Sbioparameterci.

计算估计参数的置信区间(需要)统计和机器学习工具箱)

折叠所有页面

语法

ci=sbioparameterci（fitResults）
CI = SBIOPARAMETERCI（FITRESULTS，名称，价值）

描述

实例

词=sbioparameterci(fitResults)计算估计参数的95%置信区间fitResults一NLINResults对象或OptimResults对象返回的斯比奥菲特作用词是一个参数置信区间对象，该对象包含计算的置信区间。

实例

词=sbioparameterci(fitResults,名称、值)使用一个或多个指定的附加选项名称、值对论点。

例子

全部崩溃

此示例使用：

开放脚本

加载数据

加载样本数据以适应。数据存储为带有变量的表身份证件,时间,中央数控和外围设备．该合成数据表示在输注剂量为三个个体后在八个不同时间点测量的血浆浓度的时间过程。

清楚的全部的负载data10_32r.mat.gdata = groupeddata（数据）;gdata.properties.varifeUldeUnits = {'',“小时”,“毫克/升”,“毫克/升”}斯比奥特雷利斯（格达塔，“身份证”,“时间”,{“CentralConc”,“PeripheralConc”}，“标记”,'+',．．．'linestyle',“没有”);

创建模型

创建一个两室模型。

pkmd=PKModelDesign；pkc1=添加隔间（pkmd，“中央”)；pkc1.DosingType=“输液”；pkc1.清除类型=“线性间隙”；pkc1。HA.sResponseVariable = true; pkc2 = addCompartment(pkmd,“外围设备”);模型=构造（PKMD）;configset = getConfigset（型号）;configset.compileOptions.unitConversion = true;

定义剂量

确定输液剂量。

剂量=sbiodose('剂量','targetname','药物_Central'); dose.StartTime=0；剂量.量=100；剂量率=50；剂量单位='毫克'；剂量时间单位=“小时”；剂量率单位=“毫克/小时”；

定义参数

定义要估计的参数。为每个参数设置参数边界。除了这些显式边界外，参数转换（如log、logit或probit）还施加隐式边界。

响应映射={'taxCentral = CentralConc',“药物外设=外设浓度”};paramstoestimate = {'日志（中央）',的日志(外围),“12”,‘中央图书馆’}; estimatedParam=estimatedInfo（参数估计，．．．'初始值',[1 1 1 1],．．．'界限'，[0.1 3;0.1 10;0 10;0.1 2];

适合模型

执行未加工的拟合，即每个患者的一组估计参数。

unpooledFit = sbiofit(模型、gData responseMap estimatedParam,剂量,“汇集”，假）；

执行一个集合拟合，即对所有患者进行一组估计参数。

pooledfit = sbiofit（模型，gdata，respectemap，估计仙人，剂量，“汇集”,真正的);

计算估计参数的置信区间

计算非制冷拟合中每个估计参数的95%置信区间。

ciparamunpooled = sbioparameterci（undooledfit）;

显示结果

以表格格式显示置信区间。有关每个估计状态含义的详细信息，请参阅参数置信区间估计状态．

CI2表（未冷却的CIP）
1.7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7表表表表表表表表表表表表表表表表表表表表表表表表表表名称估计名称估计估计估计估计估计估计估计估计估计估计估计估计量量量量量量估计量估计量估计量估计量估计量估计量（1 1 1 1 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7表表表表表表表表表表表表表表表表表表{'Q12'}1.5629 0.83143 2.3551高斯0.05约束1{'Q12'}0.47159 0.20093 0.80247高斯0.05约束1{'Cl_Central'}0.52898 0.44842 0.60955高斯0.05可估计2{'Central'}1.8322 1.7893 1.8751高斯0.05成功2{'Peripheral'}5.3368 3.9133 6.7602高斯0.05成功2{'Q12'}0.27641 0.2093 0.34351高斯0.05成功2{'Cl_Central'}0.86034 0.80313 0.91755高斯0.05成功3{'Central'}1.6657 1.5818 1.7497高斯0.05成功3{'Peripheral'}5.5632 4.7557 6.3708高斯0.05成功3{'Q12'}0.78361 0.65581 0.91142高斯0.05成功3{'Cl_Central'}1.0233 0.96375 1.0828高斯0.05成功

