GeneralizedLinearMixedModel类gydF4y2Ba

广义线性混合效应模型类gydF4y2Ba

描述gydF4y2Ba

一个gydF4y2BaGeneralizedLinearMixedModelgydF4y2Ba对象表示响应变量的回归模型，该响应变量包含固定和随机效应。该对象包括数据、模型描述、拟合系数、协方差参数、设计矩阵、残差、残差图和广义线性混合效应(GLME)模型的其他诊断信息。你可以用gydF4y2Ba预测gydF4y2Ba函数和产生随机数据在新的设计点使用gydF4y2Ba随机的gydF4y2Ba功能。gydF4y2Ba

建设gydF4y2Ba

您可以使用一个广义线性混合效应(GLME)模型来拟合样本数据gydF4y2BaFitglme（gydF4y2Ba资源描述gydF4y2Ba，gydF4y2Ba公式gydF4y2Ba）gydF4y2Ba．有关更多信息，请参见gydF4y2BafitglmegydF4y2Ba．gydF4y2Ba

输入参数gydF4y2Ba

全部展开gydF4y2Ba

`资源描述gydF4y2Ba`- - - - - -gydF4y2Ba输入数据gydF4y2Ba
桌子gydF4y2Ba| gydF4y2Ba数据集的数组gydF4y2Ba

输入数据，其中包括响应变量、预测变量和分组变量，指定为表或数据集数组。预测变量可以是连续变量或分组变量(见gydF4y2Ba分组变量gydF4y2Ba）。您必须指定使用变量的模型gydF4y2Ba公式gydF4y2Ba．gydF4y2Ba

数据类型:gydF4y2Ba桌子gydF4y2Ba

`公式gydF4y2Ba`- - - - - -gydF4y2Ba用于模型规格的公式gydF4y2Ba
形式的字符向量或字符串标量gydF4y2Ba`'y ~ fixed + (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 ~ fixed + (random1|grouping1) +…+ (randomR | groupingR) 'gydF4y2Ba．有关完整描述，请参阅gydF4y2Ba公式gydF4y2Ba．gydF4y2Ba

例子:gydF4y2Ba'y ~ treatment +(1|block)'gydF4y2Ba

属性gydF4y2Ba

全部展开gydF4y2Ba

`系数gydF4y2Ba`- - - - - -gydF4y2Ba固定效应系数的估计gydF4y2Ba
数据集的数组gydF4y2Ba

固定效应系数和相关统计数据的估计值，存储为一个数据集数组，其中每一行对应一个系数和以下列:gydF4y2Ba

的名字gydF4y2Ba—系数名称gydF4y2Ba
估计gydF4y2Ba-估计系数值gydF4y2Ba
SEgydF4y2Ba-估计的标准误差gydF4y2Ba
tStatgydF4y2Ba- - - - - -gydF4y2BatgydF4y2Ba-系数等于0的检验统计量gydF4y2Ba
DFgydF4y2Ba-与之相关的自由度gydF4y2BatgydF4y2Ba统计gydF4y2Ba
pValuegydF4y2Ba- - - - - -gydF4y2BapgydF4y2Ba价值的gydF4y2BatgydF4y2Ba统计gydF4y2Ba
较低的gydF4y2Ba-置信下限gydF4y2Ba
上gydF4y2Ba- 上限限制gydF4y2Ba

要获取这些列中的任何一列作为向量，请使用点表示法在属性中建立索引。gydF4y2Ba

使用gydF4y2BacoefTestgydF4y2Ba对系数进行其他测试的方法。gydF4y2Ba

`CoefficientCovariancegydF4y2Ba`- - - - - -gydF4y2Ba估计固定效应向量的协方差gydF4y2Ba
矩阵gydF4y2Ba

估计固定效果矢量的协方差，存储为矩阵。gydF4y2Ba

数据类型:gydF4y2Ba单gydF4y2Ba| gydF4y2Ba双gydF4y2Ba

`CoefficientNamesgydF4y2Ba`- - - - - -gydF4y2Ba固定效果系数的名称gydF4y2Ba
字符向量的单元格数组gydF4y2Ba

