述,请参阅gydF4y2Ba公式gydF4y2Ba.gydF4y2Ba
例子:gydF4y2Ba'y ~ treatment +(1|block)'gydF4y2Ba
系数gydF4y2Ba
- - - - - -gydF4y2Ba固定效应系数的估计gydF4y2Ba固定效果系数和相关统计数据的估计,存储为每个系数的数据集数组,以及每个系数的一行和下列列:gydF4y2Ba
姓名gydF4y2Ba
- 系数的名称gydF4y2Ba
估计gydF4y2Ba
-估计系数值gydF4y2Ba
SE.gydF4y2Ba
- 估计的标准错误gydF4y2Ba
Tstat.gydF4y2Ba
- - - - - -gydF4y2BatgydF4y2Ba-系数等于0的检验统计量gydF4y2Ba
DFgydF4y2Ba
- 与之相关的自由度gydF4y2BatgydF4y2Ba统计gydF4y2Ba
pvalue.gydF4y2Ba
- - - - - -gydF4y2BapgydF4y2Ba- 为valuegydF4y2BatgydF4y2Ba-统计gydF4y2Ba
降低gydF4y2Ba
-置信下限gydF4y2Ba
上gydF4y2Ba
- 上限限制gydF4y2Ba
要获取这些列中的任何一列作为向量,请使用点表示法在属性中建立索引。gydF4y2Ba
使用gydF4y2BacoefTestgydF4y2Ba
对系数进行其他测试的方法。gydF4y2Ba
CoefficientCovariancegydF4y2Ba
- - - - - -gydF4y2Ba估计固定效应载体的协方差gydF4y2Ba估计固定效应载体的协方差,作为矩阵存储。gydF4y2Ba
数据类型:gydF4y2Ba单身的gydF4y2Ba
| G.ydF4y2Ba双倍的gydF4y2Ba
系数gydF4y2Ba
- - - - - -gydF4y2Ba固定效果系数的名称gydF4y2Ba固定效果系数的名称,存储为字符向量的小区数组。恒定术语系数的标签是gydF4y2Ba(截距)gydF4y2Ba
.其他系数的标签表示它们乘以的术语。当该术语包括分类预测器时,标签也表示该预测器的级别。gydF4y2Ba
数据类型:gydF4y2Ba细胞gydF4y2Ba
教育部gydF4y2Ba
- - - - - -gydF4y2Ba错误自由度gydF4y2Ba错误的自由度,存储为正整数值。gydF4y2Ba教育部gydF4y2Ba
观察次数减去估计系数的数量。gydF4y2Ba
教育部gydF4y2Ba
包含对应的自由度gydF4y2Ba“残留”gydF4y2Ba
计算定义自由度的衡量标准试验效应系数的方法。如果gydF4y2BangydF4y2Ba是观察人数和gydF4y2BapgydF4y2Ba是固定效果系数的数量,然后是gydF4y2Ba教育部gydF4y2Ba
等于gydF4y2BangydF4y2Ba- - - - - -gydF4y2BapgydF4y2Ba.gydF4y2Ba
数据类型:gydF4y2Ba双倍的gydF4y2Ba
分散gydF4y2Ba
- - - - - -gydF4y2Ba模式色散参数gydF4y2Ba模型分散参数,存储为标量值。色散参数定义响应的条件方差。gydF4y2Ba
为观察gydF4y2Ba我gydF4y2Ba,响应的条件方差gydF4y2BaygydF4y2Ba我gydF4y2Ba,给出条件均值gydF4y2Baμ.gydF4y2Ba我gydF4y2Ba色散参数gydF4y2Baσ.gydF4y2Ba2gydF4y2Ba,在广义的线性混合效应模型中是gydF4y2Ba
在哪里gydF4y2BawgydF4y2Ba我gydF4y2Ba是gydF4y2Ba我gydF4y2Ba观察重量和gydF4y2BavgydF4y2Ba为响应的指定条件分布的方差函数。的gydF4y2Ba分散gydF4y2Ba
属性包含一个估计gydF4y2Baσ.gydF4y2Ba2gydF4y2Ba对于指定的GLME模型。的价值gydF4y2Ba分散gydF4y2Ba
取决于响应的指定条件分布。对于二项式和泊松分布,理论价值gydF4y2Ba分散gydF4y2Ba
等于gydF4y2Baσ.gydF4y2Ba2gydF4y2Ba= 1.0gydF4y2Ba.gydF4y2Ba
如果gydF4y2BaFitmethod.gydF4y2Ba
是gydF4y2BaMPL.gydF4y2Ba
或gydF4y2BaRempl.gydF4y2Ba
和gydF4y2Ba'DispersensionFlag'gydF4y2Ba
名称 - 值对参数gydF4y2BafitglmegydF4y2Ba
是gydF4y2Ba真正的gydF4y2Ba
,然后从所有分布的数据估计分散参数,包括二项式和泊松分布。gydF4y2Ba
如果gydF4y2BaFitmethod.gydF4y2Ba
是gydF4y2BaApproximateLaplacegydF4y2Ba
或gydF4y2Ba拉普拉斯gydF4y2Ba
,那么gydF4y2Ba'DispersensionFlag'gydF4y2Ba
名称 - 值对参数gydF4y2BafitglmegydF4y2Ba
