LinearMixedModel类gydF4y2Ba
线性mixed-effects模型类gydF4y2Ba
描述gydF4y2Ba
一个gydF4y2BaLinearMixedModelgydF4y2Ba
对象代表了一个响应变量与固定和随机效应模型。它包含数据,模型描述,拟合系数,协方差参数,设计矩阵,残差,剩余土地和其他线性mixed-effects模型的诊断信息。你可以预测模型反应gydF4y2Ba预测gydF4y2Ba
功能和产生新的设计点随机数据使用gydF4y2Ba随机gydF4y2Ba
函数。gydF4y2Ba
建设gydF4y2Ba
你可以适应线性mixed-effects模型使用gydF4y2Bafitlme(资源描述、公式)gydF4y2Ba
如果你的表中的数据或数据集的数组。另外,如果您的模型是不轻易用一个公式来描述,您可以创建矩阵定义的固定和随机效应,和符合模型使用gydF4y2Bafitlmematrix (X, y, Z, G)gydF4y2Ba
。gydF4y2Ba
输入参数gydF4y2Ba
资源描述gydF4y2Ba
- - - - - -gydF4y2Ba输入数据gydF4y2Ba
表gydF4y2Ba| gydF4y2Ba数据集gydF4y2Ba
数组gydF4y2Ba
输入数据,包括响应变量,预测变量,变量和分组,指定为一个表或gydF4y2Ba数据集gydF4y2Ba
数组中。预测变量可以是连续的或分组变量(见gydF4y2Ba分组变量gydF4y2Ba)。您必须指定的模型使用的变量gydF4y2Ba公式gydF4y2Ba
。gydF4y2Ba
数据类型:gydF4y2Ba表gydF4y2Ba
公式gydF4y2Ba
- - - - - -gydF4y2Ba公式模型规范gydF4y2Ba
特征向量或字符串标量的形式gydF4y2Ba“y ~固定+ (random1 | grouping1) +…+ (randomR | groupingR) 'gydF4y2Ba
公式模型规范,指定为一个特征向量或字符串标量的形式gydF4y2Ba“y ~固定+ (random1 | grouping1) +…+ (randomR | groupingR) 'gydF4y2Ba
。完整的描述,请参阅gydF4y2Ba公式gydF4y2Ba。gydF4y2Ba
例子:gydF4y2Ba治疗“y ~ +(1 |块)'gydF4y2Ba
XgydF4y2Ba
- - - - - -gydF4y2Ba固定后果设计矩阵gydF4y2Ba
ngydF4y2Ba——- - - - - -gydF4y2BapgydF4y2Ba矩阵gydF4y2Ba
固定后果设计矩阵,作为指定gydF4y2BangydF4y2Ba——- - - - - -gydF4y2BapgydF4y2Ba矩阵,gydF4y2BangydF4y2Ba是观测的数量,和gydF4y2BapgydF4y2Ba是固定后果预测变量的数量。每一行的gydF4y2BaXgydF4y2Ba
对应于一个观察,每一列的gydF4y2BaXgydF4y2Ba
对应于一个变量。gydF4y2Ba
数据类型:gydF4y2Ba单gydF4y2Ba
| gydF4y2Ba双gydF4y2Ba
ygydF4y2Ba
- - - - - -gydF4y2Ba响应值gydF4y2Ba
ngydF4y2Ba1的向量gydF4y2Ba
响应值,指定为一个gydF4y2BangydF4y2Ba1的向量,gydF4y2BangydF4y2Ba是观测的数量。gydF4y2Ba
数据类型:gydF4y2Ba单gydF4y2Ba
| gydF4y2Ba双gydF4y2Ba
ZgydF4y2Ba
- - - - - -gydF4y2Ba随机设计gydF4y2Ba
ngydF4y2Ba——- - - - - -gydF4y2Ba问gydF4y2Ba矩阵gydF4y2Ba| gydF4y2Ba单元阵列的gydF4y2BaRgydF4y2BangydF4y2Ba——- - - - - -gydF4y2Ba问gydF4y2Ba(gydF4y2BargydF4y2Ba)矩阵,gydF4y2BargydF4y2Ba= 1,2,…,gydF4y2BaRgydF4y2Ba
随机设计,指定为以下。gydF4y2Ba
如果有一个模型,随机项gydF4y2Ba
ZgydF4y2Ba
必须是一个gydF4y2BangydF4y2Ba——- - - - - -gydF4y2Ba问gydF4y2Ba矩阵,gydF4y2BangydF4y2Ba是观察和的数量吗gydF4y2Ba问gydF4y2Ba是在随机变量的数量。gydF4y2Ba如果有gydF4y2BaRgydF4y2Ba随机项,然后gydF4y2Ba
ZgydF4y2Ba
必须是一个单元阵列的长度gydF4y2BaRgydF4y2Ba。每个单元的gydF4y2BaZgydF4y2Ba
包含一个gydF4y2BangydF4y2Ba——- - - - - -gydF4y2Ba问gydF4y2Ba(gydF4y2BargydF4y2Ba)设计矩阵gydF4y2BaZ {r}gydF4y2Ba
,gydF4y2BargydF4y2Ba= 1,2,…,gydF4y2BaRgydF4y2Ba,对应于每个随机项。在这里,gydF4y2Ba问gydF4y2Ba(gydF4y2BargydF4y2Ba)是随机效应项的数量gydF4y2BargydF4y2Bath随机效应设计矩阵,gydF4y2BaZ {r}gydF4y2Ba
。gydF4y2Ba
数据类型:gydF4y2Ba单gydF4y2Ba
| gydF4y2Ba双gydF4y2Ba
| gydF4y2Ba细胞gydF4y2Ba
GgydF4y2Ba
- - - - - -gydF4y2Ba分组变量或变量gydF4y2Ba
ngydF4y2Ba1的向量gydF4y2Ba| gydF4y2Ba单元阵列的gydF4y2BaRgydF4y2BangydF4y2Ba1的向量gydF4y2Ba
分组变量或变量gydF4y2Ba,指定为以下。gydF4y2Ba
如果有一个随机项,然后gydF4y2Ba
