nlmefit
和nlmefitsa
加载示例数据。
负载吲哚美辛
中的数据indomethacin.mat
记录六名受试者在八小时内血液中消炎痛药物的浓度。
绘制受试者分组的血流中消炎痛的散点图。
gscatter(时间、浓度、主题)包含(的时间(小时)) ylabel (‘浓度(微克/毫升)’)标题(“{\ bf消炎痛消除}”)举行在
指定混合效应模型
page讨论了这类数据的有用模型。
通过匿名函数构造模型。
模型=@(φ,t)(φ(1)*exp(-exp(φ(2))*t)+...φ(3)* exp (exp(φ(4))* t));
使用nlinfit
函数使模型符合所有数据,忽略特定主题的影响。
Phi0 = [1 2 1 1];[φ,res] = nlinfit(时间、浓度模型,phi0);
计算均方误差。
numObs =长度(时间);numParams = 4;df = numObs-numParams;mse = (res”* res) / df
mse = 0.0304
超级将模型施加到数据的散点图上。
tplot = 0:0.01:8;情节(tplot模型(φ,tplot),“k”,“线宽”, 2)从
按主体绘制残差箱线图。
颜色=“rygcbm”;h=箱线图(分辨率、主题、,“颜色”,颜色,“象征”,“o”);集(h (~ isnan (h)),“线宽”, 2)在箱线图(图片、主题、,“颜色”,“k”,“象征”,“柯”网格)在包含(“主题”) ylabel (“残留”)举行从
受试者残差的箱形图显示,这些箱形图大多在零以上或零以下,这表明模型未能考虑受试者特有的效应。
为了解释特定对象的影响,将模型分别与每个对象的数据进行拟合。
phi0=[1,2,1];PHI=0(4,6);RES=0(11,6);为I=1:6ti=时间(受试者=I);cI=浓度(受试者=I);[PHI(:,I),RES(:,I)]=nlinfit(tI,cI,model,phi0);结束φ
Phi = 2.0293 2.8277 5.4683 2.1981 3.5661 3.0023 0.5794 0.8013 1.7498 0.2423 1.0408 1.0882 0.1915 0.4989 1.6757 0.2545 0.2915 0.9685 -1.7878 -1.6354 -0.4122 -1.6026 -1.5069 -0.8731
计算均方误差。
numParams = 24;df = numObs-numParams;mse = (RES (:) * RES / df (:))
mse = 0.0057
绘制数据的散点图,并为每个受试者叠加模型。
gscatter(时间、浓度、主题)包含(的时间(小时)) ylabel (‘浓度(微克/毫升)’)标题(“{\ bf消炎痛消除}”)举行在为I = 1:6 plot(tplot,model(PHI(:,I),tplot)),“颜色”、颜色(我))结束轴([0 8 0 3.5])保持从
φ
给出了六个科目中每个科目的四个模型参数的估计。估计值变化很大,但作为数据的24参数模型,均方误差为0.0057,大大降低了原始四参数模型的0.0304。
按主题绘制残差的方框图。
h=箱线图(RES,“颜色”,颜色,“象征”,“o”);集(h (~ isnan (h)),“线宽”, 2)在箱线图(RES,“颜色”,“k”,“象征”,“柯”网格)在包含(“主题”) ylabel (“残留”)举行从
盒子图显示较大的模型可以解释大部分特定主题的效应。残差的分布(箱形图的垂直尺度)比之前的箱形图小得多,箱子现在大多以0为中心。
虽然24参数模型成功地解释了由于研究中特定受试者的变化,但它没有考虑受试者作为更大群体的代表。样本的抽样分布可能比样本本身更有趣。混合效应模型的目的是更广泛地解释特定主题的变化,因为随机效应在总体均值周围变化。
使用nlmefit
函数使混合效果模型适合数据。您也可以使用nlmefitsa
代替nlmefit
.
下面的匿名函数,nlme_model
,采用的四参数模型nlinfit
的调用语法nlmefit
通过允许每个单独的参数。默认情况下,nlmefit
将随机效应分配给所有模型参数。默认情况下,nlmefit
假设一个对角协方差矩阵(随机效应之间没有协方差),以避免过度参数化和相关的收敛问题。
nlme_model = @(φ,t)(φ(:1)。* exp (exp(φ(:,2))。* t) +...φ(:3)。* exp (exp(φ(:,4))。* t));Phi0 = [1 2 1 1];(ψφ,统计)= nlmefit(时间、浓度,...[],nlme_模型,phi0)
phi=2.8277 0.7729 0.4606-1.3459 PSI=0.3264 0 0 0 0 0 0 0 0 0 0 0.0250 0 0 0 0 0 0 0 0 0.0124 0 0 0 0 0 0 0 0 0 0.0000 stats=struct with fields:dfe:57 logl:54.5882 mse:0.0066 rmse:0.0787 errorparam:0.0815 aic:-91.1765 bic:-93.0506 covb:[4x4 double]sebeta:[0.2558 0.1066 0.1092 0.2244]ires:[66x1 double]pres:[66x1]双精度:[66x1双精度]cwres:[66x1双精度]
0.0066的均方误差与无随机效应的24参数模型的0.0057相当,显著优于无随机效应的4参数模型的0.0304。
估计协方差矩阵防扩散安全倡议
表明第四个随机效应的方差基本上为零,这表明您可以删除它来简化模型。要做到这一点,使用“重新启动选择”
中指定要建模的具有随机效应的参数的索引的名称-值对nlmefit
.