对于二项分布和泊松分布,色散参数固定为1.0。对于所有其他发行版,gydF4y2Ba分散gydF4y2Ba
是根据数据估计的。gydF4y2Ba
数据类型:gydF4y2Ba双倍的gydF4y2Ba
DispersionEstimatedgydF4y2Ba
- - - - - -gydF4y2Ba标志是否估计了色散参数gydF4y2Ba真正的gydF4y2Ba
| G.ydF4y2Ba错误的gydF4y2Ba
指示估计色散参数的标志,存储为逻辑值。gydF4y2Ba
如果gydF4y2BaFitmethod.gydF4y2Ba
是gydF4y2BaApproximateLaplacegydF4y2Ba
或gydF4y2Ba拉普拉斯gydF4y2Ba
,然后将分散参数固定为1.0的理论值为二项式和泊松分布,以及gydF4y2BaDispersionEstimatedgydF4y2Ba
是gydF4y2Ba错误的gydF4y2Ba
.对于其他分布,从数据估计色散参数,并且gydF4y2BaDispersionEstimatedgydF4y2Ba
是gydF4y2Ba真正的gydF4y2Ba
.gydF4y2Ba
如果gydF4y2BaFitmethod.gydF4y2Ba
是gydF4y2BaMPL.gydF4y2Ba
或gydF4y2BaRempl.gydF4y2Ba
,而且gydF4y2Ba'DispersensionFlag'gydF4y2Ba
名称 - 值对参数gydF4y2BafitglmegydF4y2Ba
被指定为gydF4y2Ba真正的gydF4y2Ba
,然后估计所有分布的色散参数,包括二项分布和泊松分布gydF4y2BaDispersionEstimatedgydF4y2Ba
是gydF4y2Ba真正的gydF4y2Ba
.gydF4y2Ba
如果gydF4y2BaFitmethod.gydF4y2Ba
是gydF4y2BaMPL.gydF4y2Ba
或gydF4y2BaRempl.gydF4y2Ba
,而且gydF4y2Ba'DispersensionFlag'gydF4y2Ba
名称 - 值对参数gydF4y2BafitglmegydF4y2Ba
被指定为gydF4y2Ba错误的gydF4y2Ba
,则二项分布和泊松分布的色散参数固定在其理论值,并且gydF4y2BaDispersionEstimatedgydF4y2Ba
是gydF4y2Ba错误的gydF4y2Ba
.对于二项分布和泊松分布以外的分布,色散参数是由数据估计的gydF4y2BaDispersionEstimatedgydF4y2Ba
是gydF4y2Ba真正的gydF4y2Ba
.gydF4y2Ba
数据类型:gydF4y2Ba逻辑gydF4y2Ba
分配gydF4y2Ba
- - - - - -gydF4y2Ba响应分布名称gydF4y2Ba“正常”gydF4y2Ba
| G.ydF4y2Ba“二”gydF4y2Ba
| G.ydF4y2Ba'泊松'gydF4y2Ba
| G.ydF4y2Ba'伽玛'gydF4y2Ba
| G.ydF4y2Ba“InverseGaussian”gydF4y2Ba
响应分发名称,作为以下内容之一存储:gydF4y2Ba
“正常”gydF4y2Ba
——正态分布gydF4y2Ba
“二”gydF4y2Ba
——二项分布gydF4y2Ba
'泊松'gydF4y2Ba
- 泊松分销gydF4y2Ba
'伽玛'gydF4y2Ba
——伽马分布gydF4y2Ba
“InverseGaussian”gydF4y2Ba
-逆高斯分布gydF4y2Ba
Fitmethod.gydF4y2Ba
- - - - - -gydF4y2Ba用于适合模型的方法gydF4y2Ba“MPL”gydF4y2Ba
| G.ydF4y2Ba'rempl'gydF4y2Ba
| G.ydF4y2Ba“ApproximateLaplace”gydF4y2Ba
| G.ydF4y2Ba'laplace'gydF4y2Ba
用于拟合模型的方法,存储为以下之一。gydF4y2Ba
“MPL”gydF4y2Ba
-最大伪似然gydF4y2Ba
'rempl'gydF4y2Ba
- 限制最大伪可能性gydF4y2Ba
“ApproximateLaplace”gydF4y2Ba
- 使用近似拉普拉斯方法的最大可能性,具有修复效果gydF4y2Ba
'laplace'gydF4y2Ba
- 使用LAPLACE方法的最大可能性gydF4y2Ba
公式gydF4y2Ba
- - - - - -gydF4y2Ba模型规范公式gydF4y2Ba模型规范公式,存储为对象。模型规范公式使用威尔金森符号来描述GLME模型中固定效应项、随机效应项和分组变量之间的关系。有关更多信息,请参见gydF4y2Ba公式gydF4y2Ba.gydF4y2Ba
链接gydF4y2Ba
- - - - - -gydF4y2Ba链接功能特点gydF4y2Ba链接函数特征,存储为包含以下字段的结构。链接是一个函数gydF4y2BaGgydF4y2Ba
连接分布参数gydF4y2Ba亩gydF4y2Ba
线性预测器gydF4y2Baeta.gydF4y2Ba
如下:gydF4y2BaG(μ)=埃塔gydF4y2Ba
