GeneralizedLinearMixedModel类gydF4y2Ba

广义线性混合效应模型类gydF4y2Ba

描述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

建设gydF4y2Ba

您可以使用通用的线性混合效应（GLME）模型来使用gydF4y2BaFitglme（gydF4y2BaTBL.gydF4y2Ba，gydF4y2Ba公式gydF4y2Ba）gydF4y2Ba．有关更多信息，请参见gydF4y2BafitglmegydF4y2Ba．gydF4y2Ba

输入参数gydF4y2Ba

展开全部gydF4y2Ba

`TBL.gydF4y2Ba`- - - - - -gydF4y2Ba输入数据gydF4y2Ba
桌子gydF4y2Ba| G.ydF4y2Ba数据集的数组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
形式的字符向量或字符串标量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

特性gydF4y2Ba

展开全部gydF4y2Ba

`系数gydF4y2Ba`- - - - - -gydF4y2Ba固定效应系数的估计gydF4y2Ba
数据集的数组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
矩阵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
字符向量的单元格阵列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
正整数的值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
标量值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.gydF4y2Ba^2gydF4y2Ba，在广义的线性混合效应模型中是gydF4y2Ba

$var.gydF4y2Ba （gydF4y2Ba {ygydF4y2Ba}_{我gydF4y2Ba} | G.ydF4y2Ba {μ.gydF4y2Ba}_{我gydF4y2Ba} ，gydF4y2Ba {σ.gydF4y2Ba}^{2gydF4y2Ba} ）gydF4y2Ba ＝gydF4y2Ba \frac{{σ.gydF4y2Ba}^{2gydF4y2Ba}}{{wgydF4y2Ba}_{我gydF4y2Ba}} vgydF4y2Ba （gydF4y2Ba {μ.gydF4y2Ba}_{我gydF4y2Ba} ）gydF4y2Ba ，gydF4y2Ba$

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.gydF4y2Ba^2gydF4y2Ba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.gydF4y2Ba^2gydF4y2Ba= 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
对象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
结构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gydF4y2Ba`GgydF4y2Ba`
`衍生物gydF4y2Ba`	衍生物gydF4y2Ba`GgydF4y2Ba`
`SecondDerivativegydF4y2Ba`	二阶导数的gydF4y2Ba`GgydF4y2Ba`
`逆gydF4y2Ba`	逆gydF4y2Ba`GgydF4y2Ba`

数据类型：gydF4y2Ba塑造gydF4y2Ba

`loglikelihiegydF4y2Ba`- - - - - -gydF4y2Ba似然函数的日志gydF4y2Ba
标量值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
桌子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`	适用于使用的模型gydF4y2Ba`'laplace'gydF4y2Ba`或gydF4y2Ba`“ApproximateLaplace”gydF4y2Ba`，gydF4y2Ba`loglikelihiegydF4y2Ba`是最大化的日志可能性。gydF4y2Ba 适用于使用的模型gydF4y2Ba`“MPL”gydF4y2Ba`，gydF4y2Ba`loglikelihiegydF4y2Ba`为最终伪似然迭代得到的伪数据的最大对数似然。gydF4y2Ba 适用于使用的模型gydF4y2Ba`'rempl'gydF4y2Ba`，gydF4y2Ba`loglikelihiegydF4y2Ba`为最终伪似然迭代得到的伪数据的最大限制对数似然。gydF4y2Ba
`偏见gydF4y2Ba`	-2次gydF4y2Ba`loglikelihiegydF4y2Ba`

`NumCoefficientsgydF4y2Ba`- - - - - -gydF4y2Ba固定效应系数的数目gydF4y2Ba
正整数的值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
正整数的值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
正整数的值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
正整数的值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
正整数的值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
桌子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gydF4y2Ba`fitglmegydF4y2Ba`,然后gydF4y2Ba`被排除在外gydF4y2Ba`是gydF4y2Ba`真正的gydF4y2Ba`,或gydF4y2Ba`1gydF4y2Ba`．除此以外，gydF4y2Ba`被排除在外gydF4y2Ba`是gydF4y2Ba`错误的gydF4y2Ba`,或gydF4y2Ba`0gydF4y2Ba`．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`丢失的gydF4y2Ba`是gydF4y2Ba`真正的gydF4y2Ba`．除此以外，gydF4y2Ba`丢失的gydF4y2Ba`是gydF4y2Ba`错误的gydF4y2Ba`．gydF4y2Ba 缺失的值包括gydF4y2Ba`南gydF4y2Ba`对于数字变量，单元格数组的空单元格，字符数组的空行，以及gydF4y2Ba`<未定义>gydF4y2Ba`分类阵列的价值。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
字符向量的单元格阵列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
字符向量的单元格阵列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
字符向量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
结构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。gydF4y2Ba `RSQUARED.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。gydF4y2Ba `RSQUARED.ADJUSTED = 1 - （SSE./sst)* (dft./dfe）gydF4y2Ba`，gydF4y2Ba 在哪里gydF4y2Ba`dfe = n - pgydF4y2Ba`，gydF4y2Ba`dft = n - 1gydF4y2Ba`，gydF4y2Ba`ngydF4y2Ba`是观察的总数，和gydF4y2Ba`pgydF4y2Ba`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
正标量值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

