线性混合效应模型类gydF4y2Ba
一个gydF4y2BaLinearMixedModelgydF4y2Ba
对象表示具有固定和随机效应的响应变量的模型。它包括数据、模型描述、拟合系数、协方差参数、设计矩阵、残差、残差图和线性混合效应模型的其他诊断信息。你可以用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
函数。gydF4y2Ba
你可以使用线性混合效应模型gydF4y2Bafitlme(资源描述、公式)gydF4y2Ba
如果数据在表或数据集数组中。或者,如果您的模型不容易使用公式描述,您可以创建矩阵来定义固定和随机效果,并使用适合的模型gydF4y2Bafitlmematrix (X, y, Z, G)gydF4y2Ba
.gydF4y2Ba
资源描述gydF4y2Ba
- - - - - -gydF4y2Ba输入数据gydF4y2Ba数据集gydF4y2Ba
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gydF4y2Ba数据集gydF4y2Ba
数组中。预测变量可以是连续变量或分组变量(见gydF4y2Ba分组变量gydF4y2Ba).您必须为使用的变量指定模型gydF4y2Ba公式gydF4y2Ba
.gydF4y2Ba
数据类型:gydF4y2Ba桌子gydF4y2Ba
公式gydF4y2Ba
- - - - - -gydF4y2Ba模型规范公式gydF4y2Ba'y ~ fixed + (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 ~ fixed + (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
XgydF4y2Ba
- - - - - -gydF4y2Ba固定效果设计矩阵gydF4y2Ba固定效果设计矩阵,指定为gydF4y2BangydF4y2Ba-经过-gydF4y2BapgydF4y2Ba矩阵,gydF4y2BangydF4y2Ba是观察的次数,和gydF4y2BapgydF4y2Ba是固定效果预测器变量的数量。每一排gydF4y2BaXgydF4y2Ba
对应一个观察,每列gydF4y2BaXgydF4y2Ba
对应一个变量。gydF4y2Ba
数据类型:gydF4y2Ba单gydF4y2Ba
| G.ydF4y2Ba双倍的gydF4y2Ba
ygydF4y2Ba
- - - - - -gydF4y2Ba响应价值gydF4y2Ba响应值,指定为gydF4y2BangydF4y2Ba-1 vector,在哪里gydF4y2BangydF4y2Ba是观察人数。gydF4y2Ba
数据类型:gydF4y2Ba单gydF4y2Ba
| G.ydF4y2Ba双倍的gydF4y2Ba
ZgydF4y2Ba
- - - - - -gydF4y2Ba随机设计gydF4y2Ba随机效果设计,指定为以下任意一种。gydF4y2Ba
如果模型中有一个随机效应项,那么gydF4y2BaZgydF4y2Ba
必须是AN.gydF4y2BangydF4y2Ba-经过-gydF4y2Ba问gydF4y2Ba矩阵,gydF4y2BangydF4y2Ba是观察人数和gydF4y2Ba问gydF4y2Ba是随机效应项中的变量数。gydF4y2Ba
如果有gydF4y2BaRgydF4y2Ba随机效应术语,然后gydF4y2BaZgydF4y2Ba
必须是长度的细胞阵列gydF4y2BaRgydF4y2Ba.每个单元的gydF4y2BaZgydF4y2Ba
包含一个gydF4y2BangydF4y2Ba-经过-gydF4y2Ba问gydF4y2Ba(gydF4y2BargydF4y2Ba)设计矩阵gydF4y2Baz {r}gydF4y2Ba
,gydF4y2BargydF4y2Ba= 1,2,......,gydF4y2BaRgydF4y2Ba,对应于每个随机效应项。这里,gydF4y2Ba问gydF4y2Ba(gydF4y2BargydF4y2Ba)是随机效应术语的数量gydF4y2BargydF4y2Ba随机效应设计矩阵,gydF4y2Baz {r}gydF4y2Ba
.gydF4y2Ba
数据类型:gydF4y2Ba单gydF4y2Ba
| G.ydF4y2Ba双倍的gydF4y2Ba
| G.ydF4y2Ba细胞gydF4y2Ba
GgydF4y2Ba
- - - - - -gydF4y2Ba分组变量或变量gydF4y2Ba分组变量或变量gydF4y2Ba,指定为下列任何一种。gydF4y2Ba
如果有一个随机效应项,那么gydF4y2BaGgydF4y2Ba
必须是AN.gydF4y2BangydF4y2Ba-1个与单个分组变量对应的1载体gydF4y2Ba米gydF4y2Ba水平或组。gydF4y2Ba