固定效果系数的名称，存储为字符向量的小区数组。恒定术语系数的标签是gydF4y2Ba(拦截)gydF4y2Ba．其他系数的标签表示它们相乘的项。当术语包含一个分类预测器时，该标签还表明该预测器的水平。gydF4y2Ba

数据类型:gydF4y2Ba细胞gydF4y2Ba

`教育部gydF4y2Ba`- - - - - -gydF4y2Ba误差的自由度gydF4y2Ba
正整数的值gydF4y2Ba

误差的自由度，存储为正整数值。gydF4y2Ba教育部gydF4y2Ba观察次数减去估计系数的数量。gydF4y2Ba

教育部gydF4y2Ba包含相应的自由度gydF4y2Ba“残留”gydF4y2Ba固定效应系数假设检验的分母自由度计算方法。如果gydF4y2BangydF4y2Ba是观察人数和gydF4y2BapgydF4y2Ba那么，固定效应系数的数目是多少gydF4y2Ba教育部gydF4y2Ba等于gydF4y2BangydF4y2Ba- - - - - -gydF4y2BapgydF4y2Ba．gydF4y2Ba

数据类型:gydF4y2Ba双gydF4y2Ba

`分散gydF4y2Ba`- - - - - -gydF4y2Ba模式色散参数gydF4y2Ba
标量值gydF4y2Ba

模型分散参数，存储为标量值。色散参数定义响应的条件方差。gydF4y2Ba

为观察gydF4y2Ba我gydF4y2Ba，响应的条件方差gydF4y2BaygydF4y2Ba_我gydF4y2Ba，给出条件均值gydF4y2BaμgydF4y2Ba_我gydF4y2Ba色散参数gydF4y2BaσgydF4y2Ba^2gydF4y2Ba，在广义的线性混合效应模型中是gydF4y2Ba

$vargydF4y2Ba （gydF4y2Ba {ygydF4y2Ba}_{我gydF4y2Ba} | gydF4y2Ba {μgydF4y2Ba}_{我gydF4y2Ba} ，gydF4y2Ba {σgydF4y2Ba}^{2gydF4y2Ba} ）gydF4y2Ba ＝gydF4y2Ba \frac{{σgydF4y2Ba}^{2gydF4y2Ba}}{{wgydF4y2Ba}_{我gydF4y2Ba}} vgydF4y2Ba （gydF4y2Ba {μgydF4y2Ba}_{我gydF4y2Ba} ）gydF4y2Ba ，gydF4y2Ba$

在哪里gydF4y2BawgydF4y2Ba_我gydF4y2Ba是gydF4y2Ba我gydF4y2Ba观察重量和gydF4y2BavgydF4y2Ba为响应的指定条件分布的方差函数。的gydF4y2Ba分散gydF4y2Ba属性包含一个估计gydF4y2BaσgydF4y2Ba^2gydF4y2Ba对于指定的GLME模型。的价值gydF4y2Ba分散gydF4y2Ba取决于响应的特定条件分布。对于二项分布和泊松分布，的理论值gydF4y2Ba分散gydF4y2Ba等于gydF4y2BaσgydF4y2Ba^2gydF4y2Ba= 1.0gydF4y2Ba．gydF4y2Ba

如果gydF4y2BaFitMethodgydF4y2Ba是gydF4y2BaMPLgydF4y2Ba或gydF4y2BaREMPLgydF4y2Ba和gydF4y2Ba“DispersionFlag”gydF4y2Ba中的名称-值对参数gydF4y2BafitglmegydF4y2Ba是gydF4y2Ba真正的gydF4y2Ba，然后从所有分布的数据估计一个离散参数，包括二项分布和泊松分布。gydF4y2Ba
如果gydF4y2BaFitMethodgydF4y2Ba是gydF4y2BaApproximateLaplacegydF4y2Ba或gydF4y2Ba拉普拉斯gydF4y2Ba,那么gydF4y2Ba“DispersionFlag”gydF4y2Ba中的名称-值对参数gydF4y2BafitglmegydF4y2Ba对于二项分布和泊松分布，色散参数固定为1.0。对于所有其他发行版，gydF4y2Ba分散gydF4y2Ba是根据数据估计的。gydF4y2Ba

