LinearMixedModel类gydF4y2Ba

线性混合效应模型类gydF4y2Ba

描述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

建设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

输入参数gydF4y2Ba

展开全部gydF4y2Ba

`资源描述gydF4y2Ba`- - - - - -gydF4y2Ba输入数据gydF4y2Ba
桌子gydF4y2Ba| G.ydF4y2Ba`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
形式的字符向量或字符串标量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
ngydF4y2Ba-经过-gydF4y2BapgydF4y2Ba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
ngydF4y2Ba1的向量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
ngydF4y2Ba-经过-gydF4y2Ba问gydF4y2Ba矩阵gydF4y2Ba| G.ydF4y2Ba细胞阵列gydF4y2BaRgydF4y2BangydF4y2Ba-经过-gydF4y2Ba问gydF4y2Ba（gydF4y2BargydF4y2Ba)矩阵,gydF4y2BargydF4y2Ba= 1,2，......，gydF4y2BaRgydF4y2Ba

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
ngydF4y2Ba1的向量gydF4y2Ba| G.ydF4y2Ba细胞阵列gydF4y2BaRgydF4y2BangydF4y2Ba1的向量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

属性gydF4y2Ba

展开全部gydF4y2Ba

`系数gydF4y2Ba`- - - - - -gydF4y2Ba固定效应系数估计gydF4y2Ba
数据集的数组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gydF4y2Ba`DFgydF4y2Ba`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
pgydF4y2Ba-经过-gydF4y2BapgydF4y2Ba矩阵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
1 -gydF4y2BapgydF4y2Ba字符向量的单元格数组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
正整数值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.ydF4y2Ba`reml.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
对象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
标量值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
数据集的数组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
积极的标量值gydF4y2Ba

基于用于估计σ的拟合方法ML或REML估计gydF4y2Ba^2gydF4y2Ba，存储为正标量值。σ.gydF4y2Ba^2gydF4y2Ba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
正整数值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
正整数值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
正整数值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
正整数值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
正整数值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
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`	`真的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，gydF4y2Ba`错误的gydF4y2Ba`，否则。gydF4y2Ba 缺失值包括gydF4y2Ba`南gydF4y2Ba`对于数值变量，单元格数组为空单元格，字符数组为空行，以及gydF4y2Ba`<未定义>gydF4y2Ba`分类阵列的价值。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
字符向量的单元格数组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
字符向量的单元格数组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
特征向量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
结构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

RSQUARED.ADJUSTED = 1 - （SSE./sst)* (dft./dfe）gydF4y2Ba，gydF4y2Ba

在哪里gydF4y2Badfe = n - pgydF4y2Ba，gydF4y2BaDFT = n - 1gydF4y2Ba，和gydF4y2BangydF4y2Ba为观测总次数，gydF4y2BapgydF4y2Ba为固定效应系数的个数。gydF4y2Ba

数据类型:gydF4y2Ba塑造gydF4y2Ba

`上交所gydF4y2Ba`- - - - - -gydF4y2Ba误差平方和gydF4y2Ba
积极的标量值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
积极的标量值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
积极的标量值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
桌子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
桌子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 对于数值变量，它是两元素形式的向量gydF4y2Ba`(最小,最大)gydF4y2Ba`．gydF4y2Ba 对于小区或分类变量，它是包含所有唯一值的单元格或分类数组。gydF4y2Ba
`inmodel.gydF4y2Ba`	`真的gydF4y2Ba`，如果变量是拟合模型中的预测器。gydF4y2Ba `错误的gydF4y2Ba`，如果变量不在拟合模型中。gydF4y2Ba
`是基本的gydF4y2Ba`	`真的gydF4y2Ba`如果变量具有作为分类预测器的类型，例如小区，逻辑或分类，或者它被指定为分类gydF4y2Ba`'分类'gydF4y2Ba`的名称-值对参数gydF4y2Ba`适合gydF4y2Ba`方法。gydF4y2Ba `错误的gydF4y2Ba`，如果它是一个连续预测器。gydF4y2Ba

数据类型:gydF4y2Ba桌子gydF4y2Ba

`VariableNamesgydF4y2Ba`- - - - - -gydF4y2Ba变量的名称gydF4y2Ba
字符向量的单元格数组gydF4y2Ba

fit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

对象功能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

复制语义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

例子gydF4y2Ba

全部收缩gydF4y2Ba

带分类预测器的随机截距模型gydF4y2Ba

打开直播脚本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 $我gydF4y2Ba ［gydF4y2Ba 米gydF4y2Ba 我gydF4y2Ba dgydF4y2Ba 一个gydF4y2Ba tgydF4y2Ba lgydF4y2Ba ］gydF4y2Ba$ 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