GgydF4y2Ba
可以是类别向量、逻辑向量、数字向量、字符数组、字符串数组或字符向量的单元格数组。gydF4y2Ba
如果有多个随机效应项,那么gydF4y2BaGgydF4y2Ba
必须是长度的细胞阵列gydF4y2BaRgydF4y2Ba.每个单元的gydF4y2BaGgydF4y2Ba
包含分组变量gydF4y2Bar G {}gydF4y2Ba
,gydF4y2BargydF4y2Ba= 1,2,......,gydF4y2BaRgydF4y2Ba, 和gydF4y2Ba米gydF4y2Ba(gydF4y2BargydF4y2Ba)水平。gydF4y2Ba
r G {}gydF4y2Ba
可以是类别向量、逻辑向量、数字向量、字符数组、字符串数组或字符向量的单元格数组。gydF4y2Ba
数据类型:gydF4y2Ba分类gydF4y2Ba
| G.ydF4y2Ba逻辑gydF4y2Ba
| G.ydF4y2Ba单gydF4y2Ba
| G.ydF4y2Ba双倍的gydF4y2Ba
| G.ydF4y2BachargydF4y2Ba
| G.ydF4y2Ba字符串gydF4y2Ba
| G.ydF4y2Ba细胞gydF4y2Ba
系数gydF4y2Ba
- - - - - -gydF4y2Ba固定效应系数估计gydF4y2Ba固定效果系数估计和相关统计数据,存储为包含以下字段的数据集数组。gydF4y2Ba
的名字gydF4y2Ba |
这个词的名称。gydF4y2Ba |
估计gydF4y2Ba |
系数的估计值。gydF4y2Ba |
SEgydF4y2Ba |
系数的标准误差。gydF4y2Ba |
tStatgydF4y2Ba |
tgydF4y2Ba- 测试NULL假设的数据,即系数等于零。gydF4y2Ba |
DFgydF4y2Ba |
自由度gydF4y2BatgydF4y2Ba以及。方法来计算gydF4y2BaDFgydF4y2Ba 由gydF4y2Ba'dfmethod'gydF4y2Ba 名称-值对的论点。gydF4y2Ba系数gydF4y2Ba 始终使用这一点gydF4y2Ba“残留”gydF4y2Ba 方法gydF4y2Ba'dfmethod'gydF4y2Ba .gydF4y2Ba |
pValuegydF4y2Ba |
pgydF4y2Ba价值的gydF4y2BatgydF4y2Ba以及。gydF4y2Ba |
较低的gydF4y2Ba |
系数置信区间的下限。gydF4y2Ba系数gydF4y2Ba 始终使用95%的置信水平,即gydF4y2Ba“α”gydF4y2Ba 是0.05。gydF4y2Ba |
上gydF4y2Ba |
系数置信区间的上限。gydF4y2Ba系数gydF4y2Ba 始终使用95%的置信水平,即gydF4y2Ba“α”gydF4y2Ba 是0.05。gydF4y2Ba |
你可以改变gydF4y2Ba'dfmethod'gydF4y2Ba
和gydF4y2Ba“α”gydF4y2Ba
当计算置信区间或测试假设涉及固定和随机效应时,使用gydF4y2BacoefCIgydF4y2Ba
和gydF4y2BacoefTestgydF4y2Ba
方法。gydF4y2Ba
CoefficientCovariancegydF4y2Ba
- - - - - -gydF4y2Ba估计固定效应系数的协方差gydF4y2Ba线性混合效应模型的估计固定效应系数的协方差,存储为agydF4y2BapgydF4y2Ba-经过-gydF4y2BapgydF4y2Ba矩阵,gydF4y2BapgydF4y2Ba为固定效应系数的个数。gydF4y2Ba
属性可以显示与随机效果相关的协方差参数gydF4y2BacovarianceParametersgydF4y2Ba
方法。gydF4y2Ba
数据类型:gydF4y2Ba双倍的gydF4y2Ba
系数gydF4y2Ba
- - - - - -gydF4y2Ba固定效果系数的名称gydF4y2Ba线性混合效应模型的固定效应系数名称,存储为1-by-gydF4y2BapgydF4y2Ba字符向量的单元格阵列。gydF4y2Ba
数据类型:gydF4y2Ba细胞gydF4y2Ba
教育部gydF4y2Ba
- - - - - -gydF4y2Ba剩余自由度gydF4y2Ba残余自由度,存储为正整数值。gydF4y2Ba教育部gydF4y2Ba=gydF4y2BangydF4y2Ba- - - - - -gydF4y2BapgydF4y2Ba, 在哪里gydF4y2BangydF4y2Ba是观察的次数,和gydF4y2BapgydF4y2Ba为固定效应系数的个数。gydF4y2Ba
这对应于gydF4y2Ba“残留”gydF4y2Ba
