主要内容gydF4y2Ba

nlmefitgydF4y2Ba

非线性混合效应估计gydF4y2Ba

折叠所有页面gydF4y2Ba

语法gydF4y2Ba

beta = nlmefit(X,y,group,V,fun,beta a0)gydF4y2Ba
[beta,PSI] = nlmefit(X,y,group,V,fun,beta0)gydF4y2Ba
[beta,PSI,stats] = nlmefit(X,y,group,V,fun,beta)gydF4y2Ba
[beta,PSI,stats,B] = nlmefit(X,y,group,V,fun,beta)gydF4y2Ba
[beta,PSI,stats,B] = nlmefit(X,y,group,V,fun,beta0，'gydF4y2Ba的名字gydF4y2Ba”,gydF4y2Ba价值gydF4y2Ba）gydF4y2Ba

描述gydF4y2Ba

beta = nlmefit(X,y,group,V,fun,beta a0)gydF4y2Ba拟合非线性混合效应回归模型，并返回固定效应的估计gydF4y2BaβgydF4y2Ba．默认情况下,gydF4y2BanlmefitgydF4y2Ba拟合一个模型，其中每个参数是固定效应和随机效应的和，随机效应是不相关的(它们的协方差矩阵是对角线的)。gydF4y2Ba

XgydF4y2Ba是一个gydF4y2BangydF4y2Ba——- - - - - -gydF4y2BahgydF4y2Ba矩阵的gydF4y2BangydF4y2Ba观察gydF4y2BahgydF4y2Ba预测因子。gydF4y2Ba

ygydF4y2Ba是一个gydF4y2BangydF4y2Ba响应的-by-1向量。gydF4y2Ba

集团gydF4y2Ba分组变量是否指示gydF4y2Ba米gydF4y2Ba组在观察中。gydF4y2Ba集团gydF4y2Ba类别变量、数字向量、组名行字符矩阵、字符串数组或字符向量单元格数组。有关分组变量的详细信息，请参见gydF4y2Ba分组变量gydF4y2Ba．gydF4y2Ba

VgydF4y2Ba是一个gydF4y2Ba米gydF4y2Ba——- - - - - -gydF4y2BaggydF4y2Ba矩阵或单元阵列的gydF4y2BaggydF4y2Ba类属特异性的预测因子。这些是对一组中所有观测值取相同值的预测因子。一排排的gydF4y2BaVgydF4y2Ba分配给组使用gydF4y2Bagrp2idxgydF4y2Ba，按指定的顺序gydF4y2Bagrp2idx(集团)gydF4y2Ba．使用单元格数组gydF4y2BaVgydF4y2Ba如果群体预测因子在不同群体之间大小不同。使用gydF4y2Ba［］gydF4y2Ba为gydF4y2BaVgydF4y2Ba如果没有特定群体的预测因子。gydF4y2Ba

有趣的gydF4y2Ba接受预测器值和模型参数并返回拟合值的函数句柄。gydF4y2Ba有趣的gydF4y2Ba有形式gydF4y2Ba

yfit = modelfun(PHI,XFUN,VFUN)gydF4y2Ba

论点如下:gydF4y2Ba

  • φgydF4y2Ba- 1 ×gydF4y2BapgydF4y2Ba模型参数向量。gydF4y2Ba

  • XFUNgydF4y2Ba——一个gydF4y2BakgydF4y2Ba——- - - - - -gydF4y2BahgydF4y2Ba预测器数组，其中:gydF4y2Ba

    • kgydF4y2Ba= 1gydF4y2BaXFUNgydF4y2Ba是单排的吗gydF4y2BaXgydF4y2Ba．gydF4y2Ba

    • kgydF4y2Ba＝gydF4y2BangydF4y2Ba我gydF4y2Ba如果gydF4y2BaXFUNgydF4y2Ba包含的行gydF4y2BaXgydF4y2Ba对于单个组的大小gydF4y2BangydF4y2Ba我gydF4y2Ba．gydF4y2Ba

    • kgydF4y2Ba＝gydF4y2BangydF4y2Ba如果gydF4y2BaXFUNgydF4y2Ba包含gydF4y2BaXgydF4y2Ba．gydF4y2Ba

