非线性回归- MATLAB & Simulink - MathW金宝apporks日本gydF4y2Ba - 金宝app,下载188bet金宝搏,金宝搏官方网站

非线性回归gydF4y2Ba

什么是非线性回归?gydF4y2Ba

回归模型的目的是将响应变量描述为自变量的函数。多元线性回归模型将响应描述为自变量系数和函数的线性组合。非线性可以用自变量的非线性函数来建模。然而，系数总是以线性方式进入模型。gydF4y2Ba

非线性回归模型是响应与自变量之间非线性关系的更为机械的模型。参数可以作为指数函数、三角函数、幂函数或任何其他非线性函数进入模型。模型中的未知参数通过最小化统计标准来估计，如负对数似然或观测值与预测值之间的偏差平方和。gydF4y2Ba

在药代动力学(PK)研究中，反应数据通常代表一些测量到的药物浓度，自变量通常是剂量和时间。通常用于此类数据的非线性函数是指数函数，因为许多药物一旦分配到患者体内，就会以指数方式消除。在这种情况下，要估计的一个PK参数是给定浓度-时间数据的药物从体内消除的速率。gydF4y2Ba

例如，考虑单个个体静脉注射后在不同时间点测量的药物血浆浓度数据，其中有一些误差。假设测得的药物浓度呈单指数下降:gydF4y2Ba ${CgydF4y2Ba}_{tgydF4y2Ba} ＝gydF4y2Ba {CgydF4y2Ba}_{0gydF4y2Ba} {egydF4y2Ba}^{-gydF4y2Ba {kgydF4y2Ba}_{egydF4y2Ba} tgydF4y2Ba} +gydF4y2Ba 一个gydF4y2Ba εgydF4y2Ba$ ．gydF4y2Ba

该模型描述了药物在体内浓度的时间过程(gydF4y2BaCgydF4y2Ba_tgydF4y2Ba)，作为t = 0时静脉注射后药物浓度的函数(gydF4y2BaCgydF4y2Ba_0gydF4y2Ba)，时间(gydF4y2BatgydF4y2Ba)和消去率参数(gydF4y2BakgydF4y2Ba_egydF4y2Ba)．gydF4y2BaεgydF4y2Ba为均值- 0和单位-方差变量，即，gydF4y2Ba $εgydF4y2Ba \simgydF4y2Ba NgydF4y2Ba （gydF4y2Ba 0gydF4y2Ba ，gydF4y2Ba 1gydF4y2Ba ）gydF4y2Ba$ 表示测量误差和gydF4y2Ba一个gydF4y2Ba是误差模型参数(这里是标准差)。gydF4y2Ba

更一般地，您可以将模型写成gydF4y2Ba

${ygydF4y2Ba}_{我gydF4y2Ba} ＝gydF4y2Ba fgydF4y2Ba （gydF4y2Ba tgydF4y2Ba ；gydF4y2Ba pgydF4y2Ba ）gydF4y2Ba +gydF4y2Ba ggydF4y2Ba （gydF4y2Ba {εgydF4y2Ba}_{我gydF4y2Ba} ）gydF4y2Ba$

在哪里gydF4y2BaygydF4y2Ba_我gydF4y2Ba是gydF4y2Ba我gydF4y2Ba反应(如药物浓度)，gydF4y2BafgydF4y2Ba是时间的函数吗gydF4y2BatgydF4y2Ba和模型参数gydF4y2BapgydF4y2Ba(如gydF4y2BakgydF4y2Ba_egydF4y2Ba)，以及误差模型gydF4y2Ba $ggydF4y2Ba （gydF4y2Ba {εgydF4y2Ba}_{我gydF4y2Ba} ）gydF4y2Ba$ ．gydF4y2Ba