绘制置信区间。如果置信区间的估计状态为成功，它被绘制成蓝色(第一种默认颜色)。否则，它将被绘制成红色(第二种默认颜色)，这表明可能需要进一步研究拟合参数。若置信区间为难能可贵，然后该函数绘制一条带中心十字的红线。如果有任何转换参数的估计值为0（对于对数变换）和1或0（对于probit或logit变换），则不会绘制这些参数估计值的置信区间。要查看颜色顺序，请键入获取（groot，'defaultaxescolorder'）．

组从左到右的显示顺序与它们在列表中的显示顺序相同groupname对象的属性，用于标记x轴。y标签是转换后的参数名称。

情节（Ciparamunpooled）

计算集合拟合的置信区间。

CiParamPoolled=sbioparameterci（pooledFit）；

显示置信区间。

CI2表格（合并）
4.7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表池{'Peripheral'}2.687 0.89848 4.8323高斯0.05约束池{'Q12'}0.44956 0.11445 0.85152高斯0.05约束池{'Cl_Central'}0.78493 0.59222 0.97764高斯0.05可估计

绘制置信区间。组名被标记为“pooled”，以表明这种匹配。

情节(ciParamPooled)

将所有置信区间结果绘制在一起。缺省情况下，每个参数估计的置信区间绘制在单独的轴上。垂直线组群体的置于参数估计的置信区间以共同拟合计算。

ciAll=[CiParamUnpololed；CiParamPoolled]；绘图（ciAll）

您还可以使用“分组”布局，在一个轴上按参数估计值分组绘制所有置信区间。

情节，“布局”,“分组”)

在此布局中，您可以指向每个置信区间的中心标记，以查看组名。每个估计的参数由垂直黑线分开。垂直虚线群体的参数估计的置信区间，其在共同拟合中计算。原始拟合中定义的参数界限由方括号标记。注意由于参数变换导致的y轴上的不同尺度。例如，Y轴的12个在线性范围内，但中央是对数尺度的，因为它是对数变换。

计算模型预测的置信区间

计算模型预测的95%置信区间，即使用估计参数的模拟结果。

%为了合身CipredPoolled=sbiopredictionci（pooledFit）；%为非制冷的适合ciPredUnpooled = sbiopredictionci (unpooledFit);

绘制模型预测的置信区间

每个组的置信区间在单独的列中绘制，并且每个响应被绘制在单独的行中。受面临限制的置信区间以红色绘制。不受边界限制的置信区间以蓝色绘制。

情节（Cipredpooled）

情节(ciPredUnpooled)

输入参数

全部崩溃

参数估计结果来自斯比奥菲特，指定为NLINResults对象,OptimResults对象，或从同一位置返回的未冷却拟合的对象向量斯比奥菲特呼叫

名称-值对参数

指定可选的逗号分隔的字符对名称、值论点。的名字是参数名和价值是对应的值。的名字必须出现在引号内。您可以按任意顺序指定多个名称和值对参数，如下所示：name1，value1，...，namen，valuen．

例子：“Alpha”，0.01，“Type”，“profilelike”指定使用简档似然方法计算99％的置信区间。

信心水平,(1α)* 100%，指定为逗号分隔对，由“阿尔法”一个在0和1之间的正标量。默认值为0.05，表示计算95%置信区间。

例子：“阿尔法”，0.01

置信区间类型，指定为逗号分隔的配对组成'类型'一个字符向量。有效的选择是:

  • “高斯”——使用高斯近似参数估计的分布。

  • 'profilelikelihood'–计算轮廓似然区间。分层模型的参数估计不支持这种类型，也就是从万博1manbetx拟合不同的类别（如年龄或性别）。换句话说，如果设置类别变量名称财产估计信息对象在原始契合中，那么拟合结果是分层，因此，您无法计算轮廓似然结果的置信区间。有关详细信息，请参阅剖面似然置信区间计算．

  • “自举”—使用Bootstrap方法．

例子：“类型”，“引导”