.gydF4y2Ba
场地gydF4y2Ba | 描述gydF4y2Ba |
---|---|
姓名gydF4y2Ba |
链接函数的名称gydF4y2Ba |
链接gydF4y2Ba |
定义的功能gydF4y2BaGgydF4y2Ba |
衍生物gydF4y2Ba |
衍生物gydF4y2BaGgydF4y2Ba |
SecondDerivativegydF4y2Ba |
二阶导数的gydF4y2BaGgydF4y2Ba |
逆gydF4y2Ba |
逆gydF4y2BaGgydF4y2Ba |
数据类型:gydF4y2Ba塑造gydF4y2Ba
loglikelihiegydF4y2Ba
- - - - - -gydF4y2Ba似然函数的日志gydF4y2Ba在估计的系数值下评估的似然函数的日志,存储为标量值。gydF4y2BaloglikelihiegydF4y2Ba
取决于用于适合模型的方法。gydF4y2Ba
如果你使用gydF4y2Ba'laplace'gydF4y2Ba
或gydF4y2Ba“ApproximateLaplace”gydF4y2Ba
,然后gydF4y2BaloglikelihiegydF4y2Ba
是最大化的日志可能性。gydF4y2Ba
如果你使用gydF4y2Ba“MPL”gydF4y2Ba
,然后gydF4y2BaloglikelihiegydF4y2Ba
为最终伪似然迭代得到的伪数据的最大对数似然。gydF4y2Ba
如果你使用gydF4y2Ba'rempl'gydF4y2Ba
,然后gydF4y2BaloglikelihiegydF4y2Ba
为最终伪似然迭代得到的伪数据的最大限制对数似然。gydF4y2Ba
数据类型:gydF4y2Ba双倍的gydF4y2Ba
ModelCriterion.gydF4y2Ba
- - - - - -gydF4y2Ba模型的标准gydF4y2Ba模型标准以比较拟合的广义线性混合效果模型,用以下字段存储为表。gydF4y2Ba
场地gydF4y2Ba | 描述gydF4y2Ba |
---|---|
AIC.gydF4y2Ba |
Akaike信息标准gydF4y2Ba |
BIC.gydF4y2Ba |
贝叶斯信息准则gydF4y2Ba |
loglikelihiegydF4y2Ba |
|
偏见gydF4y2Ba |
-2次gydF4y2BaloglikelihiegydF4y2Ba |
NumCoefficientsgydF4y2Ba
- - - - - -gydF4y2Ba固定效应系数的数目gydF4y2Ba拟合广义线性混合效应模型中的固定效应系数数量,存储为正整数值。gydF4y2Ba
数据类型:gydF4y2Ba双倍的gydF4y2Ba
numestimatedcoeffients.gydF4y2Ba
- - - - - -gydF4y2Ba估计固定效应系数的数量gydF4y2Ba拟合的广义线性混合效应模型中的估计固定效应系数的数量,作为正整数值存储。gydF4y2Ba
数据类型:gydF4y2Ba双倍的gydF4y2Ba
NumObservationsgydF4y2Ba
- - - - - -gydF4y2Ba观察次数gydF4y2Ba适合使用的观测数量,存储为正整数值。gydF4y2BaNumObservationsgydF4y2Ba
是表或数据集数组中的行数gydF4y2BaTBL.gydF4y2Ba
,使用gydF4y2Ba'排除'gydF4y2Ba
名称-值对的gydF4y2BafitglmegydF4y2Ba
或行包含gydF4y2Ba南gydF4y2Ba
价值观。gydF4y2Ba
数据类型:gydF4y2Ba双倍的gydF4y2Ba
numpredictors.gydF4y2Ba
- - - - - -gydF4y2Ba数量的预测gydF4y2Ba广义线性混合效应模型中用作预测因子的变量数,存储为正整数值。gydF4y2Ba
数据类型:gydF4y2Ba双倍的gydF4y2Ba
numvarialbles.gydF4y2Ba
- - - - - -gydF4y2Ba变量总数gydF4y2Ba存储为正整数值的变量总数,包括响应和预测器。如果示例数据在表或数据集数组中gydF4y2BaTBL.gydF4y2Ba
,然后gydF4y2Banumvarialbles.gydF4y2Ba
变量的总数在里面吗gydF4y2BaTBL.gydF4y2Ba
,包括响应变量。gydF4y2Banumvarialbles.gydF4y2Ba
包括不用为预测器或响应的变量,如果有的话。gydF4y2Ba
数据类型:gydF4y2Ba双倍的gydF4y2Ba
观察税收gydF4y2Ba
- - - - - -gydF4y2Ba有关观察的信息gydF4y2Ba关于拟合中使用的观察结果的信息,以表格的形式存储。gydF4y2Ba
观察税收gydF4y2Ba
每个观察和以下列都有一行。gydF4y2Ba
姓名gydF4y2Ba | 描述gydF4y2Ba |
---|---|
权重gydF4y2Ba |
观察的重量值。默认值为1。gydF4y2Ba |
被排除在外gydF4y2Ba |