$年代gydF4y2Ba 年代gydF4y2Ba EgydF4y2Ba ＝gydF4y2Ba {\sumgydF4y2Ba}_{我gydF4y2Ba ＝gydF4y2Ba 1gydF4y2Ba}^{ngydF4y2Ba} {wgydF4y2Ba}_{我gydF4y2Ba}^{egydF4y2Ba fgydF4y2Ba fgydF4y2Ba} {（gydF4y2Ba {ygydF4y2Ba}_{我gydF4y2Ba} -gydF4y2Ba {fgydF4y2Ba}_{我gydF4y2Ba} ）gydF4y2Ba}^{2gydF4y2Ba} ，gydF4y2Ba$

在哪里gydF4y2BangydF4y2Ba是观察的数量，gydF4y2BawgydF4y2Ba_我gydF4y2Ba^{eff.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

${wgydF4y2Ba}_{我gydF4y2Ba}^{egydF4y2Ba fgydF4y2Ba fgydF4y2Ba} ＝gydF4y2Ba ｛gydF4y2Ba \frac{{wgydF4y2Ba}_{我gydF4y2Ba}}{{vgydF4y2Ba}_{我gydF4y2Ba} （gydF4y2Ba {μ.gydF4y2Ba}_{我gydF4y2Ba} （gydF4y2Ba \overset{＾gydF4y2Ba}{βgydF4y2Ba} ，gydF4y2Ba \overset{＾gydF4y2Ba}{bgydF4y2Ba} ）gydF4y2Ba ）gydF4y2Ba} ｝gydF4y2Ba ，gydF4y2Ba$

在哪里gydF4y2BavgydF4y2Ba_我gydF4y2Ba是差异术语gydF4y2Ba我gydF4y2Bath观察,gydF4y2Ba $\overset{＾gydF4y2Ba}{βgydF4y2Ba}$ 和gydF4y2Ba $\overset{＾gydF4y2Ba}{bgydF4y2Ba}$ 是估计值gydF4y2BaβgydF4y2Ba和gydF4y2BabgydF4y2Ba,分别。gydF4y2Ba

的gydF4y2Ba我gydF4y2Ba计算价值计算为gydF4y2Ba

${fgydF4y2Ba}_{我gydF4y2Ba} ＝gydF4y2Ba {ggydF4y2Ba}^{-gydF4y2Ba 1gydF4y2Ba} （gydF4y2Ba {xgydF4y2Ba}_{我gydF4y2Ba}^{TgydF4y2Ba} \overset{＾gydF4y2Ba}{βgydF4y2Ba} +gydF4y2Ba {zgydF4y2Ba}_{我gydF4y2Ba}^{TgydF4y2Ba} \overset{＾gydF4y2Ba}{bgydF4y2Ba} +gydF4y2Ba {δ.gydF4y2Ba}_{我gydF4y2Ba} ）gydF4y2Ba ，gydF4y2Ba$

在哪里gydF4y2BaxgydF4y2Ba_我gydF4y2Ba^TgydF4y2Ba是gydF4y2Ba我gydF4y2Ba固定效果设计矩阵的行gydF4y2BaXgydF4y2Ba，和gydF4y2BazgydF4y2Ba_我gydF4y2Ba^TgydF4y2Ba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
正标量值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

$年代gydF4y2Ba 年代gydF4y2Ba RgydF4y2Ba ＝gydF4y2Ba {\sumgydF4y2Ba}_{我gydF4y2Ba ＝gydF4y2Ba 1gydF4y2Ba}^{NgydF4y2Ba} {wgydF4y2Ba}_{我gydF4y2Ba}^{egydF4y2Ba fgydF4y2Ba fgydF4y2Ba} {（gydF4y2Ba {fgydF4y2Ba}_{我gydF4y2Ba} -gydF4y2Ba \overset{¯gydF4y2Ba}{fgydF4y2Ba} ）gydF4y2Ba}^{2gydF4y2Ba} ，gydF4y2Ba$

