主要内容

covarianceParameters

类:GeneralizedLinearMixedModel

提取广义线性mixed-effects模型的协方差参数

描述

ψ= covarianceParameters (glme)返回之前估计的协方差参数随机预测的广义线性mixed-effects模型glme

(ψ,分散)= covarianceParameters (glme)还返回色散参数的估计。

例子

(ψ,分散,统计数据)= covarianceParameters (glme)还返回一个单元阵列统计数据包含协方差参数估计和相关统计数据。

(___)= covarianceParameters (glme,名称,值)返回任何上述输出参数所指定的一个或多个使用额外的选项名称,值对参数。例如,您可以指定协方差参数的置信区间的置信水平。

输入参数

全部展开

广义线性mixed-effects模型,指定为一个GeneralizedLinearMixedModel对象。该对象的属性和方法,请参阅GeneralizedLinearMixedModel

名称-值参数

指定可选的逗号分隔条名称,值参数。的名字参数名称和吗价值相应的价值。的名字必须出现在引号。您可以指定几个名称和值对参数在任何顺序Name1, Value1,…,的家

显著性水平,指定为逗号分隔组成的“α”和一个标量值的区间[0,1]。α值的置信水平为100×(1 -α)%。

例如,对于99%的置信区间,你可以指定如下的信心水平。

例子:“阿尔法”,0.01

数据类型:|

输出参数

全部展开

之前估计的协方差参数随机预测,作为细胞返回数组的长度R,在那里R是分组的数量变量在模型中使用。psi {r}包含随机效应与分组变量的协方差矩阵gr,在那里r= 1,2,…,R分组变量的顺序ψ是一样的订单输入时拟合模型。关于分组变量的更多信息,请参阅分组变量

色散参数,作为标量值返回。

协方差参数估计和相关统计数据,作为细胞返回数组的长度(R+ 1),R是分组的数量变量在模型中使用。第一个R细胞的统计数据每个数据集包含一个数组用下面的列。

列名 描述
集团 分组变量名
Name1 第一个预测变量的名称
Name2 第二个预测变量的名称
类型

如果Name1Name2是相同的吗类型性病(标准差)。

如果Name1Name2不同,那么类型相关系数(相关)。

估计

如果Name1Name2是相同的吗估计的标准偏差与预测相关的随机效应Name1Name2

如果Name1Name2不同,那么估计是相关的随机效应之间的相关性预测Name1Name2

较低的 协方差参数的置信区间的下限
协方差参数的置信区间的上限

细胞R+ 1包含色散参数的相关统计数据。

建议协方差参数的存在与否glme测试使用比较方法,它使用一个似然比检验。

当拟合GLME模型使用fitglme和最大似然的方法(“拉普拉斯”“ApproximateLaplace”),covarianceParameters派生的置信区间统计数据基于拉普拉斯近似日志广义线性mixed-effects模型的可能性。

当拟合GLME模型使用fitglme的伪似然适合方法(“MPL”“REMPL”),covarianceParameters派生的置信区间统计数据基于拟合线性mixed-effects模型从最终伪似然迭代。

例子

全部展开

加载示例数据。

负载生产商

这个模拟的数据从一个制造公司,经营世界各地50个工厂,每个工厂运行一个批处理创建一个成品。公司想要减少缺陷的数量在每一批,所以发明了一种新的制造过程。为了测试新流程的有效性,公司随机选择20的工厂参加一个实验:十个工厂实施新的流程,而其他十继续运行旧的流程。在每个20家工厂,公司跑五个批次(100批次),记录以下数据:

  • 标志表明这批是否使用新工艺(newprocess)

  • 每一批处理时间,小时(时间)

  • 批处理的温度在摄氏度(临时)

  • 分类变量指示供应商(一个,B,或C)的化学用于批处理(供应商)

  • 批处理的缺陷数量(缺陷)

数据还包括time_devtemp_dev代表时间的绝对偏差和温度,分别从流程标准的3小时20摄氏度。

适合一个广义线性mixed-effects模型使用newprocess,time_dev,temp_dev,供应商固定后果预测。包括一个随机拦截分组的工厂,考虑到质量差异,可能存在由于factory-specific变化。响应变量缺陷泊松分布,适当的日志链接函数模型。使用拉普拉斯合适方法来估计系数。指定哑变量编码“影响”,所以哑变量系数之和为0。

缺陷的数量可以使用泊松分布建模

缺陷 j 泊松 ( μ j )

这对应于广义线性mixed-effects模型

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 是缺陷的数量在批量生产的工厂吗 在批处理 j

  • μ j 缺陷对应的平均数量是工厂吗 ( = 1 , 2 , , 2 0 在批处理) j ( j = 1 , 2 , , 5 )。

  • newprocess j , 时间 _ dev j , 临时 _ dev j 每个变量的测量是对应于工厂吗 在批处理 j 。例如, newprocess j 指示是否批量生产的工厂 在批处理 j 使用新工艺。

  • 供应商 _ C j 供应商 _ B j 虚拟变量,使用效果(总和为零)编码来表示是否公司吗CB分别提供工厂生产的批处理过程的化学物质 在批处理 j

  • b N ( 0 , σ b 2 ) 是一个随机拦截每个工厂吗 占factory-specific质量的变化。

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

计算和显示之前的估计协方差参数的随机预测。

[psi,分散,数据]= covarianceParameters (glme);psi {1}
ans = 0.0985

psi {1}之前估计的协方差矩阵的第一个分组变量。在这个例子中,只有一个分组变量(工厂),所以psi {1}是一个估计的 σ b 2

显示色散参数。

分散
分散= 1

显示随机效应的估计标准偏差与预测有关。第一个单元格的统计数据包含统计数据工厂分散的,而第二个单元格包含统计数据参数。

统计{1}
ans =协方差类型:各向同性集团Name1 Name2类型工厂{(拦截)的}{(拦截)的}{“性病”}上0.31381 0.19253 0.51148估计低

随机效应的估计标准偏差与预测是0.31381。95%置信区间是(0.19253,0.51148)。因为置信区间不包含0,随机拦截在5%的显著性水平具有重要意义。