  • VFUNgydF4y2Ba-由下列任一项给出的群体特定预测因素:gydF4y2Ba

    • 1 -gydF4y2BaggydF4y2Ba矢量分别对应一个单组和一个单行gydF4y2BaVgydF4y2Ba．gydF4y2Ba

    • 一个gydF4y2BangydF4y2Ba——- - - - - -gydF4y2BaggydF4y2Ba数组，其中gydF4y2BajgydF4y2Ba第一行是V(gydF4y2Ba我gydF4y2Ba，:)如果gydF4y2BajgydF4y2Ba观察是分组的gydF4y2Ba我gydF4y2Ba．gydF4y2Ba

    如果gydF4y2BaVgydF4y2Ba是空的,gydF4y2BanlmefitgydF4y2Ba调用gydF4y2BamodelfungydF4y2Ba只有两个输入。gydF4y2Ba

  • yfitgydF4y2Ba——一个gydF4y2BakgydF4y2Ba拟合值的-by-1向量gydF4y2Ba

当gydF4y2BaφgydF4y2Ba或gydF4y2BaVFUNgydF4y2Ba包含单行，它对应于其他两个输入参数中的所有行。gydF4y2Ba

请注意gydF4y2Ba

如果gydF4y2BamodelfungydF4y2Ba可以计算gydF4y2BayfitgydF4y2Ba对于每次调用的多个模型参数向量，请使用gydF4y2Ba向量化的gydF4y2Ba参数(稍后进行描述)，以提高性能。gydF4y2Ba

beta0gydF4y2Ba是一个gydF4y2Ba问gydF4y2Ba的初始估计值gydF4y2Ba问gydF4y2Ba固定效果。默认情况下,gydF4y2Ba问gydF4y2Ba是模型参数的个数吗gydF4y2BapgydF4y2Ba．gydF4y2Ba

nlmefitgydF4y2Ba通过最大化边缘似然的近似值来拟合模型，并将随机效应集成在外，假设:gydF4y2Ba

  • 随机效应是多变量正态分布，组间独立。gydF4y2Ba

  • 观测误差是独立的，同正态分布的，与随机效应无关。gydF4y2Ba

[beta,PSI] = nlmefit(X,y,group,V,fun,beta0)gydF4y2Ba同样的回报gydF4y2BaψgydF4y2Ba,一个gydF4y2BargydF4y2Ba——- - - - - -gydF4y2BargydF4y2Ba估计随机效应的协方差矩阵。默认情况下,gydF4y2BargydF4y2Ba是否等于模型参数的个数gydF4y2BapgydF4y2Ba．gydF4y2Ba

[beta,PSI,stats] = nlmefit(X,y,group,V,fun,beta)gydF4y2Ba同样的回报gydF4y2Ba统计数据gydF4y2Ba，一个包含字段的结构:gydF4y2Ba

  • 教育部gydF4y2Ba-模型的误差自由度gydF4y2Ba

  • loglgydF4y2Ba-拟合模型的最大对数似然gydF4y2Ba

  • rmsegydF4y2Ba-估计误差方差的平方根(在日志尺度上计算)gydF4y2Ba指数gydF4y2Ba误差模型)gydF4y2Ba

  • errorparamgydF4y2Ba-误差方差模型的估计参数gydF4y2Ba

  • 另类投资会议gydF4y2Ba-赤池信息准则，计算为gydF4y2Ba另类投资会议gydF4y2Ba= -2 *gydF4y2BaloglgydF4y2Ba+ 2 *gydF4y2BanumParamgydF4y2Ba,在那里gydF4y2BanumParamgydF4y2Ba拟合参数的数量，包括随机效应的协方差矩阵的自由度，固定效应的数量和误差模型的参数的数量，以及gydF4y2BaloglgydF4y2Ba是场在gydF4y2Ba统计数据gydF4y2Ba结构gydF4y2Ba

  • bicgydF4y2Ba-贝叶斯信息准则，计算为gydF4y2BabicgydF4y2Ba= 2 *gydF4y2BaloglgydF4y2Ba+日志(gydF4y2Ba米gydF4y2Ba） *gydF4y2BanumParamgydF4y2Ba

