具有随机EM算法的适合非线性混合效应模型GyD.F4y2Ba
[GyD.F4y2Ba
betGyD.F4y2Ba
那GyD.F4y2BaψGyD.F4y2Ba
那GyD.F4y2Ba统计GyD.F4y2Ba
那GyD.F4y2BaB.GyD.F4y2Ba
) = nlmefitsa (X, Y,, V, MODELFUN BETA0)GyD.F4y2Ba
[GyD.F4y2BabetGyD.F4y2Ba
那GyD.F4y2BaψGyD.F4y2Ba
那GyD.F4y2Ba统计GyD.F4y2Ba
那GyD.F4y2BaB.GyD.F4y2Ba
] = nlmefitsa(x,y,group,v,modelfun,beta0,'GyD.F4y2Ba的名字GyD.F4y2Ba
',GyD.F4y2Ba价值GyD.F4y2Ba
)GyD.F4y2Ba
[GyD.F4y2Ba
适合非线性混合效应回归模型,并返回固定效果的估计GyD.F4y2BabetGyD.F4y2Ba
那GyD.F4y2BaψGyD.F4y2Ba
那GyD.F4y2Ba统计GyD.F4y2Ba
那GyD.F4y2BaB.GyD.F4y2Ba
) = nlmefitsa (X, Y,, V, MODELFUN BETA0)GyD.F4y2BabetGyD.F4y2Ba
.默认情况下,GyD.F4y2Banlmefitsa.GyD.F4y2Ba
适合每个型号参数的模型,其中每个型号参数是相应的固定和随机效果的和,随机效果的协方差矩阵是对角线,即,不相关的随机效果。GyD.F4y2Ba
这GyD.F4y2BabetGyD.F4y2Ba
那GyD.F4y2BaψGyD.F4y2Ba
此外,此功能返回的其他值是随机(蒙特卡罗)模拟的结果,该模拟旨在融合到参数的最大似然估计。因为结果是随机的,建议检查模拟的图,以确定模拟是否会聚。使用多次运行函数,使用多次使用多次启动值,或使用GyD.F4y2Ba“复制”GyD.F4y2Ba
参数来执行多个模拟。GyD.F4y2Ba
[GyD.F4y2Ba
接受一个或多个逗号分隔的参数名称/值对。指定GyD.F4y2BabetGyD.F4y2Ba
那GyD.F4y2BaψGyD.F4y2Ba
那GyD.F4y2Ba统计GyD.F4y2Ba
那GyD.F4y2BaB.GyD.F4y2Ba
] = nlmefitsa(x,y,group,v,modelfun,beta0,'GyD.F4y2Ba的名字GyD.F4y2Ba
',GyD.F4y2Ba价值GyD.F4y2Ba
)GyD.F4y2Ba的名字GyD.F4y2Ba
在单引号。GyD.F4y2Ba
定义:GyD.F4y2Ba
在下面的参数列表中,应用了以下变量定义:GyD.F4y2Ba
NGyD.F4y2Ba- 观察数量GyD.F4y2Ba
HGyD.F4y2Ba- 预测器变量的数量GyD.F4y2Ba
mGyD.F4y2Ba-组数GyD.F4y2Ba
GGyD.F4y2Ba- 群体特定于群体的预测变量数量GyD.F4y2Ba
P.GyD.F4y2Ba- 参数数量GyD.F4y2Ba
FGyD.F4y2Ba-固定效果的数量GyD.F4y2Ba
|
一个GyD.F4y2BaNGyD.F4y2Ba——- - - - - -GyD.F4y2BaHGyD.F4y2Ba矩阵GyD.F4y2BaNGyD.F4y2Ba观察GyD.F4y2BaHGyD.F4y2Ba预测变量。GyD.F4y2Ba |
|
一个GyD.F4y2BaNGyD.F4y2Ba- 1-1响应矢量。GyD.F4y2Ba |
|
一种分组变量,表示GyD.F4y2BamGyD.F4y2Ba每个观察属于不同的组。GyD.F4y2Ba |
|