在哪里gydF4y2BangydF4y2Ba是观察的数量，gydF4y2BawgydF4y2Ba_我gydF4y2Ba^{eff.gydF4y2Ba}是gydF4y2Ba我gydF4y2Ba效率，重量有效，gydF4y2BafgydF4y2Ba_我gydF4y2Ba是gydF4y2Ba我gydF4y2Ba拟合价值，和gydF4y2Ba $\overset{¯gydF4y2Ba}{fgydF4y2Ba}$ 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 $\overset{＾gydF4y2Ba}{βgydF4y2Ba}$ 和gydF4y2Ba $\overset{＾gydF4y2Ba}{bgydF4y2Ba}$ 是估计值gydF4y2BaβgydF4y2Ba和gydF4y2BabgydF4y2Ba,分别。gydF4y2Ba

的gydF4y2Ba我gydF4y2Ba计算价值计算为gydF4y2Ba

拟合值的加权平均值计算为gydF4y2Ba

$\overset{¯gydF4y2Ba}{fgydF4y2Ba} ＝gydF4y2Ba \frac{［gydF4y2Ba {\sumgydF4y2Ba}_{我gydF4y2Ba ＝gydF4y2Ba 1gydF4y2Ba}^{ngydF4y2Ba} {wgydF4y2Ba}_{我gydF4y2Ba}^{egydF4y2Ba fgydF4y2Ba fgydF4y2Ba} {fgydF4y2Ba}_{我gydF4y2Ba} ］gydF4y2Ba}{{\sumgydF4y2Ba}_{我gydF4y2Ba ＝gydF4y2Ba 1gydF4y2Ba}^{ngydF4y2Ba} {wgydF4y2Ba}_{我gydF4y2Ba}^{egydF4y2Ba fgydF4y2Ba fgydF4y2Ba}} ．gydF4y2Ba$

数据类型：gydF4y2Ba双倍的gydF4y2Ba

`风场gydF4y2Ba`- - - - - -gydF4y2Ba总平方和gydF4y2Ba
正标量值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
桌子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 对于数值变量，gydF4y2Ba`范围gydF4y2Ba`是表格的两个元素矢量gydF4y2Ba`(最小,最大)gydF4y2Ba`．gydF4y2Ba 对于小区或分类变量，gydF4y2Ba`范围gydF4y2Ba`是包含变量的所有唯一值的单元格或分类数组。gydF4y2Ba
`inmodel.gydF4y2Ba`	如果变量是拟合模型中的预测器，gydF4y2Ba`inmodel.gydF4y2Ba`是gydF4y2Ba`真正的gydF4y2Ba`．gydF4y2Ba 如果变量不在拟合模型中，gydF4y2Ba`inmodel.gydF4y2Ba`是gydF4y2Ba`错误的gydF4y2Ba`．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`是基本的gydF4y2Ba`是gydF4y2Ba`真正的gydF4y2Ba`．gydF4y2Ba 如果变量是连续的预测器，那么gydF4y2Ba`是基本的gydF4y2Ba`是gydF4y2Ba`错误的gydF4y2Ba`．gydF4y2Ba

数据类型：gydF4y2Ba桌子gydF4y2Ba

`VariableNamesgydF4y2Ba`- - - - - -gydF4y2Ba变量的名称gydF4y2Ba
字符向量的单元格阵列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
桌子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

