nlmefitsa.GyD.F4y2Ba

具有随机EM算法的适合非线性混合效应模型GyD.F4y2Ba

句法GyD.F4y2Ba

[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.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

描述GyD.F4y2Ba

[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.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．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.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接受一个或多个逗号分隔的参数名称/值对。指定GyD.F4y2Ba的名字GyD.F4y2Ba在单引号。GyD.F4y2Ba

输入参数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

`XGyD.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
`yGyD.F4y2Ba`	一个GyD.F4y2BaNGyD.F4y2Ba- 1-1响应矢量。GyD.F4y2Ba
`集团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`集团GyD.F4y2Ba`可以是分类变量、数字向量、包含组名行的字符矩阵、字符串数组或字符向量的单元格数组。GyD.F4y2Ba
`V.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`V.GyD.F4y2Ba`订购GyD.F4y2Ba`GRP2IDX(集团)GyD.F4y2Ba`．使用一个GyD.F4y2BamGyD.F4y2Ba——- - - - - -GyD.F4y2BaGGyD.F4y2Ba细胞数组GyD.F4y2Ba`V.GyD.F4y2Ba`如果任何组特定的预测值值跨组的大小不同。指定GyD.F4y2Ba`［］GyD.F4y2Ba`为了GyD.F4y2Ba`V.GyD.F4y2Ba`如果没有组预测因子。GyD.F4y2Ba
`Modelfun.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`Modelfun.GyD.F4y2Ba`的形式GyD.F4y2Ba`YFIT = MODELFUN(φ,XFUN VFUN)GyD.F4y2Ba`输入参数GyD.F4y2Ba `披GyD.F4y2Ba`- 一个1-by-GyD.F4y2BaP.GyD.F4y2Ba模型参数矢量。GyD.F4y2Ba `XFUNGyD.F4y2Ba`- 一个GyD.F4y2BaL.GyD.F4y2Ba——- - - - - -GyD.F4y2BaHGyD.F4y2Ba预测变量数组GyD.F4y2Ba L.GyD.F4y2Ba1如果是1GyD.F4y2Ba`XFUNGyD.F4y2Ba`是一排GyD.F4y2Ba`XGyD.F4y2Ba` L.GyD.F4y2Ba是GyD.F4y2BaNGyD.F4y2Ba_{一世GyD.F4y2Ba}如果GyD.F4y2Ba`XFUNGyD.F4y2Ba`包含GyD.F4y2Ba`XGyD.F4y2Ba`对于单个大小的组GyD.F4y2BaNGyD.F4y2Ba_{一世GyD.F4y2Ba} L.GyD.F4y2Ba是GyD.F4y2BaNGyD.F4y2Ba如果GyD.F4y2Ba`XFUNGyD.F4y2Ba`包含所有行GyD.F4y2Ba`XGyD.F4y2Ba`．GyD.F4y2Ba `vfun.GyD.F4y2Ba`- 任何一个GyD.F4y2Ba 一个1-by-GyD.F4y2BaGGyD.F4y2Ba单个组的小组特定的预测器矢量，对应于单行GyD.F4y2Ba`V.GyD.F4y2Ba` 一个GyD.F4y2BaNGyD.F4y2Ba——- - - - - -GyD.F4y2BaGGyD.F4y2Ba矩阵,GyD.F4y2BaK.GyD.F4y2Bath排GyD.F4y2Ba`vfun.GyD.F4y2Ba`是GyD.F4y2Ba`V.GyD.F4y2Ba`（GyD.F4y2Ba一世GyD.F4y2Ba:)如果GyD.F4y2BaK.GyD.F4y2Ba观察组GyD.F4y2Ba一世GyD.F4y2Ba．GyD.F4y2Ba 如果GyD.F4y2Ba`V.GyD.F4y2Ba`是空的，GyD.F4y2Ba`nlmefitsa.GyD.F4y2Ba`呼叫GyD.F4y2Ba`Modelfun.GyD.F4y2Ba`只有两个输入。GyD.F4y2Ba `Modelfun.GyD.F4y2Ba`返回一个GyD.F4y2BaL.GyD.F4y2Ba-乘1向量的拟合值GyD.F4y2Ba`YFIT.GyD.F4y2Ba`．什么时候GyD.F4y2Ba`披GyD.F4y2Ba`要么GyD.F4y2Ba`vfun.GyD.F4y2Ba`包含单行，这一行对应于其他两个输入参数中的所有行。要提高性能，请使用GyD.F4y2Ba`'矢量化'GyD.F4y2Ba`参数名称/值对（如下所述）如果GyD.F4y2Ba`Modelfun.GyD.F4y2Ba`可以计算GyD.F4y2Ba`YFIT.GyD.F4y2Ba`在一个呼叫中为多个模型参数传染媒介。GyD.F4y2Ba
`BETA0GyD.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`BETA0GyD.F4y2Ba`也可以是GyD.F4y2BaFGyD.F4y2Ba——- - - - - -GyD.F4y2Ba`代表GyD.F4y2Ba`矩阵，估计是重复的GyD.F4y2Ba`代表GyD.F4y2Ba`每列的次数GyD.F4y2Ba`BETA0GyD.F4y2Ba`作为一组初始值。GyD.F4y2Ba

