主要内容

比较

类:GeneralizedLinearMixedModel

比较广义线性混合效应模型

描述

例子

结果=比较(glmealtglme方法的结果似然比检验比较了广义线性混合效应模型glmealtglme.为了进行有效的似然比检验,两个模型必须在拟合中使用相同的响应向量glme必须嵌套在altglme.总是先输入较小的模型,然后再输入较大的模型。

比较测试以下无效假设和替代假设:

  • H0:观察到的响应向量由glme

  • H1:观察到的响应向量由模型生成altglme

结果=比较(glmealtglme名称,值使用一个或多个指定的附加选项返回似然比测试的结果名称,值对参数。例如,你可以检查第一个输入模型,glme,嵌套在第二个输入模型中,altglme

输入参数

全部展开

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

您可以创建GeneralizedLinearMixedModel对象通过拟合一个广义线性混合效应模型到您的样本数据使用fitglme.要对响应分布非正态分布的两个模型进行有效的似然比测试,必须使用“ApproximateLaplace”“拉普拉斯”合适的方法。响应分布非正态分布的模型使用“MPL”“REMPL”不能使用似然比检验进行比较。

替代广义线性混合效应模型,指定为GeneralizedLinearMixedModel对象。altglme的响应向量必须与glme,但使用不同的模型规范。glme必须嵌套在altglme,这样你就可以得到glmealtglme通过设置的一些模型参数altglme到固定值,如0。

您可以创建GeneralizedLinearMixedModel对象通过拟合一个广义线性混合效应模型到您的样本数据使用fitglme.要对响应分布非正态分布的两个模型进行有效的似然比测试,必须使用“ApproximateLaplace”“拉普拉斯”合适的方法。响应分布非正态分布的模型使用“MPL”“REMPL”不能使用似然比检验进行比较。

名称-值参数

指定可选的逗号分隔的对名称,值参数。的名字参数名和价值为对应值。的名字必须出现在引号内。可以以任意顺序指定多个名称和值对参数Name1, Value1,…,的家

指标检查嵌套在两个模型之间,指定为逗号分隔的对,由“CheckNesting”,要么真正的.如果“CheckNesting”真正的,然后比较检查是否小型号glme嵌套在更大的模型中altglme.如果嵌套需求没有得到满足,那么比较返回一个错误。如果“CheckNesting”,然后比较不执行此检查。

例子:“CheckNesting”,真的

输出参数

全部展开

似然比测试的结果,作为包含两行的表返回。第一行是glme,第二行是给altglme.的列结果包含以下。

列名 描述
模型 型号名称
DF 自由度
另类投资会议 赤池信息准则为模型
BIC 模型的贝叶斯信息准则
LogLik 模型的最大对数可能性
LRStat 比较的似然比检验统计量altglmeglme
deltaDF DFaltglme-DFglme
pValue p-为似然比检验值

例子

全部展开

加载示例数据。

负载生产商

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:

  • 标志,以指示批是否使用新工艺(newprocess

  • 每批处理所需时间(以小时计)(时间

  • 批次的温度,以摄氏度计(临时

  • 类别变量,表示该批所用化学品的供应商(供应商

  • 批次缺陷数(缺陷

数据还包括time_devtemp_dev,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。

使用固定效应模型newprocesstime_devtemp_dev,供应商固定后果预测。指定响应分布为泊松分布,链接函数为对数,拟合方法为拉普拉斯。指定虚拟变量编码为“影响”,所以哑变量系数和为0。

FEglme = fitglme(生产商,'缺陷~ 1 + newprocess + time_dev + temp_dev + supplier'“分布”“泊松”“链接”“日志”“FitMethod”“拉普拉斯”“DummyVarCoding”“影响”);

拟合第二个模型,该模型使用相同的固定效应预测器、响应分布、链接函数和拟合方法。这一次,包括一个随机效果的拦截工厂,以考虑由于工厂特定差异可能存在的质量差异。

缺陷的数量可以用泊松分布来建模

缺陷 j 泊松 μ j

这与广义线性混合效应模型相对应

日志 μ j β 0 + β 1 newprocess j + β 2 时间 _ dev j + β 3. 临时 _ dev j + β 4 供应商 _ C j + β 5 供应商 _ B j + b

在哪里

  • 缺陷 j 在工厂生产的批次中是否观察到缺陷的数量 在批处理 j

  • μ j 平均缺陷数是否与工厂相应 ( 1 2 2 0 在批处理) j ( j 1 2 5 ).

  • newprocess j 时间 _ dev j , 临时 _ dev j 每个变量的测量值是否与工厂相对应 在批处理 j .例如, newprocess j 指示该批次是否由工厂生产 在批处理 j 使用新方法

  • 供应商 _ C j 供应商 _ B j 是否使用效应(sum-to-zero)编码的虚拟变量表明是否公司CB,分别为工厂生产的批次提供工艺用化学品 在批处理 j

  • b N 0 σ b 2 每个工厂都有随机效果拦截吗 这就解释了工厂特有的质量差异。

glme = fitglme(生产商,'缺陷~ 1 + newprocess + time_dev + temp_dev + supplier + (1|factory)'“分布”“泊松”“链接”“日志”“FitMethod”“拉普拉斯”“DummyVarCoding”“影响”);

使用理论似然比检验比较两个模型。指定“CheckNesting”作为真正的,所以比较如果未满足嵌套要求,则返回警告。

结果=比较(FEglme glme,“CheckNesting”,真正的)
结果=理论似然比检验模型DF AIC BIC LogLik LRStat deltaDF FEglme 6 431.02 446.65 -209.51 glme 7 416.35 434.58 -201.17 16.672 1 pValue 4.4435e-05

比较没有返回错误,则嵌套要求得到满足。小 p 值表明比较拒绝观察到的响应向量是由模型生成的无效假设FEglme,而接受备用模型glme.较小的另类投资会议BICglme也支持这个金宝app结论glme为响应提供更好的拟合模型。

更多关于

全部展开