Fitglme.gydF4y2Ba

配合通用线性混合效应模型gydF4y2Ba

语法gydF4y2Ba

glme = fitglme(资源描述、公式)gydF4y2Ba

glme = fitglme(资源描述、公式、名称,值)gydF4y2Ba

描述gydF4y2Ba

glmegydF4y2Ba= fitglme (gydF4y2BaTBL.gydF4y2Ba，gydF4y2Ba公式gydF4y2Ba）gydF4y2Ba返回一个广义线性混合效应模型，gydF4y2BaglmegydF4y2Ba．该模型由gydF4y2Ba公式gydF4y2Ba并与表或数据集数组中的预测变量拟合，gydF4y2BaTBL.gydF4y2Ba．gydF4y2Ba

glmegydF4y2Ba= fitglme (gydF4y2BaTBL.gydF4y2Ba，gydF4y2Ba公式gydF4y2Ba，gydF4y2Ba名称,值gydF4y2Ba）gydF4y2Ba使用由一个或多个指定的附加选项返回广义线性混合效果模型gydF4y2Ba名称,值gydF4y2Ba对参数。例如，您可以指定响应的分布、链接函数或随机影响项的协方差模式。gydF4y2Ba

例子gydF4y2Ba

全部折叠gydF4y2Ba

拟合广义线性混合效应模型gydF4y2Ba

打开直播脚本gydF4y2Ba

加载示例数据。gydF4y2Ba

负载gydF4y2BaMFR.gydF4y2Ba

这些模拟数据来自一家在世界各地运营50家工厂的制造公司，每个工厂运行一个批处理流程来创建成品。该公司想要减少每批的缺陷数量，所以它开发了一种新的制造工艺。为了测试新工艺的有效性，该公司随机挑选了20家工厂参与实验:10家工厂实施了新工艺，而其他10家继续运行旧工艺。在20家工厂中，公司分别运行了5批(共100批)，并记录了以下数据:gydF4y2Ba

标志，以指示批是否使用新工艺(gydF4y2BanewprocessgydF4y2Ba）gydF4y2Ba
每批处理所需时间(以小时计)(gydF4y2Ba时间gydF4y2Ba）gydF4y2Ba
批次的温度，以摄氏度计(gydF4y2Ba临时gydF4y2Ba）gydF4y2Ba
类别变量，表示该批所用化学品的供应商(gydF4y2Ba供应商gydF4y2Ba）gydF4y2Ba
批次缺陷数(gydF4y2Ba缺陷gydF4y2Ba）gydF4y2Ba

数据还包括gydF4y2Batime_devgydF4y2Ba和gydF4y2Batemp_devgydF4y2Ba，分别表示时间和温度与20摄氏度下3小时的工艺标准的绝对偏差。gydF4y2Ba

拟合一个广义线性混合效应模型使用gydF4y2BanewprocessgydF4y2Ba，gydF4y2Batime_devgydF4y2Ba，gydF4y2Batemp_devgydF4y2Ba，和gydF4y2Ba供应商gydF4y2Ba固定后果预测。包括一个随机效应术语，用于分组的拦截gydF4y2Ba工厂gydF4y2Ba，以考虑由于工厂特定差异可能存在的质量差异。响应变量gydF4y2Ba缺陷gydF4y2Ba的泊松分布，该模型的适当链接函数是对数。用拉普拉斯拟合方法估计系数。指定虚拟变量编码为gydF4y2Ba“影响”gydF4y2Ba，所以哑变量系数和为0。gydF4y2Ba

缺陷的数量可以用泊松分布来建模gydF4y2Ba

${缺陷gydF4y2Ba}_{我gydF4y2Ba jgydF4y2Ba} \simgydF4y2Ba 泊松gydF4y2Ba （gydF4y2Ba {μgydF4y2Ba}_{我gydF4y2Ba jgydF4y2Ba} ）gydF4y2Ba ．gydF4y2Ba$

这与广义线性混合效应模型相对应gydF4y2Ba

$日志gydF4y2Ba （gydF4y2Ba {μgydF4y2Ba}_{我gydF4y2Ba jgydF4y2Ba} ）gydF4y2Ba ＝gydF4y2Ba {βgydF4y2Ba}_{0gydF4y2Ba} +gydF4y2Ba {βgydF4y2Ba}_{1gydF4y2Ba} {newprocessgydF4y2Ba}_{我gydF4y2Ba jgydF4y2Ba} +gydF4y2Ba {βgydF4y2Ba}_{2gydF4y2Ba} {时间gydF4y2Ba ＿gydF4y2Ba devgydF4y2Ba}_{我gydF4y2Ba jgydF4y2Ba} +gydF4y2Ba {βgydF4y2Ba}_{3.gydF4y2Ba} {临时gydF4y2Ba ＿gydF4y2Ba devgydF4y2Ba}_{我gydF4y2Ba jgydF4y2Ba} +gydF4y2Ba {βgydF4y2Ba}_{4gydF4y2Ba} {供应商gydF4y2Ba ＿gydF4y2Ba CgydF4y2Ba}_{我gydF4y2Ba jgydF4y2Ba} +gydF4y2Ba {βgydF4y2Ba}_{5gydF4y2Ba} {供应商gydF4y2Ba ＿gydF4y2Ba BgydF4y2Ba}_{我gydF4y2Ba jgydF4y2Ba} +gydF4y2Ba {bgydF4y2Ba}_{我gydF4y2Ba} ，gydF4y2Ba$

在哪里gydF4y2Ba

${缺陷gydF4y2Ba}_{我gydF4y2Ba jgydF4y2Ba}$ 在工厂生产的批次中是否观察到缺陷的数量gydF4y2Ba $我gydF4y2Ba$ 在批处理gydF4y2Ba $jgydF4y2Ba$ ．gydF4y2Ba
${μgydF4y2Ba}_{我gydF4y2Ba jgydF4y2Ba}$ 平均缺陷数是否与工厂相应gydF4y2Ba $我gydF4y2Ba$ （在哪里gydF4y2Ba $我gydF4y2Ba ＝gydF4y2Ba 1gydF4y2Ba ，gydF4y2Ba 2gydF4y2Ba ，gydF4y2Ba ．gydF4y2Ba ．gydF4y2Ba ．gydF4y2Ba ，gydF4y2Ba 2gydF4y2Ba 0gydF4y2Ba$ 在批处理)gydF4y2Ba $jgydF4y2Ba$ （在哪里gydF4y2Ba $jgydF4y2Ba ＝gydF4y2Ba 1gydF4y2Ba ，gydF4y2Ba 2gydF4y2Ba ，gydF4y2Ba ．gydF4y2Ba ．gydF4y2Ba ．gydF4y2Ba ，gydF4y2Ba 5gydF4y2Ba$ ）.gydF4y2Ba
${newprocessgydF4y2Ba}_{我gydF4y2Ba jgydF4y2Ba}$ ，gydF4y2Ba ${时间gydF4y2Ba ＿gydF4y2Ba devgydF4y2Ba}_{我gydF4y2Ba jgydF4y2Ba}$ ，和gydF4y2Ba ${临时gydF4y2Ba ＿gydF4y2Ba devgydF4y2Ba}_{我gydF4y2Ba jgydF4y2Ba}$ 每个变量的测量值是否与工厂相对应gydF4y2Ba $我gydF4y2Ba$ 在批处理gydF4y2Ba $jgydF4y2Ba$ ．例如,gydF4y2Ba ${newprocessgydF4y2Ba}_{我gydF4y2Ba jgydF4y2Ba}$ 指示该批次是否由工厂生产gydF4y2Ba $我gydF4y2Ba$ 在批处理gydF4y2Ba $jgydF4y2Ba$ 使用新方法gydF4y2Ba
${供应商gydF4y2Ba ＿gydF4y2Ba CgydF4y2Ba}_{我gydF4y2Ba jgydF4y2Ba}$ 和gydF4y2Ba ${供应商gydF4y2Ba ＿gydF4y2Ba BgydF4y2Ba}_{我gydF4y2Ba jgydF4y2Ba}$ 是否使用效应(sum-to-zero)编码的虚拟变量表明是否公司gydF4y2BaCgydF4y2Ba或者gydF4y2BaBgydF4y2Ba，分别为工厂生产的批次提供工艺用化学品gydF4y2Ba $我gydF4y2Ba$ 在批处理gydF4y2Ba $jgydF4y2Ba$ ．gydF4y2Ba
${bgydF4y2Ba}_{我gydF4y2Ba} \simgydF4y2Ba NgydF4y2Ba （gydF4y2Ba 0gydF4y2Ba ，gydF4y2Ba {σgydF4y2Ba}_{bgydF4y2Ba}^{2gydF4y2Ba} ）gydF4y2Ba$ 每个工厂都有随机效果拦截吗gydF4y2Ba $我gydF4y2Ba$ 这就解释了工厂特有的质量差异。gydF4y2Ba

glme = fitglme(生产商,gydF4y2Ba'缺陷〜1 + newprocess + time_dev + temp_dev +供应商+（1 |工厂）'gydF4y2Ba，gydF4y2Ba…gydF4y2Ba'分配'gydF4y2Ba，gydF4y2Ba“泊松”gydF4y2Ba，gydF4y2Ba“链接”gydF4y2Ba，gydF4y2Ba“日志”gydF4y2Ba，gydF4y2Ba“FitMethod”gydF4y2Ba，gydF4y2Ba“拉普拉斯”gydF4y2Ba，gydF4y2Ba…gydF4y2Ba“DummyVarCoding”gydF4y2Ba，gydF4y2Ba“影响”gydF4y2Ba)；gydF4y2Ba