    • 米gydF4y2Ba是组的数目。gydF4y2Ba

    • numParamgydF4y2Ba而且gydF4y2BaloglgydF4y2Ba定义为gydF4y2Ba另类投资会议gydF4y2Ba．gydF4y2Ba

    注意，一些文献表明的计算gydF4y2BabicgydF4y2Ba应该是，gydF4y2BabicgydF4y2Ba= 2 *gydF4y2BaloglgydF4y2Ba+日志(gydF4y2BaNgydF4y2Ba） *gydF4y2BanumParamgydF4y2Ba,在那里gydF4y2BaNgydF4y2Ba是观测的数量。gydF4y2Ba

  • covbgydF4y2Ba-参数估计的协方差矩阵gydF4y2Ba

  • sebetagydF4y2Ba的标准误差gydF4y2BaβgydF4y2Ba

  • 忿怒gydF4y2Ba-人口残差gydF4y2Ba(y-y_population)gydF4y2Ba,在那里gydF4y2Bay_populationgydF4y2Ba个体是预测值吗gydF4y2Ba

  • 总统gydF4y2Ba-人口残差gydF4y2Ba(y-y_population)gydF4y2Ba,在那里gydF4y2Bay_populationgydF4y2Ba总体是预测值吗gydF4y2Ba

  • 本方案gydF4y2Ba-个人加权残差gydF4y2Ba

  • 压水式反应堆gydF4y2Ba-总体加权残差gydF4y2Ba

  • 轨gydF4y2Ba-条件加权残差gydF4y2Ba

[beta,PSI,stats,B] = nlmefit(X,y,group,V,fun,beta)gydF4y2Ba同样的回报gydF4y2BaBgydF4y2Ba,一个gydF4y2BargydF4y2Ba——- - - - - -gydF4y2Ba米gydF4y2Ba估计随机效应的矩阵gydF4y2Ba米gydF4y2Ba组。默认情况下,gydF4y2BargydF4y2Ba是否等于模型参数的个数gydF4y2BapgydF4y2Ba．gydF4y2Ba

[beta,PSI,stats,B] = nlmefit(X,y,group,V,fun,beta0，'gydF4y2Ba的名字gydF4y2Ba”,gydF4y2Ba价值gydF4y2Ba）gydF4y2Ba指定一个或多个可选参数名/值对。指定gydF4y2Ba的名字gydF4y2Ba在单引号内。gydF4y2Ba

使用以下参数拟合不同于默认的模型。(通过设置两者来获得默认模型gydF4y2BaFEConstDesigngydF4y2Ba而且gydF4y2BaREConstDesigngydF4y2Ba来gydF4y2Ba眼(p)gydF4y2Ba，或同时设置gydF4y2BaFEParamsSelectgydF4y2Ba而且gydF4y2BaREParamsSelectgydF4y2Ba来gydF4y2Ba1: pgydF4y2Ba)。最多使用一个参数gydF4y2Ba“菲”gydF4y2Ba前缀和一个参数gydF4y2Ba“重新”gydF4y2Ba前缀。的gydF4y2BanlmefitgydF4y2Ba函数要求您指定至少一个固定效果和一个随机效果。gydF4y2Ba

参数gydF4y2Ba 价值gydF4y2Ba
FEParamsSelectgydF4y2Ba

一个向量，指定参数向量的元素gydF4y2BaφgydF4y2Ba包括一个固定的效果，给出从指数的数值矢量gydF4y2Ba1gydF4y2Ba来gydF4y2BapgydF4y2Ba或者是1 × -gydF4y2BapgydF4y2Ba逻辑向量。如果gydF4y2Ba问gydF4y2Ba是指定了元素的数量，那么模型包含什么gydF4y2Ba问gydF4y2Ba固定效果。gydF4y2Ba
FEConstDesigngydF4y2Ba

一个gydF4y2BapgydF4y2Ba——- - - - - -gydF4y2Ba问gydF4y2Ba设计矩阵gydF4y2Ba动力gydF4y2Ba,在那里gydF4y2Ba动力*βgydF4y2Ba是固定部件吗gydF4y2BapgydF4y2Ba的元素gydF4y2BaφgydF4y2Ba．gydF4y2Ba
FEGroupDesigngydF4y2Ba

一个gydF4y2BapgydF4y2Ba——- - - - - -gydF4y2Ba问gydF4y2Ba——- - - - - -gydF4y2Ba米gydF4y2Ba数组指定不同的gydF4y2BapgydF4y2Ba——- - - - - -gydF4y2Ba问gydF4y2Ba固定效果设计矩阵的每一个gydF4y2Ba米gydF4y2Ba组。gydF4y2Ba
FEObsDesigngydF4y2Ba