对象功能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

例子gydF4y2Ba

全部收缩gydF4y2Ba

符合广义的线性混合效应模型gydF4y2Ba

打开生活的脚本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

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

这对应于广义的线性混合效应模型gydF4y2Ba

$日志gydF4y2Ba （gydF4y2Ba {μ.gydF4y2Ba}_{我gydF4y2Ba jgydF4y2Ba} ）gydF4y2Ba ＝gydF4y2Ba {βgydF4y2Ba}_{0gydF4y2Ba} +gydF4y2Ba {βgydF4y2Ba}_{1gydF4y2Ba} {newprocess.gydF4y2Ba}_{我gydF4y2Ba jgydF4y2Ba} +gydF4y2Ba {βgydF4y2Ba}_{2gydF4y2Ba} {时间gydF4y2Ba ＿gydF4y2Ba devgydF4y2Ba}_{我gydF4y2Ba jgydF4y2Ba} +gydF4y2Ba {βgydF4y2Ba}_{3.gydF4y2Ba} {临时gydF4y2Ba ＿gydF4y2Ba devgydF4y2Ba}_{我gydF4y2Ba jgydF4y2Ba} +gydF4y2Ba {βgydF4y2Ba}_{4gydF4y2Ba} {供应商gydF4y2Ba ＿gydF4y2Ba CgydF4y2Ba}_{我gydF4y2Ba jgydF4y2Ba} +gydF4y2Ba {βgydF4y2Ba}_{5gydF4y2Ba} {供应商gydF4y2Ba ＿gydF4y2Ba BgydF4y2Ba}_{我gydF4y2Ba jgydF4y2Ba} +gydF4y2Ba {bgydF4y2Ba}_{我gydF4y2Ba} ，gydF4y2Ba$

在哪里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 $我gydF4y2Ba$ 在批处理期间gydF4y2Ba $jgydF4y2Ba$ ．gydF4y2Ba
${μ.gydF4y2Ba}_{我gydF4y2Ba jgydF4y2Ba}$ 平均缺陷数是否与工厂相应gydF4y2Ba $我gydF4y2Ba$ （在哪里gydF4y2Ba $我gydF4y2Ba ＝gydF4y2Ba 1gydF4y2Ba ，gydF4y2Ba 2gydF4y2Ba ，gydF4y2Ba ．gydF4y2Ba ．gydF4y2Ba ．gydF4y2Ba ，gydF4y2Ba 2gydF4y2Ba 0gydF4y2Ba$ 在批处理)gydF4y2Ba $jgydF4y2Ba$ （在哪里gydF4y2Ba $jgydF4y2Ba ＝gydF4y2Ba 1gydF4y2Ba ，gydF4y2Ba 2gydF4y2Ba ，gydF4y2Ba ．gydF4y2Ba ．gydF4y2Ba ．gydF4y2Ba ，gydF4y2Ba 5gydF4y2Ba$ ）。gydF4y2Ba
${newprocess.gydF4y2Ba}_{我gydF4y2Ba jgydF4y2Ba}$ ，gydF4y2Ba ${时间gydF4y2Ba ＿gydF4y2Ba devgydF4y2Ba}_{我gydF4y2Ba jgydF4y2Ba}$ ，和gydF4y2Ba ${临时gydF4y2Ba ＿gydF4y2Ba devgydF4y2Ba}_{我gydF4y2Ba jgydF4y2Ba}$ 是对应于工厂的每个变量的测量值gydF4y2Ba $我gydF4y2Ba$ 在批处理期间gydF4y2Ba $jgydF4y2Ba$ ．例如，gydF4y2Ba ${newprocess.gydF4y2Ba}_{我gydF4y2Ba jgydF4y2Ba}$ 指示该批次是否由工厂生产gydF4y2Ba $我gydF4y2Ba$ 在批处理期间gydF4y2Ba $jgydF4y2Ba$ 使用了新的进程。gydF4y2Ba
${供应商gydF4y2Ba ＿gydF4y2Ba CgydF4y2Ba}_{我gydF4y2Ba jgydF4y2Ba}$ 和gydF4y2Ba ${供应商gydF4y2Ba ＿gydF4y2Ba BgydF4y2Ba}_{我gydF4y2Ba jgydF4y2Ba}$ 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 $我gydF4y2Ba$ 在批处理期间gydF4y2Ba $jgydF4y2Ba$ ．gydF4y2Ba
${bgydF4y2Ba}_{我gydF4y2Ba} \simgydF4y2Ba NgydF4y2Ba （gydF4y2Ba 0gydF4y2Ba ，gydF4y2Ba {σ.gydF4y2Ba}_{bgydF4y2Ba}^{2gydF4y2Ba} ）gydF4y2Ba$ 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（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 $tgydF4y2Ba$ -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 $pgydF4y2Ba$ - 对应于此的价值gydF4y2Ba $tgydF4y2Ba$ - 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

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`只要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`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`	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`	没有拦截和固定效果gydF4y2Ba`X1gydF4y2Ba`和gydF4y2Ba`X2gydF4y2Ba`．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
`'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gydF4y2Ba`g1gydF4y2Ba`和gydF4y2Ba`g2gydF4y2Ba`，加上一个独立的相互作用效应。gydF4y2Ba