一个GyD.F4y2BamGyD.F4y2Ba——- - - - - -GyD.F4y2BaGGyD.F4y2Ba矩阵GyD.F4y2BaGGyD.F4y2Ba每个特定于组的预测变量GyD.F4y2BamGyD.F4y2Ba数据中的组。这些预测值对一组中所有的观察都具有相同的值。行GyD.F4y2Ba |
|
函数的句柄,接受预测值和模型参数,并返回拟合值。GyD.F4y2Ba
|
|
一个GyD.F4y2BaFGyD.F4y2Ba-By-1矢量与初始估计值GyD.F4y2BaFGyD.F4y2Ba固定效果。默认情况下,GyD.F4y2BaFGyD.F4y2Ba等于模型参数的数量GyD.F4y2BaP.GyD.F4y2Ba.GyD.F4y2Ba |
默认情况下,GyD.F4y2Banlmefitsa.GyD.F4y2Ba
适合每个型号参数的模型是相应的固定和随机效果的总和。使用以下参数名称/值对适合具有不同数量或依赖的模型或对固定或随机效果的模型。使用最多一个参数名称使用GyD.F4y2Ba'fe'GyD.F4y2Ba
前缀和一个参数名称GyD.F4y2Ba“重新”GyD.F4y2Ba
前缀。注意,有些选择会改变方式GyD.F4y2Banlmefitsa.GyD.F4y2Ba
呼叫GyD.F4y2BaModelfun.GyD.F4y2Ba
,如下文所述。GyD.F4y2Ba
|
一个向量,指定模型参数向量的哪些元素GyD.F4y2Ba |
|
一种GyD.F4y2BaP.GyD.F4y2Ba——- - - - - -GyD.F4y2BaFGyD.F4y2Ba设计矩阵GyD.F4y2Ba |
|
一种GyD.F4y2BaP.GyD.F4y2Ba——- - - - - -GyD.F4y2BaFGyD.F4y2Ba——- - - - - -GyD.F4y2BamGyD.F4y2Ba数组指定不同的GyD.F4y2BaP.GyD.F4y2Ba——- - - - - -GyD.F4y2BaFGyD.F4y2Ba固定的效果设计矩阵为每个GyD.F4y2BamGyD.F4y2Ba团体。GyD.F4y2Ba |
|
一个向量,指定模型参数向量的哪些元素GyD.F4y2Ba |
|
一种GyD.F4y2BaP.GyD.F4y2Ba——- - - - - -GyD.F4y2BaR.GyD.F4y2Ba设计矩阵GyD.F4y2Ba |
默认模型相当于设置两者GyD.F4y2Bafeconstdesign.GyD.F4y2Ba
和GyD.F4y2Ba重新启动GyD.F4y2Ba
来GyD.F4y2Ba眼(p)GyD.F4y2Ba
,或设置两者GyD.F4y2BaFEParamsSelectGyD.F4y2Ba
和GyD.F4y2BaREParamsSelectGyD.F4y2Ba
1:GyD.F4y2BaP.GyD.F4y2Ba.GyD.F4y2Ba
其他可选参数名称/值对控制用于最大化可能性的迭代算法:GyD.F4y2Ba
|
指定A.GyD.F4y2BaR.GyD.F4y2Ba——- - - - - -GyD.F4y2BaR.GyD.F4y2Ba逻辑或数字矩阵GyD.F4y2Ba 或者,指定GyD.F4y2Ba |
|
协方差矩阵的初始值GyD.F4y2Ba |
|
|
|
指定错误项的形式的字符向量或字符串标量。默认为GyD.F4y2Ba
如果给出此参数,则输出GyD.F4y2Ba
|
|
指定错误模型参数的起始值的标量或二元向量。这指定了GyD.F4y2Ba一种GyD.F4y2Ba那GyD.F4y2BaB.GyD.F4y2Ba, 要么 [GyD.F4y2Ba一种GyD.F4y2BaB.GyD.F4y2Ba]值取决于GyD.F4y2Ba |
|
指定近似对数似然的方法。的选择是:GyD.F4y2Ba
|
|
初始刻录的次数在其中没有重新计算参数估计的迭代。默认为5。GyD.F4y2Ba |
|