拟合SimBiology中的选项gydF4y2Ba

下表总结了SimBiology中可用的非线性回归选项gydF4y2Ba^®gydF4y2Ba．gydF4y2Ba

合适的选项gydF4y2Ba

例子gydF4y2Ba

个体参数估计(未合并拟合)gydF4y2Ba

分别拟合每个个体，得到每个个体的一组参数估计值。gydF4y2Ba

特定于类别或组的参数估计gydF4y2Ba

分别拟合每个类别或组，得到每个类别的一组参数估计。gydF4y2Ba

全群体参数估计(合并拟合)gydF4y2Ba

将所有数据组合在一起，只得到一组参数估计值。gydF4y2Ba

此外，SimBiology支持四种测量或观察到的金宝app响应误差模型，即常量(默认值)、比例、组合和指数。详细信息请参见gydF4y2Ba误差模型gydF4y2Ba．根据优化方法的不同，您可以为每个响应或所有响应指定错误模型。详细信息请参见gydF4y2Ba金宝appSimBiology中支持的参数估计方法gydF4y2Ba．gydF4y2Ba

参数转换gydF4y2Ba

SimBiology支金宝app持三种参数转换。这些参数转换可用于提高拟合收敛性或强制参数边界。gydF4y2Ba

解释了一般模型gydF4y2Ba以前gydF4y2Ba是gydF4y2Ba ${ygydF4y2Ba}_{我gydF4y2Ba} ＝gydF4y2Ba fgydF4y2Ba （gydF4y2Ba tgydF4y2Ba ；gydF4y2Ba pgydF4y2Ba ）gydF4y2Ba +gydF4y2Ba ggydF4y2Ba （gydF4y2Ba {εgydF4y2Ba}_{我gydF4y2Ba} ）gydF4y2Ba$ ,在那里gydF4y2BapgydF4y2Ba可以转换的模型参数。考虑下面两个方程。gydF4y2Ba

$βgydF4y2Ba ＝gydF4y2Ba TgydF4y2Ba （gydF4y2Ba pgydF4y2Ba ）gydF4y2Ba$

$pgydF4y2Ba ＝gydF4y2Ba {TgydF4y2Ba}^{-gydF4y2Ba 1gydF4y2Ba} （gydF4y2Ba βgydF4y2Ba ）gydF4y2Ba$

在这里,gydF4y2Ba $βgydF4y2Ba$ 代表gydF4y2Ba改变了gydF4y2Ba模型参数,gydF4y2BapgydF4y2Ba代表gydF4y2BauntransformedgydF4y2Ba模型参数,gydF4y2BaTgydF4y2Ba这个变换，和gydF4y2BaTgydF4y2Ba^{－1gydF4y2Ba}是逆变换。gydF4y2Ba

SimBiology使用转换后的参数执行参数估计gydF4y2BaβgydF4y2Ba，这意味着转换后的模型gydF4y2Ba $FgydF4y2Ba （gydF4y2Ba tgydF4y2Ba ；gydF4y2Ba βgydF4y2Ba ）gydF4y2Ba ＝gydF4y2Ba fgydF4y2Ba （gydF4y2Ba tgydF4y2Ba ；gydF4y2Ba {TgydF4y2Ba}^{-gydF4y2Ba 1gydF4y2Ba} （gydF4y2Ba βgydF4y2Ba ）gydF4y2Ba ）gydF4y2Ba$ 使用，其中gydF4y2BaFgydF4y2Ba使用转换后的参数的模型函数。等效地，模型函数可以重写为gydF4y2Ba $fgydF4y2Ba （gydF4y2Ba tgydF4y2Ba ；gydF4y2Ba pgydF4y2Ba ）gydF4y2Ba ＝gydF4y2Ba FgydF4y2Ba （gydF4y2Ba tgydF4y2Ba ；gydF4y2Ba TgydF4y2Ba （gydF4y2Ba pgydF4y2Ba ）gydF4y2Ba ）gydF4y2Ba$ ．gydF4y2Ba

换句话说，SimBiology优化器使用gydF4y2Ba改变了gydF4y2Ba最大似然估计期间的值，但报告的拟合结果将返回到模型空间(gydF4y2BauntransformedgydF4y2Ba值)。例如，如果您正在估计一个间隙参数gydF4y2BaClgydF4y2Ba这是对数变换gydF4y2BaClgydF4y2Ba_βgydF4y2Ba＝gydF4y2Ba日志gydF4y2Ba（gydF4y2BaClgydF4y2Ba),gydF4y2BaClgydF4y2Ba_βgydF4y2Ba优化器使用什么和gydF4y2BaClgydF4y2Ba是模型所看到的。gydF4y2Ba