轮廓似然公差和bootstrap置信区间计算，指定为逗号分隔对组成'宽容'和一个正标量。

轮廓似然法使用这个值作为终止公差。有关详细信息,请参见剖面似然置信区间计算．

bootstrap方法使用此值确定置信区间是否受原始拟合中指定的边界约束。有关详细信息，请参阅引导置信区间计算．

例子：'宽容'，1E-6

用于计算轮廓似然曲线的最大步长，指定为由…组成的逗号分隔对“最大步长”和一个正标量，[]，或单元格数组。默认情况下，此参数被设置为0.1.如果你把它设置为[]，则将最大步长设置为置信区间高斯近似宽度的10%(如果存在的话)。您可以指定最大步长(或)[])来获取每个估计参数。

例子：“最大步长”，0.5

用于引导的样本数量，指定为逗号分隔对，由以下组成“NumSamples”和一个正整数。此数字定义在置信区间计算期间执行的符合的数量以生成引导样本。数量越小，置信区间的计算越快，精度降低成本。

例子：“NumSamples”，500

返回到命令行的显示级别，指定为包括的逗号分隔对'展示'一个字符向量。'离开'（默认）或“没有”显示无输出。'最终的'计算完成时显示一条消息。“国际热核实验堆”显示每次迭代的输出。

例子：'显示'，'最终'

并行计算置信区间的逻辑标志，指定为逗号分隔的对，由“使用并行”和符合事实的或错误的。默认情况下，将使用原始拟合中的并行选项。如果此参数设置为符合事实的并行计算工具箱™ 如果可用，则忽略原始拟合中的并行选项，并并行计算置信区间。

对于高斯置信区间：

  • 如果输入fitResults是结果对象的向量，然后并行计算每个对象的置信区间。高斯置信区间计算很快。因此，将原始拟合(斯比奥菲特）并没有设置使用并行为真正的Sbioparameterci.．

对于轮廓可能性置信区间：

  • 如果输入中的结果数量fitResults向量大于估计参数的数量，然后并行地执行每个对象的置信区间的计算。

  • 否则，在函数移动到下一个结果对象之前，将并行计算一个结果对象内所有估计参数的置信区间。

对于引导置信区间：

  • 函数将使用并行旗帜Bootci.．结果对象的输入向量没有并行化。

笔记

如果您具有随机数生成的全局流，则具有多个子流以可再现的方式并行计算，Sbioparameterci.首先检查工人数量是否与子流数量相同。如果是，Sbioparameterci.设置使用子流来符合事实的在里面实例化选择并将其传递给Bootci.。否则，默认情况下将忽略子流。

例子：“UseParallel”，对

输出参数

全部崩溃

置信区间结果，以参数置信区间对象。对于未冷却的配合，词可以是向量参数置信区间物体。

更多关于

全部崩溃

高斯置信区间计算

该功能使用WALD测试统计信息[1]计算置信区间。假设有足够的数据，参数估计，P美国东部时间，近似学生与协方差矩阵分配s（这CovarianceMatrix属性)斯比奥菲特．

第i个参数估计的置信区间P是的，我计算方法如下：

P E s T , 我 ± s 我 , 我 * T 我 N v ( 1. − A. L P H A. 2. ) ， 在哪里T投资部是学生的t逆累积分布函数(tinv)有可能1-（alpha / 2）和si、 我是协方差矩阵的对角元素(方差)吗s．

当置信区间受到原始拟合中定义的参数界限的约束时，根据Wu, H.和Neale, M.所描述的方法调整置信区间界限。[2]．

设置估计状态

  • 对于每个参数估计，函数首先确定参数估计的置信区间是否无界。如果是，函数将相应参数估计的估计状态设置为难能可贵．

  • 否则，如果参数估计的置信区间受到原始拟合中定义的参数界的约束，则函数会将估计状态设置为受限.参数转换（例如日志,probit,或罗吉特)对估计参数施加隐式边界，例如，正性约束。这样的界限会导致置信值的高估，即置信区间可能会小于预期。