名称值对参数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

`'fecaramsselect'GyD.F4y2Ba`	一个向量，指定模型参数向量的哪些元素GyD.F4y2Ba`披GyD.F4y2Ba`包括固定效果，作为数字矢量，其中1元元素：GyD.F4y2BaP.GyD.F4y2Ba，或作为1-by-GyD.F4y2BaP.GyD.F4y2Ba逻辑向量。该模型将包括GyD.F4y2BaFGyD.F4y2Ba固定效果，在哪里GyD.F4y2BaFGyD.F4y2Ba是指定数量的元素。GyD.F4y2Ba
`'feconstdesign'GyD.F4y2Ba`	一种GyD.F4y2BaP.GyD.F4y2Ba——- - - - - -GyD.F4y2BaFGyD.F4y2Ba设计矩阵GyD.F4y2Ba`动力GyD.F4y2Ba`,在那里GyD.F4y2Ba`动力GyD.F4y2Ba`*GyD.F4y2Ba`betGyD.F4y2Ba`是固定的组件GyD.F4y2BaP.GyD.F4y2Ba要点GyD.F4y2Ba`披GyD.F4y2Ba`．GyD.F4y2Ba
`“FEGroupDesign”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
`'Reparamsselect'GyD.F4y2Ba`	一个向量，指定模型参数向量的哪些元素GyD.F4y2Ba`披GyD.F4y2Ba`包含一个随机效果，作为元素为1的数字向量:GyD.F4y2BaP.GyD.F4y2Ba，或作为1-by-GyD.F4y2BaP.GyD.F4y2Ba逻辑向量。该模型将包括GyD.F4y2BaR.GyD.F4y2Ba随机效应,GyD.F4y2BaR.GyD.F4y2Ba是指定数量的元素。GyD.F4y2Ba
`“REConstDesign”GyD.F4y2Ba`	一种GyD.F4y2BaP.GyD.F4y2Ba——- - - - - -GyD.F4y2BaR.GyD.F4y2Ba设计矩阵GyD.F4y2Ba`BDESIGNGyD.F4y2Ba`,在那里GyD.F4y2Ba`BDESIGNGyD.F4y2Ba`*GyD.F4y2Ba`B.GyD.F4y2Ba`是随机成分吗GyD.F4y2BaP.GyD.F4y2Ba要点GyD.F4y2Ba`披GyD.F4y2Ba`．该矩阵必须由0s和1s组成，每行最多1个。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.F4y2Ba1: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

