predict

クラス:线性混合模型

線形混合効果モデルの応答予測

このページを展开する

構文

ypred =预测（LME）

ypred =预测（lme，tblNew）

ypred =预测（LME,Xnew,Znew)

ypred =预测（LME,Xnew,Znew,Gnew)

ypred =预测（___，名称，值）

[ypred，ypredci] =预测（___)

[ypred,ypredCI,DF] = predict(___)

説明

例

ypred= predict(LME)は，线形效果モデルLMEの近似使用さ元の予测子の条件付き予测され応答応答ypredを返します。

例

ypred= predict(LME,tblnew)は、新しいテーブルまたはデータセット配列tblnewの値近似线形混合モデルモデルLMEから条件付きの予測された応答ypredのベクトルを返します。モデルLMEの近似テーブルデータ配列を使用ている场合はpredictのテーブルデータ配列を使用し。。

tblnewの特定化がが元のデータないレベルをする场合，，そのそのグループグループグループ化化変数のの效果效果は，，，グループグループ化変数変数'Conditional'の予测役立ちません。

ypred= predict(LME,XNew,ZNEW)は，固定および変量效果の行列行列XNewとZNEWそれぞれの値での近似線形混合効果モデルLMEから条件付き予測応答ypredのベクトルを返します。ZNEWは行列の cell 配列にすることもできます。この場合、グループ化変数Gはones(n,1)になります。n は近似で使用される観測値の数です。

モデルLMEの近似に計画行列を使用している場合、predictに行列形式を使用します。

例

ypred= predict(LME,XNew,ZNEW,Gnew)は，固定および変量效果の行列行列XNewとZNEWそれぞれのおよびグループ化変数Gnewの値での近似線形混合効果モデルLMEから条件付き予測応答ypredのベクトルを返します。

ZNEWおよびGnewは、それぞれ行列とグループ化変数の cell 配列にすることもできます。

例

ypred= predict(___,姓名,Value)はは，つまたはのの姓名,Valueのペアの引数で指定された追加のオプションにより、近似線形混合効果モデルLMEから予測応答ypredのベクトルを返します。

たとえば，同时限界または固定效果の寄与を指定でき。

例

[ypred,YPREDCI] = predict(___)は，ののいずれの入力引数に対する予测ypredの信頼区間YPREDCIも返します。

例

[ypred,YPREDCI,DF] = predict(___)は，构文任意の引数についての区间计算に使用される度度DFも返します。

入力引数

すべて展开する

`LME`—線形混合効果モデル
`线性混合模型`オブジェクト

線形混合効果モデル。fitlmeまたはfitlmematrixを使用して構築した线性混合模型オブジェクトとして指定します。

`tblnew`—新しい入力データ
テーブル|`数据集`配列

応答変数，変数およびグループ化変数が含まれる新規入力データ。テーブルまたはデータセット配列として指定します。予測変数は連続変数またはグループ化変数にすることができます。tblnewは，线形效果モデルLMEの近似れる元のまたはセット配列と変数をもっもっていいなければばなり。

`XNew`—新しい固定効果の計画行列
n 行 p 列の行列

n行p列行列指定れる新しいの行列でででででででは観测値の数数数，，，，Xの各行は 1 つの観測値に対応し、Xの各列はつのつのにします。。

データ：：单身的|双倍的

`ZNEW`—新しい変量効果の計画行列
n行q列行列行列|长さrの细胞配列

n行q列のまたはr计画行列Z{r}cell配列配列指定される新しい変量效果计画。，，，r = 1，2，...，r rとなり。ZNEWが cell 配列の場合、各Z{r}は n 行 q(r) 列の行列になります。ここで n は観測値の数、q(r) は無作為な予測子変数の数です。

データ：：单身的|双倍的|cell

`Gnew`—新しいグループ化変数
ベクトル|长r rのの化のの配列配列

新しいグループ化変数または変数。線形混合効果モデルLMEの近似には、元のグループ化変数と同じレベルまたはグループをもつグループ化変数の長さ R のベクトルまたは cell 配列として指定します。