如果观察被排除在适合使用gydF4y2Ba'排除'gydF4y2Ba 名称 - 值对参数gydF4y2BafitglmegydF4y2Ba ,然后gydF4y2Ba被排除在外gydF4y2Ba 是gydF4y2Ba真正的gydF4y2Ba ,或gydF4y2Ba1gydF4y2Ba .除此以外,gydF4y2Ba被排除在外gydF4y2Ba 是gydF4y2Ba错误的gydF4y2Ba ,或gydF4y2Ba0gydF4y2Ba .gydF4y2Ba |
丢失的gydF4y2Ba |
如果由于缺少任何响应或预测值而将观察结果排除在拟合范围之外,那么gydF4y2Ba 缺失的值包括gydF4y2Ba |
子集gydF4y2Ba |
如果在适合中使用观察,那么gydF4y2Ba子集gydF4y2Ba 是gydF4y2Ba真正的gydF4y2Ba .如果在契合中没有使用观察,因为它丢失或排除,那么gydF4y2Ba子集gydF4y2Ba 是gydF4y2Ba错误的gydF4y2Ba .gydF4y2Ba |
BinomSizegydF4y2Ba |
每次观察的二项式大小。该专栏仅在拟合二项式分布时适用。gydF4y2Ba |
数据类型:gydF4y2Ba桌子gydF4y2Ba
观察名称gydF4y2Ba
- - - - - -gydF4y2Ba观察名称gydF4y2Ba适用于适合的观察名称,存储为字符向量的小区阵列。gydF4y2Ba
如果数据位于表或数据集数组中gydF4y2BaTBL.gydF4y2Ba
它包含观察名称gydF4y2Ba观察名称gydF4y2Ba
使用这些名称。gydF4y2Ba
如果在矩阵中提供数据,或者在没有观察名称的表格或数据集阵列中,则gydF4y2Ba观察名称gydF4y2Ba
是一个空的单元格阵列。gydF4y2Ba
数据类型:gydF4y2Ba细胞gydF4y2Ba
预测gydF4y2Ba
- - - - - -gydF4y2Ba预测器的名称gydF4y2Ba用作拟合中的预测器的变量的名称,存储为具有与其相同长度相同的字符向量的单元阵列gydF4y2Banumpredictors.gydF4y2Ba
.gydF4y2Ba
数据类型:gydF4y2Ba细胞gydF4y2Ba
ractraceame.gydF4y2Ba
- - - - - -gydF4y2Ba响应变量名gydF4y2Ba用作拟合中的响应变量的变量的名称,存储为字符向量。gydF4y2Ba
数据类型:gydF4y2BachargydF4y2Ba
rsquared.gydF4y2Ba
- - - - - -gydF4y2Ba拟合模型解释的响应中的变异比例gydF4y2Ba拟合模型解释的响应中的变异性比例,作为结构存储。gydF4y2Barsquared.gydF4y2Ba
包含gydF4y2BaRgydF4y2Ba拟合模型的平方值,也称为多重相关系数。gydF4y2Barsquared.gydF4y2Ba
包含以下字段。gydF4y2Ba
场地gydF4y2Ba | 描述gydF4y2Ba |
---|---|
普通的gydF4y2Ba |
r平方值,存储为结构中的标量值。gydF4y2BaRSQUARED.OWORDINARY = 1 - SSE./sstgydF4y2Ba |
调整gydF4y2Ba |
对于固定效果系数的数量来调整R线值,以结构中的标量值存储在一起。gydF4y2BaRSQUARED.ADJUSTED = 1 - (SSE./sst)* (dft./dfe)gydF4y2Ba ,gydF4y2Ba在哪里gydF4y2Ba dfe = n - pgydF4y2Ba ,gydF4y2Badft = n - 1gydF4y2Ba ,gydF4y2BangydF4y2Ba 是观察的总数,和gydF4y2BapgydF4y2Ba 是固定效果系数的数量。gydF4y2Ba |
数据类型:gydF4y2Ba塑造gydF4y2Ba
上交所gydF4y2Ba
- - - - - -gydF4y2Ba误差平方和gydF4y2Ba正方形的误差之和,存储为正标量值。gydF4y2Ba上交所gydF4y2Ba
是平方条件残差的加权和,并计算为gydF4y2Ba
在哪里gydF4y2BangydF4y2Ba是观察的数量,gydF4y2BawgydF4y2Ba我gydF4y2Baeff.gydF4y2Ba是gydF4y2Ba我gydF4y2Ba效率,重量有效,gydF4y2BaygydF4y2Ba我gydF4y2Ba是gydF4y2Ba我gydF4y2Bath反应,gydF4y2BafgydF4y2Ba我gydF4y2Ba是gydF4y2Ba我gydF4y2Ba拟合价值。gydF4y2Ba
的gydF4y2Ba我gydF4y2Ba有效权重计算为gydF4y2Ba
在哪里gydF4y2BavgydF4y2Ba我gydF4y2Ba是差异术语gydF4y2Ba我gydF4y2Bath观察,gydF4y2Ba 和gydF4y2Ba 是估计值gydF4y2BaβgydF4y2Ba和gydF4y2BabgydF4y2Ba,分别。gydF4y2Ba
的gydF4y2Ba我gydF4y2Ba计算价值计算为gydF4y2Ba