指定参数转换会对未转换的参数值施加隐式界限。的gydF4y2Ba日志gydF4y2Ba变换使参数值始终为正，而gydF4y2Ba分对数gydF4y2Ba而且gydF4y2BaprobitgydF4y2Ba转换将参数值保留为betweengydF4y2Ba0gydF4y2Ba而且gydF4y2Ba1gydF4y2Ba．或者，您可以通过为未转换的参数提供显式的边界来为参数值指定进一步的约束gydF4y2BapgydF4y2Ba或者变换后的参数gydF4y2BaβgydF4y2Ba．gydF4y2Ba

转换gydF4y2Ba 转换的参数和范围†gydF4y2Ba 未转换参数和量程‡gydF4y2Ba 描述gydF4y2Ba

转换gydF4y2Ba	转换的参数和范围†gydF4y2Ba	未转换参数和量程‡gydF4y2Ba	描述gydF4y2Ba
`日志gydF4y2Ba`	$βgydF4y2Ba ＝gydF4y2Ba 日志gydF4y2Ba （gydF4y2Ba pgydF4y2Ba ）gydF4y2Ba \ingydF4y2Ba ［gydF4y2Ba -gydF4y2Ba 我gydF4y2Ba ngydF4y2Ba fgydF4y2Ba ，gydF4y2Ba 我gydF4y2Ba ngydF4y2Ba fgydF4y2Ba ］gydF4y2Ba$	$pgydF4y2Ba ＝gydF4y2Ba 经验值gydF4y2Ba （gydF4y2Ba βgydF4y2Ba ）gydF4y2Ba \ingydF4y2Ba ［gydF4y2Ba 0gydF4y2Ba ，gydF4y2Ba 我gydF4y2Ba ngydF4y2Ba fgydF4y2Ba ］gydF4y2Ba$	在许多情况下，gydF4y2Ba`日志gydF4y2Ba`变换对于一些参数很有用，比如速率常数，其值可能跨越几个数量级，可以为这些参数探索参数空间。的gydF4y2Ba`日志gydF4y2Ba`变换也可用于正物理量，如间隙或隔间体积。gydF4y2Ba 应用gydF4y2Ba`日志gydF4y2Ba`转换对未转换的参数施加隐式约束，使其值始终为正。gydF4y2Ba
`分对数gydF4y2Ba`	$βgydF4y2Ba ＝gydF4y2Ba Logit (p) = loggydF4y2Ba （gydF4y2Ba \frac{pgydF4y2Ba}{1gydF4y2Ba -gydF4y2Ba pgydF4y2Ba} ）gydF4y2Ba \ingydF4y2Ba ［gydF4y2Ba -gydF4y2Ba 我gydF4y2Ba ngydF4y2Ba fgydF4y2Ba ，gydF4y2Ba 我gydF4y2Ba ngydF4y2Ba fgydF4y2Ba ］gydF4y2Ba$	$pgydF4y2Ba ＝gydF4y2Ba 1gydF4y2Ba /gydF4y2Ba （gydF4y2Ba 1gydF4y2Ba +gydF4y2Ba 经验值gydF4y2Ba （gydF4y2Ba -gydF4y2Ba βgydF4y2Ba ）gydF4y2Ba ）gydF4y2Ba \ingydF4y2Ba ［gydF4y2Ba 0gydF4y2Ba ，gydF4y2Ba 1gydF4y2Ba ］gydF4y2Ba$	的gydF4y2Ba`分对数gydF4y2Ba`转换施加了一个隐式的界限(介于gydF4y2Ba`0gydF4y2Ba`而且gydF4y2Ba`1gydF4y2Ba`)在未转换的参数值上。它对于值仅为之间的参数很有用gydF4y2Ba`0gydF4y2Ba`而且gydF4y2Ba`1gydF4y2Ba`，例如生物利用度。或者，您可以指定参数边界(使用gydF4y2Ba`EstimatedInfo对象gydF4y2Ba`)而不是指定gydF4y2Ba`分对数gydF4y2Ba`转换。gydF4y2Ba
`probitgydF4y2Ba`	$βgydF4y2Ba ＝gydF4y2Ba norminvgydF4y2Ba （gydF4y2Ba pgydF4y2Ba ）gydF4y2Ba \ingydF4y2Ba ［gydF4y2Ba -gydF4y2Ba 我gydF4y2Ba ngydF4y2Ba fgydF4y2Ba ，gydF4y2Ba 我gydF4y2Ba ngydF4y2Ba fgydF4y2Ba ］gydF4y2Ba$	$pgydF4y2Ba ＝gydF4y2Ba normcdfgydF4y2Ba （gydF4y2Ba βgydF4y2Ba ）gydF4y2Ba \ingydF4y2Ba ［gydF4y2Ba 0gydF4y2Ba ，gydF4y2Ba 1gydF4y2Ba ］gydF4y2Ba$	类似于gydF4y2Ba`分对数gydF4y2Ba`,gydF4y2Ba`probitgydF4y2Ba`转换施加了一个隐式的界限(介于gydF4y2Ba`0gydF4y2Ba`而且gydF4y2Ba`1gydF4y2Ba`)在未转换的参数值上。SimBiology使用正态逆累积分布函数gydF4y2Ba`norminvgydF4y2Ba`(统计和机器学习工具箱)gydF4y2Ba．gydF4y2Ba 的gydF4y2Ba`probitgydF4y2Ba`转换需要统计和机器学习工具箱™。gydF4y2Ba