$\begin{array}{l} {ygydF4y2Ba}_{我gydF4y2Ba 米gydF4y2Ba} ＝gydF4y2Ba {βgydF4y2Ba}_{0gydF4y2Ba} +gydF4y2Ba {βgydF4y2Ba}_{1gydF4y2Ba} 我gydF4y2Ba {［gydF4y2Ba 米gydF4y2Ba 我gydF4y2Ba dgydF4y2Ba 一个gydF4y2Ba tgydF4y2Ba lgydF4y2Ba ］gydF4y2Ba}_{我gydF4y2Ba} +gydF4y2Ba {βgydF4y2Ba}_{2gydF4y2Ba} 我gydF4y2Ba {［gydF4y2Ba EgydF4y2Ba NgydF4y2Ba CgydF4y2Ba egydF4y2Ba ngydF4y2Ba tgydF4y2Ba rgydF4y2Ba 一个gydF4y2Ba lgydF4y2Ba ］gydF4y2Ba}_{我gydF4y2Ba} +gydF4y2Ba {βgydF4y2Ba}_{3.gydF4y2Ba} 我gydF4y2Ba {［gydF4y2Ba WgydF4y2Ba NgydF4y2Ba CgydF4y2Ba egydF4y2Ba ngydF4y2Ba tgydF4y2Ba rgydF4y2Ba 一个gydF4y2Ba lgydF4y2Ba ］gydF4y2Ba}_{我gydF4y2Ba} +gydF4y2Ba {βgydF4y2Ba}_{4gydF4y2Ba} 我gydF4y2Ba {［gydF4y2Ba 年代gydF4y2Ba 一个gydF4y2Ba tgydF4y2Ba lgydF4y2Ba ］gydF4y2Ba}_{我gydF4y2Ba} \\ +gydF4y2Ba {βgydF4y2Ba}_{5gydF4y2Ba} 我gydF4y2Ba {［gydF4y2Ba EgydF4y2Ba 年代gydF4y2Ba CgydF4y2Ba egydF4y2Ba ngydF4y2Ba tgydF4y2Ba rgydF4y2Ba 一个gydF4y2Ba lgydF4y2Ba ］gydF4y2Ba}_{我gydF4y2Ba} +gydF4y2Ba {βgydF4y2Ba}_{6gydF4y2Ba} 我gydF4y2Ba {［gydF4y2Ba WgydF4y2Ba 年代gydF4y2Ba CgydF4y2Ba egydF4y2Ba ngydF4y2Ba tgydF4y2Ba rgydF4y2Ba 一个gydF4y2Ba lgydF4y2Ba ］gydF4y2Ba}_{我gydF4y2Ba} +gydF4y2Ba {βgydF4y2Ba}_{7gydF4y2Ba} 我gydF4y2Ba {［gydF4y2Ba 米gydF4y2Ba tgydF4y2Ba ngydF4y2Ba ］gydF4y2Ba}_{我gydF4y2Ba} +gydF4y2Ba {βgydF4y2Ba}_{8gydF4y2Ba} 我gydF4y2Ba {［gydF4y2Ba PgydF4y2Ba 一个gydF4y2Ba cgydF4y2Ba ］gydF4y2Ba}_{我gydF4y2Ba} +gydF4y2Ba {bgydF4y2Ba}_{0gydF4y2Ba 米gydF4y2Ba} +gydF4y2Ba {εgydF4y2Ba}_{我gydF4y2Ba 米gydF4y2Ba} ，gydF4y2Ba 米gydF4y2Ba ＝gydF4y2Ba 1gydF4y2Ba ，gydF4y2Ba 2gydF4y2Ba ，gydF4y2Ba ．gydF4y2Ba ．gydF4y2Ba ．gydF4y2Ba ，gydF4y2Ba 5gydF4y2Ba 2gydF4y2Ba ，gydF4y2Ba \end{array}$