在哪里gydF4y2BaxgydF4y2Ba我gydF4y2BaTgydF4y2Ba是gydF4y2Ba我gydF4y2Ba固定效果设计矩阵的行gydF4y2BaXgydF4y2Ba, 和gydF4y2BazgydF4y2Ba我gydF4y2BaTgydF4y2Ba是gydF4y2Ba我gydF4y2Ba随机效果设计矩阵的行gydF4y2BaZgydF4y2Ba.gydF4y2Baδ.gydF4y2Ba我gydF4y2Ba是gydF4y2Ba我gydF4y2Bath偏移值。gydF4y2Ba
数据类型:gydF4y2Ba双倍的gydF4y2Ba
苏维埃社会主义共和国gydF4y2Ba
- - - - - -gydF4y2Ba回归平方和gydF4y2Ba回归正方形,存储为正标量值。gydF4y2Ba苏维埃社会主义共和国gydF4y2Ba
是由广义线性混合效应回归解释的方块的总和,或等效地将条件拟合值的平方偏差的加权和从其加权平均值。gydF4y2Ba苏维埃社会主义共和国gydF4y2Ba
计算为gydF4y2Ba
在哪里gydF4y2BangydF4y2Ba是观察的数量,gydF4y2BawgydF4y2Ba我gydF4y2Baeff.gydF4y2Ba是gydF4y2Ba我gydF4y2Ba效率,重量有效,gydF4y2BafgydF4y2Ba我gydF4y2Ba是gydF4y2Ba我gydF4y2Ba拟合价值,和gydF4y2Ba 是拟合值的加权平均值。gydF4y2Ba
的gydF4y2Ba我gydF4y2Ba有效权重计算为gydF4y2Ba
在哪里gydF4y2Ba 和gydF4y2Ba 是估计值gydF4y2BaβgydF4y2Ba和gydF4y2BabgydF4y2Ba,分别。gydF4y2Ba
的gydF4y2Ba我gydF4y2Ba计算价值计算为gydF4y2Ba
在哪里gydF4y2BaxgydF4y2Ba我gydF4y2BaTgydF4y2Ba是gydF4y2Ba我gydF4y2Ba固定效果设计矩阵的行gydF4y2BaXgydF4y2Ba, 和gydF4y2BazgydF4y2Ba我gydF4y2BaTgydF4y2Ba是gydF4y2Ba我gydF4y2Ba随机效果设计矩阵的行gydF4y2BaZgydF4y2Ba.gydF4y2Baδ.gydF4y2Ba我gydF4y2Ba是gydF4y2Ba我gydF4y2Bath偏移值。gydF4y2Ba
拟合值的加权平均值计算为gydF4y2Ba
数据类型:gydF4y2Ba双倍的gydF4y2Ba
风场gydF4y2Ba
- - - - - -gydF4y2Ba总平方和gydF4y2Ba总线总和,存储为正标量值。对于GLME模型,gydF4y2Ba风场gydF4y2Ba
被定义为gydF4y2BaSST = SSE + SSRgydF4y2Ba
.gydF4y2Ba
数据类型:gydF4y2Ba双倍的gydF4y2Ba
变量税收gydF4y2Ba
- - - - - -gydF4y2Ba有关变量的信息gydF4y2Ba有关拟合中使用的变量的信息,存储为表。gydF4y2Ba变量税收gydF4y2Ba
每个变量有一行,并包含以下列。gydF4y2Ba
列名称gydF4y2Ba | 描述gydF4y2Ba |
---|---|
班级gydF4y2Ba |
变量的类别(gydF4y2Ba'双倍的'gydF4y2Ba ,gydF4y2Ba'细胞'gydF4y2Ba ,gydF4y2Ba“名义”gydF4y2Ba , 等等)。gydF4y2Ba |
范围gydF4y2Ba |
变量的值范围。gydF4y2Ba
|
inmodel.gydF4y2Ba |
如果变量是拟合模型中的预测器,gydF4y2Ba 如果变量不在拟合模型中,gydF4y2Ba |
是基本的gydF4y2Ba |
如果变量类型被视为分类预测器(例如单元格,逻辑或分类),则gydF4y2Ba 如果变量是连续的预测器,那么gydF4y2Ba |
数据类型:gydF4y2Ba桌子gydF4y2Ba
VariableNamesgydF4y2Ba
- - - - - -gydF4y2Ba变量的名称gydF4y2Ba表或数据集数组中包含的所有变量的名称gydF4y2BaTBL.gydF4y2Ba
,存储为字符向量的单元格数组。gydF4y2Ba
数据类型:gydF4y2Ba细胞gydF4y2Ba
变量gydF4y2Ba
- - - - - -gydF4y2Ba变量gydF4y2Ba变量,存储为表。如果拟合基于表或数据集数组gydF4y2BaTBL.gydF4y2Ba
,然后gydF4y2Ba变量gydF4y2Ba
是一样gydF4y2BaTBL.gydF4y2Ba
.gydF4y2Ba
数据类型:gydF4y2Ba桌子gydF4y2Ba
Anova.gydF4y2Ba |
广义线性混合效应模型的方差分析gydF4y2Ba |
coefCIgydF4y2Ba |
广义线性混合效应模型系数的置信区间gydF4y2Ba |
coefTestgydF4y2Ba |
广义线性混合效应模型固定和随机效应的假设试验gydF4y2Ba |
比较gydF4y2Ba |
比较广义线性混合效应模型gydF4y2Ba |
covarianceParametersgydF4y2Ba |
提取广义线性混合效应模型的协方差参数gydF4y2Ba |