(ψφ,统计)= nlmefit(时间、浓度,...[],nlme_模型,phi0,...“重新启动选择”(1 2 3))
phi=2.8277 0.7728 0.4605-1.3460 PSI=0.3270 0 0 0 0 0.0250 0 0 0 0 0.0124 stats=struct with fields:dfe:58 logl:54.5875 mse:0.0066 rmse:0.0780 error参数:0.0815 aic:-93.1750 bic:-94.8410 covb:[4x4 double]sebeta:[0.2560 0.1066 0.1092 0.2244]ires:[66x1 double]pres:[66x1 double]iwres:[66x1 double]pwres:[66x1 double][66x1双精度]
的对数似logl
与所有参数的随机效应几乎相同赤池信息标准另类投资会议
由-91.1765降为-93.1750,贝叶斯信息准则bic
从-93.0506降低到-94.8410。这些措施支持了放弃第四个随机效金宝app应的决定。
用全协方差矩阵重新调整简化模型可以识别随机效应之间的相关性CovPattern
参数指定协方差矩阵中非零元素的模式。
(ψφ,统计)= nlmefit(时间、浓度,...[],nlme_模型,phi0,...“重新启动选择”(1 2 3),...“CovPattern”, (3))
phi=2.8148 0.8293 0.5613-1.1407 PSI=0.4767 0.1152 0.0499 0.1152 0.0321 0.0032 0.0499 0.0032 0.0236 stats=struct with fields:dfe:55 logl:58.4731 mse:0.0061 rmse:0.0782 errorparam:0.0781 aic:-94.9463 bic:-97.2369 covb:[4x4 double]sebeta:[0.3028 0.1103 0.1179 0.1662]ires:[66x1]presiw]pwres:[66x1双精度]cwres:[66x1双精度]
估计协方差矩阵防扩散安全倡议
显示前两个参数上的随机效应具有相对较强的相关性,且两者与最后一个随机效应的相关性相对较弱。如果进行转换,协方差矩阵中的这种结构更为明显防扩散安全倡议
关联矩阵使用corrcov
.
RHO = corrcov(PSI) clf;显示亮度图像(ρ)组(gca,“XTick”(1 2 3),“YTick”,[1 2 3])“{\bf随机效应相关}”) h = colorbar;集(get (h,“YLabel”),“字符串”,“相关性”);
Rho = 1.0000 0.9316 0.4707 0.9316 1.0000 0.1178 0.4707 0.1178 1.0000
通过将协方差模式的规格更改为块对角,将此结构合并到模型中。
P = [1 1 0;1 1 0;0 0 1]%协方差模式[φ,PSI,stats,b]=nlmefit(时间,浓度,受试者,...[],nlme_模型,phi0,...“重新启动选择”(1 2 3),...“CovPattern”, P)
P=11 10 1 0 0 0 0 1 phi=2.7830 0.8981 0.6581-1.0000 PSI=0.5180 0.1069 0.1069 0.0221 0 0 0 0 0 0.0454 stats=struct with fields:dfe:57 logl:58.0804 mse:0.0061 rmse:0.0768 errorparam:0.0782 aic:-98.1608 bic:-100.0350 covb:[4x4 double]sebeta:[0.3171 0.1073 0.1384 0.1453]ires:[66x1]pres double]pwres:[66x1 double]cwres:[66x1 double]b=-0.8507-0.15631.0427-0.7559 0.5652 0.1550-0.1756-0.0323 0.2152-0.1560 0.11670.0320-0.27560 0.0519 0.2620.1064-0.2835 0.1389
块对角协方差结构减少了另类投资会议
从-94.9462到-98.1608,以及bic
从-97.2368到-100.0350,但不显著影响对数似然。这些度量支持最终模型中使用的协方差结构。输出金宝appb
给出了六个受试者的三个随机效应的预测。这些数据与对固定效应的估计相结合φ
产生混合效应模型。
绘制六个受试者的混合效应模型。为了比较,也给出了没有随机效应的模型。
φ=repmat(φ,1,6)+...%固定效应[b(1,:);b(2,:);b(3,:);零(1,6)];%随机效应RES = 0(11日6);%残差颜色=“rygcbm”;为I=1:6拟合模型=@(t)(φ(1,I)*exp(-exp(φ(2,I))*t)+...PHI(3,I)*exp(-exp(PHI(4,I))*t));tI=时间(受试者==I);cI=浓度(受试者==I);RES(:,I)=cI-拟合模型(tI);子批次(2,3,I)散射(tI,cI,20,颜色(I),“填充”)举行在情节(tplot fitted_model (tplot),“颜色”,颜色(I))绘图(tplot,模型(phi,tplot),“k”)轴([0803.5])xlabel(的时间(小时)) ylabel (‘浓度(微克/毫升)’)传说(num2str(我),“主题”,“固定”)结束
如果忽略数据中明显的异常值(在前面的箱形图中可见),残差的正态概率图与模型对误差的假设显示出合理的一致。
clf;标准图(RES(:)