データ：：单身的|双倍的|分类|logical|char|细绳|cell

名前と値の引数

オプションの姓名,Value引数のコンマ区切りペアを指定します。姓名は引数名，Valueは対応する値です。姓名は引用でなければなりませ。。姓名1,Value1,...,NameN,ValueNのように、複数の名前と値のペアの引数を、任意の順番で指定できます。

`Α`—有意水准
0.05(既定値) |0 ～ 1 の範囲のスカラー値

有意水准。'Alpha'と 0 ～ 1 の範囲にあるスカラー値から構成されるコンマ区切りのペアとして指定します。値が α の場合、信頼度は 100 × (1 – α)% です。

たとえば、99% の信頼区間の場合は、次のように信頼度を指定できます。

例：'Alpha',0.01

データ：：单身的|双倍的

`Conditional`—条件付き予测インジケーター
`true`(既定値) |`false`

条件付き予測のインジケーター。'Conditional'と,以下のいずれかで構成されるコンマ区切りペアとして指定します。

`true`	固定效果変量の両方から寄与（）
`false`	固定效果からの（限界）

例：'Conditional,false

`DFMethod`—自由度近似の计算方法
`'residual'`(既定値) |`'satterthwaite'`|`'none'`

信頼区間の計算で使用する自由度の近似の計算方法です。'DFMethod'と次のいずれかの値で構成されるコンマ区切りのペアで指定します。

`'residual'`	既定の設定。自由度は定数で n – p に等しいと仮定されます。ここで n は観測値の数、p は固定効果の数です。
`'satterthwaite'`	サタースウェイトの近似法。
`'none'`	すべての度无限大设定され。。

たとえば，のサタースウェイトの近似を指定できます。

例：'DFMethod','satterthwaite'

`Simultaneous`—信頼限界のタイプ
`false`(既定値) |`true`

信頼限界の。'同时'と,以下のいずれかで構成されるコンマ区切りペアとして指定します。

`false`	既定の設定。非同期区間。
`true`	同期区間。

例：“同时”，真实

`Prediction`—予測のタイプ
`'curve'`(既定値) |`“观察”`

予测のタイプ。'Prediction'と以下か构成される，切りペアとして指定し。

`'curve'`	既定の近似关数基づく予测の限界。。。
`“观察”`	新しい観测観测に起因変动も，限界の计算に含まれるのでので，区间区间なりなりなり

例：“预测”，“观察”

出力引数

すべて展开する

`ypred`- 予测応答
ベクトル

ベクトルとしてれる予测応答。ypredには，'Conditional'の名前と値のペア引数の値の選択に応じて、条件付き応答または限界応答を含むことができます。条件付き予測には、固定効果と変量効果の両方からの寄与が含まれます。

`YPREDCI`- 点别信頼区间
2 列の行列

2列として返さ予测の点别信頼。。YCIの 1 列目には信頼区間の下限が含まれ、2 列目には上限が含まれます。既定では、YCIには予測の 95% の信頼区間が含まれます。Αの名前の引数を使用し度を変更し，，Simultaneousの名前と値のペア引数を使用して信頼度を同時信頼度にしたり、Predictionの名前と値のペア引数を使用して、曲線ではなく新しい観測値用にすることもできます。

`DF`- 自由度
ベクトル | スカラー値

信頼区間の計算に使用される自由度。ベクトルまたはスカラー値として返されます。

'同时'の名前値のペアががfalseである場合、DFはベクトルになります。
'同时'の名前値のペアががtrueである場合、DFはスカラー値になります。

例

すべて展开する

元の計画値での応答の予測

ライブスクリプトを开く

标本データをます。

加载（'肥料);

このデータセット配列には土壌の種類に基づいて土壌が 3 つのブロックに分けられている分割プロット試験のデータが含まれています。土壌の種類は砂質、シルトおよび粘土質です。各ブロックは 5 つのプロットに分割され、5 種類のトマトの苗木 (チェリー、エアルーム、グレープ、枝付き、プラム) がランダムにこれらのプロットに割り当てられます。その後、プロット内のトマトの苗木はサブプロットに分割され、それぞれのサブプロットが 4 つの肥料の中の 1 つにより処置されます。このデータは、シミュレーションされたものです。