一个gydF4y2BapgydF4y2Ba——- - - - - -gydF4y2Ba问gydF4y2Ba——- - - - - -gydF4y2BangydF4y2Ba数组指定不同的gydF4y2BapgydF4y2Ba——- - - - - -gydF4y2Ba问gydF4y2Ba固定效果设计矩阵的每一个gydF4y2BangydF4y2Ba观察。gydF4y2Ba
REParamsSelectgydF4y2Ba

一个向量，指定参数向量的元素gydF4y2BaφgydF4y2Ba包括一个随机效果，给出一个数值矢量的指标gydF4y2Ba1gydF4y2Ba来gydF4y2BapgydF4y2Ba或者是1 × -gydF4y2BapgydF4y2Ba逻辑向量。该模型包括gydF4y2BargydF4y2Ba随机效果，其中gydF4y2BargydF4y2Ba指定的元素数。gydF4y2Ba
REConstDesigngydF4y2Ba

一个gydF4y2BapgydF4y2Ba——- - - - - -gydF4y2BargydF4y2Ba设计矩阵gydF4y2BaBDESIGNgydF4y2Ba,在那里gydF4y2BaBDESIGN * BgydF4y2Ba的随机分量是gydF4y2BapgydF4y2Ba的元素gydF4y2BaφgydF4y2Ba．gydF4y2Ba
REGroupDesigngydF4y2Ba

一个gydF4y2BapgydF4y2Ba——- - - - - -gydF4y2BargydF4y2Ba——- - - - - -gydF4y2Ba米gydF4y2Ba数组指定不同的gydF4y2BapgydF4y2Ba——- - - - - -gydF4y2BargydF4y2Ba随机效应设计矩阵为每个gydF4y2Ba米gydF4y2Ba组。gydF4y2Ba
REObsDesigngydF4y2Ba

一个gydF4y2BapgydF4y2Ba——- - - - - -gydF4y2BargydF4y2Ba——- - - - - -gydF4y2BangydF4y2Ba数组指定不同的gydF4y2BapgydF4y2Ba——- - - - - -gydF4y2BargydF4y2Ba随机效应设计矩阵为每个gydF4y2BangydF4y2Ba观察。gydF4y2Ba

使用以下参数控制迭代算法使似然最大化:gydF4y2Ba

参数gydF4y2Ba 价值gydF4y2Ba
RefineBeta0gydF4y2Ba

决定gydF4y2BanlmefitgydF4y2Ba进行初始细化gydF4y2Babeta0gydF4y2Ba通过首次拟合gydF4y2BamodelfungydF4y2Ba没有随机效果和替换gydF4y2Babeta0gydF4y2Ba与gydF4y2BaβgydF4y2Ba．的选择是gydF4y2Ba“上”gydF4y2Ba而且gydF4y2Ba“关闭”gydF4y2Ba．默认值为gydF4y2Ba“上”gydF4y2Ba．gydF4y2Ba
ErrorModelgydF4y2Ba

指定错误项形式的字符向量或字符串标量。默认是gydF4y2Ba“不变”gydF4y2Ba．每个模型都使用标准正态(高斯)变量来定义误差gydF4y2BaegydF4y2Ba，函数值gydF4y2BafgydF4y2Ba，和一个或两个参数gydF4y2Ba一个gydF4y2Ba而且gydF4y2BabgydF4y2Ba．的选择是:gydF4y2Ba

  • “不变”gydF4y2Ba:gydF4y2BaygydF4y2Ba＝gydF4y2BafgydF4y2Ba+gydF4y2Ba一个gydF4y2Ba＊gydF4y2BaegydF4y2Ba

  • “比例”gydF4y2Ba:gydF4y2BaygydF4y2Ba＝gydF4y2BafgydF4y2Ba+gydF4y2BabgydF4y2Ba＊gydF4y2BafgydF4y2Ba＊gydF4y2BaegydF4y2Ba

  • “组合”gydF4y2Ba:gydF4y2BaygydF4y2Ba＝gydF4y2BafgydF4y2Ba+ (gydF4y2Ba一个gydF4y2Ba+gydF4y2BabgydF4y2Ba＊gydF4y2BafgydF4y2Ba）*gydF4y2BaegydF4y2Ba