在哪里gydF4y2Ba ${ygydF4y2Ba}_{我gydF4y2Ba 米gydF4y2Ba}$ 是观察gydF4y2Ba $我gydF4y2Ba$ 的水平gydF4y2Ba $米gydF4y2Ba$ 分组变量gydF4y2Ba日期gydF4y2Ba，gydF4y2Ba ${βgydF4y2Ba}_{jgydF4y2Ba}$ ，gydF4y2Ba $jgydF4y2Ba$ = 0,1，...，8，是固定效果系数，gydF4y2Ba ${bgydF4y2Ba}_{0gydF4y2Ba 米gydF4y2Ba}$ 是水平的随机效果gydF4y2Ba $米gydF4y2Ba$ 分组变量的gydF4y2Ba日期gydF4y2Ba，和gydF4y2Ba ${εgydF4y2Ba}_{我gydF4y2Ba 米gydF4y2Ba}$ 观察错误是观察误差gydF4y2Ba $我gydF4y2Ba$ ．随机效应具有先验分布，gydF4y2Ba ${bgydF4y2Ba}_{0gydF4y2Ba 米gydF4y2Ba} \simgydF4y2Ba NgydF4y2Ba （gydF4y2Ba 0gydF4y2Ba ，gydF4y2Ba {σ.gydF4y2Ba}_{bgydF4y2Ba}^{2gydF4y2Ba} ）gydF4y2Ba$ 并且错误术语具有分布，gydF4y2Ba ${εgydF4y2Ba}_{我gydF4y2Ba 米gydF4y2Ba} \simgydF4y2Ba NgydF4y2Ba （gydF4y2Ba 0gydF4y2Ba ，gydF4y2Ba {σ.gydF4y2Ba}^{2gydF4y2Ba} ）gydF4y2Ba$ ．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 $pgydF4y2Ba$ -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 ${σ.gydF4y2Ba}_{bgydF4y2Ba}$ ，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

$\begin{aligned} {ygydF4y2Ba}_{}^{ˆgydF4y2Ba}_{WgydF4y2Ba NgydF4y2Ba CgydF4y2Ba egydF4y2Ba ngydF4y2Ba tgydF4y2Ba rgydF4y2Ba 一个gydF4y2Ba lgydF4y2Ba ，gydF4y2Ba 1gydF4y2Ba 0gydF4y2Ba /gydF4y2Ba 9gydF4y2Ba /gydF4y2Ba 2gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 5gydF4y2Ba} & ＝gydF4y2Ba {βgydF4y2Ba}_{}^{ˆgydF4y2Ba}_{0gydF4y2Ba} +gydF4y2Ba {βgydF4y2Ba}_{}^{ˆgydF4y2Ba}_{3.gydF4y2Ba} 我gydF4y2Ba ［gydF4y2Ba WgydF4y2Ba NgydF4y2Ba CgydF4y2Ba egydF4y2Ba ngydF4y2Ba tgydF4y2Ba rgydF4y2Ba 一个gydF4y2Ba lgydF4y2Ba ］gydF4y2Ba +gydF4y2Ba {bgydF4y2Ba}_{}^{ˆgydF4y2Ba}_{1gydF4y2Ba 0gydF4y2Ba /gydF4y2Ba 9gydF4y2Ba /gydF4y2Ba 2gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 5gydF4y2Ba} \\ ＝gydF4y2Ba 1gydF4y2Ba ．gydF4y2Ba 2gydF4y2Ba 2gydF4y2Ba 3.gydF4y2Ba 3.gydF4y2Ba +gydF4y2Ba 0gydF4y2Ba ．gydF4y2Ba 2gydF4y2Ba 3.gydF4y2Ba 6gydF4y2Ba 8gydF4y2Ba 7gydF4y2Ba -gydF4y2Ba 0gydF4y2Ba ．gydF4y2Ba 1gydF4y2Ba 7gydF4y2Ba 1gydF4y2Ba 8gydF4y2Ba \\ ＝gydF4y2Ba 1gydF4y2Ba ．gydF4y2Ba 2gydF4y2Ba 8gydF4y2Ba 8gydF4y2Ba 3.gydF4y2Ba 7gydF4y2Ba ．gydF4y2Ba \end{aligned}$