GgydF4y2Ba
必须是一个gydF4y2BangydF4y2Ba1向量对应一个分组变量gydF4y2Ba米gydF4y2Ba水平或组。gydF4y2BaGgydF4y2Ba
可以进行逻辑分类向量,向量,数字矢量,字符数组,字符串数组或单元阵列特征向量。gydF4y2Ba如果有多个随机项gydF4y2Ba
GgydF4y2Ba
必须是一个单元阵列的长度gydF4y2BaRgydF4y2Ba。每个单元的gydF4y2BaGgydF4y2Ba
包含一个分组变量gydF4y2Bar G {}gydF4y2Ba
,gydF4y2BargydF4y2Ba= 1,2,…,gydF4y2BaRgydF4y2Ba,gydF4y2Ba米gydF4y2Ba(gydF4y2BargydF4y2Ba)的水平。gydF4y2Bar G {}gydF4y2Ba
可以进行逻辑分类向量,向量,数字矢量,字符数组,字符串数组或单元阵列特征向量。gydF4y2Ba
数据类型:gydF4y2Ba分类gydF4y2Ba
| gydF4y2Ba逻辑gydF4y2Ba
| gydF4y2Ba单gydF4y2Ba
| gydF4y2Ba双gydF4y2Ba
| gydF4y2Ba字符gydF4y2Ba
| gydF4y2Ba字符串gydF4y2Ba
| gydF4y2Ba细胞gydF4y2Ba
属性gydF4y2Ba
系数gydF4y2Ba
- - - - - -gydF4y2Ba固定后果系数估计gydF4y2Ba
数据集的数组gydF4y2Ba
固定后果系数估计和相关统计数据,存储为数据集包含以下字段数组。gydF4y2Ba
的名字gydF4y2Ba |
术语的名称。gydF4y2Ba |
估计gydF4y2Ba |
估计系数的值。gydF4y2Ba |
SEgydF4y2Ba |
标准误差的系数。gydF4y2Ba |
tStatgydF4y2Ba |
tgydF4y2Ba统计测试的零假设系数等于零。gydF4y2Ba |
DFgydF4y2Ba |
的自由度gydF4y2BatgydF4y2Ba以及。方法来计算gydF4y2BaDFgydF4y2Ba 是指定的gydF4y2Ba“DFMethod”gydF4y2Ba 名称-值对的论点。gydF4y2Ba系数gydF4y2Ba 总是使用gydF4y2Ba“残留”gydF4y2Ba 方法gydF4y2Ba“DFMethod”gydF4y2Ba 。gydF4y2Ba |
pValuegydF4y2Ba |
pgydF4y2Ba价值的gydF4y2BatgydF4y2Ba以及。gydF4y2Ba |
较低的gydF4y2Ba |
置信区间的下限系数。gydF4y2Ba系数gydF4y2Ba 总是使用95%置信水平,即。gydF4y2Ba“α”gydF4y2Ba 是0.05。gydF4y2Ba |
上gydF4y2Ba |
上限系数的置信区间。gydF4y2Ba系数gydF4y2Ba 总是使用95%置信水平,即。gydF4y2Ba“α”gydF4y2Ba 是0.05。gydF4y2Ba |
你可以改变gydF4y2Ba“DFMethod”gydF4y2Ba
和gydF4y2Ba“α”gydF4y2Ba
在计算置信区间或测试假说包括固定和随机影响,使用gydF4y2BacoefCIgydF4y2Ba
和gydF4y2BacoefTestgydF4y2Ba
方法。gydF4y2Ba
CoefficientCovariancegydF4y2Ba
- - - - - -gydF4y2Ba协方差的估计系数固定后果gydF4y2Ba
pgydF4y2Ba——- - - - - -gydF4y2BapgydF4y2Ba矩阵gydF4y2Ba
协方差估计的固定后果系数的线性mixed-effects模型、存储为一个gydF4y2BapgydF4y2Ba——- - - - - -gydF4y2BapgydF4y2Ba矩阵,gydF4y2BapgydF4y2Ba系数是固定后果的数量。gydF4y2Ba
您可以显示相关的协方差参数使用的随机效应gydF4y2BacovarianceParametersgydF4y2Ba
方法。gydF4y2Ba
数据类型:gydF4y2Ba双gydF4y2Ba
CoefficientNamesgydF4y2Ba
- - - - - -gydF4y2Ba的名字固定后果系数gydF4y2Ba
1 -gydF4y2BapgydF4y2Ba单元阵列的特征向量gydF4y2Ba
名字固定后果系数的一个线性mixed-effects模型、存储为1×-gydF4y2BapgydF4y2Ba单元阵列的特征向量。gydF4y2Ba
数据类型:gydF4y2Ba细胞gydF4y2Ba
教育部gydF4y2Ba
- - - - - -gydF4y2Ba剩余的自由度gydF4y2Ba
正整数的值gydF4y2Ba
剩余自由度,存储为一个正整数的值。gydF4y2Ba教育部gydF4y2Ba=gydF4y2BangydF4y2Ba- - - - - -gydF4y2BapgydF4y2Ba,在那里gydF4y2BangydF4y2Ba是观测的数量,和gydF4y2BapgydF4y2Ba系数是固定后果的数量。gydF4y2Ba
这对应于gydF4y2Ba“残留”gydF4y2Ba
计算自由度的方法gydF4y2BafixedEffectsgydF4y2Ba
和gydF4y2BarandomEffectsgydF4y2Ba
方法。gydF4y2Ba
数据类型:gydF4y2Ba双gydF4y2Ba
FitMethodgydF4y2Ba
- - - - - -gydF4y2Ba方法以适应线性mixed-effects模型gydF4y2Ba
毫升gydF4y2Ba
| gydF4y2BaREMLgydF4y2Ba
方法符合线性mixed-effects模型,存储为以下。gydF4y2Ba
毫升gydF4y2Ba
,如果拟合方法最大似然gydF4y2BaREMLgydF4y2Ba
如果拟合方法的限制极大似然gydF4y2Ba
数据类型:gydF4y2Ba字符gydF4y2Ba
公式gydF4y2Ba