  • “指数”gydF4y2Ba:gydF4y2BaygydF4y2Ba＝gydF4y2BafgydF4y2Ba* exp (gydF4y2Ba一个gydF4y2Ba＊gydF4y2BaegydF4y2Ba)，或等价于log(gydF4y2BaygydF4y2Ba) = log(gydF4y2BafgydF4y2Ba) +gydF4y2Ba一个gydF4y2Ba＊gydF4y2BaegydF4y2Ba

如果给出此参数，则输出gydF4y2Bastats.errorparamgydF4y2Ba字段的值为gydF4y2Ba

  • 一个gydF4y2Ba为gydF4y2Ba“不变”gydF4y2Ba而且gydF4y2Ba“指数”gydF4y2Ba

  • bgydF4y2Ba为gydF4y2Ba“比例”gydF4y2Ba

  • ［gydF4y2Ba一个gydF4y2BabgydF4y2Ba]gydF4y2Ba“组合”gydF4y2Ba
ApproximationTypegydF4y2Ba

用来近似似然模型的方法。的选择是:gydF4y2Ba

  • LME的gydF4y2Ba-在的当前条件估计下，使用线性混合效应模型的可能性gydF4y2BaβgydF4y2Ba而且gydF4y2BaBgydF4y2Ba．这是默认值。gydF4y2Ba

  • “RELME”gydF4y2Ba-在的当前条件估计下，对线性混合效应模型使用限制似然gydF4y2BaβgydF4y2Ba而且gydF4y2BaBgydF4y2Ba．gydF4y2Ba

  • ‘佛’gydF4y2Ba-无随机效应的一阶拉普拉斯近似。gydF4y2Ba

  • “FOCE”gydF4y2Ba的条件估计的一阶拉普拉斯近似gydF4y2BaBgydF4y2Ba．gydF4y2Ba
向量化gydF4y2Ba

属性的可接受大小gydF4y2BaφgydF4y2Ba，gydF4y2BaXFUNgydF4y2Ba,gydF4y2BaVFUNgydF4y2Ba输入参数到gydF4y2BamodelfungydF4y2Ba．的选择是:gydF4y2Ba

  • “SinglePhi”gydF4y2Ba- - - - - -gydF4y2BamodelfungydF4y2Ba一次只能接受一组模型参数，那么gydF4y2BaφgydF4y2Ba每次调用都必须是单行向量。gydF4y2BanlmefitgydF4y2Ba调用gydF4y2BamodelfungydF4y2Ba在一个循环中，如果有必要，用一个gydF4y2BaφgydF4y2BaVector和withgydF4y2BaXFUNgydF4y2Ba一次包含用于单个观察或组的行。gydF4y2BaVFUNgydF4y2Ba可以是单行适用于所有行gydF4y2BaXFUNgydF4y2Ba，或行与中的行相对应的矩阵gydF4y2BaXFUNgydF4y2Ba．这是默认值。gydF4y2Ba

  • “SingleGroup”gydF4y2Ba- - - - - -gydF4y2BamodelfungydF4y2Ba只能接受输入中对应的某一组数据，那么呢gydF4y2BaXFUNgydF4y2Ba必须包含gydF4y2BaXgydF4y2Ba每次通话都来自一个组。根据模型的不同，gydF4y2BaφgydF4y2Ba是应用于整个组的单行或每个观察值都有一行的矩阵。gydF4y2BaVFUNgydF4y2Ba是单行。gydF4y2Ba

  • “全部”gydF4y2Ba- - - - - -gydF4y2BamodelfungydF4y2Ba可以接受数据中的多个参数向量和多个组的输入。要么gydF4y2BaφgydF4y2Ba或gydF4y2BaVFUNgydF4y2Ba可以是单行适用于所有行gydF4y2BaXFUNgydF4y2Ba或者一个矩阵的行与里面的行相对应gydF4y2BaXFUNgydF4y2Ba．此选项可以通过减少调用的数量来提高性能gydF4y2BamodelfungydF4y2Ba，但可能需要gydF4y2BamodelfungydF4y2Ba对其执行单例展开gydF4y2BaφgydF4y2Ba或gydF4y2BaVgydF4y2Ba．gydF4y2Ba
CovParameterizationgydF4y2Ba