数据类型:gydF4y2Ba双gydF4y2Ba

`DispersionEstimatedgydF4y2Ba`- - - - - -gydF4y2Ba标志是否估计了色散参数gydF4y2Ba
`真正的gydF4y2Ba`| gydF4y2Ba`错误的gydF4y2Ba`

指示估计色散参数的标志，存储为逻辑值。gydF4y2Ba

如果gydF4y2BaFitMethodgydF4y2Ba是gydF4y2BaApproximateLaplacegydF4y2Ba或gydF4y2Ba拉普拉斯gydF4y2Ba，然后将分散参数固定为1.0的理论值为二项式和泊松分布，以及gydF4y2BaDispersionEstimatedgydF4y2Ba是gydF4y2Ba错误的gydF4y2Ba．对于其他分布，离散参数是由数据估计的，并且gydF4y2BaDispersionEstimatedgydF4y2Ba是gydF4y2Ba真正的gydF4y2Ba．gydF4y2Ba
如果gydF4y2BaFitMethodgydF4y2Ba是gydF4y2BaMPLgydF4y2Ba或gydF4y2BaREMPLgydF4y2Ba,gydF4y2Ba“DispersionFlag”gydF4y2Ba中的名称-值对参数gydF4y2BafitglmegydF4y2Ba被指定为gydF4y2Ba真正的gydF4y2Ba，然后估计所有分布的色散参数，包括二项分布和泊松分布gydF4y2BaDispersionEstimatedgydF4y2Ba是gydF4y2Ba真正的gydF4y2Ba．gydF4y2Ba
如果gydF4y2BaFitMethodgydF4y2Ba是gydF4y2BaMPLgydF4y2Ba或gydF4y2BaREMPLgydF4y2Ba,gydF4y2Ba“DispersionFlag”gydF4y2Ba中的名称-值对参数gydF4y2BafitglmegydF4y2Ba被指定为gydF4y2Ba错误的gydF4y2Ba，则二项分布和泊松分布的色散参数固定在其理论值，并且gydF4y2BaDispersionEstimatedgydF4y2Ba是gydF4y2Ba错误的gydF4y2Ba．对于二项分布和泊松分布以外的分布，色散参数是由数据估计的gydF4y2BaDispersionEstimatedgydF4y2Ba是gydF4y2Ba真正的gydF4y2Ba．gydF4y2Ba

数据类型:gydF4y2Ba逻辑gydF4y2Ba

`分配gydF4y2Ba`- - - - - -gydF4y2Ba响应分布的名字gydF4y2Ba
`“正常”gydF4y2Ba`| gydF4y2Ba`“二”gydF4y2Ba`| gydF4y2Ba`“泊松”gydF4y2Ba`| gydF4y2Ba`'伽玛'gydF4y2Ba`| gydF4y2Ba`“InverseGaussian”gydF4y2Ba`

响应分布名称，存储为以下任意一个:gydF4y2Ba

“正常”gydF4y2Ba——正态分布gydF4y2Ba
“二”gydF4y2Ba——二项分布gydF4y2Ba
“泊松”gydF4y2Ba——泊松分布gydF4y2Ba
'伽玛'gydF4y2Ba——伽马分布gydF4y2Ba
“InverseGaussian”gydF4y2Ba-逆高斯分布gydF4y2Ba

`FitMethodgydF4y2Ba`- - - - - -gydF4y2Ba方法用于拟合模型gydF4y2Ba
`“MPL”gydF4y2Ba`| gydF4y2Ba`“REMPL”gydF4y2Ba`| gydF4y2Ba`“ApproximateLaplace”gydF4y2Ba`| gydF4y2Ba`“拉普拉斯”gydF4y2Ba`

用于拟合模型的方法，存储为以下其中之一。gydF4y2Ba

“MPL”gydF4y2Ba-最大伪似然gydF4y2Ba
“REMPL”gydF4y2Ba- 限制最大伪可能性gydF4y2Ba
“ApproximateLaplace”gydF4y2Ba-最大似然使用近似拉普拉斯方法，固定效果剖析gydF4y2Ba
“拉普拉斯”gydF4y2Ba-最大似然使用拉普拉斯方法gydF4y2Ba