显示模型。gydF4y2Ba

disp (glme)gydF4y2Ba

广义线性混合效果模型适用于ML型号信息：观测数量100固定效果系数6随机效果系数20协方差参数1分配泊松链路Log Fitmethod Laplace公式：缺陷〜1 + NewProcess + Time_Dev + Temp_dev +供应商+（1 |工厂）型号拟合统计：AIC BIC Loglikelihie Deviance 416.35 434.58 -201.17 402.35固定效果系数（95％CIS）：名称estisms se tstat df pvalue {'（intercepty）'} 1.4689 0.15988 9.1875 94 9.8194E-15 {'newprocess'}-0.36766 0.17755 -2.0708 94 0.041122 { 'time_dev'} -0.094521 0.82849 -0.11409 94 0.90941 { 'temp_dev'} -0.28317 0.9617 -0.29444 94 0.76907 { 'supplier_C'} -0.071868 0.078024 -0.9211 94 0.35936 { 'supplier_B'} 0.071072 0.077390.91836 94 0.36078下高1.1515 1.7864 -0.72019 -0.015134 -1.7395 1.5505 -2.1926 1.6263 -0.1926 1.6263-0.2679 0.083051 -0.082588 0.22473随机效应协方差参数：组：工厂（20级）Name1 Name2 eStims {'（拦截）'} {'（intercept）'} {'std'} 0.31381组：错误名称估计{'sqrt（Dispersion）'} 1gydF4y2Ba

的gydF4y2Ba模型信息gydF4y2Ba表显示样品数据（100）中的观察总数，固定和随机效应系数（分别为6和20）和协方差参数（1）的数量。它还表明响应变量具有一个gydF4y2Ba泊松gydF4y2Ba分布，链接函数为gydF4y2Ba日志gydF4y2Ba，拟合方法为gydF4y2Ba拉普拉斯gydF4y2Ba．gydF4y2Ba

公式gydF4y2Ba表示使用威尔金森符号的模型规范。gydF4y2Ba

的gydF4y2Ba模型符合统计数据gydF4y2Ba表格显示用于评估模型拟合优度的统计数据。这包括赤池信息标准(gydF4y2Ba另类投资会议gydF4y2Ba)、贝叶斯信息准则(gydF4y2BaBICgydF4y2Ba）值，日志可能性（gydF4y2BaLogLikelihoodgydF4y2Ba）和偏差（gydF4y2Ba偏见gydF4y2Ba)的值。gydF4y2Ba

的gydF4y2Ba固定效应系数gydF4y2Ba表显示,gydF4y2BaFitglme.gydF4y2Ba返回95％的置信区间。它包含每个固定效果预测器的一行，每个列包含对应于该预测器的统计信息。第1列（gydF4y2Ba姓名gydF4y2Ba)包含每个固定效果系数的名称，第2列(gydF4y2Ba估计gydF4y2Ba)包含它的估计值，第3列(gydF4y2BaSEgydF4y2Ba)包含系数的标准误差。列4 (gydF4y2BaTstat.gydF4y2Ba)包含gydF4y2Ba $tgydF4y2Ba$ -系数等于0的假设检验的统计量。列5 (gydF4y2BaDFgydF4y2Ba)及第6栏(gydF4y2BapValuegydF4y2Ba)包含了自由度和gydF4y2Ba $pgydF4y2Ba$ 属性对应的gydF4y2Ba $tgydF4y2Ba$ - 分别。最后两列（gydF4y2Ba降低gydF4y2Ba和gydF4y2Ba上gydF4y2Ba)分别显示每个固定效应系数的95%置信区间的下限和上限。gydF4y2Ba

随机效应协方差参数gydF4y2Ba显示每个分组变量的表(仅在这里)gydF4y2Ba工厂gydF4y2Ba)，包括其水平总数(20)，以及协方差参数的类型和估计。在这里,gydF4y2BaSTD.gydF4y2Ba表明gydF4y2BaFitglme.gydF4y2Ba返回与工厂预测器相关的随机效应的标准偏差，其估计值为0.31381。它还显示了一个包含误差参数类型(这里是离散参数的平方根)及其估计值1的表。gydF4y2Ba

生成的标准显示gydF4y2BaFitglme.gydF4y2Ba不提供随机效应参数的置信区间。要计算和显示这些值，请使用gydF4y2BacovarianceParametersgydF4y2Ba．gydF4y2Ba

输入参数gydF4y2Ba

全部折叠gydF4y2Ba

`TBL.gydF4y2Ba`- - - - - -gydF4y2Ba输入数据gydF4y2Ba
表格gydF4y2Ba| G.ydF4y2Ba数据集的数组gydF4y2Ba

输入数据，包括响应变量，预测器变量和分组变量，指定为表或数据集数组。预测变量可以是连续的或分组变量（参见gydF4y2Ba分组变量gydF4y2Ba）.您必须为使用的变量指定模型gydF4y2Ba公式gydF4y2Ba．gydF4y2Ba

`公式gydF4y2Ba`- - - - - -gydF4y2Ba模型规范公式gydF4y2Ba
形式的字符向量或字符串标量gydF4y2Ba`'y〜固定+（random1 | grouping1）+ ... +（randomr | groupingr）'gydF4y2Ba`

公式模型规范，指定为字符向量或字符串标量的形式gydF4y2Ba'y〜固定+（random1 | grouping1）+ ... +（randomr | groupingr）'gydF4y2Ba．公式是区分大小写的。有关详细描述，请参见gydF4y2Ba公式gydF4y2Ba．gydF4y2Ba

例子：gydF4y2Ba'Y〜治疗+（1 |块）'gydF4y2Ba

名称-值对的观点gydF4y2Ba

指定可选的逗号分隔的对gydF4y2Ba名称,值gydF4y2Ba论点。gydF4y2Ba姓名gydF4y2Ba参数名和gydF4y2Ba价值gydF4y2Ba是相应的价值。gydF4y2Ba姓名gydF4y2Ba必须出现在引号内。可以以任意顺序指定多个名称和值对参数gydF4y2Baname1，value1，...，namen，valuengydF4y2Ba．gydF4y2Ba

例子：gydF4y2Ba'分发'，'泊松'，'链接'，'log'，'fitmethod'，'laplace'，'dummyvarcoding'，'exputive'gydF4y2Ba指定响应变量分布为泊松，链接函数为对数，拟合方法为拉普拉斯，以及系数和为0的哑变量编码。gydF4y2Ba

`“BinomialSize”gydF4y2Ba`- - - - - -gydF4y2Ba二项分布的试验次数gydF4y2Ba
1gydF4y2Ba（默认）|gydF4y2Ba标量值gydF4y2Ba| G.ydF4y2Ba向量gydF4y2Ba| G.ydF4y2Ba变量名gydF4y2Ba

二项分布的试验数，即样本大小，指定为由标量值、与响应长度相同的向量或输入表中变量的名称组成的逗号分隔的对。如果指定了一个变量的名称，那么该变量必须与响应的长度相同。gydF4y2BaBinomialSizegydF4y2Ba仅适用于gydF4y2Ba分布gydF4y2Ba参数是gydF4y2Ba“二”gydF4y2Ba．gydF4y2Ba

如果gydF4y2BaBinomialSizegydF4y2Ba是一个标量值，这意味着所有的观察有相同的试验次数。gydF4y2Ba

数据类型:gydF4y2Ba单身的gydF4y2Ba| G.ydF4y2Ba双gydF4y2Ba

`“CheckHessian”gydF4y2Ba`- - - - - -gydF4y2Ba检查黑森氏阳性确定度的指标gydF4y2Ba
`假gydF4y2Ba`（默认）|gydF4y2Ba`真的gydF4y2Ba`

指标，用于检查目标函数的Hessian在收敛时对无约束参数的正确定性，指定为逗号分隔对，由gydF4y2Ba“CheckHessian”gydF4y2Ba和任何一种gydF4y2Ba假gydF4y2Ba或者gydF4y2Ba真的gydF4y2Ba．默认是gydF4y2Ba假gydF4y2Ba．gydF4y2Ba

指定gydF4y2Ba“CheckHessian”gydF4y2Ba作为gydF4y2Ba真的gydF4y2Ba验证解决方案的最优性或确定模型是否在协方差参数的数量上过度参数化。gydF4y2Ba

如果您指定gydF4y2Ba“FitMethod”gydF4y2Ba作为gydF4y2Ba“MPL”gydF4y2Ba或者gydF4y2Ba“REMPL”gydF4y2Ba，然后基于最终伪似然迭代拟合的线性混合效应模型，得到固定效应和协方差参数的协方差。gydF4y2Ba

例子：gydF4y2Ba“CheckHessian”,真的gydF4y2Ba

`“CovarianceMethod”gydF4y2Ba`- - - - - -gydF4y2Ba估计参数协方差的计算方法gydF4y2Ba
`'条件'gydF4y2Ba`（默认）|gydF4y2Ba`'康涅斯岛'gydF4y2Ba`