`“CovPattern”GyD.F4y2Ba`	指定A.GyD.F4y2BaR.GyD.F4y2Ba——- - - - - -GyD.F4y2BaR.GyD.F4y2Ba逻辑或数字矩阵GyD.F4y2Ba`拍GyD.F4y2Ba`定义随机效应协方差矩阵的模式GyD.F4y2Ba`ψGyD.F4y2Ba`．GyD.F4y2Ba`nlmefitsa.GyD.F4y2Ba`计算沿对角线的方差的估计GyD.F4y2Ba`ψGyD.F4y2Ba`以及对应于非零的协方差GyD.F4y2Ba`拍GyD.F4y2Ba`．GyD.F4y2Ba`nlmefitsa.GyD.F4y2Ba`约束其余的协方差，即，那些对应于非对角线零的GyD.F4y2Ba`拍GyD.F4y2Ba`，为零。GyD.F4y2Ba`拍GyD.F4y2Ba`一定是块对角矩阵的行-列排列，然后呢GyD.F4y2Ba`nlmefitsa.GyD.F4y2Ba`添加非零元素GyD.F4y2Ba`拍GyD.F4y2Ba`根据需要来制作这样的图案。的默认值GyD.F4y2Ba`拍GyD.F4y2Ba`是GyD.F4y2Ba`眼睛(右)GyD.F4y2Ba`，对应于不相关的随机效应。GyD.F4y2Ba 或者，指定GyD.F4y2Ba`拍GyD.F4y2Ba`1,GyD.F4y2BaR.GyD.F4y2Ba包含值为1的向量:GyD.F4y2BaR.GyD.F4y2Ba．在这种情况下，元素GyD.F4y2Ba`拍GyD.F4y2Ba`具有相同的值定义随机效果组，GyD.F4y2Ba`nlmefitsa.GyD.F4y2Ba`仅在一组内估计协方差，并限制跨组的协方差为零。GyD.F4y2Ba
`“Cov0”GyD.F4y2Ba`	协方差矩阵的初始值GyD.F4y2Ba`ψGyD.F4y2Ba`．必须是AN.GyD.F4y2BaR.GyD.F4y2Ba——- - - - - -GyD.F4y2BaR.GyD.F4y2Ba正定的矩阵。如果为空，则默认值取决于值GyD.F4y2Ba`BETA0GyD.F4y2Ba`．GyD.F4y2Ba
`“ComputeStdErrors”GyD.F4y2Ba`	`真的GyD.F4y2Ba`计算系数估计的标准误差并将其存储在输出中GyD.F4y2Ba`统计GyD.F4y2Ba`结构，或者GyD.F4y2Ba`错误的GyD.F4y2Ba`(默认)省略此计算。GyD.F4y2Ba
`'errormodel'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`“不变”GyD.F4y2Ba`．每个模型使用标准正态(高斯)变量定义误差GyD.F4y2BaE.GyD.F4y2Ba，函数值GyD.F4y2BaFGyD.F4y2Ba，以及一个或两个参数GyD.F4y2Ba一种GyD.F4y2Ba和GyD.F4y2BaB.GyD.F4y2Ba．的选择是GyD.F4y2Ba `“不变”GyD.F4y2Ba`-GyD.F4y2BayGyD.F4y2Ba=GyD.F4y2BaFGyD.F4y2Ba+GyD.F4y2Ba一种GyD.F4y2BaGyD.F4y2BaE.GyD.F4y2Ba `'成比例的'GyD.F4y2Ba`-GyD.F4y2BayGyD.F4y2Ba=GyD.F4y2BaFGyD.F4y2Ba+GyD.F4y2BaB.GyD.F4y2BaGyD.F4y2BaFGyD.F4y2BaGyD.F4y2BaE.GyD.F4y2Ba `“组合”GyD.F4y2Ba`-GyD.F4y2BayGyD.F4y2Ba=GyD.F4y2BaFGyD.F4y2Ba+（GyD.F4y2Ba一种GyD.F4y2Ba+GyD.F4y2BaB.GyD.F4y2BaGyD.F4y2BaFGyD.F4y2Ba）GyD.F4y2BaE.GyD.F4y2Ba `“指数”GyD.F4y2Ba`-GyD.F4y2BayGyD.F4y2Ba=GyD.F4y2BaFGyD.F4y2Ba exp (GyD.F4y2Ba一种GyD.F4y2BaGyD.F4y2BaE.GyD.F4y2Ba）GyD.F4y2Ba，或等效GyD.F4y2Ba日志（GyD.F4y2BayGyD.F4y2Ba) =日志(GyD.F4y2BaFGyD.F4y2Ba）+GyD.F4y2Ba一种GyD.F4y2BaGyD.F4y2BaE.GyD.F4y2Ba 如果给出此参数，则输出GyD.F4y2Ba`stats.ErrorParam.GyD.F4y2Ba`字段的值为GyD.F4y2Ba 一种GyD.F4y2Ba为了GyD.F4y2Ba`“不变”GyD.F4y2Ba`和GyD.F4y2Ba`“指数”GyD.F4y2Ba` B.GyD.F4y2Ba为了GyD.F4y2Ba`'成比例的'GyD.F4y2Ba` [GyD.F4y2Ba一种GyD.F4y2BaB.GyD.F4y2Ba]GyD.F4y2Ba`“组合”GyD.F4y2Ba`