`公式gydF4y2Ba`- - - - - -gydF4y2Ba模型规范公式gydF4y2Ba
对象gydF4y2Ba

模型规范公式，存储为对象。模型规范公式使用威尔金森符号来描述GLME模型中固定效应项、随机效应项和分组变量之间的关系。有关更多信息，请参见gydF4y2Ba公式gydF4y2Ba．gydF4y2Ba

`链接gydF4y2Ba`- - - - - -gydF4y2Ba链接功能特点gydF4y2Ba
结构gydF4y2Ba

链接函数特征，存储为包含以下字段的结构。链接是一个函数gydF4y2BaGgydF4y2Ba连接分布参数gydF4y2Ba亩gydF4y2Ba线性预测器gydF4y2Baeta.gydF4y2Ba如下:gydF4y2BaG(μ)=埃塔gydF4y2Ba．gydF4y2Ba

场地gydF4y2Ba	描述gydF4y2Ba
`的名字gydF4y2Ba`	链接函数的名称gydF4y2Ba
`链接gydF4y2Ba`	函数定义gydF4y2Ba`GgydF4y2Ba`
`导数gydF4y2Ba`	的导数gydF4y2Ba`GgydF4y2Ba`
`SecondDerivativegydF4y2Ba`	二阶导数的gydF4y2Ba`GgydF4y2Ba`
`逆gydF4y2Ba`	逆gydF4y2Ba`GgydF4y2Ba`

数据类型:gydF4y2Ba塑造gydF4y2Ba

`LogLikelihoodgydF4y2Ba`- - - - - -gydF4y2Ba似然函数的日志gydF4y2Ba
标量值gydF4y2Ba

在估计系数值处估计的似然函数的对数，存储为标量值。gydF4y2BaLogLikelihoodgydF4y2Ba取决于用来拟合模型的方法。gydF4y2Ba

如果你使用gydF4y2Ba“拉普拉斯”gydF4y2Ba或gydF4y2Ba“ApproximateLaplace”gydF4y2Ba,然后gydF4y2BaLogLikelihoodgydF4y2Ba为最大对数似然值。gydF4y2Ba
如果你使用gydF4y2Ba“MPL”gydF4y2Ba,然后gydF4y2BaLogLikelihoodgydF4y2Ba为最终伪似然迭代得到的伪数据的最大对数似然。gydF4y2Ba
如果你使用gydF4y2Ba“REMPL”gydF4y2Ba,然后gydF4y2BaLogLikelihoodgydF4y2Ba为最终伪似然迭代得到的伪数据的最大限制对数似然。gydF4y2Ba

数据类型:gydF4y2Ba双gydF4y2Ba

`ModelCriteriongydF4y2Ba`- - - - - -gydF4y2Ba模型的标准gydF4y2Ba
桌子gydF4y2Ba

模型标准以比较拟合的广义线性混合效果模型，用以下字段存储为表。gydF4y2Ba

场地gydF4y2Ba	描述gydF4y2Ba
`AIC.gydF4y2Ba`	Akaike信息标准gydF4y2Ba
`BIC.gydF4y2Ba`	贝叶斯信息准则gydF4y2Ba
`LogLikelihoodgydF4y2Ba`	适用于使用的模型gydF4y2Ba`“拉普拉斯”gydF4y2Ba`或gydF4y2Ba`“ApproximateLaplace”gydF4y2Ba`，gydF4y2Ba`LogLikelihoodgydF4y2Ba`为最大对数似然值。gydF4y2Ba 适用于使用的模型gydF4y2Ba`“MPL”gydF4y2Ba`，gydF4y2Ba`LogLikelihoodgydF4y2Ba`为最终伪似然迭代得到的伪数据的最大对数似然。gydF4y2Ba 适用于使用的模型gydF4y2Ba`“REMPL”gydF4y2Ba`，gydF4y2Ba`LogLikelihoodgydF4y2Ba`为最终伪似然迭代得到的伪数据的最大限制对数似然。gydF4y2Ba
`异常gydF4y2Ba`	2倍gydF4y2Ba`LogLikelihoodgydF4y2Ba`