计算中自由度的方法gydF4y2Ba固定效应gydF4y2Ba
和gydF4y2BarandomEffectsgydF4y2Ba
方法。gydF4y2Ba
数据类型:gydF4y2Ba双倍的gydF4y2Ba
FitMethodgydF4y2Ba
- - - - - -gydF4y2Ba用于适合线性混合效应模型的方法gydF4y2Ba毫克gydF4y2Ba
| G.ydF4y2Bareml.gydF4y2Ba
用于拟合线性混合效果模型的方法,存储为以下任一。gydF4y2Ba
毫克gydF4y2Ba
,若拟合方法为极大似然gydF4y2Ba
reml.gydF4y2Ba
,如果拟合方法受限制最大可能性gydF4y2Ba
数据类型:gydF4y2BachargydF4y2Ba
公式gydF4y2Ba
- - - - - -gydF4y2Ba固定和随机效应术语的说明,以及分组变量gydF4y2Ba作为对象存储的定义线性混合效应模型的固定效应术语、随机效应术语和分组变量的说明。gydF4y2Ba
有关如何使用公式指定适合的模型的更多信息,请参见gydF4y2Ba公式gydF4y2Ba.gydF4y2Ba
LogLikelihoodgydF4y2Ba
- - - - - -gydF4y2Ba最大日志或限制日志的可能性gydF4y2Ba拟合线性混合效应模型的最大对数似然或最大限制对数似然取决于您选择的拟合方法,存储为标量值。gydF4y2Ba
数据类型:gydF4y2Ba双倍的gydF4y2Ba
ModelCriteriongydF4y2Ba
- - - - - -gydF4y2Ba模型的标准gydF4y2Ba模型标准要比较拟合的线性混合效果模型,用以下列存储为数据集数组。gydF4y2Ba
AIC.gydF4y2Ba |
akaike信息标准gydF4y2Ba |
BIC.gydF4y2Ba |
贝叶斯信息标准gydF4y2Ba |
LoglikelihoodgydF4y2Ba |
模型的对数似然值gydF4y2Ba |
偏见gydF4y2Ba |
-2次模型的日志可能性gydF4y2Ba |
如果gydF4y2BangydF4y2Ba是拟合模型的观察数,以及gydF4y2BapgydF4y2Ba为固定效应系数的个数,则计算AIC和BIC时,gydF4y2Ba
参数总数为gydF4y2BaNC.gydF4y2Ba+gydF4y2BapgydF4y2Ba+ 1,在哪里gydF4y2BaNC.gydF4y2Ba是随机效应协方差中的参数总数,除了残差方差gydF4y2Ba
有效观测次数为gydF4y2Ba
ngydF4y2Ba,当拟合方法为最大似然(ML)时gydF4y2Ba
ngydF4y2Ba- - - - - -gydF4y2BapgydF4y2Ba,当拟合方法为限制性最大似然(REML)时gydF4y2Ba
MSEgydF4y2Ba
- - - - - -gydF4y2BaML或REML估计gydF4y2Ba基于用于估计σ的拟合方法ML或REML估计gydF4y2Ba2gydF4y2Ba,存储为正标量值。σ.gydF4y2Ba2gydF4y2Ba为线性混合效应模型观测误差项的残差方差或方差。gydF4y2Ba
数据类型:gydF4y2Ba双倍的gydF4y2Ba
NumCoefficientsgydF4y2Ba
- - - - - -gydF4y2Ba固定效应系数的数目gydF4y2Ba拟合线性混合效应模型中的固定效应系数数量,作为正整数值存储。gydF4y2Ba
数据类型:gydF4y2Ba双倍的gydF4y2Ba
NumEstimatedCoefficientsgydF4y2Ba
- - - - - -gydF4y2Ba估计固定效应系数的数目gydF4y2Ba拟合线性混合效应模型中的估计固定效应系数的数量,存储为正整数值。gydF4y2Ba
数据类型:gydF4y2Ba双倍的gydF4y2Ba
NumObservationsgydF4y2Ba
- - - - - -gydF4y2Ba数量的观察gydF4y2Ba适合使用的观测数量,存储为正整数值。这是表或数据集数组中的行数,或者设计矩阵减去排除的行或行gydF4y2Ba南gydF4y2Ba
值。gydF4y2Ba
数据类型:gydF4y2Ba双倍的gydF4y2Ba
NumPredictorsgydF4y2Ba
- - - - - -gydF4y2Ba数量的预测gydF4y2Ba用作线性混合效果模型中的预测器的变量数,存储为正整数值。gydF4y2Ba
数据类型:gydF4y2Ba双倍的gydF4y2Ba
NumVariablesgydF4y2Ba
- - - - - -gydF4y2Ba变量总数gydF4y2Ba包括响应和预测器在内的变量的总数,存储为正整数值。gydF4y2Ba
如果示例数据位于表或数据集数组中gydF4y2Ba资源描述gydF4y2Ba