指定用于缩放协方差矩阵的内部参数化。的选择是gydF4y2Ba“胆固醇”gydF4y2Ba对于Cholesky因式分解或gydF4y2Ba“logm”gydF4y2Ba矩阵对数。默认为gydF4y2Ba“logm”gydF4y2Ba．gydF4y2Ba
CovPatterngydF4y2Ba

指定一个gydF4y2BargydF4y2Ba——- - - - - -gydF4y2BargydF4y2Ba逻辑或数字矩阵gydF4y2BaPgydF4y2Ba这定义了随机效应协方差矩阵的模式gydF4y2BaψgydF4y2Ba．gydF4y2BanlmefitgydF4y2Ba的对角线上估计方差gydF4y2BaψgydF4y2Ba的非零元素所指定的协方差gydF4y2BaPgydF4y2Ba．中非对角线元素为零的协方差gydF4y2BaPgydF4y2Ba被限制为零。如果gydF4y2BaPgydF4y2Ba未指定块对角矩阵的行-列排列，gydF4y2BanlmefitgydF4y2Ba添加非零元素gydF4y2BaPgydF4y2Ba根据需要。的默认值gydF4y2BaPgydF4y2Ba是gydF4y2Ba眼睛(右)gydF4y2Ba，对应不相关随机效应。gydF4y2Ba

另外,gydF4y2BaPgydF4y2Ba可能是1 ×gydF4y2BargydF4y2Ba向量，其中包含gydF4y2Ba1: rgydF4y2Ba，用相等的值指定随机效果组。在这种情况下，gydF4y2BanlmefitgydF4y2Ba仅估计组内的协方差，并将组间的协方差限制为零。gydF4y2Ba
ParamTransformgydF4y2Ba

的向量gydF4y2BapgydF4y2Ba-values指定转换函数gydF4y2BafgydF4y2Ba()为每一个gydF4y2BaPgydF4y2Ba参数:gydF4y2BaXBgydF4y2Ba＝gydF4y2Ba动力gydF4y2Ba＊gydF4y2BaβgydF4y2Ba+gydF4y2BaBDESIGNgydF4y2Ba＊gydF4y2BaBgydF4y2BaφgydF4y2Ba＝gydF4y2BafgydF4y2Ba（gydF4y2BaXBgydF4y2Ba)．向量的每个元素必须是以下整数代码之一，指定对应PHI值的转换:gydF4y2Ba

  • 0：gydF4y2BaφgydF4y2Ba＝gydF4y2BaXBgydF4y2Ba(默认为所有参数)gydF4y2Ba

  • 1:日志(gydF4y2BaφgydF4y2Ba) =gydF4y2BaXBgydF4y2Ba

  • 2: probit (gydF4y2BaφgydF4y2Ba) =gydF4y2BaXBgydF4y2Ba

  • 3:分对数(gydF4y2BaφgydF4y2Ba) =gydF4y2BaXBgydF4y2Ba
选项gydF4y2Ba

返回的窗体的结构gydF4y2BastatsetgydF4y2Ba．gydF4y2BanlmefitgydF4y2Ba使用以下方法gydF4y2BastatsetgydF4y2Ba参数:gydF4y2Ba

  • “DerivStep”gydF4y2Ba-有限差分梯度计算中使用的相对差分。可以是标量，也可以是长度为模型参数数的向量gydF4y2BapgydF4y2Ba．默认为gydF4y2Baeps ^ (1/3)gydF4y2Ba．gydF4y2Ba

  • “显示”gydF4y2Ba-估计期间的迭代显示水平。的选择是:gydF4y2Ba

    • “关闭”gydF4y2Ba(默认值)-不显示任何信息gydF4y2Ba

    • “最后一次”gydF4y2Ba—显示最后一次迭代后的信息gydF4y2Ba

    • “通路”gydF4y2Ba—每次迭代显示信息gydF4y2Ba

  • “FunValCheck”gydF4y2Ba—检查无效值，例如gydF4y2Ba南gydF4y2Ba或gydF4y2Ba正gydF4y2Ba,从gydF4y2BamodelfungydF4y2Ba．的选择是gydF4y2Ba“上”gydF4y2Ba而且gydF4y2Ba“关闭”gydF4y2Ba．默认为gydF4y2Ba“上”gydF4y2Ba．gydF4y2Ba