日志gydF4y2Ba

βgydF4y2Ba ＝gydF4y2Ba 日志gydF4y2Ba （gydF4y2Ba pgydF4y2Ba ）gydF4y2Ba \ingydF4y2Ba ［gydF4y2Ba -gydF4y2Ba 我gydF4y2Ba ngydF4y2Ba fgydF4y2Ba ，gydF4y2Ba 我gydF4y2Ba ngydF4y2Ba fgydF4y2Ba ］gydF4y2Ba

pgydF4y2Ba ＝gydF4y2Ba 经验值gydF4y2Ba （gydF4y2Ba βgydF4y2Ba ）gydF4y2Ba \ingydF4y2Ba ［gydF4y2Ba 0gydF4y2Ba ，gydF4y2Ba 我gydF4y2Ba ngydF4y2Ba fgydF4y2Ba ］gydF4y2Ba

在许多情况下，gydF4y2Ba日志gydF4y2Ba变换对于一些参数很有用，比如速率常数，其值可能跨越几个数量级，可以为这些参数探索参数空间。的gydF4y2Ba日志gydF4y2Ba变换也可用于正物理量，如间隙或隔间体积。gydF4y2Ba

应用gydF4y2Ba日志gydF4y2Ba转换对未转换的参数施加隐式约束，使其值始终为正。gydF4y2Ba

分对数gydF4y2Ba

βgydF4y2Ba ＝gydF4y2Ba Logit (p) = loggydF4y2Ba （gydF4y2Ba \frac{pgydF4y2Ba}{1gydF4y2Ba -gydF4y2Ba pgydF4y2Ba} ）gydF4y2Ba \ingydF4y2Ba ［gydF4y2Ba -gydF4y2Ba 我gydF4y2Ba ngydF4y2Ba fgydF4y2Ba ，gydF4y2Ba 我gydF4y2Ba ngydF4y2Ba fgydF4y2Ba ］gydF4y2Ba

pgydF4y2Ba ＝gydF4y2Ba 1gydF4y2Ba /gydF4y2Ba （gydF4y2Ba 1gydF4y2Ba +gydF4y2Ba 经验值gydF4y2Ba （gydF4y2Ba -gydF4y2Ba βgydF4y2Ba ）gydF4y2Ba ）gydF4y2Ba \ingydF4y2Ba ［gydF4y2Ba 0gydF4y2Ba ，gydF4y2Ba 1gydF4y2Ba ］gydF4y2Ba

