coefTest
线性混合效应模型固定效应和随机效应的假设检验
语法
描述
输入参数
lme三个月
- - - - - -线性混合效应模型
LinearMixedModel
对象
线性混合效应模型,指定为aLinearMixedModel
使用fitlme
或fitlmematrix
.
H
- - - - - -固定后果的对比
米——- - - - - -p矩阵
固定效果对比,指定为米——- - - - - -p矩阵,p固定效应系数的数量在吗lme三个月
.每行H
代表一种对比。的列H
(从左到右)对应的行p-by-1固定效果向量β
函数返回fixedEffects
方法。
数据类型:单
|双
C
- - - - - -假设值
米1的向量
用于检验零假设的假设值H
*beta = C
,指定为米1的矩阵。在这里,β
固定效应估计向量是否由fixedEffects
方法。
数据类型:单
|双
名称-值参数
指定可选参数对为Name1 = Value1,…,以=家
,在那里名字
参数名称和价值
对应的值。名称-值参数必须出现在其他参数之后,但对的顺序无关紧要。
在R2021a之前,使用逗号分隔每个名称和值,并将其括起来名字
在报价。
DFMethod
- - - - - -计算近似分母自由度的方法
“残留”
(默认)|“satterthwaite”
|“没有”
计算近似分母自由度的方法F-test,指定为逗号分隔的对,由“DFMethod”
下面是其中之一。
“残留” |
违约。自由度假设为常数,等于n- - - - - -p,在那里n观察的次数和p是固定效果的数量。 |
“satterthwaite” |
Satterthwaite近似。 |
“没有” |
所有的自由度都设为无穷大。 |
例如,您可以如下所示指定Satterthwaite近似。
例子:“DFMethod”、“satterthwaite”
REContrast
- - - - - -随机对比
米——- - - - - -问矩阵
随机效果对比,指定为逗号分隔的对,由“REContrast”
和一个米——- - - - - -问矩阵K
,在那里问随机效应参数的数量在吗lme三个月
.的列K
(从左到右)对应于随机效应最佳线性无偏预测向量的行B
函数返回randomEffects
方法。
数据类型:单
|双
输出参数
例子
为分类数据测试固定效应系数
加载样例数据。
负载(“shift.mat”)
数据显示了五名操作员在三个不同的班次(早上、晚上和晚上)生产的产品与目标质量特征的绝对偏差。下载188bet金宝搏这是一个随机块设计,其中的操作符就是块。本实验旨在研究换挡时间对性能的影响。绩效衡量是质量特征与目标值的绝对偏差。这是模拟数据。
转变
而且操作符
都是名义变量。
转变。转变=nominal(shift.Shift); shift.Operator = nominal(shift.Operator);
拟合线性混合效应模型,并将随机截距按操作员分组,以评估根据换挡时间是否有显著的性能差异。
Lme = fitlme(移位,'QCDev ~ Shift + (1|Operator)')
模型信息:观测数15固定效应系数3随机效应系数5协方差参数2公式:QCDev ~ 1 + Shift +(1 |算子)模型拟合统计量:AIC BIC log似然偏差59.012 62.552 -24.506 49.012固定效应系数(95% ci):名称估计SE tStat DF pValue{'(拦截)'}3.1196 0.88681 3.5178 12 0.0042407 {'Shift_Morning'} -0.3868 0.48344 -0.80009 12 0.43921 {'Shift_Night'} 1.9856 0.48344 4.1072 12 0.0014535下上1.1874 5.0518 -1.4401 0.66653 0.93227 3.0389随机效应协方差参数(95% ci):组:操作员(5级)Name1 Name2类型估计{'(拦截)'}{'(拦截)'}{'std'} 1.8297下上0.94915 3.5272组:错误名称估计下上{'Res std'} 0.76439 0.49315 1.1848
测试除截距外的所有固定效应系数是否均为0。
pVal = coefTest(lme)
pVal = 7.5956e-04
小 -value表示并非所有固定效应系数都为0。
测试的意义转变
使用对比矩阵的术语。
H = [0 10 0;0 0 1];pVal = coefTest(lme,H)
pVal = 7.5956e-04
测试的意义转变
术语使用方差分析
方法。
方差分析(lme)
ans =方差分析边际检验:DFMethod = '残差' Term FStat DF1 DF2 pValue{'(截距)'}12.375 1 12 0.0042407 {'Shift'} 13.864 2 12 0.00075956