`NumCoefficientsgydF4y2Ba`- - - - - -gydF4y2Ba固定效应系数的数目gydF4y2Ba
正整数的值gydF4y2Ba

拟合的广义线性混合效应模型中固定效应系数的数目，存储为正整数。gydF4y2Ba

数据类型:gydF4y2Ba双gydF4y2Ba

`NumEstimatedCoefficientsgydF4y2Ba`- - - - - -gydF4y2Ba估计固定效应系数的数目gydF4y2Ba
正整数的值gydF4y2Ba

拟合的广义线性混合效应模型中估计的固定效应系数的数目，存储为正整数。gydF4y2Ba

数据类型:gydF4y2Ba双gydF4y2Ba

`NumObservationsgydF4y2Ba`- - - - - -gydF4y2Ba数量的观察gydF4y2Ba
正整数的值gydF4y2Ba

适合使用的观测数量，存储为正整数值。gydF4y2BaNumObservationsgydF4y2Ba是表或数据集数组中的行数gydF4y2Ba资源描述gydF4y2Ba，使用gydF4y2Ba“排除”gydF4y2Ba名称-值对的gydF4y2BafitglmegydF4y2Ba或行包含gydF4y2Ba南gydF4y2Ba值。gydF4y2Ba

数据类型:gydF4y2Ba双gydF4y2Ba

`NumPredictorsgydF4y2Ba`- - - - - -gydF4y2Ba数量的预测gydF4y2Ba
正整数的值gydF4y2Ba

广义线性混合效应模型中用作预测因子的变量数，存储为正整数值。gydF4y2Ba

数据类型:gydF4y2Ba双gydF4y2Ba

`NumVariablesgydF4y2Ba`- - - - - -gydF4y2Ba变量总数gydF4y2Ba
正整数的值gydF4y2Ba

存储为正整数值的变量总数，包括响应和预测器。如果示例数据在表或数据集数组中gydF4y2Ba资源描述gydF4y2Ba,然后gydF4y2BaNumVariablesgydF4y2Ba变量的总数在里面吗gydF4y2Ba资源描述gydF4y2Ba，包括响应变量。gydF4y2BaNumVariablesgydF4y2Ba包括不用为预测器或响应的变量，如果有的话。gydF4y2Ba

数据类型:gydF4y2Ba双gydF4y2Ba

`ObservationInfogydF4y2Ba`- - - - - -gydF4y2Ba观测资料gydF4y2Ba
桌子gydF4y2Ba

关于拟合中使用的观察结果的信息，以表格的形式存储。gydF4y2Ba

ObservationInfogydF4y2Ba每个观察和以下列都有一行。gydF4y2Ba

的名字gydF4y2Ba	描述gydF4y2Ba
`权重gydF4y2Ba`	观测值的权重值。默认值为1。gydF4y2Ba
`被排除在外gydF4y2Ba`	如果观察被排除在适合使用gydF4y2Ba`“排除”gydF4y2Ba`中的名称-值对参数gydF4y2Ba`fitglmegydF4y2Ba`,然后gydF4y2Ba`被排除在外gydF4y2Ba`是gydF4y2Ba`真正的gydF4y2Ba`,或gydF4y2Ba`1gydF4y2Ba`．除此以外，gydF4y2Ba`被排除在外gydF4y2Ba`是gydF4y2Ba`错误的gydF4y2Ba`,或gydF4y2Ba`0gydF4y2Ba`．gydF4y2Ba
`失踪gydF4y2Ba`	如果由于缺少任何响应或预测值而将观察结果排除在拟合范围之外，那么gydF4y2Ba`失踪gydF4y2Ba`是gydF4y2Ba`真正的gydF4y2Ba`．除此以外，gydF4y2Ba`失踪gydF4y2Ba`是gydF4y2Ba`错误的gydF4y2Ba`．gydF4y2Ba 缺失值包括gydF4y2Ba`南gydF4y2Ba`对于数值变量，单元格数组为空单元格，字符数组为空行，以及gydF4y2Ba`<未定义>gydF4y2Ba`值用于分类数组。gydF4y2Ba
`子集gydF4y2Ba`	如果观察结果用于配合，那么gydF4y2Ba`子集gydF4y2Ba`是gydF4y2Ba`真正的gydF4y2Ba`．如果观察结果因缺失或被排除而未用于拟合，那么gydF4y2Ba`子集gydF4y2Ba`是gydF4y2Ba`错误的gydF4y2Ba`．gydF4y2Ba
`BinomSizegydF4y2Ba`	每次观察的二项式大小。该专栏仅在拟合二项式分布时适用。gydF4y2Ba