,gydF4y2BaNumVariablesgydF4y2Ba
变量的总数在里面吗gydF4y2Ba资源描述gydF4y2Ba
包括响应变量。gydF4y2Ba
如果合适基于矩阵输入,gydF4y2BaNumVariablesgydF4y2Ba
是预测矩阵或矩阵中列的总数,以及响应向量。gydF4y2Ba
NumVariablesgydF4y2Ba
包括不用作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
为每个观察值和以下四列设置一行。gydF4y2Ba
权重gydF4y2Ba |
该观察的加权变量的值。默认值为1。gydF4y2Ba |
被排除在外gydF4y2Ba |
真的gydF4y2Ba ,如果观察被排除在拟合之外gydF4y2Ba“排除”gydF4y2Ba 名称-值对的论点,gydF4y2Ba错误的gydF4y2Ba , 否则。1代表gydF4y2Ba真的gydF4y2Ba 0代表gydF4y2Ba错误的gydF4y2Ba .gydF4y2Ba |
失踪gydF4y2Ba |
缺失值包括gydF4y2Ba |
子集gydF4y2Ba |
真的gydF4y2Ba ,如果观察是在适合的情况下使用,gydF4y2Ba错误的gydF4y2Ba ,如果因为缺少或被排除而未使用。gydF4y2Ba |
数据类型:gydF4y2Ba桌子gydF4y2Ba
观察名称gydF4y2Ba
- - - - - -gydF4y2Ba名字的观察gydF4y2Ba适用于适合的观察名称,存储为字符向量的小区阵列。gydF4y2Ba
如果数据在表或数据集数组中,gydF4y2Ba资源描述gydF4y2Ba
,包含观察名称,gydF4y2Ba观察名称gydF4y2Ba
有那些名字。gydF4y2Ba
如果数据以矩阵或不带观察名称的表或数据集数组的形式提供,则gydF4y2Ba观察名称gydF4y2Ba
为空单元格数组。gydF4y2Ba
数据类型:gydF4y2Ba细胞gydF4y2Ba
PredictorNamesgydF4y2Ba
- - - - - -gydF4y2Ba预测器的名称gydF4y2Ba适合中用作预测器的变量名称,存储为字符向量的单元格数组,其长度与gydF4y2BaNumPredictorsgydF4y2Ba
.gydF4y2Ba
数据类型:gydF4y2Ba细胞gydF4y2Ba
ractraceame.gydF4y2Ba
- - - - - -gydF4y2Ba响应变量的名称gydF4y2Ba在适合中作为响应变量使用的变量的名称,存储为字符向量。gydF4y2Ba
数据类型:gydF4y2BachargydF4y2Ba
RsquaredgydF4y2Ba
- - - - - -gydF4y2Ba响应中可变性的比例由拟合模型解释gydF4y2Ba响应中可变性的比例由拟合模型解释,存储为一个结构。它是多重相关系数或r平方。gydF4y2BaRsquaredgydF4y2Ba
有两个领域。gydF4y2Ba
普通的gydF4y2Ba |
r平方值,存储为结构中的标量值。gydF4y2BaRsquared。普通的=1- - - - - -上交所./年代年代T |
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
在哪里gydF4y2Ba |
数据类型:gydF4y2Ba塑造gydF4y2Ba
上交所gydF4y2Ba
- - - - - -gydF4y2Ba误差平方和gydF4y2Ba正方形的误差和正方形的总和,被设置为正标量值的平方条件残差的和。gydF4y2Ba
SSE = sum((y - F).²)gydF4y2Ba
, 在哪里gydF4y2BaygydF4y2Ba
是响应矢量,和gydF4y2BaFgydF4y2Ba
为线性混合效应模型拟合的条件响应。条件模型既有固定效应,也有随机效应。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作为线性混合效应回归解释的正方形的回归总和,存储为正标量值。它是从其平均值的条件拟合值的平方偏差之和。gydF4y2Ba
SSR = sum((F - mean(F)).^2)gydF4y2Ba
, 在哪里gydF4y2BaFgydF4y2Ba
为线性混合效应模型拟合的条件响应。条件模型既有固定效应,也有随机效应。gydF4y2Ba
数据类型:gydF4y2Ba双倍的gydF4y2Ba
风场gydF4y2Ba
- - - - - -gydF4y2Ba总平方和gydF4y2Ba总线总和,即观察到的响应值与其平均值的平方偏差之和存储为正标量值。gydF4y2Ba
sst = sum((y - 均值(y))。^ 2)= SSR + SSEgydF4y2Ba
, 在哪里gydF4y2BaygydF4y2Ba