方法来计算估计参数的协方差，指定为逗号分隔对组成gydF4y2Ba“CovarianceMethod”gydF4y2Ba和任何一种gydF4y2Ba'条件'gydF4y2Ba或者gydF4y2Ba'康涅斯岛'gydF4y2Ba．如果您指定gydF4y2Ba'条件'gydF4y2Ba,然后gydF4y2BaFitglme.gydF4y2Ba计算给定估计协方差参数的固定效应的协方差的快速近似。它不计算协方差参数的协方差。如果您指定gydF4y2Ba'康涅斯岛'gydF4y2Ba,然后gydF4y2BaFitglme.gydF4y2Ba利用拉普拉斯对数似然，通过观测信息矩阵计算固定效应和协方差参数的联合协方差。gydF4y2Ba

例子：gydF4y2Ba'CovianCemethod'，'康涅狄格州'gydF4y2Ba

`'covariancepattern'gydF4y2Ba`- - - - - -gydF4y2Ba协方差矩阵的模式gydF4y2Ba
`“FullCholesky”gydF4y2Ba`| G.ydF4y2Ba`'各向同性'gydF4y2Ba`| G.ydF4y2Ba`“全部”gydF4y2Ba`| G.ydF4y2Ba`“对角线”gydF4y2Ba`| G.ydF4y2Ba`“CompSymm”gydF4y2Ba`| G.ydF4y2Ba平方对称逻辑矩阵gydF4y2Ba| G.ydF4y2Ba字符串数组gydF4y2Ba| G.ydF4y2Ba字符向量或逻辑矩阵的单元阵列gydF4y2Ba

随机效应协方差矩阵的模式，指定为逗号分隔对组成gydF4y2Ba'covariancepattern'gydF4y2Ba和gydF4y2Ba“FullCholesky”gydF4y2Ba，gydF4y2Ba'各向同性'gydF4y2Ba，gydF4y2Ba“全部”gydF4y2Ba，gydF4y2Ba“对角线”gydF4y2Ba，gydF4y2Ba“CompSymm”gydF4y2Ba，一个方形对称逻辑矩阵，字符串阵列或包含字符向量或逻辑矩阵的小区阵列。gydF4y2Ba

如果有gydF4y2BaRgydF4y2Ba随机效应项，然后是gydF4y2Ba'covariancepattern'gydF4y2Ba必须是字符串数组或单元格数组的长度gydF4y2BaRgydF4y2Ba，其中每个元素gydF4y2BargydF4y2Ba的值指定与的随机效果向量的协方差矩阵的模式gydF4y2BargydF4y2Ba随机项。下面是每个元素的选项。gydF4y2Ba

价值gydF4y2Ba	描述gydF4y2Ba
`“FullCholesky”gydF4y2Ba`	完全协方差矩阵使用Cholesky参数化。gydF4y2Ba`Fitglme.gydF4y2Ba`估计协方差矩阵的所有元素。gydF4y2Ba
`'各向同性'gydF4y2Ba`	等方差对角协方差矩阵。即协方差矩阵的非对角元素被约束为0，对角元素被约束为相等。例如，如果有三个随机效应项具有各向同性协方差结构，这个协方差矩阵是这样的gydF4y2Ba $（gydF4y2Ba \begin{matrix} {σgydF4y2Ba}_{bgydF4y2Ba}^{2gydF4y2Ba} & 0gydF4y2Ba & 0gydF4y2Ba \\ 0gydF4y2Ba & {σgydF4y2Ba}_{bgydF4y2Ba}^{2gydF4y2Ba} & 0gydF4y2Ba \\ 0gydF4y2Ba & 0gydF4y2Ba & {σgydF4y2Ba}_{bgydF4y2Ba}^{2gydF4y2Ba} \end{matrix} ）gydF4y2Ba$ 在σgydF4y2Ba^2gydF4y2Ba_1gydF4y2Ba为随机效应项的共同方差。gydF4y2Ba
`“全部”gydF4y2Ba`	全协方差矩阵，使用log-Cholesky参数化。gydF4y2Ba`fitlmegydF4y2Ba`估计协方差矩阵的所有元素。gydF4y2Ba
`“对角线”gydF4y2Ba`	对角协方差矩阵。也就是说，协方差矩阵的非对角元素被约束为0。gydF4y2Ba $（gydF4y2Ba \begin{matrix} {σgydF4y2Ba}_{bgydF4y2Ba 1gydF4y2Ba}^{2gydF4y2Ba} & 0gydF4y2Ba & 0gydF4y2Ba \\ 0gydF4y2Ba & {σgydF4y2Ba}_{bgydF4y2Ba 2gydF4y2Ba}^{2gydF4y2Ba} & 0gydF4y2Ba \\ 0gydF4y2Ba & 0gydF4y2Ba & {σgydF4y2Ba}_{bgydF4y2Ba 3.gydF4y2Ba}^{2gydF4y2Ba} \end{matrix} ）gydF4y2Ba$
`“CompSymm”gydF4y2Ba`	复合对称结构。也就是说，沿对角线的常见方差和所有随机效果之间的相等相关性。例如，如果有三个随机效应术语具有具有复合对称结构的协方差矩阵，则这种协方差矩阵看起来像gydF4y2Ba $（gydF4y2Ba \begin{matrix} {σgydF4y2Ba}_{bgydF4y2Ba 1gydF4y2Ba}^{2gydF4y2Ba} & {σgydF4y2Ba}_{bgydF4y2Ba 1gydF4y2Ba ，gydF4y2Ba bgydF4y2Ba 2gydF4y2Ba} & {σgydF4y2Ba}_{bgydF4y2Ba 1gydF4y2Ba ，gydF4y2Ba bgydF4y2Ba 2gydF4y2Ba} \\ {σgydF4y2Ba}_{bgydF4y2Ba 1gydF4y2Ba ，gydF4y2Ba bgydF4y2Ba 2gydF4y2Ba} & {σgydF4y2Ba}_{bgydF4y2Ba 1gydF4y2Ba}^{2gydF4y2Ba} & {σgydF4y2Ba}_{bgydF4y2Ba 1gydF4y2Ba ，gydF4y2Ba bgydF4y2Ba 2gydF4y2Ba} \\ {σgydF4y2Ba}_{bgydF4y2Ba 1gydF4y2Ba ，gydF4y2Ba bgydF4y2Ba 2gydF4y2Ba} & {σgydF4y2Ba}_{bgydF4y2Ba 1gydF4y2Ba ，gydF4y2Ba bgydF4y2Ba 2gydF4y2Ba} & {σgydF4y2Ba}_{bgydF4y2Ba 1gydF4y2Ba}^{2gydF4y2Ba} \end{matrix} ）gydF4y2Ba$ 在σgydF4y2Ba^2gydF4y2Ba_b1gydF4y2Ba随机效应项和σ的共同方差是多少gydF4y2Ba_{b1、b2gydF4y2Ba}是任何两个随机效应项之间的共同协方差。gydF4y2Ba
`帕特gydF4y2Ba`	方称对称逻辑矩阵。如果gydF4y2Ba`'covariancepattern'gydF4y2Ba`是由矩阵定义的gydF4y2Ba`帕特gydF4y2Ba`,如果gydF4y2Ba`帕特(a, b) = falsegydF4y2Ba`,那么gydF4y2Ba`（a，b）gydF4y2Ba`相应协方差矩阵的元素被约束为0。gydF4y2Ba

对于标量随机效果项，默认值为gydF4y2Ba'各向同性'gydF4y2Ba．否则，默认为gydF4y2Ba“FullCholesky”gydF4y2Ba．gydF4y2Ba

例子：gydF4y2Ba“CovariancePattern”、“对角线”gydF4y2Ba

例子：gydF4y2BaCovariancePattern,{“完整”,“对角线”}gydF4y2Ba

数据类型:gydF4y2Ba字符gydF4y2Ba| G.ydF4y2Ba字符串gydF4y2Ba| G.ydF4y2Ba逻辑gydF4y2Ba| G.ydF4y2Ba细胞gydF4y2Ba

`“DispersionFlag”gydF4y2Ba`- - - - - -gydF4y2Ba计算色散参数的指示器gydF4y2Ba
`假gydF4y2Ba`为gydF4y2Ba`“二”gydF4y2Ba`和gydF4y2Ba`“泊松”gydF4y2Ba`分布gydF4y2Ba（默认）|gydF4y2Ba`真的gydF4y2Ba`

用于计算色散参数的指标gydF4y2Ba“二”gydF4y2Ba和gydF4y2Ba“泊松”gydF4y2Ba分布，指定为逗号分隔对组成gydF4y2Ba“DispersionFlag”gydF4y2Ba下面是其中之一。gydF4y2Ba

价值gydF4y2Ba	描述gydF4y2Ba
`真的gydF4y2Ba`	计算标准错误时估算色散参数gydF4y2Ba
`假gydF4y2Ba`	使用的理论价值gydF4y2Ba`1.0gydF4y2Ba`在计算标准误差时gydF4y2Ba

“DispersionFlag”gydF4y2Ba仅适用于如果gydF4y2Ba“FitMethod”gydF4y2Ba是gydF4y2Ba“MPL”gydF4y2Ba或者gydF4y2Ba“REMPL”gydF4y2Ba．gydF4y2Ba