数据类型:gydF4y2Ba桌子gydF4y2Ba

`观察名称gydF4y2Ba`- - - - - -gydF4y2Ba名字的观察gydF4y2Ba
字符向量的单元格数组gydF4y2Ba

在匹配中使用的观察名称，存储为字符向量的单元格数组。gydF4y2Ba

如果数据在表或数据集数组中gydF4y2Ba资源描述gydF4y2Ba它包含观察名称gydF4y2Ba观察名称gydF4y2Ba使用这些名称。gydF4y2Ba
如果数据以矩阵形式提供，或者以不带观察名称的表或数据集数组提供，则gydF4y2Ba观察名称gydF4y2Ba为空单元格数组。gydF4y2Ba

数据类型:gydF4y2Ba细胞gydF4y2Ba

`PredictorNamesgydF4y2Ba`- - - - - -gydF4y2Ba预测器的名称gydF4y2Ba
字符向量的单元格数组gydF4y2Ba

在匹配中用作预测器的变量名称，存储为字符向量的单元格数组，其长度与gydF4y2BaNumPredictorsgydF4y2Ba．gydF4y2Ba

数据类型:gydF4y2Ba细胞gydF4y2Ba

`ractraceame.gydF4y2Ba`- - - - - -gydF4y2Ba响应变量名gydF4y2Ba
特征向量gydF4y2Ba

在适合中作为响应变量使用的变量的名称，存储为字符向量。gydF4y2Ba

数据类型:gydF4y2Ba字符gydF4y2Ba

`RsquaredgydF4y2Ba`- - - - - -gydF4y2Ba响应中可变性的比例由拟合模型解释gydF4y2Ba
结构gydF4y2Ba

响应中可变性的比例由拟合模型解释，存储为一个结构。gydF4y2BaRsquaredgydF4y2Ba包含了gydF4y2BaRgydF4y2Ba拟合模型的平方值，也称为多重相关系数。gydF4y2BaRsquaredgydF4y2Ba包含以下字段。gydF4y2Ba

场地gydF4y2Ba	描述gydF4y2Ba
`普通的gydF4y2Ba`	r平方值，存储为结构中的标量值。gydF4y2Ba `Rsquared。普通的＝1- - - - - -上交所．/SST`
`调整gydF4y2Ba`	对于固定效果系数的数量来调整R线值，以结构中的标量值存储在一起。gydF4y2Ba `Rsquared。调整＝1- - - - - -（年代SE．/SST)*(DFT./DFE)`，gydF4y2Ba 在哪里gydF4y2Ba`DFE = n - pgydF4y2Ba`，gydF4y2Ba`DFT = n - 1gydF4y2Ba`，gydF4y2Ba`ngydF4y2Ba`是观察的总数，和gydF4y2Ba`pgydF4y2Ba`是固定效果系数的数量。gydF4y2Ba