为响应向量。gydF4y2Ba
数据类型:gydF4y2Ba双倍的gydF4y2Ba
变量gydF4y2Ba
- - - - - -gydF4y2Ba变量gydF4y2Ba变量,存储为表。gydF4y2Ba
如果拟合基于表或数据集数组gydF4y2Ba资源描述gydF4y2Ba
,然后gydF4y2Ba变量gydF4y2Ba
是一样gydF4y2Ba资源描述gydF4y2Ba
.gydF4y2Ba
如果拟合基于矩阵输入,则gydF4y2Ba变量gydF4y2Ba
是一个包含预测矩阵或矩阵中所有变量和响应变量的表。gydF4y2Ba
数据类型:gydF4y2Ba桌子gydF4y2Ba
VariableInfogydF4y2Ba
- - - - - -gydF4y2Ba关于变量的信息gydF4y2Ba有关拟合中使用的变量的信息,存储为表。gydF4y2Ba
VariableInfogydF4y2Ba
每个变量有一行,并包含以下四列。gydF4y2Ba
类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 |
变量的取值范围。gydF4y2Ba
|
inmodel.gydF4y2Ba |
|
是基本的gydF4y2Ba |
|
数据类型:gydF4y2Ba桌子gydF4y2Ba
VariableNamesgydF4y2Ba
- - - - - -gydF4y2Ba变量的名称gydF4y2Bafit中使用的变量名称,存储为字符向量的单元格数组。gydF4y2Ba
如果示例数据在表或数据集数组中gydF4y2Ba资源描述gydF4y2Ba
,gydF4y2BaVariableNamesgydF4y2Ba
包含变量的名称gydF4y2Ba资源描述gydF4y2Ba
.gydF4y2Ba
如果示例数据处于矩阵格式,则gydF4y2BaVariableInfogydF4y2Ba
包括您在拟合模型时提供的变量名。如果不提供变量名,那么gydF4y2BaVariableInfogydF4y2Ba
包含默认名称。gydF4y2Ba
数据类型:gydF4y2Ba细胞gydF4y2Ba
Anova.gydF4y2Ba |
线性混合效应模型方差分析gydF4y2Ba |
coefCIgydF4y2Ba |
线性混合效应模型系数的置信区间gydF4y2Ba |
coefTestgydF4y2Ba |
线性混合效应模型的固定效应和随机效应的假设检验gydF4y2Ba |
比较gydF4y2Ba |
比较线性混合效应模型gydF4y2Ba |
covarianceParametersgydF4y2Ba |
提取线性混合效应模型的协方差参数gydF4y2Ba |
DesignMatrix.gydF4y2Ba |
固定和随机效果设计矩阵gydF4y2Ba |
安装gydF4y2Ba |
直线混合效应模型的响应gydF4y2Ba |
固定效应gydF4y2Ba |
固定效应估计及相关统计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 |
绘制线性混合效应模型的残差gydF4y2Ba |
预测gydF4y2Ba |
预测线性混合效应模型的反应gydF4y2Ba |
随机的gydF4y2Ba |
从拟合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 |
残差gydF4y2Ba |
拟合线性混合效应模型的残留物gydF4y2Ba |
响应gydF4y2Ba |
线性混合效应模型的响应矢量gydF4y2Ba |
价值。要了解值类如何影响复制操作,请参阅gydF4y2Ba复制对象gydF4y2Ba.gydF4y2Ba
加载样本数据。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
要适合线性混合效果模型,您的数据必须处于正确格式化的数据集数组中。为了将线性混合效应模型与流感速率作为响应和区域适合作为预测变量的响应和区域,将与区域对应的九个列结合到阵列中。新数据集数组,gydF4y2BaFlu2.gydF4y2Ba
,必须具有响应变量,gydF4y2BaFluRategydF4y2Ba
,名义变量,gydF4y2Ba地区gydF4y2Ba
,显示每个估计的区域和分组变量的区域gydF4y2Ba日期gydF4y2Ba
.gydF4y2Ba
flu2 =堆叠(流感,2:10,gydF4y2Ba“NewDataVarName”gydF4y2Ba,gydF4y2Ba“FluRate”gydF4y2Ba,gydF4y2Ba...gydF4y2Ba'indvarname'gydF4y2Ba,gydF4y2Ba“地区”gydF4y2Ba);flu2.date =名义(flu2.date);gydF4y2Ba