的gydF4y2Ba分对数gydF4y2Ba转换施加了一个隐式的界限(介于gydF4y2Ba0gydF4y2Ba而且gydF4y2Ba1gydF4y2Ba)在未转换的参数值上。它对于值仅为之间的参数很有用gydF4y2Ba0gydF4y2Ba而且gydF4y2Ba1gydF4y2Ba，例如生物利用度。或者，您可以指定参数边界(使用gydF4y2BaEstimatedInfo对象gydF4y2Ba)而不是指定gydF4y2Ba分对数gydF4y2Ba转换。gydF4y2Ba

probitgydF4y2Ba

βgydF4y2Ba ＝gydF4y2Ba norminvgydF4y2Ba （gydF4y2Ba pgydF4y2Ba ）gydF4y2Ba \ingydF4y2Ba ［gydF4y2Ba -gydF4y2Ba 我gydF4y2Ba ngydF4y2Ba fgydF4y2Ba ，gydF4y2Ba 我gydF4y2Ba ngydF4y2Ba fgydF4y2Ba ］gydF4y2Ba

pgydF4y2Ba ＝gydF4y2Ba normcdfgydF4y2Ba （gydF4y2Ba βgydF4y2Ba ）gydF4y2Ba \ingydF4y2Ba ［gydF4y2Ba 0gydF4y2Ba ，gydF4y2Ba 1gydF4y2Ba ］gydF4y2Ba

类似于gydF4y2Ba分对数gydF4y2Ba,gydF4y2BaprobitgydF4y2Ba转换施加了一个隐式的界限(介于gydF4y2Ba0gydF4y2Ba而且gydF4y2Ba1gydF4y2Ba)在未转换的参数值上。SimBiology使用正态逆累积分布函数gydF4y2BanorminvgydF4y2Ba(统计和机器学习工具箱)gydF4y2Ba．gydF4y2Ba

的gydF4y2BaprobitgydF4y2Ba转换需要统计和机器学习工具箱™。gydF4y2Ba

†使用gydF4y2BaInitialTransformedValuegydF4y2Ba而且gydF4y2BaTransformedBoundsgydF4y2Ba属性gydF4y2BaEstimatedInfo对象gydF4y2Ba将初始转换值和转换边界设置为范围的所需子集。gydF4y2Ba

‡使用gydF4y2BaInitialValuegydF4y2Ba而且gydF4y2Ba界限gydF4y2Ba属性gydF4y2BaEstimatedInfo对象gydF4y2Ba将未转换的初始值和未转换的边界设置为所需的范围子集。gydF4y2Ba

极大似然估计gydF4y2Ba

SimBiology通过最大似然方法估计参数。而不是直接最大化似然函数，SimBiology构造了一个等效的最小化问题。只要可能，估计是用加权最小二乘(gydF4y2BaWLSgydF4y2Ba)使加权残差平方和最小的优化。否则，估计公式为似然对数的负数的最小值(gydF4y2Ba附近gydF4y2Ba)．的gydF4y2BaWLSgydF4y2Ba公式通常比公式收敛得更好gydF4y2Ba附近gydF4y2Ba配方，SimBiology可以利用专业化的优势gydF4y2BaWLSgydF4y2Ba算法，如Levenberg-Marquardt算法在gydF4y2BalsqnonlingydF4y2Ba而且gydF4y2BalsqcurvefitgydF4y2Ba．SimBiology使用gydF4y2BaWLSgydF4y2Ba当有一个单一的误差模型是常数，比例，或指数。SimBiology使用gydF4y2Ba附近gydF4y2Ba如果您有一个组合错误模型或多个错误模型，即每个响应都有一个错误模型的模型。gydF4y2Ba

sbiofitgydF4y2Ba金宝app支持不同的优化方法，并通过制定gydF4y2BaWLSgydF4y2Ba或gydF4y2Ba附近gydF4y2Ba表达式转换为使其最小化的优化方法。为简单起见，下面所示的每个表达式仅假设一个错误模型和一个响应。如果有多个响应，SimBiology将取与给定响应的错误模型对应的表达式的和。gydF4y2Ba