拟合功能始终估计用于其他分布的色散。gydF4y2Ba

例子：gydF4y2Ba“DispersionFlag”,真的gydF4y2Ba

`'分配'gydF4y2Ba`- - - - - -gydF4y2Ba分布响应变量gydF4y2Ba
`“正常”gydF4y2Ba`（默认）|gydF4y2Ba`“二”gydF4y2Ba`| G.ydF4y2Ba`“泊松”gydF4y2Ba`| G.ydF4y2Ba`“伽马”gydF4y2Ba`| G.ydF4y2Ba`“InverseGaussian”gydF4y2Ba`

响应变量的分布，指定为逗号分隔对组成gydF4y2Ba'分配'gydF4y2Ba下面是其中之一。gydF4y2Ba

价值gydF4y2Ba	描述gydF4y2Ba
`“正常”gydF4y2Ba`	正态分布gydF4y2Ba
`“二”gydF4y2Ba`	二项分布gydF4y2Ba
`“泊松”gydF4y2Ba`	泊松分布gydF4y2Ba
`“伽马”gydF4y2Ba`	伽玛分布gydF4y2Ba
`“InverseGaussian”gydF4y2Ba`	逆高斯分布gydF4y2Ba

例子：gydF4y2Ba“分布”、“二项”gydF4y2Ba

`“DummyVarCoding”gydF4y2Ba`- - - - - -gydF4y2Ba用于虚拟变量的编码gydF4y2Ba
`“参考”gydF4y2Ba`（默认）|gydF4y2Ba`“影响”gydF4y2Ba`| G.ydF4y2Ba`'满的'gydF4y2Ba`

用于从分类变量创建的虚拟变量的编码，指定为逗号分隔的对组成gydF4y2Ba“DummyVarCoding”gydF4y2Ba和此表中的一个变量。gydF4y2Ba

价值gydF4y2Ba	描述gydF4y2Ba
`“参考”gydF4y2Ba`(默认)gydF4y2Ba	`Fitglme.gydF4y2Ba`使用参考组创建虚拟变量。该方案将第一个类别作为参照组，并比类别数量少创建一个虚拟变量。属性可以检查类别变量的类别顺序gydF4y2Ba`类别gydF4y2Ba`函数，并使用gydF4y2Ba`reordercatsgydF4y2Ba`函数。gydF4y2Ba
`“影响”gydF4y2Ba`	`Fitglme.gydF4y2Ba`使用效果编码创建虚拟变量。该方案使用-1表示最后一个类别。这个方案比类别的数目少创建一个虚拟变量。gydF4y2Ba
`'满的'gydF4y2Ba`	`Fitglme.gydF4y2Ba`创建完全虚拟变量。这个方案为每个类别创建一个虚拟变量。gydF4y2Ba

有关创建虚拟变量的详细信息，请参见gydF4y2Ba虚拟变量的自动创建gydF4y2Ba．gydF4y2Ba

例子：gydF4y2Ba“DummyVarCoding”、“影响”gydF4y2Ba

`“EBMethod”gydF4y2Ba`- - - - - -gydF4y2Ba随机效应的经验贝叶斯估计的近似方法gydF4y2Ba
`'汽车'gydF4y2Ba`（默认）|gydF4y2Ba`“LineSearchNewton”gydF4y2Ba`| G.ydF4y2Ba`'trustrigon2d'gydF4y2Ba`| G.ydF4y2Ba`“fsolve”gydF4y2Ba`

用来近似经验贝叶斯估计随机效应的方法，指定为逗号分隔对组成gydF4y2Ba“EBMethod”gydF4y2Ba下面是其中之一。gydF4y2Ba

'汽车'gydF4y2Ba
“LineSearchNewton”gydF4y2Ba
'trustrigon2d'gydF4y2Ba
“fsolve”gydF4y2Ba

'汽车'gydF4y2Ba类似于gydF4y2Ba“LineSearchNewton”gydF4y2Ba但是使用了不同的收敛标准，并且没有显示迭代过程。gydF4y2Ba'汽车'gydF4y2Ba和gydF4y2Ba“LineSearchNewton”gydF4y2Ba对于非规范链接函数可能会失败。对于非标准链接函数，gydF4y2Ba'trustrigon2d'gydF4y2Ba或者gydF4y2Ba“fsolve”gydF4y2Ba是推荐的。您必须拥有最优化工具箱™才能使用gydF4y2Ba“fsolve”gydF4y2Ba．gydF4y2Ba

例子：gydF4y2Ba“EBMethod”、“LineSearchNewton”gydF4y2Ba

`'Eboptions'gydF4y2Ba`- - - - - -gydF4y2Ba经验贝叶斯优化选项gydF4y2Ba
结构体gydF4y2Ba

经验贝叶斯优化选项，指定为逗号分隔对组成gydF4y2Ba'Eboptions'gydF4y2Ba以及包含以下内容的结构。gydF4y2Ba

价值gydF4y2Ba	描述gydF4y2Ba
`'tolfun'gydF4y2Ba`	梯度范数的相对容差。默认是1 e-6。gydF4y2Ba
`“TolX”gydF4y2Ba`	步长绝对公差。默认是1 e-8。gydF4y2Ba
`'maxiter'gydF4y2Ba`	最大迭代次数。默认是100。gydF4y2Ba
`'展示'gydF4y2Ba`	`'离开'gydF4y2Ba`，gydF4y2Ba`“通路”gydF4y2Ba`，或者gydF4y2Ba`'最终的'gydF4y2Ba`．默认是gydF4y2Ba`'离开'gydF4y2Ba`．gydF4y2Ba

如果gydF4y2Baebmethod.gydF4y2Ba是gydF4y2Ba'汽车'gydF4y2Ba和gydF4y2Ba“FitMethod”gydF4y2Ba是gydF4y2Ba“拉普拉斯”gydF4y2Ba，gydF4y2Ba塔尔芬gydF4y2Ba是模型线性预测器的相对容差，以及gydF4y2Ba'展示'gydF4y2Ba选项不适用。gydF4y2Ba

如果gydF4y2Ba“EBMethod”gydF4y2Ba是gydF4y2Ba“fsolve”gydF4y2Ba,然后gydF4y2Ba'Eboptions'gydF4y2Ba必须指定为由gydF4y2Baoptimoptions(“fsolve”)gydF4y2Ba．gydF4y2Ba

数据类型:gydF4y2Ba结构体gydF4y2Ba

`“排除”gydF4y2Ba`- - - - - -gydF4y2Ba要排除的行的索引gydF4y2Ba
使用所有行gydF4y2Ba`nangydF4y2Ba`（默认）|gydF4y2Ba整数或逻辑值的向量gydF4y2Ba

排除来自数据中的广义线性混合效果模型的行指定，指定为逗号分隔对gydF4y2Ba“排除”gydF4y2Ba和整数或逻辑值的矢量。gydF4y2Ba

例如，您可以从fit中排除第13行和第67行，如下所示。gydF4y2Ba

例子：gydF4y2Ba“排除”,[67]gydF4y2Ba

数据类型:gydF4y2Ba单身的gydF4y2Ba| G.ydF4y2Ba双gydF4y2Ba| G.ydF4y2Ba逻辑gydF4y2Ba

`“FitMethod”gydF4y2Ba`- - - - - -gydF4y2Ba模型参数估计方法gydF4y2Ba
`“MPL”gydF4y2Ba`（默认）|gydF4y2Ba`“REMPL”gydF4y2Ba`| G.ydF4y2Ba`“拉普拉斯”gydF4y2Ba`| G.ydF4y2Ba`“ApproximateLaplacegydF4y2Ba`

估计模型参数的方法，指定为逗号分隔对，由gydF4y2Ba“FitMethod”gydF4y2Ba下面是其中之一。gydF4y2Ba

“MPL”gydF4y2Ba-最大伪似然gydF4y2Ba
“REMPL”gydF4y2Ba-限制最大伪似然gydF4y2Ba
“拉普拉斯”gydF4y2Ba-使用拉普拉斯近似的最大似然gydF4y2Ba
“ApproximateLaplace”gydF4y2Ba-最大似然使用近似拉普拉斯近似固定效果剖析gydF4y2Ba

例子：gydF4y2Ba“FitMethod”、“REMPL”gydF4y2Ba

`“InitPLIterations”gydF4y2Ba`- - - - - -gydF4y2Ba伪可能迭代的初始数量gydF4y2Ba
10.gydF4y2Ba（默认）|gydF4y2Ba范围内的整数值[1，∞）gydF4y2Ba

用于初始化参数的伪似然迭代的初始次数gydF4y2BaApproximateLaplacegydF4y2Ba和gydF4y2Ba拉普拉斯gydF4y2Ba拟合方法，指定为逗号分隔对组成gydF4y2Ba“InitPLIterations”gydF4y2Ba并且整数值大于或等于1。gydF4y2Ba

数据类型:gydF4y2Ba单身的gydF4y2Ba| G.ydF4y2Ba双gydF4y2Ba

`“链接”gydF4y2Ba`- - - - - -gydF4y2Ba链接功能gydF4y2Ba
`'身份'gydF4y2Ba`| G.ydF4y2Ba`“日志”gydF4y2Ba`| G.ydF4y2Ba`分对数的gydF4y2Ba`| G.ydF4y2Ba`'概率'gydF4y2Ba`| G.ydF4y2Ba`'comploglog'gydF4y2Ba`| G.ydF4y2Ba`“互惠”gydF4y2Ba`| G.ydF4y2Ba标量值gydF4y2Ba| G.ydF4y2Ba结构体gydF4y2Ba