拟合一个线性混合效应模型,具有固定效应的区域和随机截距变化gydF4y2Ba日期gydF4y2Ba
.gydF4y2Ba
因为区域是一个标称变量,gydF4y2Bafitlme.gydF4y2Ba
取第一个区域,gydF4y2BaNE.gydF4y2Ba
,并创建8个虚拟变量来表示其他8个区域。例如,gydF4y2Ba
是代表该地区的虚拟变量gydF4y2BaMidAtlgydF4y2Ba
.有关详细信息,请参阅gydF4y2Ba虚拟变量gydF4y2Ba.gydF4y2Ba
相应的模型是gydF4y2Ba
在哪里gydF4y2Ba
是观察gydF4y2Ba
的水平gydF4y2Ba
分组变量gydF4y2Ba日期gydF4y2Ba
,gydF4y2Ba
,gydF4y2Ba
= 0,1,...,8,是固定效果系数,gydF4y2Ba
是水平的随机效果gydF4y2Ba
分组变量的gydF4y2Ba日期gydF4y2Ba
, 和gydF4y2Ba
观察错误是观察误差gydF4y2Ba
.随机效应具有先验分布,gydF4y2Ba
并且错误术语具有分布,gydF4y2Ba
.gydF4y2Ba
lme = fitlme(flu2,gydF4y2Ba'FluRate ~ 1 + Region + (1|Date)'gydF4y2Ba)gydF4y2Ba
lme =线性mixed-effects模型适合毫升模型信息:观察468固定效应系数9 52协方差参数随机效应系数2公式:FluRate ~ 1 +地区+(1 |日期)模型适合统计:AIC BIC LogLikelihood异常固定效应系数318.71 364.35 -148.36 296.71 (95% CIs):名字估计SE tStat DF{(拦截)的}1.2233 0.096678 12.654 459{‘Region_MidAtl} 0.010192 0.052221 0.19518 459{‘Region_ENCentral} 0.051923 0.052221 0.9943 459{‘Region_WNCentral} 0.23687 0.052221 4.5359 459{‘Region_SAtl} 0.075481 0.052221 1.4454 459{‘Region_ESCentral} 0.33917 0.052221 6.495 459{‘Region_WSCentral} 0.069 - 0.0522211.3213 459 {'Region_Mtn'} 0.046673 0.052221 0.89377 459 {'Region_Pac'} -0.16013 0.052221 -3.0665 459 pValue Lower Upper 1.085e-31 1.0334 1.13133 0.84534 -0.092429 0.11281 0.3206 -0.050698 0.15454 7.3324e-06 0.13424 0.33949 0.14902 -0.02714 0.1781 0.18705 -0.033621 0.17162 0.37191 -0.055948 0.0022936 -0.26276-0.057514随机效应协方差参数(95% CIs):组:日期(52个级别)Name1 Name2 Type Estimate {'(Intercept)'} {'(Intercept)'} {'std'} 0.6443 Lower Upper 0.5297 0.78368 Group: Error Name Estimate Lower Upper {'Res std'} 0.26627 0.24878 0.285gydF4y2Ba
的gydF4y2Ba
-值分别为7.3324e-06和2.1623e-10,表明各地区流感发病率的固定效应gydF4y2BaWNCentralgydF4y2Ba
和gydF4y2BaESCentralgydF4y2Ba
与地区的流感率有显着差异gydF4y2BaNE.gydF4y2Ba
.gydF4y2Ba
随机效应项的标准偏差的置信度限制,gydF4y2Ba
,不包括0(0.5297,0.78368),表明随机效应项是显著的。属性还可以测试随机影响项的重要性gydF4y2Ba比较gydF4y2Ba
方法。gydF4y2Ba
一个观测值的估计值是该观测值对应的分组变量水平上的固定效应和随机效应值的和。例如,估计的最佳线性无偏预测器(BLUP)的地区流感率gydF4y2BaWNCentralgydF4y2Ba
在第10/9/9/2005周gydF4y2Ba
这就是拟合的条件响应,因为它包括了来自固定和随机效应的估计。该值的计算方法如下。gydF4y2Ba