DesignMatrix.gydF4y2Ba |
固定和随机效应设计矩阵gydF4y2Ba |
拟合gydF4y2Ba |
广义线性混合效应模型的响应gydF4y2Ba |
固定效应gydF4y2Ba |
固定效应及相关统计数据估计gydF4y2Ba |
部分竞争gydF4y2Ba |
计算部分依赖gydF4y2Ba |
绘图竞争依赖性gydF4y2Ba |
创建部分依赖图(PDP)和个人有条件期望(ICE)情节gydF4y2Ba |
plotresivsgydF4y2Ba |
广义线性混合效应模型的绘图残余gydF4y2Ba |
预测gydF4y2Ba |
推广线性混合效应模型的预测响应gydF4y2Ba |
随机的gydF4y2Ba |
从拟合的广义线性混合效果模型产生随机响应gydF4y2Ba |
randomEffectsgydF4y2Ba |
随机效应的估计和相关统计gydF4y2Ba |
改装gydF4y2Ba |
重构广义线性混合效应模型gydF4y2Ba |
残差gydF4y2Ba |
拟合拟合线性混合效应模型的残差gydF4y2Ba |
回复gydF4y2Ba |
广义线性混合效应模型的响应矢量gydF4y2Ba |
加载示例数据。gydF4y2Ba
加载gydF4y2Ba生产商gydF4y2Ba
这些模拟数据来自一家在世界各地运营50家工厂的制造公司,每个工厂运行一个批处理流程来创建成品。该公司想要减少每批的缺陷数量,所以它开发了一种新的制造工艺。为了测试新工艺的有效性,该公司随机挑选了20家工厂参与实验:10家工厂实施了新工艺,而其他10家继续运行旧工艺。在20家工厂中,公司分别运行了5批(共100批),并记录了以下数据:gydF4y2Ba
标志,以指示批是否使用新工艺(gydF4y2Banewprocess.gydF4y2Ba
)gydF4y2Ba
处理时间为每批,以小时为单位(gydF4y2Ba时间gydF4y2Ba
)gydF4y2Ba
批量的温度,以摄氏度为单位(gydF4y2Ba临时gydF4y2Ba
)gydF4y2Ba
表示供应商的分类变量(gydF4y2Ba一个gydF4y2Ba
,gydF4y2BaBgydF4y2Ba
,或gydF4y2BaCgydF4y2Ba
)所使用的该批化学品(gydF4y2Ba供应商gydF4y2Ba
)gydF4y2Ba
批次缺陷数(gydF4y2Ba缺陷gydF4y2Ba
)gydF4y2Ba
数据还包括gydF4y2Batime_dev.gydF4y2Ba
和gydF4y2Batemp_devgydF4y2Ba
,这分别从20摄氏度的3小时的过程标准分别表示时间和温度的绝对偏差。gydF4y2Ba
适合广义的线性混合效果模型gydF4y2Banewprocess.gydF4y2Ba
,gydF4y2Batime_dev.gydF4y2Ba
,gydF4y2Batemp_devgydF4y2Ba
, 和gydF4y2Ba供应商gydF4y2Ba
作为固定效果预测因子。包括截取的随机效果术语分组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
具有泊松分发,此模型的适当链接功能是日志。使用拉普拉斯匹配方法来估计系数。指定编码的虚拟变量gydF4y2Ba'效果'gydF4y2Ba
,使虚拟变量系数总和为0。gydF4y2Ba
缺陷的数量可以用泊松分布来建模gydF4y2Ba
这对应于广义的线性混合效应模型gydF4y2Ba
在哪里gydF4y2Ba
在工厂生产的批次中是否观察到缺陷的数量gydF4y2Ba 在批处理期间gydF4y2Ba .gydF4y2Ba
平均缺陷数是否与工厂相应gydF4y2Ba (在哪里gydF4y2Ba 在批处理)gydF4y2Ba (在哪里gydF4y2Ba )。gydF4y2Ba
,gydF4y2Ba , 和gydF4y2Ba 是对应于工厂的每个变量的测量值gydF4y2Ba 在批处理期间gydF4y2Ba .例如,gydF4y2Ba 指示该批次是否由工厂生产gydF4y2Ba 在批处理期间gydF4y2Ba 使用了新的进程。gydF4y2Ba
和gydF4y2Ba
是否使用效应(sum-to-zero)编码的虚拟变量表明是否公司gydF4y2BaCgydF4y2Ba
或gydF4y2BaBgydF4y2Ba
分别为工厂生产的批量提供工艺化学品gydF4y2Ba
在批处理期间gydF4y2Ba
.gydF4y2Ba
每个工厂都有随机效果拦截吗gydF4y2Ba 这就解释了工厂特有的质量差异。gydF4y2Ba
glme = fitglme(制造商,gydF4y2Ba'缺陷〜1 + newprocess + time_dev + temp_dev +供应商+(1 |工厂)'gydF4y2Ba,gydF4y2Ba......gydF4y2Ba'分配'gydF4y2Ba,gydF4y2Ba'泊松'gydF4y2Ba,gydF4y2Ba'关联'gydF4y2Ba,gydF4y2Ba“日志”gydF4y2Ba,gydF4y2Ba“FitMethod”gydF4y2Ba,gydF4y2Ba'laplace'gydF4y2Ba,gydF4y2Ba'dummyvarcoding'gydF4y2Ba,gydF4y2Ba'效果'gydF4y2Ba);gydF4y2Ba