`“ErrorParameters”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`errormodel.GyD.F4y2Ba`参数。GyD.F4y2Ba
`'loglikmethod'GyD.F4y2Ba`	指定近似对数似然的方法。的选择是:GyD.F4y2Ba `“是”GyD.F4y2Ba`- 重要的抽样GyD.F4y2Ba `“gq”GyD.F4y2Ba`- 高斯正交GyD.F4y2Ba `'林'GyD.F4y2Ba`——线性化GyD.F4y2Ba `'没有任何'GyD.F4y2Ba`-省略对数似然近似(默认)GyD.F4y2Ba
`“NBurnIn”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
`'nchains'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
`“NIterations”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 模拟退火GyD.F4y2Ba 完整的步骤GyD.F4y2Ba 减少步长GyD.F4y2Ba 默认为GyD.F4y2Ba`[150 150 100]GyD.F4y2Ba`．标量以与默认值相同的比例分布在三个阶段上。GyD.F4y2Ba
`'nmcmcitions'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 完整的多变量更新GyD.F4y2Ba 单个坐标更新GyD.F4y2Ba 多个坐标更新GyD.F4y2Ba 默认为GyD.F4y2Ba`[2 2 2]GyD.F4y2Ba`．标量值被视为三元素向量，其中所有元素等于标量。GyD.F4y2Ba
`'Optimfun'GyD.F4y2Ba`	任何一个GyD.F4y2Ba`'fminsearch'GyD.F4y2Ba`要么GyD.F4y2Ba`“fminunc”GyD.F4y2Ba`，指定在评估过程中使用的优化函数。默认为GyD.F4y2Ba`'fminsearch'GyD.F4y2Ba`．用于GyD.F4y2Ba`“fminunc”GyD.F4y2Ba`需要优化工具箱™。GyD.F4y2Ba
`“选项”GyD.F4y2Ba`	通过呼叫创建的结构GyD.F4y2Ba`statsetGyD.F4y2Ba`．GyD.F4y2Ba`nlmefitsa.GyD.F4y2Ba`使用以下GyD.F4y2Ba`statsetGyD.F4y2Ba`参数：GyD.F4y2Ba `'erivstep'GyD.F4y2Ba`- 有限差分梯度计算中使用的相对差异。可以是标量，或长度是模型参数的数量的矢量GyD.F4y2BaP.GyD.F4y2Ba．默认值是GyD.F4y2Ba`EPS ^（1/3）GyD.F4y2Ba`．GyD.F4y2Ba `显示GyD.F4y2Ba`- 估计期间的显示水平。GyD.F4y2Ba `“关闭”GyD.F4y2Ba`（默认） - 无显示信息GyD.F4y2Ba `“最后一次”GyD.F4y2Ba`- 在估计算法的最终迭代后显示信息GyD.F4y2Ba `'iter'GyD.F4y2Ba`- 显示每次迭代的信息GyD.F4y2Ba `FunValCheckGyD.F4y2Ba` `'在'GyD.F4y2Ba`（默认） - 检查无效值（例如GyD.F4y2Ba`南GyD.F4y2Ba`要么GyD.F4y2Ba`正GyD.F4y2Ba`)GyD.F4y2Ba`Modelfun.GyD.F4y2Ba` `“关闭”GyD.F4y2Ba`- 跳过此检查GyD.F4y2Ba `OutputFcnGyD.F4y2Ba`使用指定的函数句柄GyD.F4y2Ba`@GyD.F4y2Ba`，带有函数句柄的单元格数组或空数组。GyD.F4y2Ba`nlmefitsa.GyD.F4y2Ba`每次迭代后调用所有输出函数。看到GyD.F4y2Ba`nlmefitoutputfcn.mGyD.F4y2Ba`（默认输出函数GyD.F4y2Ba`nlmefitsa.GyD.F4y2Ba`)作为输出函数的示例。GyD.F4y2Ba