β= fixedEffects (lme);[~, ~,统计]= randomEffects (lme);gydF4y2Ba%计算随机效应统计信息(统计数据)gydF4y2Ba统计数据。水平=名义(STATS.Level);y_hat = beta(1) + beta(4) + STATS.Estimate(STATS.Level==gydF4y2Ba'10 / 9/2005'gydF4y2Ba)gydF4y2Ba
y_hat = 1.2884gydF4y2Ba
您可以简单地使用展示拟合值gydF4y2Ba安装gydF4y2Ba
方法。gydF4y2Ba
f =安装(LME);f(flu2.date ==gydF4y2Ba'10 / 9/2005'gydF4y2Ba& flu2。地区==gydF4y2Ba'wncentral'gydF4y2Ba)gydF4y2Ba
ans = 1.2884gydF4y2Ba
计算区域的拟合边际响应gydF4y2BaWNCentralgydF4y2Ba
在星期10/9/2005。gydF4y2Ba
f =安装(lme,gydF4y2Ba“条件”gydF4y2Ba、假);f(flu2.date ==gydF4y2Ba'10 / 9/2005'gydF4y2Ba& flu2。地区==gydF4y2Ba'wncentral'gydF4y2Ba)gydF4y2Ba
ans = 1.4602gydF4y2Ba
加载样本数据。gydF4y2Ba
加载gydF4y2BacarbiggydF4y2Ba
拟合每加仑英里(MPG)的线性混合效应模型,其中加速度、马力和气缸的影响固定,而截距和加速度的影响不相关,按模型年份分组。该模型对应于gydF4y2Ba
随机效应项具有以下先验分布:gydF4y2Ba
在哪里gydF4y2Ba 表示模型年份。gydF4y2Ba
首先,准备拟合线性混合效应模型的设计矩阵。gydF4y2Ba
x = [ofly(406,1)加速马力];z = [(406,1)加速];model_year =名义(model_year);g = model_year;gydF4y2Ba
现在,适合模型使用gydF4y2Bafitlmematrix.gydF4y2Ba
使用定义的设计矩阵和分组变量。使用gydF4y2Ba“fminunc”gydF4y2Ba
优化算法。gydF4y2Ba
lme = fitlmematrix(x,mpg,z,g,gydF4y2Ba'固定效应预备主义者'gydF4y2Ba,gydF4y2Ba...gydF4y2Ba.gydF4y2Ba{gydF4y2Ba'截距'gydF4y2Ba,gydF4y2Ba“加速”gydF4y2Ba,gydF4y2Ba“马力”gydF4y2Ba},gydF4y2Ba“RandomEffectPredictors”gydF4y2Ba,gydF4y2Ba...gydF4y2Ba{{gydF4y2Ba'截距'gydF4y2Ba,gydF4y2Ba“加速”gydF4y2Ba}},gydF4y2Ba“RandomEffectGroups”gydF4y2Ba,{gydF4y2Ba“Model_Year”gydF4y2Ba},gydF4y2Ba...gydF4y2Ba“FitMethod”gydF4y2Ba,gydF4y2Ba“REML”gydF4y2Ba)gydF4y2Ba
模型信息:观测数392固定效应系数3随机效应系数26协方差参数4公式:线性混合公式与4个预测因子。模型拟合统计:AIC BIC LogLikelihood Deviance 2202.9 22307 -1094.5 2188.9固定效应系数(95% CIs):Name Estimate SE tStat DF {'Intercept'} 50.064 2.3176 21.602 389 {'Acceleration'} -0.57897 0.13843 -4.1825 389 pValue Lower Upper 1.4185e-68 45.507 54.62 3.564e -05 -0.85112 -0.30681 3.5289e-75 -0.18398 -0.15518随机效应协方差参数(95% CIs):组:Model_Year (13 Levels) Name1 Name2 Type Estimate {'Intercept'} {'Intercept'} {'Intercept'} 3.72 {'Acceleration'} {'Intercept'} {'corr'} -0.8769 {'Acceleration'} {'Acceleration'} {'std'} 0.3593 Lower Upper 1.5215 9.0954 -0.98275 -0.33845 0.19418 0.66483 Group: Error Name Estimate Lower Upper {'Res std'} 3.6913 3.4331 3.9688gydF4y2Ba