- - - - - -gydF4y2Ba规范的固定和随机影响方面,分组变量gydF4y2Ba
对象gydF4y2Ba
规范的固定后果而言,随机项,定义线性mixed-effects模型和分组变量,存储为一个对象。gydF4y2Ba
更多信息关于如何指定适合的模型使用一个公式,明白了gydF4y2Ba公式gydF4y2Ba。gydF4y2Ba
LogLikelihoodgydF4y2Ba
- - - - - -gydF4y2Ba最大化日志或限制日志可能性gydF4y2Ba
标量值gydF4y2Ba
最大化对数可能性或最大化限制拟合线性mixed-effects模型的可能性取决于您选择的拟合方法,存储为一个标量值。gydF4y2Ba
数据类型:gydF4y2Ba双gydF4y2Ba
ModelCriteriongydF4y2Ba
- - - - - -gydF4y2Ba模型的标准gydF4y2Ba
数据集的数组gydF4y2Ba
模型标准比较拟合线性mixed-effects模型、存储为一个数据数组用下面的列。gydF4y2Ba
另类投资会议gydF4y2Ba |
Akaike信息标准gydF4y2Ba |
BICgydF4y2Ba |
贝叶斯信息准则gydF4y2Ba |
LoglikelihoodgydF4y2Ba |
模型的对数似然值gydF4y2Ba |
异常gydF4y2Ba |
2倍的对数模型的可能性gydF4y2Ba |
如果gydF4y2BangydF4y2Ba观察的数量用于拟合模型,然后呢gydF4y2BapgydF4y2Ba的数量是固定后果系数,然后计算AIC和BIC,gydF4y2Ba
参数的数量gydF4y2Ba数控gydF4y2Ba+gydF4y2BapgydF4y2Ba+ 1,gydF4y2Ba数控gydF4y2Ba在随机参数的总数剩余方差协方差不包括gydF4y2Ba
有效的观察gydF4y2Ba
ngydF4y2Ba,当拟合方法最大似然(ML)gydF4y2Ba
ngydF4y2Ba- - - - - -gydF4y2BapgydF4y2Ba,当拟合方法是限制最大似然(REML)gydF4y2Ba
均方误差gydF4y2Ba
- - - - - -gydF4y2Ba毫升或REML估计gydF4y2Ba
积极的标量值gydF4y2Ba
毫升或REML估计,基于拟合方法用于估计σgydF4y2Ba2gydF4y2Ba、存储作为一个积极的标量值。σgydF4y2Ba2gydF4y2Ba剩余方差或观测误差项的方差的线性mixed-effects模型。gydF4y2Ba
数据类型:gydF4y2Ba双gydF4y2Ba
NumCoefficientsgydF4y2Ba
- - - - - -gydF4y2Ba数量的固定后果系数gydF4y2Ba
正整数的值gydF4y2Ba
数量的固定后果系数拟合线性mixed-effects模型,存储为一个正整数的值。gydF4y2Ba
数据类型:gydF4y2Ba双gydF4y2Ba
NumEstimatedCoefficientsgydF4y2Ba
- - - - - -gydF4y2Ba数量的估计系数固定后果gydF4y2Ba
正整数的值gydF4y2Ba
数量的估计固定后果系数拟合线性mixed-effects模型,存储为一个正整数的值。gydF4y2Ba
数据类型:gydF4y2Ba双gydF4y2Ba
NumObservationsgydF4y2Ba
- - - - - -gydF4y2Ba数量的观察gydF4y2Ba
正整数的值gydF4y2Ba
适合使用的观测数量,存储为一个正整数的值。这是表中的行数或数据数组,或设计矩阵-排除行或行gydF4y2Ba南gydF4y2Ba
值。gydF4y2Ba
数据类型:gydF4y2Ba双gydF4y2Ba
NumPredictorsgydF4y2Ba
- - - - - -gydF4y2Ba数量的预测gydF4y2Ba
正整数的值gydF4y2Ba
数量的线性mixed-effects模型作为预测变量,存储为一个正整数的值。gydF4y2Ba
数据类型:gydF4y2Ba双gydF4y2Ba
NumVariablesgydF4y2Ba
- - - - - -gydF4y2Ba变量的总数gydF4y2Ba
正整数的值gydF4y2Ba
总数量的变量包括响应和预测,存储为一个正整数的值。gydF4y2Ba
如果样品数据表或数据集的数组gydF4y2Ba
资源描述gydF4y2Ba
,gydF4y2BaNumVariablesgydF4y2Ba
变量的总数在吗gydF4y2Ba资源描述gydF4y2Ba
包括反应变量。gydF4y2Ba如果适合基于矩阵输入,gydF4y2Ba
NumVariablesgydF4y2Ba
是预测矩阵中的列的总数或矩阵,和响应向量。gydF4y2Ba
NumVariablesgydF4y2Ba
包括变量,如果有,不用作预测或响应。gydF4y2Ba
数据类型:gydF4y2Ba双gydF4y2Ba
ObservationInfogydF4y2Ba
- - - - - -gydF4y2Ba观测信息gydF4y2Ba
表gydF4y2Ba
中使用的观测信息,存储为一个表。gydF4y2Ba
ObservationInfogydF4y2Ba
每个观测和下面的一行四列。gydF4y2Ba
权重gydF4y2Ba |
加权变量的值的观察。默认值是1。gydF4y2Ba |
被排除在外gydF4y2Ba |
真正的gydF4y2Ba ,如果观察被排除在适合使用gydF4y2Ba“排除”gydF4y2Ba 名称-值对的论点,gydF4y2Ba假gydF4y2Ba ,否则。1代表gydF4y2Ba真正的gydF4y2Ba 和0代表gydF4y2Ba假gydF4y2Ba 。gydF4y2Ba |
失踪gydF4y2Ba |
缺失值包括gydF4y2Ba |
子集gydF4y2Ba |
真正的gydF4y2Ba ,如果观察用于健康,gydF4y2Ba假gydF4y2Ba ,如果它是不习惯,因为它是缺失或排除在外。gydF4y2Ba |
数据类型:gydF4y2Ba表gydF4y2Ba