`“ParamTransform”GyD.F4y2Ba`	一个向量的GyD.F4y2BaP.GyD.F4y2Ba- 指定转换函数的值GyD.F4y2Ba`f ()GyD.F4y2Ba`每个人GyD.F4y2BaP.GyD.F4y2Ba参数：GyD.F4y2Ba XB = adesign * beta + bdesign * b phi = f（xb）GyD.F4y2Ba 矢量的每个元素必须是以下整数代码之一，指定相应值的变换GyD.F4y2Ba`披GyD.F4y2Ba`：GyD.F4y2Ba 0：GyD.F4y2Ba`φ= XBGyD.F4y2Ba`(默认为所有参数)GyD.F4y2Ba 1：GyD.F4y2Ba`log（phi）= xbGyD.F4y2Ba` 2：GyD.F4y2Ba`概率（phi）= xbGyD.F4y2Ba` 3：GyD.F4y2Ba`分对数(φ)= XBGyD.F4y2Ba`
`“复制”GyD.F4y2Ba`	数字GyD.F4y2Ba`代表GyD.F4y2Ba`从向量中的起始值开始执行的估计GyD.F4y2Ba`BETA0GyD.F4y2Ba`．如果GyD.F4y2Ba`BETA0GyD.F4y2Ba`是一个矩阵，GyD.F4y2Ba`代表GyD.F4y2Ba`必须匹配列的数量GyD.F4y2Ba`BETA0GyD.F4y2Ba`．中的列数是默认值GyD.F4y2Ba`BETA0GyD.F4y2Ba`．GyD.F4y2Ba
`'矢量化'GyD.F4y2Ba`	确定可能的尺寸GyD.F4y2Ba`披GyD.F4y2Ba`那GyD.F4y2Ba`XFUNGyD.F4y2Ba`，和GyD.F4y2Ba`vfun.GyD.F4y2Ba`输入参数到GyD.F4y2Ba`Modelfun.GyD.F4y2Ba`．可能的值是：GyD.F4y2Ba `'ingphi'GyD.F4y2Ba`-GyD.F4y2Ba`Modelfun.GyD.F4y2Ba`是一个函数(如ODE求解器)只能计算GyD.F4y2Ba`YFIT.GyD.F4y2Ba`对于一次的一组模型参数，即，GyD.F4y2Ba`披GyD.F4y2Ba`每次调用必须是一个单行向量。GyD.F4y2Ba`nlmefitsa.GyD.F4y2Ba`呼叫GyD.F4y2Ba`Modelfun.GyD.F4y2Ba`如果需要使用单个循环GyD.F4y2Ba`披GyD.F4y2Ba`向量和GyD.F4y2Ba`XFUNGyD.F4y2Ba`每次包含单个观察或组的行。GyD.F4y2Ba`vfun.GyD.F4y2Ba`可能是一个适用于所有行的一行GyD.F4y2Ba`XFUNGyD.F4y2Ba`，或者一个行与行对应的矩阵GyD.F4y2Ba`XFUNGyD.F4y2Ba`．GyD.F4y2Ba `“SingleGroup”GyD.F4y2Ba`-GyD.F4y2Ba`Modelfun.GyD.F4y2Ba`只能接受与数据中单个组对应的输入，即:GyD.F4y2Ba`XFUNGyD.F4y2Ba`必须包含GyD.F4y2Ba`XGyD.F4y2Ba`从每个呼叫的单个组。根据模型，GyD.F4y2Ba`披GyD.F4y2Ba`是一个适用于整个组的单行，或者是一个矩阵，每个观察都有一行。GyD.F4y2Ba`vfun.GyD.F4y2Ba`是单行。GyD.F4y2Ba `'满的'GyD.F4y2Ba`-GyD.F4y2Ba`Modelfun.GyD.F4y2Ba`可以接受多个参数向量和数据中的多个组的输入。任何一个GyD.F4y2Ba`披GyD.F4y2Ba`要么GyD.F4y2Ba`vfun.GyD.F4y2Ba`可能是一个适用于所有行的一行GyD.F4y2Ba`XFUNGyD.F4y2Ba`，或者一个行与行对应的矩阵GyD.F4y2Ba`XFUNGyD.F4y2Ba`．使用此选项可以通过减少调用的次数来提高性能GyD.F4y2Ba`Modelfun.GyD.F4y2Ba`，但可能需要GyD.F4y2Ba`Modelfun.GyD.F4y2Ba`执行单例扩张GyD.F4y2Ba`披GyD.F4y2Ba`要么GyD.F4y2Ba`V.GyD.F4y2Ba`．GyD.F4y2Ba 的默认值GyD.F4y2Ba`'矢量化'GyD.F4y2Ba`是GyD.F4y2Ba`'ingphi'GyD.F4y2Ba`．在所有情况下，如果GyD.F4y2Ba`V.GyD.F4y2Ba`是空的，GyD.F4y2Ba`nlmefitsa.GyD.F4y2Ba`呼叫GyD.F4y2Ba`Modelfun.GyD.F4y2Ba`只有两个输入。GyD.F4y2Ba