  • “麦克斯特”gydF4y2Ba-允许的最大迭代次数。默认为gydF4y2Ba200gydF4y2Ba．gydF4y2Ba

  • “OutputFcn”gydF4y2Ba-使用指定的函数句柄gydF4y2Ba@gydF4y2Ba，一个带有函数句柄的单元格数组或一个空数组(默认)。求解器在每次迭代后调用所有输出函数。gydF4y2Ba

  • “TolFun”gydF4y2Ba-对数似然函数上的终止容差。默认为gydF4y2Ba1的军医gydF4y2Ba．gydF4y2Ba

  • “TolX”gydF4y2Ba-终止公差对估计的固定和随机影响。默认为gydF4y2Ba1的军医gydF4y2Ba．gydF4y2Ba
OptimFungydF4y2Ba

用于使似然函数最大化的估计过程的优化函数，指定为gydF4y2Ba“fminsearch”gydF4y2Ba(默认)或gydF4y2Ba“fminunc”gydF4y2Ba．使用gydF4y2Ba“fminunc”gydF4y2Ba需要优化工具箱™。的gydF4y2BafminsearchgydF4y2Ba函数使用直接搜索方法，只使用函数求值。的gydF4y2BafminuncgydF4y2Ba(优化工具箱)gydF4y2Ba函数使用梯度方法，通常对最大化似然函数的优化问题更有效。gydF4y2Ba

例子gydF4y2Ba

全部折叠gydF4y2Ba

打开实时脚本gydF4y2Ba

输入并显示五棵橘子树的生长数据。gydF4y2Ba

Circ = [30 58 87 115 120 142 145;33 69 111 156 172 203 203;30 51 75 108 115 139 140;32 62 112 167 179 209 214;30 49 81 125 142 174 177];时间= [118 484 664 1004 1231 1372 1582];h = plot(时间，CIRC'，gydF4y2Ba“o”gydF4y2Ba，gydF4y2Ba“线宽”gydF4y2Ba2);包含(gydF4y2Ba的时间(天)gydF4y2Ba) ylabel (gydF4y2Ba的周长(毫米)gydF4y2Ba)标题(gydF4y2Ba“{\bf橙树生长}”gydF4y2Ba) ([repmat传奇(gydF4y2Ba“树”gydF4y2Ba5 1) num2str ((1:5) '),gydF4y2Ba.．.gydF4y2Ba“位置”gydF4y2Ba，gydF4y2Ba“西北”gydF4y2Ba网格)gydF4y2Ba在gydF4y2Ba持有gydF4y2Ba在gydF4y2Ba

图中包含一个轴对象。标题为空白O r an e空白T r e空白g r O w Th的坐标轴对象包含5个类型为line的对象。这些对象表示树1、树2、树3、树4、树5。gydF4y2Ba

使用匿名函数指定逻辑增长模型。gydF4y2Ba

模型= @(φ,t)(φ(:1))。/ (1 + exp (- (t-PHI(:, 2)) /φ(:,3)));gydF4y2Ba

拟合模型gydF4y2BanlmefitgydF4y2Ba在默认设置下(即假设每个参数是固定效果和随机效果的和，随机效果之间没有相关性):gydF4y2Ba

TIME = repmat(TIME,5,1);NUMS = repmat((1:5)'，size(时间));Beta0 = [100 100 100];[beta1,形式,stats1] = nlmefit(时间(:),保监会(:),num (:),gydF4y2Ba.．.gydF4y2Ba[],模型,beta0)gydF4y2Ba
beta1 =gydF4y2Ba3×1gydF4y2Ba191.3189 723.7608 346.2517gydF4y2Ba
形式=gydF4y2Ba3×3gydF4y2Ba962.1534 000 0.0000 000 297.9879gydF4y2Ba
stats1 =gydF4y2Ba带字段的结构:gydF4y2BaDfe: 28 logl: -131.5457 mse: 59.7882 rmse: 7.9016 errorparam: 7.7323 aic: 277.0913 bic: 274.3574 covb: [3x3 double] sebeta: [15.2249 33.1579 26.8235] ires: [35x1 double] pres: [35x1 double] iwres: [35x1 double] pwres: [35x1 double] cwres: [35x1 double]gydF4y2Ba