	被最小化的表达gydF4y2Ba
加权最小二乘(gydF4y2BaWLSgydF4y2Ba）gydF4y2Ba	对于常数误差模型，gydF4y2Ba ${\sumgydF4y2Ba}_{我gydF4y2Ba}^{NgydF4y2Ba} {（gydF4y2Ba {ygydF4y2Ba}_{我gydF4y2Ba} -gydF4y2Ba {fgydF4y2Ba}_{我gydF4y2Ba} ）gydF4y2Ba}^{2gydF4y2Ba}$
	对于比例误差模型，gydF4y2Ba ${\sumgydF4y2Ba}_{我gydF4y2Ba}^{NgydF4y2Ba} \frac{{（gydF4y2Ba {ygydF4y2Ba}_{我gydF4y2Ba} -gydF4y2Ba {fgydF4y2Ba}_{我gydF4y2Ba} ）gydF4y2Ba}^{2gydF4y2Ba}}{{fgydF4y2Ba}_{我gydF4y2Ba}^{2gydF4y2Ba} /gydF4y2Ba {fgydF4y2Ba}_{ggydF4y2Ba 米gydF4y2Ba}^{2gydF4y2Ba}}$
	对于指数误差模型，gydF4y2Ba ${\sumgydF4y2Ba}_{我gydF4y2Ba}^{NgydF4y2Ba} {（gydF4y2Ba lngydF4y2Ba {ygydF4y2Ba}_{我gydF4y2Ba} -gydF4y2Ba lngydF4y2Ba {fgydF4y2Ba}_{我gydF4y2Ba} ）gydF4y2Ba}^{2gydF4y2Ba}$
	对于数字权重，gydF4y2Ba ${\sumgydF4y2Ba}_{我gydF4y2Ba}^{NgydF4y2Ba} \frac{{（gydF4y2Ba {ygydF4y2Ba}_{我gydF4y2Ba} -gydF4y2Ba {fgydF4y2Ba}_{我gydF4y2Ba} ）gydF4y2Ba}^{2gydF4y2Ba}}{{wgydF4y2Ba}_{ggydF4y2Ba 米gydF4y2Ba} /gydF4y2Ba {wgydF4y2Ba}_{我gydF4y2Ba}}$
负对数似然(gydF4y2Ba附近gydF4y2Ba）gydF4y2Ba	对于组合误差模型和多重误差模型，gydF4y2Ba ${\sumgydF4y2Ba}_{我gydF4y2Ba}^{NgydF4y2Ba} \frac{{（gydF4y2Ba {ygydF4y2Ba}_{我gydF4y2Ba} -gydF4y2Ba {fgydF4y2Ba}_{我gydF4y2Ba} ）gydF4y2Ba}^{2gydF4y2Ba}}{2gydF4y2Ba {σgydF4y2Ba}_{我gydF4y2Ba}^{2gydF4y2Ba}} +gydF4y2Ba {\sumgydF4y2Ba}_{我gydF4y2Ba}^{NgydF4y2Ba} lngydF4y2Ba \sqrt{2gydF4y2Ba πgydF4y2Ba {σgydF4y2Ba}_{我gydF4y2Ba}^{2gydF4y2Ba}}$