ObservationNamesgydF4y2Ba
- - - - - -gydF4y2Ba名字的观察gydF4y2Ba
单元阵列的特征向量gydF4y2Ba
观察中使用适合的名字,存储单元阵列的特征向量。gydF4y2Ba
如果一个表或数据集的数据数组,gydF4y2Ba
资源描述gydF4y2Ba
,包含观测的名字,gydF4y2BaObservationNamesgydF4y2Ba
这些名字。gydF4y2Ba如果矩阵中提供的数据,或者一个表或数组数据集没有观察的名字,然后gydF4y2Ba
ObservationNamesgydF4y2Ba
是一个空单元数组。gydF4y2Ba
数据类型:gydF4y2Ba细胞gydF4y2Ba
PredictorNamesgydF4y2Ba
- - - - - -gydF4y2Ba预测的名字gydF4y2Ba
单元阵列的特征向量gydF4y2Ba
变量的名字使用适合的预测时,存储单元阵列的特征向量具有相同的长度gydF4y2BaNumPredictorsgydF4y2Ba
。gydF4y2Ba
数据类型:gydF4y2Ba细胞gydF4y2Ba
ResponseNamegydF4y2Ba
- - - - - -gydF4y2Ba响应变量的名字gydF4y2Ba
特征向量gydF4y2Ba
名字的变量作为响应变量,存储为一个特征向量。gydF4y2Ba
数据类型:gydF4y2Ba字符gydF4y2Ba
RsquaredgydF4y2Ba
- - - - - -gydF4y2Ba比例的变化响应用拟合模型来解释gydF4y2Ba
结构gydF4y2Ba
比例的变化响应的拟合模型,存储为一个结构。它是多个相关系数或平方。gydF4y2BaRsquaredgydF4y2Ba
有两个字段。gydF4y2Ba
普通的gydF4y2Ba |
平方值,存储为一个标量值的结构。gydF4y2BaRsquared。普通的=1- - - - - -上交所。/年代年代T |
调整gydF4y2Ba |
平方值调整的固定后果系数的数目,作为标量值存储在一个结构。gydF4y2Ba
在哪里gydF4y2Ba |
数据类型:gydF4y2Ba结构体gydF4y2Ba
上交所gydF4y2Ba
- - - - - -gydF4y2Ba误差平方和gydF4y2Ba
积极的标量gydF4y2Ba
误差平方和,指定为一个积极的标量。gydF4y2Ba上交所gydF4y2Ba
等于平方条件残差,这是什么gydF4y2Ba
上交所=总和((y - F) ^ 2)。gydF4y2Ba
,gydF4y2Ba
在哪里gydF4y2BaygydF4y2Ba
响应向量和吗gydF4y2BaFgydF4y2Ba
是安装条件响应的线性mixed-effects模型。条件固定和随机效应模型的贡献。gydF4y2Ba
如果模型与观测的重量训练,的平方和gydF4y2Ba上交所gydF4y2Ba
计算加权平方和。gydF4y2Ba
数据类型:gydF4y2Ba双gydF4y2Ba
苏维埃社会主义共和国gydF4y2Ba
- - - - - -gydF4y2Ba回归平方和gydF4y2Ba
积极的标量gydF4y2Ba
回归平方和,指定为一个积极的标量。gydF4y2Ba苏维埃社会主义共和国gydF4y2Ba
是由线性mixed-effects回归平方和解释,并等于平方偏差之和之间的拟合值和响应的均值。gydF4y2Ba
SSR =总和((F -意味着(y)) ^ 2)gydF4y2Ba
,gydF4y2Ba
在哪里gydF4y2BaFgydF4y2Ba
的安装条件反射是线性mixed-effects模型和gydF4y2BaygydF4y2Ba
是响应向量。条件固定和随机效应模型的贡献。gydF4y2Ba
如果模型与观测的重量训练,的平方和gydF4y2Ba苏维埃社会主义共和国gydF4y2Ba
计算加权平方和。gydF4y2Ba
数据类型:gydF4y2Ba双gydF4y2Ba
风场gydF4y2Ba
- - - - - -gydF4y2Ba总平方和gydF4y2Ba
积极的标量gydF4y2Ba
总平方和,指定为一个积极的标量。gydF4y2Ba
对于一个线性mixed-effects模型拦截,gydF4y2Ba风场gydF4y2Ba
是计算gydF4y2Ba
海温= SSE + SSRgydF4y2Ba
,gydF4y2Ba
在哪里gydF4y2Ba风场gydF4y2Ba
是总平方和,gydF4y2Ba上交所gydF4y2Ba
是平方误差的总和,gydF4y2Ba苏维埃社会主义共和国gydF4y2Ba
回归平方和。gydF4y2Ba
对于一个线性mixed-effects模型没有拦截,gydF4y2Ba风场gydF4y2Ba
计算的偏差值的平方之和所观察到的响应值从他们的意思是,那是什么gydF4y2Ba
海温=总和((y -意味着(y)) ^ 2)。gydF4y2Ba
,gydF4y2Ba
在哪里gydF4y2BaygydF4y2Ba
是响应向量。gydF4y2Ba
如果模型与观测的重量训练,的平方和gydF4y2Ba风场gydF4y2Ba
计算加权平方和。gydF4y2Ba
数据类型:gydF4y2Ba双gydF4y2Ba
变量gydF4y2Ba
- - - - - -gydF4y2Ba变量gydF4y2Ba
表gydF4y2Ba
变量,存储为一个表。gydF4y2Ba
如果数据集是基于一个表或数组gydF4y2Ba
资源描述gydF4y2Ba
,然后gydF4y2Ba变量gydF4y2Ba
是一样gydF4y2Ba资源描述gydF4y2Ba
。gydF4y2Ba如果符合基于矩阵的输入,那么gydF4y2Ba
变量gydF4y2Ba
是一个表,它包含的所有变量在预测矩阵或矩阵,和响应变量。gydF4y2Ba
数据类型:gydF4y2Ba表gydF4y2Ba
VariableInfogydF4y2Ba
- - - - - -gydF4y2Ba关于变量的信息gydF4y2Ba
表gydF4y2Ba
信息中使用的变量,存储为一个表。gydF4y2Ba
VariableInfogydF4y2Ba
为每个变量和一行包含以下四个列。gydF4y2Ba