链接函数，指定为逗号分隔对组成gydF4y2Ba“链接”gydF4y2Ba下面是其中之一。gydF4y2Ba

价值gydF4y2Ba	描述gydF4y2Ba
`'身份'gydF4y2Ba`	`μg(μ)=gydF4y2Ba` 这是正常分布的默认值。gydF4y2Ba
`“日志”gydF4y2Ba`	`g（mu）= log（mu）gydF4y2Ba` 这是泊松分布的默认值。gydF4y2Ba
`分对数的gydF4y2Ba`	`g（mu）= log（mu /（1-mu））gydF4y2Ba` 这是二项分布的默认值。gydF4y2Ba
`“重对数”gydF4y2Ba`	`g（mu）= log（-log（mu））gydF4y2Ba`
`'概率'gydF4y2Ba`	`g（mu）= norminv（mu）gydF4y2Ba`
`'comploglog'gydF4y2Ba`	`g（mu）= log（-log（1-mu））gydF4y2Ba`
`“互惠”gydF4y2Ba`	`g（mu）= mu。^（ - 1）gydF4y2Ba`
标量值gydF4y2Ba`PgydF4y2Ba`	`μg(μ)=。^ PgydF4y2Ba`
结构gydF4y2Ba`年代gydF4y2Ba`	一个包含四个字段的结构，它们的值是具有以下名称的函数句柄:gydF4y2Ba `S.LinkgydF4y2Ba`——链接功能gydF4y2Ba `s.长长的gydF4y2Ba`——导数gydF4y2Ba `S.SecondDerivativegydF4y2Ba`- 第二衍生物gydF4y2Ba `S.InversegydF4y2Ba`-连杆逆gydF4y2Ba 规范的gydF4y2Ba`S.SecondDerivativegydF4y2Ba`如果是可以省略gydF4y2Ba`Fitmethod.gydF4y2Ba`是gydF4y2Ba`MPLgydF4y2Ba`或者gydF4y2Ba`REMPLgydF4y2Ba`，或者如果gydF4y2Ba`年代gydF4y2Ba`是指定分布的规范链接。gydF4y2Ba

使用的缺省链路功能gydF4y2BaFitglme.gydF4y2Ba是依赖于响应分布的规范链接。gydF4y2Ba

响应分布gydF4y2Ba	规范的链接功能gydF4y2Ba
`“正常”gydF4y2Ba`	`'身份'gydF4y2Ba`
`“二”gydF4y2Ba`	`分对数的gydF4y2Ba`
`“泊松”gydF4y2Ba`	`“日志”gydF4y2Ba`
`“伽马”gydF4y2Ba`	`-1gydF4y2Ba`
`“InverseGaussian”gydF4y2Ba`	`-2gydF4y2Ba`

例子：gydF4y2Ba'链接'，'log'gydF4y2Ba

数据类型:gydF4y2Ba字符gydF4y2Ba| G.ydF4y2Ba字符串gydF4y2Ba| G.ydF4y2Ba单身的gydF4y2Ba| G.ydF4y2Ba双gydF4y2Ba| G.ydF4y2Ba结构体gydF4y2Ba

`'野马'gydF4y2Ba`- - - - - -gydF4y2Ba条件平均值的起始值gydF4y2Ba
标量值gydF4y2Ba

条件平均值的起始值，指定为逗号分隔对，由gydF4y2Ba'野马'gydF4y2Ba和标量值。有效值如下:gydF4y2Ba

响应分布gydF4y2Ba	有效值gydF4y2Ba
`“正常”gydF4y2Ba`	`（-inf，INF）gydF4y2Ba`
`“二”gydF4y2Ba`	`(0,1)gydF4y2Ba`
`“泊松”gydF4y2Ba`	`(0,正)gydF4y2Ba`
`“伽马”gydF4y2Ba`	`(0,正)gydF4y2Ba`
`“InverseGaussian”gydF4y2Ba`	`(0,正)gydF4y2Ba`

数据类型:gydF4y2Ba单身的gydF4y2Ba| G.ydF4y2Ba双gydF4y2Ba

`“抵消”gydF4y2Ba`- - - - - -gydF4y2Ba抵消gydF4y2Ba
`0 (n, 1)gydF4y2Ba`（默认）|gydF4y2BangydF4y2Ba-1-1标量值矢量gydF4y2Ba

偏移量，指定为逗号分隔的配对组成gydF4y2Ba“抵消”gydF4y2Ba和一个gydF4y2BangydF4y2Ba向量的标量值，其中gydF4y2BangydF4y2Ba为响应向量的长度。也可以指定变量名gydF4y2BangydF4y2Ba- 1-1个标量值矢量。gydF4y2Ba“抵消”gydF4y2Ba用作具有固定系数值的附加预测器gydF4y2Ba1.0gydF4y2Ba．gydF4y2Ba

数据类型:gydF4y2Ba单身的gydF4y2Ba| G.ydF4y2Ba双gydF4y2Ba

`'优化器'gydF4y2Ba`- - - - - -gydF4y2Ba优化算法gydF4y2Ba
`“quasinewton”gydF4y2Ba`（默认）|gydF4y2Ba`“fminsearch”gydF4y2Ba`| G.ydF4y2Ba`'fminunc'gydF4y2Ba`

优化算法，指定为逗号分隔对组成gydF4y2Ba'优化器'gydF4y2Ba以及以下任何一种情况。gydF4y2Ba

价值gydF4y2Ba	描述gydF4y2Ba
`“quasinewton”gydF4y2Ba`	使用基于信赖域的拟牛顿优化器。您可以使用以下方法更改算法的选项gydF4y2Ba`statset（'fitglme'）gydF4y2Ba`．如果您没有指定选项，则gydF4y2Ba`Fitglme.gydF4y2Ba`使用的默认选项gydF4y2Ba`statset（'fitglme'）gydF4y2Ba`．gydF4y2Ba
`“fminsearch”gydF4y2Ba`	使用无导数的内尔德-米德方法。您可以使用以下方法更改算法的选项gydF4y2Ba`optimset(“fminsearch”)gydF4y2Ba`．如果您没有指定选项，则gydF4y2Ba`Fitglme.gydF4y2Ba`使用的默认选项gydF4y2Ba`optimset(“fminsearch”)gydF4y2Ba`．gydF4y2Ba
`'fminunc'gydF4y2Ba`	使用基于线搜索的拟牛顿方法。必须有“优化工具箱”才能指定此选项。您可以使用以下方法更改算法的选项gydF4y2Ba`optimoptions(“fminunc”)gydF4y2Ba`．如果您没有指定选项，则gydF4y2Ba`Fitglme.gydF4y2Ba`使用的默认选项gydF4y2Ba`optimoptions(“fminunc”)gydF4y2Ba`与gydF4y2Ba`'算法'gydF4y2Ba`设置为gydF4y2Ba`“拟牛顿”gydF4y2Ba`．gydF4y2Ba

例子：gydF4y2Ba'优化器'，'fminsearch'gydF4y2Ba

`“OptimizerOptions”gydF4y2Ba`- - - - - -gydF4y2Ba优化算法选项gydF4y2Ba
返回的结构gydF4y2Ba`statsetgydF4y2Ba`| G.ydF4y2Ba返回的结构gydF4y2Ba`优化集gydF4y2Ba`| G.ydF4y2Ba返回的对象gydF4y2Ba`optimoptionsgydF4y2Ba`

优化算法的选项，指定为逗号分隔的对组成gydF4y2Ba“OptimizerOptions”gydF4y2Ba和返回的结构gydF4y2Bastatset（'fitglme'）gydF4y2Ba，是由gydF4y2Baoptimset(“fminsearch”)gydF4y2Ba或返回的对象gydF4y2Baoptimoptions(“fminunc”)gydF4y2Ba．gydF4y2Ba

如果gydF4y2Ba'优化器'gydF4y2Ba是gydF4y2Ba“fminsearch”gydF4y2Ba,然后用gydF4y2Baoptimset(“fminsearch”)gydF4y2Ba更改算法的选项。如果gydF4y2Ba'优化器'gydF4y2Ba是gydF4y2Ba“fminsearch”gydF4y2Ba而且你不提供gydF4y2Ba“OptimizerOptions”gydF4y2Ba，然后是使用的默认值gydF4y2BaFitglme.gydF4y2Ba默认选项是由gydF4y2Baoptimset(“fminsearch”)gydF4y2Ba．gydF4y2Ba
如果gydF4y2Ba'优化器'gydF4y2Ba是gydF4y2Ba'fminunc'gydF4y2Ba,然后用gydF4y2Baoptimoptions(“fminunc”)gydF4y2Ba更改优化算法的选项。看到gydF4y2BaoptimoptionsgydF4y2Ba的选项gydF4y2Ba'fminunc'gydF4y2Ba用途。如果gydF4y2Ba'优化器'gydF4y2Ba是gydF4y2Ba'fminunc'gydF4y2Ba而且你不提供gydF4y2Ba“OptimizerOptions”gydF4y2Ba，然后是使用的默认值gydF4y2BaFitglme.gydF4y2Ba默认选项是由gydF4y2Baoptimoptions(“fminunc”)gydF4y2Ba与gydF4y2Ba'算法'gydF4y2Ba设置为gydF4y2Ba“拟牛顿”gydF4y2Ba．gydF4y2Ba
如果gydF4y2Ba'优化器'gydF4y2Ba是gydF4y2Ba“quasinewton”gydF4y2Ba,然后用gydF4y2Bastatset（'fitglme'）gydF4y2Ba更改优化参数。如果gydF4y2Ba'优化器'gydF4y2Ba是gydF4y2Ba“quasinewton”gydF4y2Ba你不用改变优化参数gydF4y2BastatsetgydF4y2Ba,然后gydF4y2BaFitglme.gydF4y2Ba使用。创建的默认选项gydF4y2Bastatset（'fitglme'）gydF4y2Ba．gydF4y2Ba