另请参阅gydF4y2Ba

fitglmegydF4y2Ba

GeneralizedLinearMixedModel类gydF4y2Ba

描述gydF4y2Ba

建设gydF4y2Ba

输入参数gydF4y2Ba

TBL.gydF4y2Ba- - - - - -gydF4y2Ba输入数据gydF4y2Ba桌子gydF4y2Ba| G.ydF4y2Ba数据集的数组gydF4y2Ba

公式gydF4y2Ba- - - - - -gydF4y2Ba用于模型规格的公式gydF4y2Ba形式的字符向量或字符串标量gydF4y2Ba'y〜固定+（random1 | grouping1）+ ... +（randomr | groupingr）'gydF4y2Ba

特性gydF4y2Ba

系数gydF4y2Ba- - - - - -gydF4y2Ba固定效应系数的估计gydF4y2Ba数据集的数组gydF4y2Ba

CoefficientCovariancegydF4y2Ba- - - - - -gydF4y2Ba估计固定效应载体的协方差gydF4y2Ba矩阵gydF4y2Ba

系数gydF4y2Ba- - - - - -gydF4y2Ba固定效果系数的名称gydF4y2Ba字符向量的单元格阵列gydF4y2Ba

教育部gydF4y2Ba- - - - - -gydF4y2Ba错误自由度gydF4y2Ba正整数的值gydF4y2Ba

分散gydF4y2Ba- - - - - -gydF4y2Ba模式色散参数gydF4y2Ba标量值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

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

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

公式gydF4y2Ba- - - - - -gydF4y2Ba模型规范公式gydF4y2Ba对象gydF4y2Ba

链接gydF4y2Ba- - - - - -gydF4y2Ba链接功能特点gydF4y2Ba结构gydF4y2Ba

loglikelihiegydF4y2Ba- - - - - -gydF4y2Ba似然函数的日志gydF4y2Ba标量值gydF4y2Ba

ModelCriterion.gydF4y2Ba- - - - - -gydF4y2Ba模型的标准gydF4y2Ba桌子gydF4y2Ba

NumCoefficientsgydF4y2Ba- - - - - -gydF4y2Ba固定效应系数的数目gydF4y2Ba正整数的值gydF4y2Ba

numestimatedcoeffients.gydF4y2Ba- - - - - -gydF4y2Ba估计固定效应系数的数量gydF4y2Ba正整数的值gydF4y2Ba

NumObservationsgydF4y2Ba- - - - - -gydF4y2Ba观察次数gydF4y2Ba正整数的值gydF4y2Ba

numpredictors.gydF4y2Ba- - - - - -gydF4y2Ba数量的预测gydF4y2Ba正整数的值gydF4y2Ba

numvarialbles.gydF4y2Ba- - - - - -gydF4y2Ba变量总数gydF4y2Ba正整数的值gydF4y2Ba

观察税收gydF4y2Ba- - - - - -gydF4y2Ba有关观察的信息gydF4y2Ba桌子gydF4y2Ba

观察名称gydF4y2Ba- - - - - -gydF4y2Ba观察名称gydF4y2Ba字符向量的单元格阵列gydF4y2Ba

预测gydF4y2Ba- - - - - -gydF4y2Ba预测器的名称gydF4y2Ba字符向量的单元格阵列gydF4y2Ba

ractraceame.gydF4y2Ba- - - - - -gydF4y2Ba响应变量名gydF4y2Ba字符向量gydF4y2Ba

rsquared.gydF4y2Ba- - - - - -gydF4y2Ba拟合模型解释的响应中的变异比例gydF4y2Ba结构gydF4y2Ba

上交所gydF4y2Ba- - - - - -gydF4y2Ba误差平方和gydF4y2Ba正标量值gydF4y2Ba

苏维埃社会主义共和国gydF4y2Ba- - - - - -gydF4y2Ba回归平方和gydF4y2Ba正标量值gydF4y2Ba

风场gydF4y2Ba- - - - - -gydF4y2Ba总平方和gydF4y2Ba正标量值gydF4y2Ba

变量税收gydF4y2Ba- - - - - -gydF4y2Ba有关变量的信息gydF4y2Ba桌子gydF4y2Ba

VariableNamesgydF4y2Ba- - - - - -gydF4y2Ba变量的名称gydF4y2Ba字符向量的单元格阵列gydF4y2Ba

变量gydF4y2Ba- - - - - -gydF4y2Ba变量gydF4y2Ba桌子gydF4y2Ba

对象功能gydF4y2Ba

例子gydF4y2Ba

符合广义的线性混合效应模型gydF4y2Ba

更多关于gydF4y2Ba

公式gydF4y2Ba

另请参阅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

`TBL.gydF4y2Ba`- - - - - -gydF4y2Ba输入数据gydF4y2Ba
桌子gydF4y2Ba| G.ydF4y2Ba数据集的数组gydF4y2Ba