的
值为转变
, 0.00075956,与
-之前假设检验的值。
测试一下晚班和早班是否有区别。
pVal = coefTest(lme,[0 1 -1])
pVal = 3.6147e-04
这个小 -value表示早晚两班操作符的性能不一样。
固定效应系数的假设检验
加载样例数据。
负载(“weight.mat”)
重量
包含来自纵向研究的数据,其中20名受试者被随机分配到4个运动项目,他们的体重减轻记录在6个2周的时间段内。这是模拟数据。
将数据存储在表中。定义主题
而且程序
作为分类变量。
tbl = table(InitialWeight,Program,Subject,Week,y);资源描述。主题=名义(tb .Subject);资源描述。Program = nominal(tbl.Program);
拟合线性混合效应模型,其中初始权重、节目类型、周以及周和节目类型之间的相互作用是固定效应。截距和周因学科而异。
Lme = fitlme(tbl,'y ~ InitialWeight + Program*Week + (Week|Subject)')
模型信息:观测数量120固定效应系数9随机效应系数40协方差参数4公式:y ~ 1 + InitialWeight +计划*周+(1 +周|受试者)模型拟合统计量:AIC BIC LogLikelihood Deviance -22.981 13.257 24.49 -48.981固定效应系数(95% ci):名称估计SE tStat DF{'(截取)'}0.66105 0.25892 2.5531 111 {'InitialWeight'} 0.0031879 0.0013814 2.3078 111 {'Program_B'} 0.36079 0.13139 2.746 111 {'Program_C'} 0.11317 0.13132 0.86175 111 {'Program_D'} 0.1732 0.067454 2.5677 111 {'Program_B:Week'} 0.038771 0.095394 0.40644 111 {'Program_C:Week'} 0.030543 0.095394 0.32018 111 {'Program_D:Week'} 0.033114 0.095394 0.34713 111 pValue Lower Upper 0.012034 0.14798 1.1741 0.022863 0.000450670.0059252 0.0070394 0.10044 0.62113 0.80029 -0.29319 0.22666 0.39068 -0.14706 0.3734 0.011567 0.039536 0.30686 0.68521 -0.15026 0.2278 0.74944 -0.15849 0.21957 0.72915 -0.15592 0.22214随机效应协方差参数(95% CIs):组:主题(20个级别)Name1 Name2类型估计{'(截取)'}{'(截取)'}{'std'} 0.18407{'周'}{'周'}{'corr'} 0.66841{'周'}{'周'}{'std'} 0.15033上下限0.12281 0.27587 0.21076 0.88573 0.11004 0.20537组:错误名称估计下上{'Res Std'} 0.10261 0.087882 0.11981
检验之间相互作用的显著性程序
而且周
.
H = [0 0 0 0 0 0 0 1 0 0;0 0 0 0 0 0 0 0 1 0;0 0 0 0 0 0 0 1];pVal = coefTest(lme,H)
pVal = 0.9775
高
-value表示之间的交互程序
而且周
没有统计学意义。
现在,测试是否所有系数都涉及程序
都是0。
H = [0 0 1 0 0 0 0 0 0 0;0 0 0 1 0 0 0 0;0 0 0 0 1 0 0 0 0;0 0 0 0 0 0 1 0 0;0 0 0 0 0 0 0 0 1 0;0 0 0 0 0 0 0 1];C = [0;0;0;0;0];pVal = coefTest(lme,H,C)
pVal = 0.0274
的
-value为0.0274表示不是所有涉及程序
为零。
固定和随机效应系数的假设检验
加载样例数据。
负载流感
的流感
数据集数组有一个日期
变量,以及包含估计流感发病率的10个变量(在9个不同地区,根据谷歌®搜索估计,加上CDC的全国估计)。
要拟合线性混合效果模型,您的数据必须在正确格式化的数据集数组中。为了拟合以流感发生率为响应,以区域为预测变量的线性混合效应模型,将区域对应的九列组合成一个数组。新的数据集数组,flu2
,必须有响应变量,FluRate
,名义变量,地区
,显示每个估计来自哪个区域,以及分组变量日期
.