固定效果系数显示包括估计,标准错误(gydF4y2BaSEgydF4y2Ba
),以及95%置信区间限制(gydF4y2Ba较低的gydF4y2Ba
和gydF4y2Ba上gydF4y2Ba
).的gydF4y2Ba
- 为(gydF4y2BapValuegydF4y2Ba
)表明所有三个固定效应系数都很显着。gydF4y2Ba
标准偏差的置信区间和截距和加速度随机效应之间的相关性不包括零,因此它们看起来很重要。使用gydF4y2Ba比较gydF4y2Ba
随机效应的检验方法。gydF4y2Ba
显示估计的固定效应系数的协方差矩阵。gydF4y2Ba
lme.coeffolytoomiance.gydF4y2Ba
ans =.gydF4y2Ba3×3gydF4y2Ba5.3711 -0.2809 -0.0126 0.0192 0.0005 -0.0126 0.0005 0.0001gydF4y2Ba
对角元素表示固定效应系数估计值的方差。例如,截距估计的方差为5.3711。注意,估计的标准误差是方差的平方根。例如,截距的标准误差为2.3176,即gydF4y2BaSQRT(5.3711)gydF4y2Ba
.gydF4y2Ba
偏斜元件显示了固定效果系数估计之间的相关性。例如,截距和加速度之间的相关性为-0.2809,加速度与马力之间的相关性为0.0005。gydF4y2Ba
显示模型的确定系数。gydF4y2Ba
lme.rsquared.gydF4y2Ba
ans =.gydF4y2Ba结构与字段:gydF4y2Ba普通:0.7866调整:0.7855gydF4y2Ba
调整值是根据模型中预测器的数量调整的r平方值。gydF4y2Ba
通常,模型规范的公式是这种形式的字符向量或字符串标量gydF4y2Ba“y ~条款”gydF4y2Ba
.对于线性混合效应模型,此公式为形式gydF4y2Ba'y ~ fixed + (random1|grouping1) +…+ (randomR | groupingR) 'gydF4y2Ba
, 在哪里gydF4y2Ba固定gydF4y2Ba
和gydF4y2Ba随机的gydF4y2Ba
包含固定效果和随机效果术语。gydF4y2Ba
假设一个表gydF4y2Ba资源描述gydF4y2Ba
包含以下:gydF4y2Ba
一个响应变量,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
可以是分类、逻辑、字符数组、字符串数组或字符向量的单元格数组。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说明吗gydF4y2BaZgydF4y2Ba
1gydF4y2Ba对应于分组变量gydF4y2BaggydF4y2Ba
1gydF4y2Ba和类似的gydF4y2Ba随机的gydF4y2Ba
RgydF4y2Ba是随机效应设计矩阵的说明吗gydF4y2BaZgydF4y2Ba
RgydF4y2Ba对应于分组变量gydF4y2BaggydF4y2Ba
RgydF4y2Ba.你可以用快递gydF4y2Ba固定gydF4y2Ba
和gydF4y2Ba随机的gydF4y2Ba
使用wilkinson表示法的术语。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
威尔金森符号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(ele米entwise 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 |
没有拦截和固定的效果gydF4y2BaX1gydF4y2Ba 和gydF4y2BaX2gydF4y2Ba .隐式拦截术语包括包括在内gydF4y2Ba-1gydF4y2Ba .gydF4y2Ba |
'Y〜1 +(1 | G1)'gydF4y2Ba |
固定的影响为截距加上随机效应为每一级分组变量的截距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 |
独立随机影响项的截距和斜率。gydF4y2Ba |
+ (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 |
fitlme.gydF4y2Ba
| G.ydF4y2Bafitlmematrix.gydF4y2Ba
您单击了与此MATLAB命令对应的链接:gydF4y2Ba
通过在MATLAB命令窗口中输入命令来运行命令。Web浏览器不支持MATLAB命令。金宝appgydF4y2Ba
选择一个网站,在那里获得翻译的内容,并看到当地的活动和优惠。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