数字GyD.F4y2BaCGyD.F4y2Ba“链子”模拟。默认为1.设置GyD.F4y2BaCGyD.F4y2Ba> 1的原因GyD.F4y2BaCGyD.F4y2Ba在每次迭代期间为每个组计算要计算的模拟系数向量。默认值取决于数据,并选择在所有链中提供大约100个组。GyD.F4y2Ba |
|
的迭代次数。这可以是一个标量或者一个三元素向量。控制算法的三个阶段中每个阶段执行的迭代次数:GyD.F4y2Ba
默认为GyD.F4y2Ba |
|
马尔可夫链蒙特卡罗(MCMC)迭代的数量。这可以是一个标量或者一个三元素向量。控制主要迭代的每个阶段在每个阶段执行多少种不同类型的MCMC更新:GyD.F4y2Ba
默认为GyD.F4y2Ba |
|
任何一个GyD.F4y2Ba |
|
通过呼叫创建的结构GyD.F4y2Ba
|
|
一个向量的GyD.F4y2BaP.GyD.F4y2Ba- 指定转换函数的值GyD.F4y2Ba XB = adesign * beta + bdesign * b phi = f(xb)GyD.F4y2Ba 披GyD.F4y2Ba :GyD.F4y2Ba
|
|
数字GyD.F4y2Ba |
|
确定可能的尺寸GyD.F4y2Ba
的默认值GyD.F4y2Ba |
|
对固定效应的估计GyD.F4y2Ba |
|
一个GyD.F4y2BaR.GyD.F4y2Ba——- - - - - -GyD.F4y2BaR.GyD.F4y2Ba随机效应的估计协方差矩阵。默认情况下,GyD.F4y2BaR.GyD.F4y2Ba等于模型参数的数量GyD.F4y2BaP.GyD.F4y2Ba.GyD.F4y2Ba |
|
具有以下字段的结构:GyD.F4y2Ba
|
为了估计非线性混合效应模型的参数,我们希望选择最大似然函数的参数值。这些值称为最大似然估计。似然函数可以写成如下形式GyD.F4y2Ba
在哪里GyD.F4y2Ba
yGyD.F4y2Ba为响应数据GyD.F4y2Ba
β是总体系数的向量GyD.F4y2Ba
σGyD.F4y2Ba2GyD.F4y2Ba是残差方差GyD.F4y2Ba
Σ是随机效应的协方差矩阵GyD.F4y2Ba
B.GyD.F4y2Ba是一组未观察到的随机效应吗GyD.F4y2Ba
每个GyD.F4y2BaP.GyD.F4y2Ba()函数是一个可能依赖于协变量的正态(高斯)似然函数。GyD.F4y2Ba
由于积分没有封闭形式,因此很难找到最大化它的参数。河口,Lavielle和MoulinesGyD.F4y2Ba[1]GyD.F4y2Ba建议使用期望最大化(EM)算法来找到最大似然估计,其中通过随机过程替换E步骤。它们称为算法SAEM,用于随机近似EM。他们证明了该算法具有理论特性所需的理论特性,包括在实际条件下的收敛性,并收敛到局部最大函数的局部最大值。他们的提案涉及三个步骤:GyD.F4y2Ba
仿真:生成随机效应的模拟值GyD.F4y2BaB.GyD.F4y2Ba从后密度GyD.F4y2BaP.GyD.F4y2Ba(GyD.F4y2BaB.GyD.F4y2Ba|σ)给定当前参数估计。GyD.F4y2Ba
随机近似:更新对数似然函数的期望值,从上一步中取其值,并向模拟随机效应计算的对数似然函数的平均值移动一部分。GyD.F4y2Ba
最大化步骤:根据随机效应的模拟值,选择新的参数估计来最大化对数似然函数。GyD.F4y2Ba
[1] Delyon, B., M. Lavielle,和E. Moulines,“EM算法的随机近似版本的收敛性”。GyD.F4y2Ba统计数据,GyD.F4y2Ba27,94-128,1999。GyD.F4y2Ba
[2] Mentré, F.,和M. Lavielle,《人口PKPD分析中的随机EM算法》。GyD.F4y2Ba美国药理学会议,GyD.F4y2Ba2008.GyD.F4y2Ba
nlinfitGyD.F4y2Ba
|GyD.F4y2Banlmefit.GyD.F4y2Ba
|GyD.F4y2Banlpredci.GyD.F4y2Ba