变量定义如下。gydF4y2Ba

NgydF4y2Ba	实验观测次数gydF4y2Ba
ygydF4y2Ba_我gydF4y2Ba	的gydF4y2Ba我gydF4y2Ba实验观察gydF4y2Ba
${fgydF4y2Ba}_{我gydF4y2Ba}$	预测值gydF4y2Ba我gydF4y2Bath观察gydF4y2Ba
${σgydF4y2Ba}_{我gydF4y2Ba}$	的标准差gydF4y2Ba我gydF4y2Ba观察。gydF4y2Ba 对于常数误差模型，gydF4y2Ba ${σgydF4y2Ba}_{我gydF4y2Ba} ＝gydF4y2Ba 一个gydF4y2Ba$ 对于比例误差模型，gydF4y2Ba ${σgydF4y2Ba}_{我gydF4y2Ba} ＝gydF4y2Ba bgydF4y2Ba \|gydF4y2Ba {fgydF4y2Ba}_{我gydF4y2Ba} \|gydF4y2Ba$ 对于组合误差模型，gydF4y2Ba ${σgydF4y2Ba}_{我gydF4y2Ba} ＝gydF4y2Ba 一个gydF4y2Ba +gydF4y2Ba bgydF4y2Ba \|gydF4y2Ba {fgydF4y2Ba}_{我gydF4y2Ba} \|gydF4y2Ba$
${fgydF4y2Ba}_{ggydF4y2Ba 米gydF4y2Ba}$	${fgydF4y2Ba}_{ggydF4y2Ba 米gydF4y2Ba} ＝gydF4y2Ba {（gydF4y2Ba {\prodgydF4y2Ba}_{我gydF4y2Ba}^{NgydF4y2Ba} \|gydF4y2Ba {fgydF4y2Ba}_{我gydF4y2Ba} \|gydF4y2Ba ）gydF4y2Ba}^{\frac{1gydF4y2Ba}{NgydF4y2Ba}}$
${wgydF4y2Ba}_{我gydF4y2Ba}$	重量gydF4y2Ba我gydF4y2BaTh预测值gydF4y2Ba
${wgydF4y2Ba}_{ggydF4y2Ba 米gydF4y2Ba}$	${wgydF4y2Ba}_{ggydF4y2Ba 米gydF4y2Ba} ＝gydF4y2Ba {（gydF4y2Ba {\prodgydF4y2Ba}_{我gydF4y2Ba}^{NgydF4y2Ba} {wgydF4y2Ba}_{我gydF4y2Ba} ）gydF4y2Ba}^{\frac{1gydF4y2Ba}{NgydF4y2Ba}}$

当你使用数字权重或权重函数时，假设权重与误差的方差成反比，也就是说，gydF4y2Ba ${σgydF4y2Ba}_{我gydF4y2Ba}^{2gydF4y2Ba} ＝gydF4y2Ba \frac{{一个gydF4y2Ba}^{2gydF4y2Ba}}{{wgydF4y2Ba}_{我gydF4y2Ba}}$ 在哪里gydF4y2Ba一个gydF4y2Ba是常量误差参数。如果使用权重，则只能指定常量误差模型，不能指定其他误差模型。gydF4y2Ba

各种优化方法对被最小化的函数有不同的要求。对于某些方法，模型参数的估计是独立于误差模型参数的估计进行的。下表总结了误差模型和用于估计误差模型参数的任何单独公式，其中gydF4y2Ba一个gydF4y2Ba而且gydF4y2BabgydF4y2Ba误差模型参数和gydF4y2BaegydF4y2Ba为标准均值-零和单位-方差(高斯)变量。gydF4y2Ba