実用目的でこのデータをdsという名前データセットに保存し，Tomato、SoilおよびFertilizerをカテゴリカルとして定义し。。

ds = fertilizer; ds.Tomato = nominal(ds.Tomato); ds.Soil = nominal(ds.Soil); ds.Fertilizer = nominal(ds.Fertilizer);

線形混合効果モデルを近似します。FertilizerおよびTomatoは固定効果変数であり、平均収穫量はブロック (土壌の種類) とブロック内のプロット (土壌の種類の中のトマトの種類) によって独立して変化します。

LME= fitlme(ds,'产量〜肥料 *番茄 +（1 |土壤） +（1 |土壤：番茄）');

元の応答値をし。観测れた値値をもつもつもつ最初最初のののののののののつつつつの観测値

yhat =预测（LME）;[yhat（1：5）Ds.yield（1：5）]

ans =5×2115.4788 104.0000 135.1455 136.0000 152.8121 158.0000 160.4788 174.0000 58.0839 57.0000

観测し応答との关系のプロット

ライブスクリプトを开く

标本データをます。

loadcarsmall

Weightに対する固定效果，Model_Yearでグループ化されたランダム切片で,線形混合効果モデルを近似します。まず,データをテーブルに保存します。

tbl = table(MPG,Weight,Model_Year); lme = fitlme(tbl,'mpg〜重量 +（1 | model_year）');

データに対する予測された応答を作成します。

yhat =预测（LME，TBL）;

元の応答と予測された応答をプロットして、相違点を確認します。それらをモデル年別にグループ化します。

fige（）gscatter（重量，mpg，model_year）保持ongscatter(Weight,yhat,Model_Year,[],'o+x'） 传奇（'70 -Data','76-data','82-data','70-pred','76-pred','82-pred') holdoff

图包含一个轴对象。轴对象包含6个类型行的对象。这些对象代表70-DATA，76-DATA，82-DATA，70-PRED，76-PRED，82-PRED。

新しいデータセット配列の値での応答の予測

ライブスクリプトを开く

标本データをます。

加载（'肥料);

実用目的でこのデータをdsという名前データセットに保存し，Tomato、SoilおよびFertilizerをカテゴリカルとして定义し。。

ds = fertilizer; ds.Tomato = nominal(ds.Tomato); ds.Soil = nominal(ds.Soil); ds.Fertilizer = nominal(ds.Fertilizer);

LME= fitlme(ds,'产量〜肥料 *番茄 +（1 |土壤） +（1 |土壤：番茄）');

計画値をもつ新しいデータセット配列を作成します。新しいデータセット配列は、モデルLMEの近似するのデータセット配列同じをなければばませんん

dsNew = dataset（）;dsnew.soil = numinal（{{'沙';“粉质”}）;dsnew.tomato = numinal（{{'Cherry';'藤蔓'}）;DSNew。肥料=名义（[2; 2]）;

元の計画点の条件付き応答と限界応答を予測します。

yhatc =预测（LME，DSNew）;yhatm =预测（lme，dsnew，'Conditional'，错误的）;[YHATC YHATM]

ans =2×292.7505 111.6667 87.5891 82.6667

新しい計画行列の値での応答の予測

ライブスクリプトを开く

标本データをます。

load卡比格

（mpg）ののの线形效果をを近似。。加加速度速度，，马力，気筒数はは固定固定效果でで，，モデル年年年によってグループ化化化切片切片切片切片切片切片切片切片切片があります。

最初に、線形混合効果モデルを近似するための計画行列を準備します。

X = [ones(406,1) Acceleration Horsepower]; Z = [ones(406,1) Acceleration]; Model_Year = nominal(Model_Year); G = Model_Year;