输出参数GyD.F4y2Ba

betGyD.F4y2Ba

对固定效应的估计GyD.F4y2Ba

ψGyD.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

统计GyD.F4y2Ba

具有以下字段的结构：GyD.F4y2Ba

logl.GyD.F4y2Ba- 拟合模型的最大化的Loglikelihie;如果是空的GyD.F4y2Baloglikmethod.GyD.F4y2Ba参数具有其默认值GyD.F4y2Ba'没有任何'GyD.F4y2Ba
RMSE.GyD.F4y2Ba- 估计误差方差的平方根（在日志比例上计算GyD.F4y2Ba指数GyD.F4y2Ba误差模型)GyD.F4y2Ba
errerParam.GyD.F4y2Ba-误差方差模型的估计参数GyD.F4y2Ba
AIC.GyD.F4y2Ba- akaike信息标准（空的ifGyD.F4y2Balogl.GyD.F4y2Ba为空)，计算为GyD.F4y2BaAIC.GyD.F4y2Ba= -2 *GyD.F4y2Balogl.GyD.F4y2Ba+ 2 *GyD.F4y2BanumParamGyD.F4y2Ba,在那里GyD.F4y2Ba
- logl.GyD.F4y2Ba是最大化的loglikelihie。GyD.F4y2Ba
- numParamGyD.F4y2Ba是拟合参数的数量，包括随机效应的协方差矩阵的自由度，固定效果的数量和误差模型的参数数量。GyD.F4y2Ba
BIC.GyD.F4y2Ba- 贝叶斯信息标准（空GyD.F4y2Balogl.GyD.F4y2Ba为空)，计算为GyD.F4y2BaBIC.GyD.F4y2Ba= 2 *GyD.F4y2Balogl.GyD.F4y2Ba+日志(GyD.F4y2BamGyD.F4y2Ba）*GyD.F4y2BanumParamGyD.F4y2Ba
- mGyD.F4y2Ba是群体的数量。GyD.F4y2Ba
- logl.GyD.F4y2Ba和GyD.F4y2BanumParamGyD.F4y2Ba被定义为GyD.F4y2BaAIC.GyD.F4y2Ba．GyD.F4y2Ba
注意，一些文献表明计算的GyD.F4y2BaBIC.GyD.F4y2Ba应该，GyD.F4y2BaBIC.GyD.F4y2Ba= 2 *GyD.F4y2Balogl.GyD.F4y2Ba+日志(GyD.F4y2BaNGyD.F4y2Ba）*GyD.F4y2BanumParamGyD.F4y2Ba,在那里GyD.F4y2BaNGyD.F4y2Ba为观察次数。要调整输出的值，可以重新定义GyD.F4y2BaBIC.GyD.F4y2Ba如下:GyD.F4y2BaBIC.GyD.F4y2Ba=GyD.F4y2BaBIC.GyD.F4y2Ba-GyD.F4y2Banumel.GyD.F4y2Ba（GyD.F4y2Ba独特的GyD.F4y2Ba（GyD.F4y2Ba集团GyD.F4y2Ba））+GyD.F4y2Banumel.GyD.F4y2Ba（GyD.F4y2BayGyD.F4y2Ba）GyD.F4y2Ba
sebetaGyD.F4y2Ba- 测试版的标准错误（如果是空GyD.F4y2BaComputeStdErrorsGyD.F4y2Ba参数具有错误的默认值）GyD.F4y2Ba
Covb.GyD.F4y2Ba- 参数估计的估计协方差（空GyD.F4y2BaComputeStdErrorsGyD.F4y2Ba是假的）GyD.F4y2Ba
DFE.GyD.F4y2Ba- 误差自由度GyD.F4y2Ba
presGyD.F4y2Ba- 人口残差GyD.F4y2Ba(y-y_population)GyD.F4y2Ba,在那里GyD.F4y2Bay_population.GyD.F4y2Ba是人口预测值GyD.F4y2Ba
忿怒GyD.F4y2Ba- 人口残差GyD.F4y2Ba(y-y_population)GyD.F4y2Ba,在那里GyD.F4y2Bay_population.GyD.F4y2Ba是个人预测值GyD.F4y2Ba
压水式反应堆GyD.F4y2Ba- 人口加权残留GyD.F4y2Ba
cwres.GyD.F4y2Ba- 条件加权残差GyD.F4y2Ba
iwres.GyD.F4y2Ba- 个别加权残差GyD.F4y2Ba