误差模型gydF4y2Ba	误差参数估计函数gydF4y2Ba
`“不变”gydF4y2Ba`：gydF4y2Ba ${ygydF4y2Ba}_{我gydF4y2Ba} ＝gydF4y2Ba {fgydF4y2Ba}_{我gydF4y2Ba} +gydF4y2Ba 一个gydF4y2Ba egydF4y2Ba$	${一个gydF4y2Ba}^{2gydF4y2Ba} ＝gydF4y2Ba \frac{1gydF4y2Ba}{NgydF4y2Ba} {\sumgydF4y2Ba}_{我gydF4y2Ba}^{NgydF4y2Ba} {（gydF4y2Ba {ygydF4y2Ba}_{我gydF4y2Ba} -gydF4y2Ba {fgydF4y2Ba}_{我gydF4y2Ba} ）gydF4y2Ba}^{2gydF4y2Ba}$
`“指数”gydF4y2Ba`：gydF4y2Ba ${ygydF4y2Ba}_{我gydF4y2Ba} ＝gydF4y2Ba {fgydF4y2Ba}_{我gydF4y2Ba} 经验值gydF4y2Ba （gydF4y2Ba 一个gydF4y2Ba egydF4y2Ba ）gydF4y2Ba$	${一个gydF4y2Ba}^{2gydF4y2Ba} ＝gydF4y2Ba \frac{1gydF4y2Ba}{NgydF4y2Ba} {\sumgydF4y2Ba}_{我gydF4y2Ba}^{NgydF4y2Ba} {（gydF4y2Ba lngydF4y2Ba {ygydF4y2Ba}_{我gydF4y2Ba} -gydF4y2Ba lngydF4y2Ba {fgydF4y2Ba}_{我gydF4y2Ba} ）gydF4y2Ba}^{2gydF4y2Ba}$
`“比例”gydF4y2Ba`：gydF4y2Ba ${ygydF4y2Ba}_{我gydF4y2Ba} ＝gydF4y2Ba {fgydF4y2Ba}_{我gydF4y2Ba} +gydF4y2Ba bgydF4y2Ba \|gydF4y2Ba {fgydF4y2Ba}_{我gydF4y2Ba} \|gydF4y2Ba egydF4y2Ba$	${bgydF4y2Ba}^{2gydF4y2Ba} ＝gydF4y2Ba \frac{1gydF4y2Ba}{NgydF4y2Ba} {\sumgydF4y2Ba}_{我gydF4y2Ba}^{NgydF4y2Ba} {（gydF4y2Ba \frac{{ygydF4y2Ba}_{我gydF4y2Ba} -gydF4y2Ba {fgydF4y2Ba}_{我gydF4y2Ba}}{{fgydF4y2Ba}_{我gydF4y2Ba}} ）gydF4y2Ba}^{2gydF4y2Ba}$
`“组合”gydF4y2Ba`：gydF4y2Ba ${ygydF4y2Ba}_{我gydF4y2Ba} ＝gydF4y2Ba {fgydF4y2Ba}_{我gydF4y2Ba} +gydF4y2Ba （gydF4y2Ba 一个gydF4y2Ba +gydF4y2Ba bgydF4y2Ba \|gydF4y2Ba {fgydF4y2Ba}_{我gydF4y2Ba} \|gydF4y2Ba ）gydF4y2Ba egydF4y2Ba$	误差参数包含在最小化中。gydF4y2Ba
权重gydF4y2Ba	${一个gydF4y2Ba}^{2gydF4y2Ba} ＝gydF4y2Ba \frac{1gydF4y2Ba}{NgydF4y2Ba} {\sumgydF4y2Ba}_{我gydF4y2Ba}^{NgydF4y2Ba} {（gydF4y2Ba {ygydF4y2Ba}_{我gydF4y2Ba} -gydF4y2Ba {fgydF4y2Ba}_{我gydF4y2Ba} ）gydF4y2Ba}^{2gydF4y2Ba} {wgydF4y2Ba}_{我gydF4y2Ba}$

请注意gydF4y2Ba

nlinfitgydF4y2Ba只支持单个金宝app错误模型，不支持多个错误模型，即响应特定的错误模型。对于组合误差模型，它使用迭代gydF4y2BaWLSgydF4y2Ba算法。对于其他错误模型，它使用gydF4y2BaWLSgydF4y2Ba算法，如前所述。详细信息请参见gydF4y2BanlinfitgydF4y2Ba(统计和机器学习工具箱)gydF4y2Ba．gydF4y2Ba

适合sbiofit的工作流程gydF4y2Ba

下面的步骤展示了您可以在命令行上使用的一个工作流来拟合PK模型。gydF4y2Ba

导入数据gydF4y2Ba．gydF4y2Ba
将数据转换为gydF4y2BagroupedDatagydF4y2Ba格式。gydF4y2Ba
定义给药数据。详细信息请参见gydF4y2BaSimBiology模型中的剂量gydF4y2Ba．gydF4y2Ba
创建结构模型(单室、双室或多室模型)。详细信息请参见gydF4y2Ba创建药代动力学模型gydF4y2Ba．gydF4y2Ba
将响应变量从数据映射到模型组件。例如，如果您有中央室的测量药物浓度数据，然后将其映射到中央室的药物种类(通常是gydF4y2BaDrug_CentralgydF4y2Ba物种)。gydF4y2Ba
指定要估计的参数gydF4y2BaEstimatedInfo对象gydF4y2Ba．您还可以指定参数转换、初始值和参数边界。gydF4y2Ba
使用以下方法执行参数估计gydF4y2BasbiofitgydF4y2Ba或gydF4y2BafitproblemgydF4y2Ba．gydF4y2Ba