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

随机坡度的线性混合效应模型gydF4y2Ba

打开直播脚本gydF4y2Ba

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

${米gydF4y2Ba PgydF4y2Ba GgydF4y2Ba}_{我gydF4y2Ba 米gydF4y2Ba} ＝gydF4y2Ba {βgydF4y2Ba}_{0gydF4y2Ba} +gydF4y2Ba {βgydF4y2Ba}_{1gydF4y2Ba} {一个gydF4y2Ba cgydF4y2Ba cgydF4y2Ba}_{我gydF4y2Ba} +gydF4y2Ba {βgydF4y2Ba}_{2gydF4y2Ba} HgydF4y2Ba PgydF4y2Ba +gydF4y2Ba {bgydF4y2Ba}_{0gydF4y2Ba 米gydF4y2Ba} +gydF4y2Ba {bgydF4y2Ba}_{1gydF4y2Ba}_{米gydF4y2Ba} {一个gydF4y2Ba cgydF4y2Ba cgydF4y2Ba}_{我gydF4y2Ba 米gydF4y2Ba} +gydF4y2Ba {εgydF4y2Ba}_{我gydF4y2Ba 米gydF4y2Ba} ，gydF4y2Ba 米gydF4y2Ba ＝gydF4y2Ba 1gydF4y2Ba ，gydF4y2Ba 2gydF4y2Ba ，gydF4y2Ba 3.gydF4y2Ba ，gydF4y2Ba$

随机效应项具有以下先验分布:gydF4y2Ba

${bgydF4y2Ba}_{米gydF4y2Ba} ＝gydF4y2Ba （gydF4y2Ba \begin{array}{l} {bgydF4y2Ba}_{0gydF4y2Ba 米gydF4y2Ba} \\ {bgydF4y2Ba}_{1gydF4y2Ba 米gydF4y2Ba} \end{array} ）gydF4y2Ba \simgydF4y2Ba NgydF4y2Ba （gydF4y2Ba 0gydF4y2Ba ，gydF4y2Ba （gydF4y2Ba \begin{array}{cccccccccccccccccccc} {σ.gydF4y2Ba}_{0gydF4y2Ba}^{2gydF4y2Ba} & {σ.gydF4y2Ba}_{0gydF4y2Ba ，gydF4y2Ba 1gydF4y2Ba} \\ {σ.gydF4y2Ba}_{0gydF4y2Ba ，gydF4y2Ba 1gydF4y2Ba} & {σ.gydF4y2Ba}_{1gydF4y2Ba}^{2gydF4y2Ba} \end{array} ）gydF4y2Ba ）gydF4y2Ba ，gydF4y2Ba$

在哪里gydF4y2Ba $米gydF4y2Ba$ 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 $pgydF4y2Ba$ - 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

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（ele米entwise 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`	没有拦截和固定的效果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`	固定的影响为截距加上随机效应为每一级分组变量的截距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`	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gydF4y2Ba`g1gydF4y2Ba`和gydF4y2Ba`g2gydF4y2Ba`，加上一个独立的相互作用效应。gydF4y2Ba

另请参阅gydF4y2Ba

fitlme.gydF4y2Ba| G.ydF4y2Bafitlmematrix.gydF4y2Ba

LinearMixedModel类gydF4y2Ba

描述gydF4y2Ba

建设gydF4y2Ba

输入参数gydF4y2Ba

资源描述gydF4y2Ba- - - - - -gydF4y2Ba输入数据gydF4y2Ba桌子gydF4y2Ba| G.ydF4y2Ba数据集gydF4y2Ba数组gydF4y2Ba

公式gydF4y2Ba- - - - - -gydF4y2Ba模型规范公式gydF4y2Ba形式的字符向量或字符串标量gydF4y2Ba'y ~ fixed + (random1|grouping1) +…+ (randomR | groupingR) 'gydF4y2Ba

XgydF4y2Ba- - - - - -gydF4y2Ba固定效果设计矩阵gydF4y2BangydF4y2Ba-经过-gydF4y2BapgydF4y2Ba矩阵gydF4y2Ba

ygydF4y2Ba- - - - - -gydF4y2Ba响应价值gydF4y2BangydF4y2Ba1的向量gydF4y2Ba

ZgydF4y2Ba- - - - - -gydF4y2Ba随机设计gydF4y2BangydF4y2Ba-经过-gydF4y2Ba问gydF4y2Ba矩阵gydF4y2Ba| G.ydF4y2Ba细胞阵列gydF4y2BaRgydF4y2BangydF4y2Ba-经过-gydF4y2Ba问gydF4y2Ba（gydF4y2BargydF4y2Ba)矩阵,gydF4y2BargydF4y2Ba= 1,2，......，gydF4y2BaRgydF4y2Ba

