随机
从拟合线性mixed-effects模型生成随机响应
描述
输入参数
lme三个月
- - - - - -线性mixed-effects模型
LinearMixedModel
对象
指定为一个线性mixed-effects模型LinearMixedModel
对象构造使用fitlme
或fitlmematrix
。
tblnew
- - - - - -新输入数据
表|数据集
数组
新输入数据,包括响应变量,预测变量和分组变量数组,指定为一个表或数据集。预测变量可以是连续的或分组变量。tblnew
原表中必须有相同的变量或数组数据集用于符合线性mixed-effects模型lme三个月
。
Xnew
- - - - - -新的固定后果设计矩阵
n——- - - - - -p矩阵
新的固定后果设计矩阵,作为指定n——- - - - - -p矩阵,n是观察和的数量吗p是固定的数量预测变量。每一行的X
对应的一个观察和每一列X
对应于一个变量。
数据类型:单
|双
Znew
- - - - - -新随机设计
n——- - - - - -问矩阵|单元阵列的长度R
新随机设计,指定为一个n——- - - - - -问矩阵或单元阵列R设计矩阵Z {r}
,在那里r= 1,2,…,R。如果Znew
是一个单元阵列,那么每个Z {r}
是一个n——- - - - - -问(r)矩阵,n是观测的数量,和问(r)是随机预测变量的数量。
数据类型:单
|双
|细胞
输出参数
ysim
——模拟响应值
n1的向量
模拟响应值,作为一个返回n1的向量,n是观测的数量。
例子
在最初的设计生成随机响应值
加载示例数据。
负载(“fertilizer.mat”);
数据数组从裂区试验,包括数据在土壤分为三个街区基于土壤类型:桑迪,粉砂和肥沃的。每一块分为五块,五个不同类型的番茄植物(樱桃,传家宝,葡萄,葡萄,李子)随机分配到这些情节。情节的番茄然后分为次要情节,其中每个次要情节由四种肥料处理。这是模拟数据。
将数据存储在一个数据集称为数组ds
为实用目的,并定义番茄
,土壤
,肥料
作为分类变量。
ds =肥料;ds。番茄=名义(ds.Tomato);ds。土壤=名义(ds.Soil);ds。肥料=名义(ds.Fertilizer);
适合一个线性mixed-effects模型,肥料
和番茄
固定后果变量,平均收益率不同的块(土壤类型),和情节在块独立(番茄类型土壤类型)。
lme = fitlme (ds,的收益~肥*番茄+(1 |土壤)+(1 |土壤:番茄)');
在最初的设计点生成随机响应值。显示前五个值。
rng (123“旋风”)%的再现性ysim =随机(lme);ysim (1:5)
ans =5×1114.8785 134.2018 154.2818 169.7554 84.6089
随机生成的情节与观察到的响应值
加载示例数据。
负载carsmall
适合线性mixed-effects模型,固定后果重量
,和一个随机拦截分组Model_Year
。首先,将数据存储在一个表。
台=表(MPG、重量、Model_Year);lme = fitlme(资源描述,“MPG ~体重+ (1 | Model_Year)”);
使用原始数据随机生成反应。
rng (123“旋风”)%的再现性ysim =随机(lme(资源);
情节原始图像和随机生成的反应,看看他们是不同的。集团通过模型。
图()gscatter(重量、MPG Model_Year)在gscatter(重量、ysim Model_Year [],“o + x”)传说(70 -数据,76 -数据,82 -数据,“70 - sim卡”,“76 - sim卡”,“82 - sim卡”)举行从
注意,模拟随机响应值低于82年的原始数据。这可能是由于82年模拟随机效应低于原始数据的随机效应估计。
使用一个新的数据集生成反应数组
加载示例数据。
负载(“fertilizer.mat”);
数据数组从裂区试验,包括数据在土壤分为三个街区基于土壤类型:桑迪,粉砂和肥沃的。每一块分为五块,五个不同类型的番茄植物(樱桃,传家宝,葡萄,葡萄,李子)随机分配到这些情节。情节的番茄然后分为次要情节,其中每个次要情节由四种肥料处理。这是模拟数据。
将数据存储在一个数据集称为数组ds