类gydF4y2Ba |
类的变量(gydF4y2Ba“双”gydF4y2Ba ,gydF4y2Ba“细胞”gydF4y2Ba ,gydF4y2Ba“名义”gydF4y2Ba 等等)。gydF4y2Ba |
范围gydF4y2Ba |
值范围的变量。gydF4y2Ba
|
InModelgydF4y2Ba |
|
IsCategoricalgydF4y2Ba |
|
数据类型:gydF4y2Ba表gydF4y2Ba
VariableNamesgydF4y2Ba
- - - - - -gydF4y2Ba变量的名字gydF4y2Ba
单元阵列的特征向量gydF4y2Ba
中使用的变量的名称,存储单元阵列的特征向量。gydF4y2Ba
如果样本数据在表或数据集的数组gydF4y2Ba
资源描述gydF4y2Ba
,gydF4y2BaVariableNamesgydF4y2Ba
包含变量的名称gydF4y2Ba资源描述gydF4y2Ba
。gydF4y2Ba如果样本数据矩阵格式gydF4y2Ba
VariableInfogydF4y2Ba
包含变量名称您供应同时拟合模型。如果你不提供变量名称,然后gydF4y2BaVariableInfogydF4y2Ba
包含默认名称。gydF4y2Ba
数据类型:gydF4y2Ba细胞gydF4y2Ba
对象的功能gydF4y2Ba
方差分析gydF4y2Ba |
线性mixed-effects方差分析模型gydF4y2Ba |
coefCIgydF4y2Ba |
置信区间线性mixed-effects模型的系数gydF4y2Ba |
coefTestgydF4y2Ba |
假设检验在固定和随机效应线性mixed-effects模型gydF4y2Ba |
比较gydF4y2Ba |
比较线性mixed-effects模型gydF4y2Ba |
covarianceParametersgydF4y2Ba |
提取线性mixed-effects模型的协方差参数gydF4y2Ba |
designMatrixgydF4y2Ba |
固定和随机设计矩阵gydF4y2Ba |
安装gydF4y2Ba |
从线性mixed-effects模型拟合响应gydF4y2Ba |
fixedEffectsgydF4y2Ba |
固定效应估计和相关统计数据gydF4y2Ba |
partialDependencegydF4y2Ba |
计算部分依赖gydF4y2Ba |
plotPartialDependencegydF4y2Ba |
创建部分依赖图(PDP)和个人条件期望(ICE)情节gydF4y2Ba |
plotResidualsgydF4y2Ba |
情节线性mixed-effects模型的残差gydF4y2Ba |
预测gydF4y2Ba |
预测响应线性mixed-effects模型gydF4y2Ba |
随机gydF4y2Ba |
从拟合线性mixed-effects模型生成随机响应gydF4y2Ba |
randomEffectsgydF4y2Ba |
估计的随机效应和相关统计数据gydF4y2Ba |
残差gydF4y2Ba |
拟合线性mixed-effects模型的残差gydF4y2Ba |
响应gydF4y2Ba |
响应向量的线性mixed-effects模型gydF4y2Ba |
复制语义gydF4y2Ba
价值。学习如何价值类影响复制操作,明白了gydF4y2Ba复制对象gydF4y2Ba。gydF4y2Ba
例子gydF4y2Ba
随机拦截与分类预测模型gydF4y2Ba
加载示例数据。gydF4y2Ba
负载gydF4y2Ba流感gydF4y2Ba
的gydF4y2Ba流感gydF4y2Ba
数组数据集有一个gydF4y2Ba日期gydF4y2Ba
变量,和10个变量包含估计流感率(在9个不同的地区,估计从Google®搜索,加上一个全国性的疾病控制和预防中心估计,美国疾病控制与预防中心)。gydF4y2Ba
适合一个线性混合效应模型,数据必须在正确格式化的数据集的数组。适合一个线性mixed-effects模型与流感率为响应和地区为预测变量,结合九列区域对应到一个数组中。新数据集的数组,gydF4y2Baflu2gydF4y2Ba
,必须响应变量,gydF4y2BaFluRategydF4y2Ba
名义变量,gydF4y2Ba地区gydF4y2Ba
,显示每个估计来自哪个区域,和分组变量gydF4y2Ba日期gydF4y2Ba
。gydF4y2Ba
2:10 flu2 =堆栈(流感,gydF4y2Ba“NewDataVarName”gydF4y2Ba,gydF4y2Ba“FluRate”gydF4y2Ba,gydF4y2Ba…gydF4y2Ba“IndVarName”gydF4y2Ba,gydF4y2Ba“地区”gydF4y2Ba);flu2。日期=nominal(flu2.Date);
适合线性mixed-effects模型与固定影响的地区和不同的随机拦截gydF4y2Ba日期gydF4y2Ba
。gydF4y2Ba
因为地区是一个名义变量,gydF4y2BafitlmegydF4y2Ba
第一个区域,gydF4y2Ba不gydF4y2Ba
引用和创建八虚变量代表了其他八个地区。例如,gydF4y2Ba
代表该地区的哑变量吗gydF4y2BaMidAtlgydF4y2Ba
。有关详细信息,请参见gydF4y2Ba虚拟变量gydF4y2Ba。gydF4y2Ba
相应的模型gydF4y2Ba
在哪里gydF4y2Ba
是观察gydF4y2Ba
的水平gydF4y2Ba
分组变量gydF4y2Ba日期gydF4y2Ba
,gydF4y2Ba
,gydF4y2Ba
= 0,1,……,8,一个rethe fixed-effects coefficients,
随机效应水平吗gydF4y2Ba
分组变量的gydF4y2Ba日期gydF4y2Ba
,gydF4y2Ba
是观测的观测误差gydF4y2Ba
。随机效应的先验分布,gydF4y2Ba
和误差项的分布,gydF4y2Ba
。gydF4y2Ba