Flu2 = stack(流感,2:10,“NewDataVarName”,“FluRate”,...“IndVarName”,“地区”);flu2。日期=nominal(flu2.Date);
拟合一个线性混合效应模型,该模型具有区域固定效应和随机截距的变化日期
.
Lme = fitlme(flu2,' flate ~ 1 + Region + (1|Date)')
模型信息:观测数量468固定效应系数9随机效应系数52协方差参数2公式:波动~ 1 +区域+(1 |日期)模型拟合统计量:AIC BIC log似然偏差318.71 364.35 -148.36 296.71固定效应系数(95% ci):名称估计SE tStat DF{'(截取)'}1.2233 0.096678 12.654 459 {'Region_MidAtl'} 0.010192 0.052221 0.19518 459 {'Region_WNCentral'} 0.023687 0.052221 0.5359 4.5359 {'Region_SAtl'} 0.075481 0.052221 1.4454 459 {'Region_WSCentral'} 0.33917 0.052221 6.495 459 {'Region_Mtn'} 0.046673 0.052221 0.89377 459 {'Region_Pac'} -0.16013 0.052221 -3.0665 459 pValue Lower Upper 1.085e-31 1.0334 1.41330.84534 -0.092429 0.11281 0.3206 -0.050698 0.15454 7.3324e-06 0.13424 0.33949 0.14902 -0.02714 0.1781 2.1623e-10 0.23655 0.44179 0.18705 -0.033621 0.17162 0.37191 -0.055948 0.14929 0.0022936 -0.26276 -0.057514随机效应协方差参数(95% CIs):组:日期(52级)Name1 Name2类型估计{'(拦截)'}{'(拦截)'}{'std'} 0.6443上下0.5297 0.78368组:错误名称估计上下{'Res std'} 0.26627 0.24878 0.285
检验2005年10月9日的随机效应项为零的假设。
[~,~,STATS] = randomEffects(lme);计算随机效应统计数据(STATS)统计数据。Level = nominal(STATS.Level);K = 0(长度(STATS),1);K(统计数据。水平= =“10/9/2005”) = 1;pVal = coefTest(lme,[0 0 0 0 0 0 0 0 0 0],0,“REContrast”K”)
pVal = 0.1692
这次用一个随机截距和斜率来改装模型。
Lme = fitlme(flu2,' 1 +区域+(1 +区域|日期)');
检验了区域组合系数的假设WNCentral
2005年10月9日是零。
[~,~,STATS] = randomEffects(lme);统计数据。Level = nominal(STATS.Level);K = 0(长度(STATS),1);K(统计数据。水平= =“10/9/2005”& flu2。地区==“WNCentral”) = 1;pVal = coefTest(lme,[0 0 0 1 0 0 0 0 0 0],0,“REContrast”K”)
pVal = 1.3947e-12
同时返回 -统计分子和分母的自由度。
[pVal,F,DF1,DF2] = coefTest(lme,[0 0 0 1 0 0 0 0 0 0],0,“REContrast”K”)
pVal = 1.3947e-12
F = 53.0987
Df1 = 1
Df2 = 459
使用Satterthwaite近似对分母自由度重复测试。
[pVal,F,DF1,DF2] = coefTest(lme,[0 0 0 1 0 0 0 0 0 0],0,“REContrast”, K’,...“DFMethod”,“satterthwaite”)
pVal = NaN
F = 53.0987
Df1 = 1
Df2 = 0
另请参阅
Matlab명령
다음matlab명령에해당하는링크를클릭했습니다。
명령을실행하려면matlab명령창에입력하십시오。웹브라우저는matlab명령을지원하지않습니다。
您也可以从以下列表中选择一个网站:
如何获得最佳的网站性能
选择中国站点(中文或英文)以获得最佳站点性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。