为实用目的,并定义番茄
,土壤
,肥料
作为分类变量。
ds =肥料;ds。番茄=名义(ds.Tomato);ds。土壤=名义(ds.Soil);ds。肥料=名义(ds.Fertilizer);
适合一个线性mixed-effects模型,肥料
和番茄
固定后果变量,平均收益率不同的块(土壤类型),和情节在块独立(番茄类型土壤类型)。
lme = fitlme (ds,的收益~肥*番茄+(1 |土壤)+(1 |土壤:番茄)');
创建一个新的数据集与设计值数组。新数据数组必须与原始数据集具有相同的变量数组用于拟合模型lme三个月
。
dsnew =数据集();dsnew。土壤=nominal({“桑迪”;“粉”;“粉”});dsnew。番茄=nominal({“樱桃”;“葡萄”;“李子”});dsnew。肥料=名义([2;2,4]);
生成随机响应的新观点。
rng (123“旋风”)%的再现性dsnew ysim =随机(lme)
ysim =3×199.6006 101.9911 161.4026
使用新的设计矩阵生成随机响应
加载示例数据。
负载carbig
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,气缸,可能相关的拦截和加速度分组的随机效应模型。
首先,准备设计矩阵拟合线性mixed-effects模型。
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;
现在,适合模型使用fitlmematrix
定义设计矩阵和分组变量。
MPG lme = fitlmematrix (X, Z, G,“FixedEffectPredictors”,…。{“拦截”,“加速”,“马力”},“RandomEffectPredictors”,…{{“拦截”,“加速”}},“RandomEffectGroups”,{“Model_Year”});
创建设计矩阵,包含的数据来预测响应值。Xnew
必须有三个列X
。第一列必须是1 s的一列。和最后两列中的值必须对应加速度
和马力
,分别。第一列的Znew
必须是1 s的一列,第二列必须包含一样吗加速度
值如Xnew
。原来的分组变量G
是一年中模型。所以,Gnew
模型必须包含值。请注意,Gnew
必须包含名义值。
Xnew = [1, 13.5,185;1,17205;1、21.2,193];Znew = [1, 13.5;1、17;1,21.2);Gnew =名义((73 77 82));
为新设计中的数据生成随机响应矩阵。
rng (123“旋风”)%的再现性ysim =随机(lme Xnew、Znew Gnew)
ysim =3×115.7416 10.6085 6.8796
现在,重复相同的与不相关的随机线性mixed-effects模型条件拦截和加速度。首先,改变原来的随机效应设计和随机效应分组变量。然后,适应模型。
Z ={(406 1),加速};G = {Model_Year, Model_Year};MPG lme = fitlmematrix (X, Z, G,“FixedEffectPredictors”,…。{“拦截”,“加速”,“马力”},“RandomEffectPredictors”,…{{“拦截”},{“加速”}},“RandomEffectGroups”,{“Model_Year”,“Model_Year”});
现在,重新创建新的随机效应的设计,Znew
分组变量的设计,Gnew
,使用预测响应值。
Znew = {(1, 1, 1) (13.5; 17; 21.2)};我=名义((73 77 82));Gnew ={我的,我的};
使用新的设计矩阵生成随机响应。
rng (123“旋风”)%的再现性ysim =随机(lme Xnew、Znew Gnew)
ysim =3×116.8280 10.4375 4.1027
MATLAB命令
你点击一个链接对应MATLAB命令:
运行该命令通过输入MATLAB命令窗口。Web浏览器不支持MATLAB命令。金宝app
你也可以从下面的列表中选择一个网站:
表现最好的网站怎么走吗
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。