语法
yfit =安装(lme)
yfit =安装(lme、名称、值)
描述
输入参数
lme三个月
——线性mixed-effects模型
LinearMixedModel
对象
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
。
“条件”
——指标条件反应
真(默认)|假
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
yfit
——安装响应值
n1的向量
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
计算安装条件和边际反应
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,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
在哪里是观察的水平分组变量日期
,,= 0,1,……,8, are the fixed-effects coefficients, with的系数不
。随机效应水平吗分组变量的日期
,是观测的观测误差。随机效应的先验分布,和误差项的分布,。
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,,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
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)
对应的估计和β(4)
对应的估计。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
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
情节残差与拟合值
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
安装条件和边缘响应
反应条件包括固定和随机效应的贡献,而边际反应包括贡献只有固定的效果。
假设线性mixed-effects模型,lme三个月
,有一个n——- - - - - -p固定后果设计矩阵X和一个n——- - - - - -问随机设计矩阵Z。另外,假设p1估计固定后果向量
,问1估计最佳线性无偏预测(BLUP)向量随机效应
。安装条件反射
和拟合边缘响应
另请参阅
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。