的gydF4y2Ba“quasinewton”gydF4y2Ba优化器在结构中使用以下字段gydF4y2Bastatset（'fitglme'）gydF4y2Ba．gydF4y2Ba

`塔尔芬gydF4y2Ba`-目标函数梯度的相对容限gydF4y2Ba
`1E-6gydF4y2Ba`(默认)|正标量值gydF4y2Ba

目标函数梯度的相对公差，指定为一个正标量值。gydF4y2Ba

`TolXgydF4y2Ba`-步长绝对公差gydF4y2Ba
`1 e-12gydF4y2Ba`(默认)|正标量值gydF4y2Ba

步长的绝对公差，指定为一个正标量值。gydF4y2Ba

`maxiter.gydF4y2Ba`—允许的最大迭代次数gydF4y2Ba
`10000gydF4y2Ba`(默认)|正标量值gydF4y2Ba

允许的最大迭代次数，指定为正标量值。gydF4y2Ba

`展示gydF4y2Ba`-显示级别gydF4y2Ba
`'离开'gydF4y2Ba`（默认）|gydF4y2Ba`“通路”gydF4y2Ba`| G.ydF4y2Ba`'最终的'gydF4y2Ba`

显示电平，指定为之一gydF4y2Ba'离开'gydF4y2Ba，gydF4y2Ba“通路”gydF4y2Ba，或者gydF4y2Ba'最终的'gydF4y2Ba．gydF4y2Ba

`“PLIterations”gydF4y2Ba`- - - - - -gydF4y2Ba最大伪可能迭代次数gydF4y2Ba
`100.gydF4y2Ba`（默认）|gydF4y2Ba正整数值gydF4y2Ba

指定为逗号分隔对的伪可能性（PL）迭代的最大数量gydF4y2Ba“PLIterations”gydF4y2Ba和积极的整数值。PL用于拟合模型如果gydF4y2Ba“FitMethod”gydF4y2Ba是gydF4y2Ba“MPL”gydF4y2Ba或者gydF4y2Ba“REMPL”gydF4y2Ba．为其他gydF4y2Ba“FitMethod”gydF4y2Ba值时，PL迭代用于初始化参数以进行后续优化。gydF4y2Ba

例子：gydF4y2Ba“PLIterations”,200年gydF4y2Ba

数据类型:gydF4y2Ba单身的gydF4y2Ba| G.ydF4y2Ba双gydF4y2Ba

`'pltolerance'gydF4y2Ba`- - - - - -gydF4y2Ba伪似然迭代的相对容许因子gydF4y2Ba
`1E-08.gydF4y2Ba`（默认）|gydF4y2Ba积极的标量值gydF4y2Ba

伪似然迭代的相对容忍因素，指定为逗号分隔的对组成gydF4y2Ba'pltolerance'gydF4y2Ba和正标量值。gydF4y2Ba

例子：gydF4y2Bae-06 PLTolerance, 1gydF4y2Ba

数据类型:gydF4y2Ba单身的gydF4y2Ba| G.ydF4y2Ba双gydF4y2Ba

`'startmethod'gydF4y2Ba`- - - - - -gydF4y2Ba方法开始迭代优化gydF4y2Ba
`'默认'gydF4y2Ba`（默认）|gydF4y2Ba`“随机”gydF4y2Ba`

开始迭代优化的方法，指定为逗号分隔的对组成gydF4y2Ba'startmethod'gydF4y2Ba以及以下任何一种情况。gydF4y2Ba

价值gydF4y2Ba	描述gydF4y2Ba
`'默认'gydF4y2Ba`	一个内部定义的默认值gydF4y2Ba
`“随机”gydF4y2Ba`	随机初始值gydF4y2Ba

例子：gydF4y2Ba“StartMethod”、“随机”gydF4y2Ba

`“UseSequentialFitting”gydF4y2Ba`- - - - - -gydF4y2Ba初始拟合类型gydF4y2Ba
`假gydF4y2Ba`（默认）|gydF4y2Ba`真的gydF4y2Ba`

，指定为逗号分隔的对，由gydF4y2Ba“UseSequentialFitting”gydF4y2Ba和任何一种gydF4y2Ba假gydF4y2Ba或者gydF4y2Ba真的gydF4y2Ba．如果gydF4y2Ba“UseSequentialFitting”gydF4y2Ba是gydF4y2Ba假gydF4y2Ba，所有最大似然方法都使用一个或多个伪似然迭代进行初始化。如果gydF4y2Ba“UseSequentialFitting”gydF4y2Ba是gydF4y2Ba真的gydF4y2Ba，利用伪似然迭代的初值进行优化gydF4y2Ba“ApproximateLaplace”gydF4y2Ba为gydF4y2Ba“拉普拉斯”gydF4y2Ba拟合。gydF4y2Ba

例子：gydF4y2Ba“UseSequentialFitting”,真的gydF4y2Ba

`'verbose'gydF4y2Ba`- - - - - -gydF4y2Ba在屏幕上显示优化过程的指示灯gydF4y2Ba
`0gydF4y2Ba`（默认）|gydF4y2Ba`1gydF4y2Ba`| G.ydF4y2Ba`2gydF4y2Ba`

指示符在屏幕上显示优化过程，指定为逗号分隔对组成gydF4y2Ba'verbose'gydF4y2Ba和gydF4y2Ba0gydF4y2Ba，gydF4y2Ba1gydF4y2Ba，或者gydF4y2Ba2gydF4y2Ba．如果gydF4y2Ba'verbose'gydF4y2Ba被指定为gydF4y2Ba1gydF4y2Ba或者gydF4y2Ba2gydF4y2Ba,然后gydF4y2BaFitglme.gydF4y2Ba显示迭代模型拟合过程的进度。指定gydF4y2Ba'verbose'gydF4y2Ba作为gydF4y2Ba2gydF4y2Ba显示来自单个伪似然迭代的迭代优化信息。指定gydF4y2Ba'verbose'gydF4y2Ba作为gydF4y2Ba1gydF4y2Ba省略了这显示。gydF4y2Ba

设置gydF4y2Ba'verbose'gydF4y2Ba覆盖的领域gydF4y2Ba'展示'gydF4y2Ba在gydF4y2Ba“OptimizerOptions”gydF4y2Ba．gydF4y2Ba

例子：gydF4y2Ba“详细”,1gydF4y2Ba

`“重量”gydF4y2Ba`- - - - - -gydF4y2Ba观察权重gydF4y2Ba
非负标量值的向量gydF4y2Ba

观察权值，指定为逗号分隔的对，由gydF4y2Ba“重量”gydF4y2Ba和一个gydF4y2BangydF4y2Ba非负标量值的-by-1向量，其中gydF4y2BangydF4y2Ba为观察次数。如果响应分布是二项分布或泊松分布，则gydF4y2Ba“重量”gydF4y2Ba必须是正整数的矢量。gydF4y2Ba

数据类型:gydF4y2Ba单身的gydF4y2Ba| G.ydF4y2Ba双gydF4y2Ba

输出参数gydF4y2Ba

全部折叠gydF4y2Ba

`glmegydF4y2Ba`- 广义线性混合效应模型gydF4y2Ba
`GeneralizedLinearMixedModelgydF4y2Ba`对象gydF4y2Ba

广义线性混合效应模型，指定为gydF4y2BaGeneralizedLinearMixedModelgydF4y2Ba目的。有关此对象的属性和方法，请参阅gydF4y2BaGeneralizedLinearMixedModelgydF4y2Ba．gydF4y2Ba