  • 如果没有置信区间则有估计状态难能可贵或受限，然后该函数将所有参数估计的估计状态设置为成功。否则，剩余参数估计的估计状态设置为可估计．

剖面似然置信区间计算

定义L有可能,，LH的参数估计值（存储在参数估计属性)斯比奥菲特, L = L H ( P E s T ) ， 在哪里P美国东部时间是参数估计的矢量，P美国东部标准时间，1,P东部标准时间，2, …,P美国东部时间．

简档似然函数PL对于一个参数P我被定义为 P L ( P 我 ) = 最大值 P J , J ≠ 我 L H ( P 1. , ．．． , P 我 , .. , P N ) ， 在哪里N是参数的总数。

伯威尔克斯定理[3]，似然比检验统计量， − 2. 日志 ( P L ( P 我 ) L ) ，是分布在1个自由度上的卡方。

因此，找到所有P我以便： 日志 ( L ) − 日志 ( P L ( P 我 ) ) ≤ C H 我 我 N v ( 1. , 1. − A. L P H A. ) 2. ．

相当地， 日志 ( P L ( P 我 ) ) ≥ 日志 ( L ) − C H 我 我 N v ( 1. , 1. − A. L P H A. ) 2. ， 在哪里 日志 ( L ) − C H 我 我 N v ( 1. , 1. − A. L P H A. ) 2. 如下所述计算日志轮廓似然曲线的目标值是如下所示。

计算测井剖面似然曲线

  1. 开始P是的，我并评估可能性L．

  2. 在以下位置计算对数剖面的可能性：P是的，我+K* MaxStepSize对于置信区间的每一边(或方向)，即:K= 1,2,3，......和K= -1, -2, -3,…．

  3. 如果每侧满足其中一个停止标准之一，则停止。

    • 日志配置文件的可能性低于目标值。在这种情况下，开始在P在下面和P在上面， 在哪里P在下面是参数值，具有最大的日志轮廓似然值下方目标值，以及P在上面最小对数剖面似然值大于目标值的参数值。如果以下情况之一为真，则停止平分：

      • 相邻的测井曲线似然值小于宽容分开地将置信区间对应侧的状态设置为成功．

      • 二等分间隔小于最大值（公差，2*eps（'double'））到目前为止计算的轮廓似然曲线高于目标值。设置相应侧的状态难能可贵．

      • 轮廓似然曲线(两个相邻参数值的有限差分)的线性梯度近似大于-宽容（公差的负值）。将对应侧的状态设置为难能可贵．

    • 该步骤受原始拟合中定义的边界限制。在该边界处求值，并将相应边的状态设置为受限．

设置估计状态

  • 如果置信区间两边都不成功，即有状态难能可贵，该函数设置估计状态（词.结果.状况)到难能可贵．

  • 如果没有一方具有该状态难能可贵一方有地位受限，该函数设置估计状态（词.结果.状况)到受限．

  • 如果置信区间两侧的所有参数计算成功，则设置估计状态(词.结果.状况)到成功．

  • 否则，函数将其余参数估计的估计状态设置为可估计．

引导置信区间计算

这个Bootci.来自统计和机器学习工具箱的函数™ 用于计算引导置信区间。第一个输入nboot是样本数量(numsamples.)和第二个输入bootfun是执行以下操作的函数：

  • 如果多个组可用），则重新确定数据（在每个组内独立地，如果有多个组）。

  • 使用重采样数据运行参数拟合。

  • 返回估计的参数。

设置估计状态

如果置信区间比宽容对于原始拟合中定义的参数边界，函数将估计状态设置为受限．如果所有置信区间离参数界限的距离大于宽容，将状态设置为成功．否则，它设置为可估计．

工具书类

[1]沃尔德，A。“关于观察人数大的几个参数的统计假设的测试。”美国数学学会学报．(3)， 2003, pp. 426-482。

[2] 有界参数的调整置信区间行为遗传学第42（6）条，2012年，第886-898页。

[3] 检验复合假设的似然比的大样本分布数学统计数据.9（1），1938年，第60-62页。

扩展功能

另见

|||

在R2017b中引入

模拟生物学文献
万博1manbetx

尝试MATLAB, Si万博1manbetxmulink和其他产品s manbetx 845

现在受审