lme = fitlme (flu2,gydF4y2Ba“FluRate ~ 1 +地区+(1 |日期)”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 0.052221 1.3213 459 {‘Region_Mtn} 0.046673 0.052221 0.89377 459 {‘Region_Pac}低-0.16013 0.052221 -3.0665 459 pValue上1.085 e-31 1.0334 1.4133 0.84534 -0.092429 0.11281 0.3206 -0.050698 0.15454 7.3324 e-06 0.13424 0.33949 0.14902 -0.02714 0.1781 2.1623平台以及0.23655 0.44179 0.18705 -0.033621 0.17162 0.37191 -0.055948 0.14929 0.0022936 -0.26276 -0.057514随机效应方差参数(95% CIs):组:日期(52水平)Name1 Name2类型估计{(拦截)的}{(拦截)的}{“性病”}0.6443低上0.5297 - 0.78368组:错误的名字估计低上{“Res性病”}0.26627 0.24878 0.285gydF4y2Ba
的gydF4y2Ba
值7.3324 e-06和2.1623平台以及分别显示固定地区流感发病率的影响gydF4y2BaWNCentralgydF4y2Ba
和gydF4y2BaESCentralgydF4y2Ba
相对于流感发病率明显不同区域gydF4y2Ba不gydF4y2Ba
。gydF4y2Ba
的置信区间随机项的标准差,gydF4y2Ba
,不包括0(0.5297,0.78368),这表明随机项是重要的。你也可以测试随机条件使用的重要性gydF4y2Ba比较gydF4y2Ba
方法。gydF4y2Ba
观察的估计价值是固定效应和随机效应的总和值相对应的分组变量水平,观察。例如,估计最佳线性无偏预测(BLUP)流感的地区gydF4y2BaWNCentralgydF4y2Ba
在星期10/9/2005gydF4y2Ba
这是安装条件的响应,因为它包括贡献从固定和随机效应估计。你可以计算这个值如下。gydF4y2Ba
β= fixedEffects (lme);[~,~,统计]= randomEffects (lme);gydF4y2Ba%计算随机统计(统计)gydF4y2Ba统计数据。水平=名义(STATS.Level);y_hatβ=β(1)+ (4)+ STATS.Estimate (STATS.Level = =gydF4y2Ba“10/9/2005”gydF4y2Ba)gydF4y2Ba
y_hat = 1.2884gydF4y2Ba
您可以简单地显示拟合值使用gydF4y2Ba安装gydF4y2Ba
方法。gydF4y2Ba
F =安装(lme);F (flu2。日期= =gydF4y2Ba“10/9/2005”gydF4y2Ba& flu2。地区==gydF4y2Ba“WNCentral”gydF4y2Ba)gydF4y2Ba
ans = 1.2884gydF4y2Ba
计算拟合边缘响应区域gydF4y2BaWNCentralgydF4y2Ba
在星期10/9/2005。gydF4y2Ba
F =安装(lme,gydF4y2Ba“条件”gydF4y2Ba、假);F (flu2。日期= =gydF4y2Ba“10/9/2005”gydF4y2Ba& flu2。地区==gydF4y2Ba“WNCentral”gydF4y2Ba)gydF4y2Ba
ans = 1.4602gydF4y2Ba
线性Mixed-Effects模型与随机的斜率gydF4y2Ba
加载示例数据。gydF4y2Ba
负载gydF4y2BacarbiggydF4y2Ba
适合一个线性mixed-effects模型英里每加仑(MPG),与固定效应加速,马力和气缸,不相关的拦截和加速度分组的随机效应模型。这个模型对应于gydF4y2Ba
随机条件有以下之前发行版:gydF4y2Ba
在哪里gydF4y2Ba 代表模型。gydF4y2Ba
首先,准备设计矩阵拟合线性mixed-effects模型。gydF4y2Ba
X =((406 1)加速度的马力);Z =((406 1)的加速度);Model_Year =名义(Model_Year);G = Model_Year;gydF4y2Ba
现在,适合模型使用gydF4y2BafitlmematrixgydF4y2Ba
定义设计矩阵和分组变量。使用gydF4y2Ba“fminunc”gydF4y2Ba
优化算法。gydF4y2Ba
MPG lme = fitlmematrix (X, Z, G,gydF4y2Ba“FixedEffectPredictors”gydF4y2Ba,gydF4y2Ba…gydF4y2Ba。gydF4y2Ba{gydF4y2Ba“拦截”gydF4y2Ba,gydF4y2Ba“加速”gydF4y2Ba,gydF4y2Ba“马力”gydF4y2Ba},gydF4y2Ba“RandomEffectPredictors”gydF4y2Ba,gydF4y2Ba…gydF4y2Ba{{gydF4y2Ba“拦截”gydF4y2Ba,gydF4y2Ba“加速”gydF4y2Ba}},gydF4y2Ba“RandomEffectGroups”gydF4y2Ba,{gydF4y2Ba“Model_Year”gydF4y2Ba},gydF4y2Ba…gydF4y2Ba“FitMethod”gydF4y2Ba,gydF4y2Ba“REML”gydF4y2Ba)gydF4y2Ba