显示模型。gydF4y2Ba
disp (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
的gydF4y2Ba模型信息gydF4y2Ba
表显示样品数据(100)中的观察总数,固定和随机效应系数(分别为6和20)和协方差参数(1)的数量。它还表明响应变量具有一个gydF4y2Ba泊松gydF4y2Ba
分布,链接函数为gydF4y2Ba日志gydF4y2Ba
,拟合方法是gydF4y2Ba拉普拉斯gydF4y2Ba
.gydF4y2Ba
公式gydF4y2Ba
表示使用Wilkinson表示法的模型规范。gydF4y2Ba
的gydF4y2Ba模型拟合统计数据gydF4y2Ba
表显示统计数据用于评估模型的适合度。这包括akaike信息标准(gydF4y2BaAIC.gydF4y2Ba
)、贝叶斯信息准则(gydF4y2BaBIC.gydF4y2Ba
)值,日志可能性(gydF4y2BaloglikelihiegydF4y2Ba
)和偏差(gydF4y2Ba偏见gydF4y2Ba
)值。gydF4y2Ba
的gydF4y2Ba固定效果系数gydF4y2Ba
表表示gydF4y2BafitglmegydF4y2Ba
返回95%的置信区间。它包含每个固定效果预测器的一行,每个列包含对应于该预测器的统计信息。第1列(gydF4y2Ba姓名gydF4y2Ba
)包含每个固定效果系数的名称,第2列(gydF4y2Ba估计gydF4y2Ba
)包含其估计值和第3列(gydF4y2BaSE.gydF4y2Ba
)包含系数的标准误差。第4列(gydF4y2BaTstat.gydF4y2Ba
)包含gydF4y2Ba
-系数等于0的假设检验的统计量。列5 (gydF4y2BaDFgydF4y2Ba
)及第6栏(gydF4y2Bapvalue.gydF4y2Ba
)包含了自由度和gydF4y2Ba
- 对应于此的价值gydF4y2Ba
- 分别。最后两列(gydF4y2Ba降低gydF4y2Ba
和gydF4y2Ba上gydF4y2Ba
)对于每个固定效应系数,分别显示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(仅在这里)gydF4y2Ba工厂gydF4y2Ba
),包括其总数(20),以及协方差参数的类型和估计。这里,gydF4y2Ba性病gydF4y2Ba
表明gydF4y2BafitglmegydF4y2Ba
返回与工厂预测器相关的随机效应的标准偏差,其估计值为0.31381。它还显示了一个包含误差参数类型(这里是离散参数的平方根)及其估计值1的表。gydF4y2Ba
生成的标准显示gydF4y2BafitglmegydF4y2Ba
不提供随机效应参数的置信区间。计算和显示这些值,使用gydF4y2BacovarianceParametersgydF4y2Ba
.gydF4y2Ba
通常,模型规范的公式是表单的字符向量或字符串标量gydF4y2Ba'Y〜术语'gydF4y2Ba
.对于广义的线性混合效果模型,该公式处于形式gydF4y2Ba'y〜固定+(random1 | grouping1)+ ... +(randomr | groupingr)'gydF4y2Ba
, 在哪里gydF4y2Ba固定的gydF4y2Ba
和gydF4y2Ba随机的gydF4y2Ba
包含固定效果和随机效应术语,以及gydF4y2BaRgydF4y2Ba是模型中的分组变量的数量。gydF4y2Ba
假设一个表gydF4y2BaTBL.gydF4y2Ba
包含以下内容:gydF4y2Ba
响应变量,gydF4y2BaygydF4y2Ba
预测变量,gydF4y2BaXgydF4y2BajgydF4y2Ba
,可以是连续变量或分组变量gydF4y2Ba
分组变量,gydF4y2BaggydF4y2Ba1gydF4y2Ba
,gydF4y2BaggydF4y2Ba2gydF4y2Ba
、……gydF4y2BaggydF4y2BaRgydF4y2Ba
,gydF4y2Ba
分组变量在哪里gydF4y2BaXgydF4y2BajgydF4y2Ba
和gydF4y2BaggydF4y2BargydF4y2Ba
可以是字符向量的分类,逻辑,字符数组,字符串数组或单元格阵列。gydF4y2Ba
然后,在形式的公式中,gydF4y2Ba'y〜固定+(随机gydF4y2Ba1gydF4y2Ba| G.gydF4y2Ba1gydF4y2Ba)+ ... +(随机gydF4y2BaRgydF4y2Ba| G.gydF4y2BaRgydF4y2Ba'gydF4y2Ba
, 期限gydF4y2Ba固定的gydF4y2Ba
对应于一个固定效果设计矩阵的规格gydF4y2BaXgydF4y2Ba
,gydF4y2Ba随机的gydF4y2Ba
1gydF4y2Ba是随机效应设计矩阵的规范gydF4y2BaZgydF4y2Ba
1gydF4y2Ba对应于分组变量gydF4y2BaggydF4y2Ba
1gydF4y2Ba,同样gydF4y2Ba随机的gydF4y2Ba