Wilkinson表示法gydF4y2Ba	标准符号中的因子gydF4y2Ba
`1gydF4y2Ba`	常数(拦截)gydF4y2Ba
`x ^ K.gydF4y2Ba`,在那里gydF4y2Ba`kgydF4y2Ba`为正整数gydF4y2Ba	`XgydF4y2Ba`，gydF4y2Ba`XgydF4y2Ba^2gydF4y2Ba`、……gydF4y2Ba`XgydF4y2Ba^kgydF4y2Ba`
`x1 + x2gydF4y2Ba`	`X1gydF4y2Ba`，gydF4y2Ba`X2gydF4y2Ba`
`x1 * x2gydF4y2Ba`	`X1gydF4y2Ba`，gydF4y2Ba`X2gydF4y2Ba`，gydF4y2Ba`x1。* x2（elementwise multiplication of X1 and X2)`
`X1, X2gydF4y2Ba`	`x1。* x2gydF4y2Ba`只要gydF4y2Ba
`- x2gydF4y2Ba`	不包括gydF4y2Ba`X2gydF4y2Ba`
`X1 * X2 + X3gydF4y2Ba`	`X1gydF4y2Ba`，gydF4y2Ba`X2gydF4y2Ba`，gydF4y2Ba`X3gydF4y2Ba`，gydF4y2Ba`x1 * x2gydF4y2Ba`
`x1 + x2 + x3 + x1：x2gydF4y2Ba`	`X1gydF4y2Ba`，gydF4y2Ba`X2gydF4y2Ba`，gydF4y2Ba`X3gydF4y2Ba`，gydF4y2Ba`x1 * x2gydF4y2Ba`
`X1 * X2 * X3 - X1, X2, X3gydF4y2Ba`	`X1gydF4y2Ba`，gydF4y2Ba`X2gydF4y2Ba`，gydF4y2Ba`X3gydF4y2Ba`，gydF4y2Ba`x1 * x2gydF4y2Ba`，gydF4y2Ba`x1 * x3gydF4y2Ba`，gydF4y2Ba`X2 * X3gydF4y2Ba`
`x1 *（x2 + x3）gydF4y2Ba`	`X1gydF4y2Ba`，gydF4y2Ba`X2gydF4y2Ba`，gydF4y2Ba`X3gydF4y2Ba`，gydF4y2Ba`x1 * x2gydF4y2Ba`，gydF4y2Ba`x1 * x3gydF4y2Ba`

公式gydF4y2Ba	描述gydF4y2Ba
`'y ~ X1 + X2'gydF4y2Ba`	固定的效果为拦截，gydF4y2Ba`X1gydF4y2Ba`和gydF4y2Ba`X2gydF4y2Ba`．这个等价于gydF4y2Ba`'y ~ 1 + X1 + X2'gydF4y2Ba`．gydF4y2Ba
`'y ~ -1 + X1 + X2'gydF4y2Ba`	没有拦截和固定效果gydF4y2Ba`X1gydF4y2Ba`和gydF4y2Ba`X2gydF4y2Ba`．隐式截距项通过包含来抑制gydF4y2Ba`-1gydF4y2Ba`．gydF4y2Ba
`'Y〜1 +（1 \| G1）'gydF4y2Ba`	固定的影响为截距加上随机效应为每一级分组变量的截距gydF4y2Ba`g1gydF4y2Ba`．gydF4y2Ba
`'y〜x1 +（1 \| g1）'gydF4y2Ba`	具有固定斜率的随机截距模型。gydF4y2Ba
`'y ~ X1 + (X1 \| g1)'gydF4y2Ba`	随机拦截和斜率，它们之间可能的相关性。这个等价于gydF4y2Ba`' 1 + X1 + (1 + X1\|g1)'gydF4y2Ba`．gydF4y2Ba
`'Y〜x1 +（1 \| g1）+（-1 + x1 \| g1）'gydF4y2Ba`	拦截和坡度的独立随机效应术语。gydF4y2Ba
`+ (1 \| g1) + (1 \| g2) + (1 \| g1:g2)gydF4y2Ba`	具有独立主效应的随机截距模型gydF4y2Ba`g1gydF4y2Ba`和gydF4y2Ba`g2gydF4y2Ba`，加上一个独立的相互作用效应。gydF4y2Ba

另请参阅gydF4y2Ba

GeneralizedLinearMixedModelgydF4y2Ba

主题gydF4y2Ba

介绍了R2014bgydF4y2Ba

Fitglme.gydF4y2Ba

语法gydF4y2Ba

描述gydF4y2Ba

例子gydF4y2Ba

拟合广义线性混合效应模型gydF4y2Ba

输入参数gydF4y2Ba

TBL.gydF4y2Ba- - - - - -gydF4y2Ba输入数据gydF4y2Ba表格gydF4y2Ba| G.ydF4y2Ba数据集的数组gydF4y2Ba

公式gydF4y2Ba- - - - - -gydF4y2Ba模型规范公式gydF4y2Ba形式的字符向量或字符串标量gydF4y2Ba'y〜固定+（random1 | grouping1）+ ... +（randomr | groupingr）'gydF4y2Ba

名称-值对的观点gydF4y2Ba

“BinomialSize”gydF4y2Ba- - - - - -gydF4y2Ba二项分布的试验次数gydF4y2Ba1gydF4y2Ba（默认）|gydF4y2Ba标量值gydF4y2Ba| G.ydF4y2Ba向量gydF4y2Ba| G.ydF4y2Ba变量名gydF4y2Ba

“CheckHessian”gydF4y2Ba- - - - - -gydF4y2Ba检查黑森氏阳性确定度的指标gydF4y2Ba假gydF4y2Ba（默认）|gydF4y2Ba真的gydF4y2Ba

“CovarianceMethod”gydF4y2Ba- - - - - -gydF4y2Ba估计参数协方差的计算方法gydF4y2Ba'条件'gydF4y2Ba（默认）|gydF4y2Ba'康涅斯岛'gydF4y2Ba

“DispersionFlag”gydF4y2Ba- - - - - -gydF4y2Ba计算色散参数的指示器gydF4y2Ba假gydF4y2Ba为gydF4y2Ba“二”gydF4y2Ba和gydF4y2Ba“泊松”gydF4y2Ba分布gydF4y2Ba（默认）|gydF4y2Ba真的gydF4y2Ba

'分配'gydF4y2Ba- - - - - -gydF4y2Ba分布响应变量gydF4y2Ba“正常”gydF4y2Ba（默认）|gydF4y2Ba“二”gydF4y2Ba| G.ydF4y2Ba“泊松”gydF4y2Ba| G.ydF4y2Ba“伽马”gydF4y2Ba| G.ydF4y2Ba“InverseGaussian”gydF4y2Ba

“DummyVarCoding”gydF4y2Ba- - - - - -gydF4y2Ba用于虚拟变量的编码gydF4y2Ba“参考”gydF4y2Ba（默认）|gydF4y2Ba“影响”gydF4y2Ba| G.ydF4y2Ba'满的'gydF4y2Ba

“EBMethod”gydF4y2Ba- - - - - -gydF4y2Ba随机效应的经验贝叶斯估计的近似方法gydF4y2Ba'汽车'gydF4y2Ba（默认）|gydF4y2Ba“LineSearchNewton”gydF4y2Ba| G.ydF4y2Ba'trustrigon2d'gydF4y2Ba| G.ydF4y2Ba“fsolve”gydF4y2Ba

'Eboptions'gydF4y2Ba- - - - - -gydF4y2Ba经验贝叶斯优化选项gydF4y2Ba结构体gydF4y2Ba

“排除”gydF4y2Ba- - - - - -gydF4y2Ba要排除的行的索引gydF4y2Ba使用所有行gydF4y2BanangydF4y2Ba（默认）|gydF4y2Ba整数或逻辑值的向量gydF4y2Ba

“FitMethod”gydF4y2Ba- - - - - -gydF4y2Ba模型参数估计方法gydF4y2Ba“MPL”gydF4y2Ba（默认）|gydF4y2Ba“REMPL”gydF4y2Ba| G.ydF4y2Ba“拉普拉斯”gydF4y2Ba| G.ydF4y2Ba“ApproximateLaplacegydF4y2Ba

“InitPLIterations”gydF4y2Ba- - - - - -gydF4y2Ba伪可能迭代的初始数量gydF4y2Ba10.gydF4y2Ba（默认）|gydF4y2Ba范围内的整数值[1，∞）gydF4y2Ba

'野马'gydF4y2Ba- - - - - -gydF4y2Ba条件平均值的起始值gydF4y2Ba标量值gydF4y2Ba

“抵消”gydF4y2Ba- - - - - -gydF4y2Ba抵消gydF4y2Ba0 (n, 1)gydF4y2Ba（默认）|gydF4y2BangydF4y2Ba-1-1标量值矢量gydF4y2Ba

'优化器'gydF4y2Ba- - - - - -gydF4y2Ba优化算法gydF4y2Ba“quasinewton”gydF4y2Ba（默认）|gydF4y2Ba“fminsearch”gydF4y2Ba| G.ydF4y2Ba'fminunc'gydF4y2Ba

“OptimizerOptions”gydF4y2Ba- - - - - -gydF4y2Ba优化算法选项gydF4y2Ba返回的结构gydF4y2BastatsetgydF4y2Ba| G.ydF4y2Ba返回的结构gydF4y2Ba优化集gydF4y2Ba| G.ydF4y2Ba返回的对象gydF4y2BaoptimoptionsgydF4y2Ba

塔尔芬gydF4y2Ba-目标函数梯度的相对容限gydF4y2Ba1E-6gydF4y2Ba(默认)|正标量值gydF4y2Ba

TolXgydF4y2Ba-步长绝对公差gydF4y2Ba1 e-12gydF4y2Ba(默认)|正标量值gydF4y2Ba

maxiter.gydF4y2Ba—允许的最大迭代次数gydF4y2Ba10000gydF4y2Ba(默认)|正标量值gydF4y2Ba

展示gydF4y2Ba-显示级别gydF4y2Ba'离开'gydF4y2Ba（默认）|gydF4y2Ba“通路”gydF4y2Ba| G.ydF4y2Ba'最终的'gydF4y2Ba