lme =线性mixed-effects模型适合REML模型信息:观察392固定效应系数3 26协方差参数随机效应系数4公式:线性混合公式4预测。模型符合统计:AIC BIC LogLikelihood异常2202.9 2230.7 -1094.5 2188.9固定效果系数(95% CIs):名字估计SE tStat DF{“拦截”}50.064 2.3176 21.602 389{“加速度”}-0.57897 0.13843 -4.1825 389{“马力”}-0.16958 0.0073242 -23.153 389 pValue低上1.4185 e - 68 45.507 54.62 3.5654 -0.85112 -0.30681 3.5289 e-05 e - 75 -0.18398 - -0.15518随机效应方差参数(95% CIs):组:Model_Year水平(13)Name1 Name2类型估计{“拦截”}{“拦截”}{“性病”}3.72{“加速度”}{“拦截”}{“相关系数”}-0.8769{“加速度”}{“加速度”}{“性病”}低上1.5215 9.0954 -0.98275 0.3593 -0.33845 0.19418 0.66483组:错误的名字估计低上{“Res性病”}3.6913 3.4331 3.9688gydF4y2Ba
固定效应系数显示包括估计,标准错误(gydF4y2BaSEgydF4y2Ba
),95%置信区间限制(gydF4y2Ba较低的gydF4y2Ba
和gydF4y2Ba上gydF4y2Ba
)。的gydF4y2Ba
值(gydF4y2BapValuegydF4y2Ba
)表明,所有三个固定后果系数是显著的。gydF4y2Ba
标准差的置信区间和随机效应之间的相关性拦截和加速度不包括0,因此他们似乎意义重大。使用gydF4y2Ba比较gydF4y2Ba
随机效应的测试方法。gydF4y2Ba
显示的协方差矩阵估计固定后果系数。gydF4y2Ba
lme.CoefficientCovariancegydF4y2Ba
ans =gydF4y2Ba3×3gydF4y2Ba5.3711 -0.2809 -0.0126 -0.2809 0.0192 0.0005 -0.0126 0.0005 0.0001gydF4y2Ba
对角元素显示固定后果系数的方差估计。例如,拦截的估计的方差是5.3711。请注意,估计的标准误差方差的平方根。例如,拦截的标准误差为2.3176,这是gydF4y2Basqrt (5.3711)gydF4y2Ba
。gydF4y2Ba
非对角元素显示固定后果之间的相关系数估计。例如,拦截和加速度之间的关系是-0.2809和加速度之间的关系,马力是0.0005。gydF4y2Ba
显示模型的确定系数。gydF4y2Ba
lme.RsquaredgydF4y2Ba
ans =gydF4y2Ba结构体字段:gydF4y2Ba普通:0.7866调整:0.7855gydF4y2Ba
调整值的平方值调整后的预测模型。gydF4y2Ba
更多关于gydF4y2Ba
公式gydF4y2Ba
一般来说,一个模型规范公式是一个特征向量或字符串标量的形式gydF4y2Ba“y ~条款”gydF4y2Ba
。对于线性mixed-effects模型,这个公式的形式gydF4y2Ba“y ~固定+ (random1 | grouping1) +…+ (randomR | groupingR) 'gydF4y2Ba
,在那里gydF4y2Ba固定gydF4y2Ba
和gydF4y2Ba随机gydF4y2Ba
包含固定后果和随机项。gydF4y2Ba
假设一个表gydF4y2Ba资源描述gydF4y2Ba
包含以下:gydF4y2Ba
一个响应变量,gydF4y2Ba
ygydF4y2Ba
预测变量,gydF4y2Ba
XgydF4y2BajgydF4y2Ba
,可连续或分组变量gydF4y2Ba分组变量,gydF4y2Ba
ggydF4y2Ba1gydF4y2Ba
,gydF4y2BaggydF4y2Ba2gydF4y2Ba
、……gydF4y2BaggydF4y2BaRgydF4y2Ba
,gydF4y2Ba
分组变量在哪里gydF4y2BaXgydF4y2BajgydF4y2Ba
和gydF4y2BaggydF4y2BargydF4y2Ba
可以分类、逻辑、字符数组,字符串数组,或细胞阵列的特征向量。gydF4y2Ba
然后,在一个公式的形式,gydF4y2Ba“y ~固定+(随机的gydF4y2Ba1gydF4y2Ba| ggydF4y2Ba1gydF4y2Ba)+…+(随机gydF4y2BaRgydF4y2Ba| ggydF4y2BaRgydF4y2Ba)”gydF4y2Ba
,这个术语gydF4y2Ba固定gydF4y2Ba
对应于一个固定后果设计矩阵的规范gydF4y2BaXgydF4y2Ba
,gydF4y2Ba随机gydF4y2Ba
1gydF4y2Ba是一个随机设计矩阵的规范gydF4y2BaZgydF4y2Ba
1gydF4y2Ba相应的分组变量gydF4y2BaggydF4y2Ba
1gydF4y2Ba和类似的gydF4y2Ba随机gydF4y2Ba
RgydF4y2Ba是一个随机设计矩阵的规范gydF4y2BaZgydF4y2Ba
RgydF4y2Ba相应的分组变量gydF4y2BaggydF4y2Ba
RgydF4y2Ba。你可以表达gydF4y2Ba固定gydF4y2Ba
和gydF4y2Ba随机gydF4y2Ba
使用威尔金森符号。gydF4y2Ba
威尔金森符号描述的因素出现在模型中。符号与因素存在于模型,不是乘数(系数)的因素。gydF4y2Ba
威尔金森符号gydF4y2Ba | 因素标准符号gydF4y2Ba |
---|---|
1gydF4y2Ba |
常数(拦截)gydF4y2Ba |
X ^ kgydF4y2Ba ,在那里gydF4y2BakgydF4y2Ba 是一个正整数gydF4y2Ba |
XgydF4y2Ba ,gydF4y2BaXgydF4y2Ba2gydF4y2Ba 、……gydF4y2BaXgydF4y2BakgydF4y2Ba |
X1 + X2gydF4y2Ba |
X1gydF4y2Ba ,gydF4y2BaX2gydF4y2Ba |
X1 * X2gydF4y2Ba |
X1gydF4y2Ba ,gydF4y2BaX2gydF4y2Ba ,gydF4y2BaX1。* X2(ele米entwise multiplication of X1 and X2) |
