coefTest

类:LinearMixedModel

线性混合效应模型固定效应和随机效应的假设检验

展开全部页面

语法

pVal = coefTest(lme)

pVal = coefTest(lme,H)

pVal = coefTest(lme,H,C)

pVal = coefTest(lme,H,C,Name,Value)

[pVal,F,DF1,DF2] = coefTest(___）

描述

例子

pVal= coefTest (lme三个月）返回p-valueF-测试除截距外的所有固定效应系数都为0。

例子

pVal= coefTest (lme三个月，H）返回p-valueF线性混合效应模型固定效应系数检验lme三个月，使用对比矩阵H．它检验了零假设H₀：Hβ= 0，其中β是固定效应向量。

例子

pVal= coefTest (lme三个月，H，C）返回p-valueF-线性混合效应模型固定效应系数检验lme三个月，使用对比矩阵H．它检验了零假设H₀：Hβ＝C,在那里β是固定效应向量。

例子

pVal= coefTest (lme三个月，H，C，名称,值）返回p-valueF-检验线性混合效应模型的固定和/或随机效应系数lme三个月，使用由一个或多个名称-值对参数指定的其他选项。例如,REContrast, K告诉coefTest来检验原假设H₀：Hβ+KB＝C,在那里β固定效应向量和B是随机效应向量。

例子

［pVal，F，DF1，DF2= coefTest(___）还返回F统计F的分子和分母自由度F分别DF1而且DF2．

输入参数

全部展开

`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

全部展开

`pVal`- - - - - -p价值
标量值

p-valueF-检验线性混合效应模型的固定和/或随机效应系数lme三个月，作为标量值返回。

`F`- - - - - -F统计
标量值

F-statistic，作为标量值返回。

`DF1`分子自由度`F`
标量值

分子自由度F，作为标量值返回。

如果你检验零假设H₀：Hβ= 0，或H₀：Hβ＝C,然后DF1等于线性无关的行数H．
如果你检验零假设H₀：Hβ+KB＝C,然后DF1等于线性无关的行数(H, K)．

`DF2`的分母自由度`F`
标量值

的分母自由度F，作为标量值返回。的价值DF2这取决于您选择的选项DFMethod．

例子

全部展开

为分类数据测试固定效应系数

打开实时脚本

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 $p$ -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 $p$ 值为转变， 0.00075956，与 $p$ -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 $p$ -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

打开实时脚本

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 $p$ -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 $p$ -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

打开实时脚本

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WNCentral2005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 $F$ -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

LinearMixedModel|方差分析|coefCI

coefTest

语法

描述

输入参数

lme三个月- - - - - -线性混合效应模型LinearMixedModel对象

H- - - - - -固定后果的对比米——- - - - - -p矩阵

C- - - - - -假设值米1的向量

名称-值参数

DFMethod- - - - - -计算近似分母自由度的方法“残留”(默认)|“satterthwaite”|“没有”

REContrast- - - - - -随机对比米——- - - - - -问矩阵

输出参数

pVal- - - - - -p价值标量值

F- - - - - -F统计标量值

DF1分子自由度F标量值

DF2的分母自由度F标量值

例子

为分类数据测试固定效应系数

固定效应系数的假设检验

固定和随机效应系数的假设检验

另请参阅

`lme三个月`- - - - - -线性混合效应模型
`LinearMixedModel`对象

`H`- - - - - -固定后果的对比
米——- - - - - -p矩阵

`C`- - - - - -假设值
米1的向量

`DFMethod`- - - - - -计算近似分母自由度的方法
`“残留”`(默认)|`“satterthwaite”`|`“没有”`

`REContrast`- - - - - -随机对比
米——- - - - - -问矩阵

`pVal`- - - - - -p价值
标量值

`F`- - - - - -F统计
标量值

`DF1`分子自由度`F`
标量值

`DF2`的分母自由度`F`
标量值