“PLIterations”gydF4y2Ba- - - - - -gydF4y2Ba最大伪可能迭代次数gydF4y2Ba100.gydF4y2Ba（默认）|gydF4y2Ba正整数值gydF4y2Ba

'pltolerance'gydF4y2Ba- - - - - -gydF4y2Ba伪似然迭代的相对容许因子gydF4y2Ba1E-08.gydF4y2Ba（默认）|gydF4y2Ba积极的标量值gydF4y2Ba

'startmethod'gydF4y2Ba- - - - - -gydF4y2Ba方法开始迭代优化gydF4y2Ba'默认'gydF4y2Ba（默认）|gydF4y2Ba“随机”gydF4y2Ba

“UseSequentialFitting”gydF4y2Ba- - - - - -gydF4y2Ba初始拟合类型gydF4y2Ba假gydF4y2Ba（默认）|gydF4y2Ba真的gydF4y2Ba

'verbose'gydF4y2Ba- - - - - -gydF4y2Ba在屏幕上显示优化过程的指示灯gydF4y2Ba0gydF4y2Ba（默认）|gydF4y2Ba1gydF4y2Ba| G.ydF4y2Ba2gydF4y2Ba

“重量”gydF4y2Ba- - - - - -gydF4y2Ba观察权重gydF4y2Ba非负标量值的向量gydF4y2Ba

输出参数gydF4y2Ba

glmegydF4y2Ba- 广义线性混合效应模型gydF4y2BaGeneralizedLinearMixedModelgydF4y2Ba对象gydF4y2Ba

更多关于gydF4y2Ba

公式gydF4y2Ba

另请参阅gydF4y2Ba

主题gydF4y2Ba

统计和机器学习工具箱文档gydF4y2Ba

万博1manbetx

掌握机器学习:一步一步的指导与MATLABgydF4y2Ba

`TBL.gydF4y2Ba`- - - - - -gydF4y2Ba输入数据gydF4y2Ba
表格gydF4y2Ba| G.ydF4y2Ba数据集的数组gydF4y2Ba

`公式gydF4y2Ba`- - - - - -gydF4y2Ba模型规范公式gydF4y2Ba
形式的字符向量或字符串标量gydF4y2Ba`'y〜固定+（random1 | grouping1）+ ... +（randomr | groupingr）'gydF4y2Ba`

`“BinomialSize”gydF4y2Ba`- - - - - -gydF4y2Ba二项分布的试验次数gydF4y2Ba
1gydF4y2Ba（默认）|gydF4y2Ba标量值gydF4y2Ba| G.ydF4y2Ba向量gydF4y2Ba| G.ydF4y2Ba变量名gydF4y2Ba

`“CheckHessian”gydF4y2Ba`- - - - - -gydF4y2Ba检查黑森氏阳性确定度的指标gydF4y2Ba
`假gydF4y2Ba`（默认）|gydF4y2Ba`真的gydF4y2Ba`

`“CovarianceMethod”gydF4y2Ba`- - - - - -gydF4y2Ba估计参数协方差的计算方法gydF4y2Ba
`'条件'gydF4y2Ba`（默认）|gydF4y2Ba`'康涅斯岛'gydF4y2Ba`

`“DispersionFlag”gydF4y2Ba`- - - - - -gydF4y2Ba计算色散参数的指示器gydF4y2Ba
`假gydF4y2Ba`为gydF4y2Ba`“二”gydF4y2Ba`和gydF4y2Ba`“泊松”gydF4y2Ba`分布gydF4y2Ba（默认）|gydF4y2Ba`真的gydF4y2Ba`

`'分配'gydF4y2Ba`- - - - - -gydF4y2Ba分布响应变量gydF4y2Ba
`“正常”gydF4y2Ba`（默认）|gydF4y2Ba`“二”gydF4y2Ba`| G.ydF4y2Ba`“泊松”gydF4y2Ba`| G.ydF4y2Ba`“伽马”gydF4y2Ba`| G.ydF4y2Ba`“InverseGaussian”gydF4y2Ba`

`“DummyVarCoding”gydF4y2Ba`- - - - - -gydF4y2Ba用于虚拟变量的编码gydF4y2Ba
`“参考”gydF4y2Ba`（默认）|gydF4y2Ba`“影响”gydF4y2Ba`| G.ydF4y2Ba`'满的'gydF4y2Ba`

`“EBMethod”gydF4y2Ba`- - - - - -gydF4y2Ba随机效应的经验贝叶斯估计的近似方法gydF4y2Ba
`'汽车'gydF4y2Ba`（默认）|gydF4y2Ba`“LineSearchNewton”gydF4y2Ba`| G.ydF4y2Ba`'trustrigon2d'gydF4y2Ba`| G.ydF4y2Ba`“fsolve”gydF4y2Ba`

`'Eboptions'gydF4y2Ba`- - - - - -gydF4y2Ba经验贝叶斯优化选项gydF4y2Ba
结构体gydF4y2Ba

`“排除”gydF4y2Ba`- - - - - -gydF4y2Ba要排除的行的索引gydF4y2Ba
使用所有行gydF4y2Ba`nangydF4y2Ba`（默认）|gydF4y2Ba整数或逻辑值的向量gydF4y2Ba

`“FitMethod”gydF4y2Ba`- - - - - -gydF4y2Ba模型参数估计方法gydF4y2Ba
`“MPL”gydF4y2Ba`（默认）|gydF4y2Ba`“REMPL”gydF4y2Ba`| G.ydF4y2Ba`“拉普拉斯”gydF4y2Ba`| G.ydF4y2Ba`“ApproximateLaplacegydF4y2Ba`

`“InitPLIterations”gydF4y2Ba`- - - - - -gydF4y2Ba伪可能迭代的初始数量gydF4y2Ba
10.gydF4y2Ba（默认）|gydF4y2Ba范围内的整数值[1，∞）gydF4y2Ba

`'野马'gydF4y2Ba`- - - - - -gydF4y2Ba条件平均值的起始值gydF4y2Ba
标量值gydF4y2Ba

`“抵消”gydF4y2Ba`- - - - - -gydF4y2Ba抵消gydF4y2Ba
`0 (n, 1)gydF4y2Ba`（默认）|gydF4y2BangydF4y2Ba-1-1标量值矢量gydF4y2Ba

`'优化器'gydF4y2Ba`- - - - - -gydF4y2Ba优化算法gydF4y2Ba
`“quasinewton”gydF4y2Ba`（默认）|gydF4y2Ba`“fminsearch”gydF4y2Ba`| G.ydF4y2Ba`'fminunc'gydF4y2Ba`

`“OptimizerOptions”gydF4y2Ba`- - - - - -gydF4y2Ba优化算法选项gydF4y2Ba
返回的结构gydF4y2Ba`statsetgydF4y2Ba`| G.ydF4y2Ba返回的结构gydF4y2Ba`优化集gydF4y2Ba`| G.ydF4y2Ba返回的对象gydF4y2Ba`optimoptionsgydF4y2Ba`

`塔尔芬gydF4y2Ba`-目标函数梯度的相对容限gydF4y2Ba
`1E-6gydF4y2Ba`(默认)|正标量值gydF4y2Ba

`TolXgydF4y2Ba`-步长绝对公差gydF4y2Ba
`1 e-12gydF4y2Ba`(默认)|正标量值gydF4y2Ba

`maxiter.gydF4y2Ba`—允许的最大迭代次数gydF4y2Ba
`10000gydF4y2Ba`(默认)|正标量值gydF4y2Ba

`展示gydF4y2Ba`-显示级别gydF4y2Ba
`'离开'gydF4y2Ba`（默认）|gydF4y2Ba`“通路”gydF4y2Ba`| G.ydF4y2Ba`'最终的'gydF4y2Ba`

`“PLIterations”gydF4y2Ba`- - - - - -gydF4y2Ba最大伪可能迭代次数gydF4y2Ba
`100.gydF4y2Ba`（默认）|gydF4y2Ba正整数值gydF4y2Ba

`'pltolerance'gydF4y2Ba`- - - - - -gydF4y2Ba伪似然迭代的相对容许因子gydF4y2Ba
`1E-08.gydF4y2Ba`（默认）|gydF4y2Ba积极的标量值gydF4y2Ba

`'startmethod'gydF4y2Ba`- - - - - -gydF4y2Ba方法开始迭代优化gydF4y2Ba
`'默认'gydF4y2Ba`（默认）|gydF4y2Ba`“随机”gydF4y2Ba`

`“UseSequentialFitting”gydF4y2Ba`- - - - - -gydF4y2Ba初始拟合类型gydF4y2Ba
`假gydF4y2Ba`（默认）|gydF4y2Ba`真的gydF4y2Ba`

`'verbose'gydF4y2Ba`- - - - - -gydF4y2Ba在屏幕上显示优化过程的指示灯gydF4y2Ba
`0gydF4y2Ba`（默认）|gydF4y2Ba`1gydF4y2Ba`| G.ydF4y2Ba`2gydF4y2Ba`

`“重量”gydF4y2Ba`- - - - - -gydF4y2Ba观察权重gydF4y2Ba
非负标量值的向量gydF4y2Ba

`glmegydF4y2Ba`- 广义线性混合效应模型gydF4y2Ba
`GeneralizedLinearMixedModelgydF4y2Ba`对象gydF4y2Ba