例子GyD.F4y2Ba

全部收缩GyD.F4y2Ba

随机EM算法的非线性混合效应模型GyD.F4y2Ba

打开脚本GyD.F4y2Ba

加载样本数据。GyD.F4y2Ba

加载GyD.F4y2Ba吲哚美辛GyD.F4y2Ba

将六个受试者血液中的药物吲哚美辛浓度的数据适合模型，超过八个小时。GyD.F4y2Ba

模型= @(φ,t)(φ(:1)。* exp(φ(:,2)。* t) +φ(:,3)。* exp(φ(:,4)。* t));Phi0 = [1 1 1 1];Xform = [0 1 0 1];GyD.F4y2Ba% log变换为第二和第四个参数GyD.F4y2Baβ，psi，stats，br] = nlmefitsa（时间，浓度，GyD.F4y2Ba．..GyD.F4y2Ba主题、[]、模型、phi0GyD.F4y2Ba“ParamTransform”GyD.F4y2Baxform)GyD.F4y2Ba

β= 0.8563 -0.7950 2.7744 0.0220 1.0772 PSI = 0.0529 0 0 0 0 0 0 0 0 0 0 0 0 0.4762 0.0120统计=结构体字段:logl:另类投资会议:[][]bic: [] sebeta: [] dfe: 57 covb: [] errorparam: 0.0809 rmse: 0.0775 ires: x1双[66]总统:x1双[66]本方案:x1双[66]压水式反应堆:x1双[66]轨:[66x1 double] br = -0.2255 0.0063 0.1600 0.1773 -0.3269 0.1157 0.0350 -0.1384 0.0058 0.0431 0.0093 -0.0453 -0.7557 -0.0550 0.8736 -0.7875 0.5304 0.1727 -0.0010 -0.0198 0.0137 -0.0757 0.0478 -0.0076GyD.F4y2Ba

绘制数据以及整体人口适合GyD.F4y2Ba

clfφ=[β(1),exp(β(2)),β(3),exp(β(4)));h = gscatter(时间、浓度、主题);包含(GyD.F4y2Ba'时间（小时）'GyD.F4y2Ba）ylabel（GyD.F4y2Ba的浓度(微克/毫升)GyD.F4y2Ba)标题(GyD.F4y2Ba“{\ bf消炎痛消除}”GyD.F4y2Ba) xx = linspace(0,8);线(xx模型(φ,xx),GyD.F4y2Ba“线宽”GyD.F4y2Ba2,GyD.F4y2Ba“颜色”GyD.F4y2Ba那GyD.F4y2Ba“k”GyD.F4y2Ba）GyD.F4y2Ba

绘制基于随机效应估计的单个曲线。GyD.F4y2Ba

为了GyD.F4y2Baj = 1:6什么稀罕=[β(1)+ br (j), exp(β(2)+ br (j)),GyD.F4y2Ba．..GyD.F4y2Baβ（3）+ Br（3，J），Exp（β（4）+ Br（4，J））];线（xx，型号（phir，xx），GyD.F4y2Ba“颜色”GyD.F4y2Ba，得到（h（j），GyD.F4y2Ba“颜色”GyD.F4y2Ba）））GyD.F4y2Ba结尾GyD.F4y2Ba

算法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

$P.GyD.F4y2Ba （GyD.F4y2Ba yGyD.F4y2Ba |GyD.F4y2Ba βGyD.F4y2Ba 那GyD.F4y2Ba {σGyD.F4y2Ba}^{2GyD.F4y2Ba} 那GyD.F4y2Ba ΣGyD.F4y2Ba ）GyD.F4y2Ba =GyD.F4y2Ba \intGyD.F4y2Ba P.GyD.F4y2Ba （GyD.F4y2Ba yGyD.F4y2Ba |GyD.F4y2Ba βGyD.F4y2Ba 那GyD.F4y2Ba B.GyD.F4y2Ba 那GyD.F4y2Ba {σGyD.F4y2Ba}^{2GyD.F4y2Ba} ）GyD.F4y2Ba P.GyD.F4y2Ba （GyD.F4y2Ba B.GyD.F4y2Ba |GyD.F4y2Ba ΣGyD.F4y2Ba ）GyD.F4y2Ba D.GyD.F4y2Ba B.GyD.F4y2Ba$

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.F4y2Ba^2GyD.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