第二个随机效应的方差可以忽略不计，gydF4y2Ba的形式(2,2)gydF4y2Ba，表明可以删除它来简化模型。gydF4y2Ba

[beta2,PSI2,stats2,b2] = nlmefit(TIME(:)，CIRC(:)，gydF4y2Ba.．.gydF4y2Banum(:),[],模型,beta0,gydF4y2Ba“REParamsSelect”gydF4y2Ba1, [3])gydF4y2Ba
beta2 =gydF4y2Ba3×1gydF4y2Ba191.3193 723.7629 346.2527gydF4y2Ba
PSI2 =gydF4y2Ba2×2gydF4y2Ba962.5873 0 0 297.8532gydF4y2Ba
stats2 =gydF4y2Ba带字段的结构:gydF4y2BaDfe: 29 logl: -131.5456 mse: 59.7845 rmse: 7.7643 errorparam: 7.7320 aic: 275.0913 bic: 272.7479 covb: [3x3 double] sebeta: [15.2277 33.1573 26.8224] ires: [35x1 double] pres: [35x1 double] iwres: [35x1 double] pwres: [35x1 double] cwres: [35x1 double]gydF4y2Ba
b2 =gydF4y2Ba2×5gydF4y2Ba-28.5266 31.6066 -36.5081 39.0753 -5.6472 9.9941 -0.7619 6.0021 -9.4542 -5.7801gydF4y2Ba

的loglikelihoodgydF4y2BaloglgydF4y2Ba不受影响，赤池和贝叶斯信息准则(gydF4y2Ba另类投资会议gydF4y2Ba而且gydF4y2BabicgydF4y2Ba)，支持从模型中删除第二个随机金宝app效应的决定。gydF4y2Ba

使用估计的固定效果gydF4y2Babeta2gydF4y2Ba估计每棵树的随机效应gydF4y2Bab2gydF4y2Ba通过数据绘制模型。gydF4y2Ba

PHI = repmat(β a2,1,5) +gydF4y2Ba.．.gydF4y2Ba固定效果gydF4y2Ba(b2(1:); 0(1、5);b2 (2:)];gydF4y2Ba%随机效果gydF4y2BaTplot = 0:0.1:1600;gydF4y2Ba为gydF4y2Ba我= 1:5 fitted_model = @ (t)(φ(我))。/ (1 + exp (- (t-PHI(我)2)。/gydF4y2Ba.．.gydF4y2Baφ(我)));情节(tplot fitted_model (tplot),gydF4y2Ba“颜色”gydF4y2Ba,(我)。的颜色,gydF4y2Ba.．.gydF4y2Ba“线宽”gydF4y2Ba, 2)gydF4y2Ba结束gydF4y2Ba

图中包含一个轴对象。标题为空白O r an e空白T r e空白g r O w Th的坐标轴对象包含10个类型为line的对象。这些对象表示树1、树2、树3、树4、树5。gydF4y2Ba

参考文献gydF4y2Ba

[1]林德斯特伦，m.j.和d.m.贝茨。“重复测量数据的非线性混合效应模型。”gydF4y2Ba生物识别技术gydF4y2Ba．卷46,1990，第673-687页。gydF4y2Ba

[2]大卫，M.和D. M.吉尔提南。gydF4y2Ba重复测量数据的非线性模型gydF4y2Ba．纽约:查普曼和霍尔，1995年。gydF4y2Ba

Pinheiro J. C.和D. M. Bates。非线性混合效应模型中对数似然函数的近似。gydF4y2Ba计算与图形统计杂志gydF4y2Ba．第4卷，1995年，第12-35页。gydF4y2Ba

[4]德米登科E。gydF4y2Ba混合模型:理论与应用gydF4y2Ba．霍博肯，新泽西州:John Wiley & Sons, Inc.， 2004。gydF4y2Ba

另请参阅gydF4y2Ba

|gydF4y2Ba|gydF4y2Ba

主题gydF4y2Ba

在R2008b中引入gydF4y2Ba

统计和机器学习工具箱文档gydF4y2Ba

金宝app

掌握机器学习:一步一步的MATLAB指南gydF4y2Ba

掌握机器学习:一步一步的MATLAB指南gydF4y2Ba

下载电子书gydF4y2Ba