GgydF4y2Ba- - - - - -gydF4y2Ba分组变量或变量gydF4y2BangydF4y2Ba1的向量gydF4y2Ba| G.ydF4y2Ba细胞阵列gydF4y2BaRgydF4y2BangydF4y2Ba1的向量gydF4y2Ba

属性gydF4y2Ba

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

CoefficientCovariancegydF4y2Ba- - - - - -gydF4y2Ba估计固定效应系数的协方差gydF4y2BapgydF4y2Ba-经过-gydF4y2BapgydF4y2Ba矩阵gydF4y2Ba

系数gydF4y2Ba- - - - - -gydF4y2Ba固定效果系数的名称gydF4y2Ba1 -gydF4y2BapgydF4y2Ba字符向量的单元格数组gydF4y2Ba

教育部gydF4y2Ba- - - - - -gydF4y2Ba剩余自由度gydF4y2Ba正整数值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

公式gydF4y2Ba- - - - - -gydF4y2Ba固定和随机效应术语的说明，以及分组变量gydF4y2Ba对象gydF4y2Ba

LogLikelihoodgydF4y2Ba- - - - - -gydF4y2Ba最大日志或限制日志的可能性gydF4y2Ba标量值gydF4y2Ba

ModelCriteriongydF4y2Ba- - - - - -gydF4y2Ba模型的标准gydF4y2Ba数据集的数组gydF4y2Ba

MSEgydF4y2Ba- - - - - -gydF4y2BaML或REML估计gydF4y2Ba积极的标量值gydF4y2Ba

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

NumEstimatedCoefficientsgydF4y2Ba- - - - - -gydF4y2Ba估计固定效应系数的数目gydF4y2Ba正整数值gydF4y2Ba

NumObservationsgydF4y2Ba- - - - - -gydF4y2Ba数量的观察gydF4y2Ba正整数值gydF4y2Ba

NumPredictorsgydF4y2Ba- - - - - -gydF4y2Ba数量的预测gydF4y2Ba正整数值gydF4y2Ba

NumVariablesgydF4y2Ba- - - - - -gydF4y2Ba变量总数gydF4y2Ba正整数值gydF4y2Ba

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

观察名称gydF4y2Ba- - - - - -gydF4y2Ba名字的观察gydF4y2Ba字符向量的单元格数组gydF4y2Ba

PredictorNamesgydF4y2Ba- - - - - -gydF4y2Ba预测器的名称gydF4y2Ba字符向量的单元格数组gydF4y2Ba

ractraceame.gydF4y2Ba- - - - - -gydF4y2Ba响应变量的名称gydF4y2Ba特征向量gydF4y2Ba

RsquaredgydF4y2Ba- - - - - -gydF4y2Ba响应中可变性的比例由拟合模型解释gydF4y2Ba结构gydF4y2Ba

上交所gydF4y2Ba- - - - - -gydF4y2Ba误差平方和gydF4y2Ba积极的标量值gydF4y2Ba

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

风场gydF4y2Ba- - - - - -gydF4y2Ba总平方和gydF4y2Ba积极的标量值gydF4y2Ba

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

VariableInfogydF4y2Ba- - - - - -gydF4y2Ba关于变量的信息gydF4y2Ba桌子gydF4y2Ba

VariableNamesgydF4y2Ba- - - - - -gydF4y2Ba变量的名称gydF4y2Ba字符向量的单元格数组gydF4y2Ba

对象功能gydF4y2Ba

复制语义gydF4y2Ba

例子gydF4y2Ba

带分类预测器的随机截距模型gydF4y2Ba

随机坡度的线性混合效应模型gydF4y2Ba

更多关于gydF4y2Ba

公式gydF4y2Ba

另请参阅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

`资源描述gydF4y2Ba`- - - - - -gydF4y2Ba输入数据gydF4y2Ba
桌子gydF4y2Ba| G.ydF4y2Ba`数据集gydF4y2Ba`数组gydF4y2Ba

`公式gydF4y2Ba`- - - - - -gydF4y2Ba模型规范公式gydF4y2Ba
形式的字符向量或字符串标量gydF4y2Ba`'y ~ fixed + (random1|grouping1) +…+ (randomR | groupingR) 'gydF4y2Ba`

`XgydF4y2Ba`- - - - - -gydF4y2Ba固定效果设计矩阵gydF4y2Ba
ngydF4y2Ba-经过-gydF4y2BapgydF4y2Ba矩阵gydF4y2Ba