X1, X2gydF4y2Ba |
X1。* X2gydF4y2Ba 只有gydF4y2Ba |
- - - - - - X2gydF4y2Ba |
不包括gydF4y2BaX2gydF4y2Ba |
X1 * X2 + X3gydF4y2Ba |
X1gydF4y2Ba ,gydF4y2BaX2gydF4y2Ba ,gydF4y2BaX3gydF4y2Ba ,gydF4y2BaX1 * X2gydF4y2Ba |
X1 + X2 + X3 + X1, X2gydF4y2Ba |
X1gydF4y2Ba ,gydF4y2BaX2gydF4y2Ba ,gydF4y2BaX3gydF4y2Ba ,gydF4y2BaX1 * X2gydF4y2Ba |
X1 * X2 * X3 - X1, X2, X3gydF4y2Ba |
X1gydF4y2Ba ,gydF4y2BaX2gydF4y2Ba ,gydF4y2BaX3gydF4y2Ba ,gydF4y2BaX1 * X2gydF4y2Ba ,gydF4y2BaX1 * X3gydF4y2Ba ,gydF4y2BaX2 * X3gydF4y2Ba |
X1 * (X2 + X3)gydF4y2Ba |
X1gydF4y2Ba ,gydF4y2BaX2gydF4y2Ba ,gydF4y2BaX3gydF4y2Ba ,gydF4y2BaX1 * X2gydF4y2Ba ,gydF4y2BaX1 * X3gydF4y2Ba |
统计和机器学习工具箱™符号总是包含一个常数项,除非你显式地删除术语使用gydF4y2Ba1gydF4y2Ba
。这里有一些例子为线性mixed-effects模型规范。gydF4y2Ba
例子:gydF4y2Ba
公式gydF4y2Ba | 描述gydF4y2Ba |
---|---|
“y ~ X1 + X2”gydF4y2Ba |
固定的拦截效果,gydF4y2BaX1gydF4y2Ba 和gydF4y2BaX2gydF4y2Ba 。这相当于gydF4y2Ba“y ~ 1 + X1 + X2”gydF4y2Ba 。gydF4y2Ba |
“y ~ 1 + X1 + X2”gydF4y2Ba |
没有拦截和固定效果gydF4y2BaX1gydF4y2Ba 和gydF4y2BaX2gydF4y2Ba 。包括隐式截距项是镇压gydF4y2Ba1gydF4y2Ba 。gydF4y2Ba |
“y ~ 1 + (1 | g1) 'gydF4y2Ba |
固定效应拦截的拦截+随机效应为每个级别的分组变量gydF4y2Bag1gydF4y2Ba 。gydF4y2Ba |
“y ~ X1 + (1 | g1) 'gydF4y2Ba |
随机拦截模型与一个固定的斜率。gydF4y2Ba |
“y ~ X1 + (X1 | g1) 'gydF4y2Ba |
随机截距和斜率,它们之间可能的相关性。这相当于gydF4y2Ba“y ~ 1 + X1 + (1 + X1 | g1) 'gydF4y2Ba 。gydF4y2Ba |
“y ~ X1 + (1 | g1) + (1 + X1 | g1) 'gydF4y2Ba |
独立随机效应方面截距和斜率。gydF4y2Ba |
“y ~ 1 + (1 | g1) + (1 | g2) + (1 | g1, g2) 'gydF4y2Ba |
随机拦截模型与独立的主要影响gydF4y2Bag1gydF4y2Ba 和gydF4y2Bag2gydF4y2Ba ,再加上一个独立的相互影响。gydF4y2Ba |
另请参阅gydF4y2Ba
fitlmegydF4y2Ba
| gydF4y2BafitlmematrixgydF4y2Ba
예제열기gydF4y2Ba
이예제의수정된버전이있습니다。사용자가편집한내용을반영하여이예제를여시겠습니까?gydF4y2Ba
MATLAB명령gydF4y2Ba
다음MATLAB명령에해당하는링크를클릭했습니다。gydF4y2Ba
명령을실행하려면MATLAB명령창에입력하십시오。웹브라우저는MATLAB명령을지원하지않습니다。gydF4y2Ba
选择一个网站gydF4y2Ba
选择一个网站翻译内容,看到当地事件和提供。根据你的位置,我们建议您选择:gydF4y2Ba。gydF4y2Ba
你也可以从下面的列表中选择一个网站:gydF4y2Ba
表现最好的网站怎么走吗gydF4y2Ba
选择中国网站(中文或英文)最佳站点的性能。其他MathWorks国家网站不优化的访问你的位置。gydF4y2Ba
美洲gydF4y2Ba
- 美国拉丁gydF4y2Ba(西班牙语)gydF4y2Ba
- 加拿大gydF4y2Ba(英语)gydF4y2Ba
- 美国gydF4y2Ba(英语)gydF4y2Ba
欧洲gydF4y2Ba
- 比利时gydF4y2Ba(英语)gydF4y2Ba
- 丹麦gydF4y2Ba(英语)gydF4y2Ba
- 德国gydF4y2Ba(德语)gydF4y2Ba
- 西班牙gydF4y2Ba(西班牙语)gydF4y2Ba
- 芬兰gydF4y2Ba(英语)gydF4y2Ba
- 法国gydF4y2Ba(法语)gydF4y2Ba
- 爱尔兰gydF4y2Ba(英语)gydF4y2Ba
- 意大利gydF4y2Ba(意大利语)gydF4y2Ba
- 卢森堡gydF4y2Ba(英语)gydF4y2Ba
- 荷兰gydF4y2Ba(英语)gydF4y2Ba
- 挪威gydF4y2Ba(英语)gydF4y2Ba
- 奥地利gydF4y2Ba(德语)gydF4y2Ba
- 葡萄牙gydF4y2Ba(英语)gydF4y2Ba
- 瑞典gydF4y2Ba(英语)gydF4y2Ba
- 瑞士gydF4y2Ba
- 联合王国gydF4y2Ba(英语)gydF4y2Ba
亚太地区gydF4y2Ba
- 澳大利亚gydF4y2Ba(英语)gydF4y2Ba
- 印度gydF4y2Ba(英语)gydF4y2Ba
- 新西兰gydF4y2Ba(英语)gydF4y2Ba
- 中国gydF4y2Ba
- 日本gydF4y2Ba(日本語)gydF4y2Ba
- 한국gydF4y2Ba(한국어)gydF4y2Ba