文档

安装

类:LinearMixedModel

从线性mixed-effects模型拟合响应

扩展所有的页面

语法

yfit =安装(lme)
yfit =安装(lme、名称、值)

描述

yfit=安装(lme三个月)返回安装条件反射从线性mixed-effects模型lme三个月。

例子

yfit=安装(lme三个月,名称,值)返回符合线性mixed-effects模型的响应lme三个月由一个或多个指定附加选项名称,值对参数。

例如,您可以指定如果你想计算拟合边缘响应。

输入参数

全部展开

线性mixed-effects模型,作为一个返回LinearMixedModel对象。

该对象的属性和方法,请参阅LinearMixedModel。

名称-值对的观点

指定可选的逗号分隔条名称,值参数。的名字参数名称和吗价值相应的价值。的名字必须出现在单引号(' ')。您可以指定几个名称和值对参数在任何顺序Name1, Value1,…,的家。

全部展开

指标条件反射,指定为逗号分隔组成的“条件”和下面的。

真正的 固定效应和随机效应的贡献(条件)
假 只有固定效应(边际)的贡献

例子:“条件”,假的

输出参数

全部展开

合身的响应值,作为一个返回n1的向量,n是观测的数量。

例子

全部展开

打开脚本

加载示例数据。

负载流感

的流感数组数据集有一个日期变量,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)。

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,flu2,必须响应变量,FluRate名义变量,地区,显示每个估计来自哪个区域,和分组变量日期。

2:10 flu2 =堆栈(流感,“NewDataVarName”,“FluRate”,“IndVarName”,“地区”);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日期。

区域是一个分类变量。您可以指定使用的分类变量的对比DummyVarCoding名称-值对参数拟合模型。当你不指定对比,fitlme使用“参考”默认的对比。因为有截距的模型,fitlme第一个区域,不引用和创建八虚变量代表了其他八个地区。例如,我美元[{\ rm {MidAtl}}]美元代表该地区的哑变量吗MidAtl。有关详细信息,请参见仿真指示器变量。

相应的模型

数组$ $ \开始{}{1}{y_ {im}} ={\β_0}+{\β_1}我左{\ [& # xA; {{\ rm {MidAtl}}} \右]_i} +{\β_2}我左{\ [{{\ rm {ENCentral}}} & # xA;正确\]_i} +{\β_3}我左{\ [{{\ rm {WNCentral}}} \右]_i} + {\ beta_4} & # xA;我左{\ [{{\ rm {SAtl}}} \右]_i} \ \ \四\四+{\β_5}我左{\ [& # xA; {{\ rm {ESCentral}}} \右]_i} +{\β_6}我左{\ [{{\ rm {WSCentral}}} & # xA;正确\]_i} +{\β_7}我左{\ [{{\ rm {Mtn}}} \右]_i} + {\ beta_8} & # xA;我左{\ [{{\ rm {Pac}}} \右]_i} + {b_ m} {0} + {\ varepsilon_ {im}}, & # xA; \四m = 1, 2,…, 52岁\{数组}$ $

在哪里美元y_ {im} $是观察我美元的水平m美元分组变量日期,\ beta_j美元,$ j $= 0,1,……,8, are the fixed-effects coefficients, with美元\ beta_ {0} $的系数不。美元b_ {0 m} $随机效应水平吗m美元分组变量的日期,$ \ varepsilon_ {im} $是观测的观测误差我美元。随机效应的先验分布,美元b_ {0 m} \ sim N (0 \ sigma_b ^ 2)美元和误差项的分布,$ \ varepsilon_ {im} \ sim N(0 \σ^ 2)美元。

lme = fitlme (flu2,“FluRate ~ 1 +地区+(1 |日期)”)
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)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 -0.16013 0.052221 -3.0665 459 pValue低上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类型估计低”(拦截)”“(拦截)的“性病”0.6443 - 0.5297上0.78368组:错误的名字估计低上0.26627 0.24878 0.285“Res性病”

的$ p $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WNCentral和ESCentral相对于流感发病率明显不同区域不。

的置信区间随机项的标准差,\ sigma_b美元,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比较方法。

条件拟合响应模型在给定的观察包括固定和随机效应的贡献。例如,估计最佳线性无偏预测(BLUP)流感的地区WNCentral在星期10/9/2005

数组$ $ \开始{}{1}{{\帽子y} _ {{\ rm {WNCentral, 10/9/2005}}}} ={{\帽子\β# xA;} _0} +{{\帽子\β}_3}我\ [{{\ rm {WNCentral}}} \右]+{{\帽子# xA; b} _{10/9/2005}} \ \ \四\四\四\四\四\四\四\四= & # xA; 1.2233 + 0.23687 - 0.1718 \ \ \四\四\四\四\四\四\四# xA; \四= 1.28837。\{数组}$ $

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。

β= fixedEffects (lme);[~,~,统计]= randomEffects (lme);%计算随机统计(统计)统计数据。水平=名义(STATS.Level);y_hatβ=β(1)+ (4)+ STATS.Estimate (STATS.Level = =“10/9/2005”)
y_hat = 1.2884

在前面的计算,β(1)对应的估计\ beta_0美元和β(4)对应的估计\ beta_3美元。您可以简单地显示拟合值使用安装方法。

F =安装(lme);F (flu2。日期= =“10/9/2005”& flu2。地区==“WNCentral”)
ans = 1.2884

估计边际反应区域WNCentral在星期10/9/2005

数组$ $ \开始{}{1}& # xA; \帽子y_ {{\ rm {WNCentral, 10/9/2005}}} ^ {({\ rm{边际}})}={{\帽子\β}_0}+{{\帽子\β}_3}我\ [{{\ rm {WNCentral}}} \右]\ \ & # xA; \四\四\四\四\四\四\四\四= 1.2233 + 0.23687 \ \ & # xA; \四\四\四\四\四\四\四\四= 1.46017 # xA;公司\{数组}$ $

计算拟合边缘响应。

F =安装(lme,“条件”、假);F (flu2。日期= =“10/9/2005”& flu2。地区==“WNCentral”)
ans = 1.4602
打开脚本

加载示例数据。

负载(fullfile (matlabroot“例子”,“统计数据”,“weight.mat”));

重量包含数据从一个纵向研究,20受试者被随机分配到4锻炼项目,和他们的体重记录超过6时间2周。这是模拟数据。

将数据存储在一个表。定义主题和程序作为分类变量。

台=表(InitialWeight、程序、主题周,y);资源描述。主题=名义(tbl.Subject);资源描述。程序=名义(tbl.Program);

适合线性mixed-effects模型的初始重量,类型的计划,周,周之间的交互和类型的程序固定效果。拦截和周不同的主题。

lme = fitlme(资源描述,“y ~ InitialWeight +程序*周+(周|主题));

计算拟合值和原始残差。

F =安装(lme);R =残差(lme);

残差与拟合值的阴谋。

情节(F R“软”)包含(的拟合值)ylabel (“残差”)

现在,情节残差与拟合值,按程序分组。

图()gscatter (F R程序)

定义

全部展开

另请参阅

||

这个主题有帮助吗?
统计和机器学习工具箱文档
其他文档
金宝app

试着用MATLAB仿真软金宝app件,和其他产品下载188bet金宝搏

得到审判现在