次に定义た计画とグループ化ででfitlmematrixを使用してモデルを近似します。

lme = fitlmematrix（x，mpg，z，g，'FixedEffectPredictors',....{'Intercept','Acceleration','马力'}，，'RandomEffectPredictors',...{{{'Intercept','Acceleration'}},'randomeffectgroups',{'model_year'}）;

応答値を予測する対象データを含む計画行列を作成します。XNewはX3つのようつのもたもたばなりませ最初の列列はははのののの列でなけれでなければなりませんん。。。またまたまたまた，，，AccelerationとHorsepowerに一致しなければなりません。ZNEWの 1 列目は 1 の列でなければならず、2 列目にはXNewと同じAcceleration値が含まれなければなりません。Gの元のグループ化変数はモデル年です。そのため、Gnewにはモデル年の値が含まれなければなりません。Gnewには値含まていなけれなりません。

Xnew = [1,13.5,185;1,17,205;1,21.2,193];Znew = [1,13.5;1,17;1,21.2];％或Znew = Xnew（：，1：2）;Gnew = nominal([73 77 82]);

新しい计画のに対する応答予测します。

yhat =predict(lme,Xnew,Znew,Gnew)

yhat =3×18.7063 5.4423 12.5384

に，加速についてについて效果が无なな线形にに，，同じ同じ手顺手顺手顺をを缲り返し缲り返し。。最初最初にに，，元のの変量変量效果效果效果效果计画计画计画计画グループグループ化化化化化します。

z = {一个（406,1），加速};g = {model_year，model_year};lme = fitlmematrix（x，mpg，z，g，'FixedEffectPredictors',....{'Intercept','Acceleration','马力'}，，'RandomEffectPredictors',...{{{'Intercept'}，{'Acceleration'}},'randomeffectgroups',{'model_year','model_year'}）;

ここで、新しい変量効果計画ZNEWおよびグループ化変数計画Gnewを再作成します。これらのどちらかを使用して応答値を予測します。

Znew = {[1; 1; 1]，[13.5; 17; 21.2]};my =名义（[[73 77 82]）;gnew = {my，my};

新しい计画をしてを予测し。。

yhat =predict(lme,Xnew,Znew,Gnew)

yhat =3×18.6365 5.9199 12.1247

予測の信頼区間の計算

ライブスクリプトを开く

标本データをます。

load卡比格

（mpg）ののの线形效果をを近似。。加加速度速度，，马力，気筒数はは固定固定效果でで，，モデル年年年によってグループ化化化切片切片切片切片切片切片切片切片切片がありまず，をテーブルにし。。。

tbl =表（MPG，加速度，马力，model_year）;

次に定义た计画とグループ化ででfitlmeを使用してモデルを近似します。

lme = fitlme（tbl，'mpg〜加速度 +马力 +（加速度| model_year）');

新しいデータを作成し、新しいテーブルに格納します。

tblnew= table(); tblnew.Acceleration = linspace(8,25)'; tblnew.Horsepower = linspace(min(Horsepower),max(Horsepower))'; tblnew.Model_Year = repmat(70,100,1);

linspaceは，値下限と上限のの间でで个个等间隔値値をしますますModel_Yearは 70 で固定されています。これは、任意のモデル年について繰り返すことができます。

予測値および 95% の信頼限界 (非同時) を計算およびプロットします。

[ypred,yCI,DF] = predict(lme,tblnew); figure(); h1 = line(tblnew.Acceleration,ypred); holdon;h2 = plot（tblNew.Acceleration，yci，'g-.');

图包含一个轴对象。轴对象包含3个类型行的对象。

自由度を表示します。

DF（1）

ANS = 389

同时信頼を计算プロットします。

[ypred,yCI,DF] = predict(lme,tblnew,'同时'，真的）;h3 =图（tblnew.acceleration，yci，'r-');

图包含一个轴对象。The axes object contains 5 objects of type line.