`ygydF4y2Ba`- - - - - -gydF4y2Ba响应价值gydF4y2Ba
ngydF4y2Ba1的向量gydF4y2Ba

`ZgydF4y2Ba`- - - - - -gydF4y2Ba随机设计gydF4y2Ba
ngydF4y2Ba-经过-gydF4y2Ba问gydF4y2Ba矩阵gydF4y2Ba| G.ydF4y2Ba细胞阵列gydF4y2BaRgydF4y2BangydF4y2Ba-经过-gydF4y2Ba问gydF4y2Ba（gydF4y2BargydF4y2Ba)矩阵,gydF4y2BargydF4y2Ba= 1,2，......，gydF4y2BaRgydF4y2Ba

`GgydF4y2Ba`- - - - - -gydF4y2Ba分组变量或变量gydF4y2Ba
ngydF4y2Ba1的向量gydF4y2Ba| G.ydF4y2Ba细胞阵列gydF4y2BaRgydF4y2BangydF4y2Ba1的向量gydF4y2Ba

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

`CoefficientCovariancegydF4y2Ba`- - - - - -gydF4y2Ba估计固定效应系数的协方差gydF4y2Ba
pgydF4y2Ba-经过-gydF4y2BapgydF4y2Ba矩阵gydF4y2Ba

`系数gydF4y2Ba`- - - - - -gydF4y2Ba固定效果系数的名称gydF4y2Ba
1 -gydF4y2BapgydF4y2Ba字符向量的单元格数组gydF4y2Ba

`教育部gydF4y2Ba`- - - - - -gydF4y2Ba剩余自由度gydF4y2Ba
正整数值gydF4y2Ba

`FitMethodgydF4y2Ba`- - - - - -gydF4y2Ba用于适合线性混合效应模型的方法gydF4y2Ba
`毫克gydF4y2Ba`| G.ydF4y2Ba`reml.gydF4y2Ba`

`公式gydF4y2Ba`- - - - - -gydF4y2Ba固定和随机效应术语的说明，以及分组变量gydF4y2Ba
对象gydF4y2Ba

`LogLikelihoodgydF4y2Ba`- - - - - -gydF4y2Ba最大日志或限制日志的可能性gydF4y2Ba
标量值gydF4y2Ba

`ModelCriteriongydF4y2Ba`- - - - - -gydF4y2Ba模型的标准gydF4y2Ba
数据集的数组gydF4y2Ba

`MSEgydF4y2Ba`- - - - - -gydF4y2BaML或REML估计gydF4y2Ba
积极的标量值gydF4y2Ba

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

`NumEstimatedCoefficientsgydF4y2Ba`- - - - - -gydF4y2Ba估计固定效应系数的数目gydF4y2Ba
正整数值gydF4y2Ba

`NumObservationsgydF4y2Ba`- - - - - -gydF4y2Ba数量的观察gydF4y2Ba
正整数值gydF4y2Ba

`NumPredictorsgydF4y2Ba`- - - - - -gydF4y2Ba数量的预测gydF4y2Ba
正整数值gydF4y2Ba

`NumVariablesgydF4y2Ba`- - - - - -gydF4y2Ba变量总数gydF4y2Ba
正整数值gydF4y2Ba

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

`观察名称gydF4y2Ba`- - - - - -gydF4y2Ba名字的观察gydF4y2Ba
字符向量的单元格数组gydF4y2Ba

`PredictorNamesgydF4y2Ba`- - - - - -gydF4y2Ba预测器的名称gydF4y2Ba
字符向量的单元格数组gydF4y2Ba

`ractraceame.gydF4y2Ba`- - - - - -gydF4y2Ba响应变量的名称gydF4y2Ba
特征向量gydF4y2Ba

`RsquaredgydF4y2Ba`- - - - - -gydF4y2Ba响应中可变性的比例由拟合模型解释gydF4y2Ba
结构gydF4y2Ba

`上交所gydF4y2Ba`- - - - - -gydF4y2Ba误差平方和gydF4y2Ba
积极的标量值gydF4y2Ba

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

`风场gydF4y2Ba`- - - - - -gydF4y2Ba总平方和gydF4y2Ba
积极的标量值gydF4y2Ba

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

`VariableInfogydF4y2Ba`- - - - - -gydF4y2Ba关于变量的信息gydF4y2Ba
桌子gydF4y2Ba

`VariableNamesgydF4y2Ba`- - - - - -gydF4y2Ba变量的名称gydF4y2Ba
字符向量的单元格数组gydF4y2Ba