`公式gydF4y2Ba`- - - - - -gydF4y2Ba用于模型规格的公式gydF4y2Ba
形式的字符向量或字符串标量gydF4y2Ba`'y〜固定+（random1 | grouping1）+ ... +（randomr | groupingr）'gydF4y2Ba`

`系数gydF4y2Ba`- - - - - -gydF4y2Ba固定效应系数的估计gydF4y2Ba
数据集的数组gydF4y2Ba

`CoefficientCovariancegydF4y2Ba`- - - - - -gydF4y2Ba估计固定效应载体的协方差gydF4y2Ba
矩阵gydF4y2Ba

`系数gydF4y2Ba`- - - - - -gydF4y2Ba固定效果系数的名称gydF4y2Ba
字符向量的单元格阵列gydF4y2Ba

`教育部gydF4y2Ba`- - - - - -gydF4y2Ba错误自由度gydF4y2Ba
正整数的值gydF4y2Ba

`分散gydF4y2Ba`- - - - - -gydF4y2Ba模式色散参数gydF4y2Ba
标量值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`

`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`

`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`

`公式gydF4y2Ba`- - - - - -gydF4y2Ba模型规范公式gydF4y2Ba
对象gydF4y2Ba

`链接gydF4y2Ba`- - - - - -gydF4y2Ba链接功能特点gydF4y2Ba
结构gydF4y2Ba

`loglikelihiegydF4y2Ba`- - - - - -gydF4y2Ba似然函数的日志gydF4y2Ba
标量值gydF4y2Ba

`ModelCriterion.gydF4y2Ba`- - - - - -gydF4y2Ba模型的标准gydF4y2Ba
桌子gydF4y2Ba

`NumCoefficientsgydF4y2Ba`- - - - - -gydF4y2Ba固定效应系数的数目gydF4y2Ba
正整数的值gydF4y2Ba

`numestimatedcoeffients.gydF4y2Ba`- - - - - -gydF4y2Ba估计固定效应系数的数量gydF4y2Ba
正整数的值gydF4y2Ba

`NumObservationsgydF4y2Ba`- - - - - -gydF4y2Ba观察次数gydF4y2Ba
正整数的值gydF4y2Ba

`numpredictors.gydF4y2Ba`- - - - - -gydF4y2Ba数量的预测gydF4y2Ba
正整数的值gydF4y2Ba

`numvarialbles.gydF4y2Ba`- - - - - -gydF4y2Ba变量总数gydF4y2Ba
正整数的值gydF4y2Ba

`观察税收gydF4y2Ba`- - - - - -gydF4y2Ba有关观察的信息gydF4y2Ba
桌子gydF4y2Ba

`观察名称gydF4y2Ba`- - - - - -gydF4y2Ba观察名称gydF4y2Ba
字符向量的单元格阵列gydF4y2Ba

`预测gydF4y2Ba`- - - - - -gydF4y2Ba预测器的名称gydF4y2Ba
字符向量的单元格阵列gydF4y2Ba

`ractraceame.gydF4y2Ba`- - - - - -gydF4y2Ba响应变量名gydF4y2Ba
字符向量gydF4y2Ba

`rsquared.gydF4y2Ba`- - - - - -gydF4y2Ba拟合模型解释的响应中的变异比例gydF4y2Ba
结构gydF4y2Ba

`上交所gydF4y2Ba`- - - - - -gydF4y2Ba误差平方和gydF4y2Ba
正标量值gydF4y2Ba

`苏维埃社会主义共和国gydF4y2Ba`- - - - - -gydF4y2Ba回归平方和gydF4y2Ba
正标量值gydF4y2Ba

`风场gydF4y2Ba`- - - - - -gydF4y2Ba总平方和gydF4y2Ba
正标量值gydF4y2Ba

`变量税收gydF4y2Ba`- - - - - -gydF4y2Ba有关变量的信息gydF4y2Ba
桌子gydF4y2Ba

`VariableNamesgydF4y2Ba`- - - - - -gydF4y2Ba变量的名称gydF4y2Ba
字符向量的单元格阵列gydF4y2Ba

`变量gydF4y2Ba`- - - - - -gydF4y2Ba变量gydF4y2Ba
桌子gydF4y2Ba