自由度を表示します。

DF

DF = 389

サタースウェイト使用て同时信頼限界计算，度ををしますます

[ypred,yCI,DF] = predict(lme,tblnew,'同时'，真的，'DFMethod','satterthwaite'); h4 = plot(tblnew.Acceleration,yCI,'K：'); holdoffXlabel（'Acceleration') ylabel('回复'）ylim（[ -  50,60]）xlim（[8,25]）传奇（[H1，H2（1），H3（1），H4（1）]，'Predicted response','95％','95% Sim',...'95％sim-satt','地点','Best')

图包含一个轴对象。The axes object contains 7 objects of type line. These objects represent Predicted response, 95%, 95% Sim, 95% Sim-Satt.

自由度を表示します。

DF

DF = 3.6001

詳細

すべて展开する

条件付き予测限界予测

条件付きは效果と変量效果からが含ま含まますますが，，限界モデルにはは固定效果效果效果のみのみ

線形混合効果モデルLMEに，n行p列の效果の行列行列行列行列Xとn行q行列変量效果の行列行列行列Zがあるし。また，推定た固定效果が含まれててているいるいるいるいるいる $\hat{β}$ ，変量推定した不不（blup）がいるいるいる $\hat{b}$ であると。される条件付き次のようになり。

${\hat{y}}_{C o n d} = X \hat{β} + Z \hat{b},$

これは、名前と値のペアの引数'Conditional','true'に対応し。

予测さ限界は次ようになり。。

${\hat{y}}_{M a r} = X \hat{β},$

これは、名前と値のペアの引数“有条件”，“ false”に対応し。

予測を行う場合、特定のグループ化変数に新しいレベル (元のデータ内に存在していない 1) がある場合、そのグループ化変数に対する変量効果は、グループ化変数に新しいレベルが含まれる観測値での'Conditional'予測に寄与しません。

参考

线性混合模型|安装|random

predict

構文

説明

入力引数

LME—線形混合効果モデル线性混合模型オブジェクト

tblnew—新しい入力データテーブル|数据集配列

XNew—新しい固定効果の計画行列n 行 p 列の行列

ZNEW—新しい変量効果の計画行列n行q列行列行列|长さrの细胞配列

Gnew—新しいグループ化変数ベクトル|长r rのの化のの配列配列

名前と値の引数

Α—有意水准0.05(既定値) |0 ～ 1 の範囲のスカラー値

Conditional—条件付き予测インジケーターtrue(既定値) |false

DFMethod—自由度近似の计算方法'residual'(既定値) |'satterthwaite'|'none'

Simultaneous—信頼限界のタイプfalse(既定値) |true

Prediction—予測のタイプ'curve'(既定値) |“观察”

出力引数

ypred- 予测応答ベクトル

YPREDCI- 点别信頼区间2 列の行列

DF- 自由度ベクトル | スカラー値

例

元の計画値での応答の予測

観测し応答との关系のプロット

新しいデータセット配列の値での応答の予測

新しい計画行列の値での応答の予測

予測の信頼区間の計算

詳細

条件付き予测限界予测

参考

`LME`—線形混合効果モデル
`线性混合模型`オブジェクト

`tblnew`—新しい入力データ
テーブル|`数据集`配列

`XNew`—新しい固定効果の計画行列
n 行 p 列の行列

`ZNEW`—新しい変量効果の計画行列
n行q列行列行列|长さrの细胞配列

`Gnew`—新しいグループ化変数
ベクトル|长r rのの化のの配列配列

`Α`—有意水准
0.05(既定値) |0 ～ 1 の範囲のスカラー値

`Conditional`—条件付き予测インジケーター
`true`(既定値) |`false`

`DFMethod`—自由度近似の计算方法
`'residual'`(既定値) |`'satterthwaite'`|`'none'`

`Simultaneous`—信頼限界のタイプ
`false`(既定値) |`true`

`Prediction`—予測のタイプ
`'curve'`(既定値) |`“观察”`

`ypred`- 予测応答
ベクトル

`YPREDCI`- 点别信頼区间
2 列の行列

`DF`- 自由度
ベクトル | スカラー値