RgydF4y2Ba是随机效应设计矩阵的规范gydF4y2BaZgydF4y2Ba
RgydF4y2Ba对应于分组变量gydF4y2BaggydF4y2Ba
RgydF4y2Ba.你可以表达gydF4y2Ba固定的gydF4y2Ba
和gydF4y2Ba随机的gydF4y2Ba
使用威尔金森表示法。gydF4y2Ba
Wilkinson表示法描述了模型中存在的因素。符号涉及模型中存在的因素,而不是那些因素的乘法器(系数)。gydF4y2Ba
Wilkinson表示法gydF4y2Ba | 标准符号中的因子gydF4y2Ba |
---|---|
1gydF4y2Ba |
常数(拦截)gydF4y2Ba |
X ^ kgydF4y2Ba , 在哪里gydF4y2BakgydF4y2Ba 为正整数gydF4y2Ba |
XgydF4y2Ba ,gydF4y2BaXgydF4y2Ba2gydF4y2Ba 、……gydF4y2BaXgydF4y2BakgydF4y2Ba |
x1 + x2gydF4y2Ba |
X1gydF4y2Ba ,gydF4y2BaX2gydF4y2Ba |
x1 * x2gydF4y2Ba |
X1gydF4y2Ba ,gydF4y2BaX2gydF4y2Ba ,gydF4y2Bax1。* x2(elementwise multiplication of X1 and X2) |
x1:x2gydF4y2Ba |
x1。* x2gydF4y2Ba 只要gydF4y2Ba |
- x2gydF4y2Ba |
不包括gydF4y2BaX2gydF4y2Ba |
x1 * x2 + x3gydF4y2Ba |
X1gydF4y2Ba ,gydF4y2BaX2gydF4y2Ba ,gydF4y2BaX3gydF4y2Ba ,gydF4y2Bax1 * x2gydF4y2Ba |
X1 + x2 + x3 + X1: x2gydF4y2Ba |
X1gydF4y2Ba ,gydF4y2BaX2gydF4y2Ba ,gydF4y2BaX3gydF4y2Ba ,gydF4y2Bax1 * x2gydF4y2Ba |
x1 * x2 * x3 - x1:x2:x3gydF4y2Ba |
X1gydF4y2Ba ,gydF4y2BaX2gydF4y2Ba ,gydF4y2BaX3gydF4y2Ba ,gydF4y2Bax1 * x2gydF4y2Ba ,gydF4y2Bax1 * x3gydF4y2Ba ,gydF4y2Bax2 * x3gydF4y2Ba |
x1 *(x2 + x3)gydF4y2Ba |
X1gydF4y2Ba ,gydF4y2BaX2gydF4y2Ba ,gydF4y2BaX3gydF4y2Ba ,gydF4y2Bax1 * x2gydF4y2Ba ,gydF4y2Bax1 * x3gydF4y2Ba |
统计学和机器学习工具箱™表示法总是包含一个常量术语,除非您明确地使用该术语gydF4y2Ba-1gydF4y2Ba
.以下是用于线性混合效果模型规范的一些示例。gydF4y2Ba
例子:gydF4y2Ba
公式gydF4y2Ba | 描述gydF4y2Ba |
---|---|
'y ~ X1 + X2'gydF4y2Ba |
拦截的固定效果,gydF4y2BaX1gydF4y2Ba 和gydF4y2BaX2gydF4y2Ba .这个等价于gydF4y2Ba'y ~ 1 + X1 + X2'gydF4y2Ba .gydF4y2Ba |
'y ~ -1 + X1 + X2'gydF4y2Ba |
没有拦截和固定效果gydF4y2BaX1gydF4y2Ba 和gydF4y2BaX2gydF4y2Ba .隐式拦截术语包括包括在内gydF4y2Ba-1gydF4y2Ba .gydF4y2Ba |
'Y〜1 +(1 | G1)'gydF4y2Ba |
固定效果对拦截对分组变量的每个级别的拦截随机效果gydF4y2Bag1gydF4y2Ba .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 |
'Y〜x1 +(1 | g1)+(-1 + x1 | g1)'gydF4y2Ba |
拦截和坡度的独立随机效应术语。gydF4y2Ba |
'Y〜1 +(1 | G1)+(1 | G2)+(1 | G1:G2)'gydF4y2Ba |
随机拦截模型,具有独立的主要效果gydF4y2Bag1gydF4y2Ba 和gydF4y2Bag2gydF4y2Ba ,加上一个独立的相互作用效应。gydF4y2Ba |
您单击了与此MATLAB命令对应的链接:gydF4y2Ba
在MATLAB命令窗口中输入它来运行命令。Web浏览器不支持MATLAB命令。金宝appgydF4y2Ba
选择一个网站,以便在可用的地方进行翻译的内容,并查看本地活动和优惠。根据您的位置,我们建议您选择:gydF4y2Ba.gydF4y2Ba
选择gydF4y2Ba网站gydF4y2Ba您还可以从以下列表中选择一个网站:gydF4y2Ba
选择中国网站(中文或英文)以获得最佳网站性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。gydF4y2Ba