数据类型:gydF4y2Ba塑造gydF4y2Ba

`上交所gydF4y2Ba`- - - - - -gydF4y2Ba误差平方和gydF4y2Ba
积极的标量值gydF4y2Ba

正方形的误差之和，存储为正标量值。gydF4y2Ba上交所gydF4y2Ba条件残差的平方和和的加权和计算为gydF4y2Ba

$年代gydF4y2Ba 年代gydF4y2Ba EgydF4y2Ba ＝gydF4y2Ba {\sumgydF4y2Ba}_{我gydF4y2Ba ＝gydF4y2Ba 1gydF4y2Ba}^{ngydF4y2Ba} {wgydF4y2Ba}_{我gydF4y2Ba}^{egydF4y2Ba fgydF4y2Ba fgydF4y2Ba} {（gydF4y2Ba {ygydF4y2Ba}_{我gydF4y2Ba} -gydF4y2Ba {fgydF4y2Ba}_{我gydF4y2Ba} ）gydF4y2Ba}^{2gydF4y2Ba} ，gydF4y2Ba$

在哪里gydF4y2BangydF4y2Ba为观测次数，gydF4y2BawgydF4y2Ba_我gydF4y2Ba^effgydF4y2Ba是gydF4y2Ba我gydF4y2Ba有效的重量,gydF4y2BaygydF4y2Ba_我gydF4y2Ba是gydF4y2Ba我gydF4y2Bath反应,gydF4y2BafgydF4y2Ba_我gydF4y2Ba是gydF4y2Ba我gydF4y2Ba拟合价值。gydF4y2Ba

的gydF4y2Ba我gydF4y2Ba有效权重计算为gydF4y2Ba

${wgydF4y2Ba}_{我gydF4y2Ba}^{egydF4y2Ba fgydF4y2Ba fgydF4y2Ba} ＝gydF4y2Ba ｛gydF4y2Ba \frac{{wgydF4y2Ba}_{我gydF4y2Ba}}{{vgydF4y2Ba}_{我gydF4y2Ba} （gydF4y2Ba {μgydF4y2Ba}_{我gydF4y2Ba} （gydF4y2Ba \overset{＾gydF4y2Ba}{βgydF4y2Ba} ，gydF4y2Ba \overset{＾gydF4y2Ba}{bgydF4y2Ba} ）gydF4y2Ba ）gydF4y2Ba} ｝gydF4y2Ba ，gydF4y2Ba$

在哪里gydF4y2BavgydF4y2Ba_我gydF4y2Ba方差项是什么gydF4y2Ba我gydF4y2Bath观察,gydF4y2Ba $\overset{＾gydF4y2Ba}{βgydF4y2Ba}$ 和gydF4y2Ba $\overset{＾gydF4y2Ba}{bgydF4y2Ba}$ 的估计值gydF4y2BaβgydF4y2Ba和gydF4y2BabgydF4y2Ba,分别。gydF4y2Ba

的gydF4y2Ba我gydF4y2Ba计算价值计算为gydF4y2Ba

${fgydF4y2Ba}_{我gydF4y2Ba} ＝gydF4y2Ba {ggydF4y2Ba}^{-gydF4y2Ba 1gydF4y2Ba} （gydF4y2Ba {xgydF4y2Ba}_{我gydF4y2Ba}^{TgydF4y2Ba} \overset{＾gydF4y2Ba}{βgydF4y2Ba} +gydF4y2Ba {zgydF4y2Ba}_{我gydF4y2Ba}^{TgydF4y2Ba} \overset{＾gydF4y2Ba}{bgydF4y2Ba} +gydF4y2Ba {δgydF4y2Ba}_{我gydF4y2Ba} ）gydF4y2Ba ，gydF4y2Ba$

在哪里gydF4y2BaxgydF4y2Ba_我gydF4y2Ba^TgydF4y2Ba是gydF4y2Ba我gydF4y2Ba固定效果设计矩阵的第一行gydF4y2BaXgydF4y2Ba，和gydF4y2BazgydF4y2Ba_我gydF4y2Ba^TgydF4y2Ba是gydF4y2Ba我gydF4y2Ba随机效应设计矩阵的第一行gydF4y2BaZgydF4y2Ba．gydF4y2BaδgydF4y2Ba_我gydF4y2Ba是gydF4y2Ba我gydF4y2Ba偏移值。gydF4y2Ba

数据类型:gydF4y2Ba双gydF4y2Ba

`苏维埃社会主义共和国gydF4y2Ba`- - - - - -gydF4y2Ba回归平方和gydF4y2Ba
积极的标量值gydF4y2Ba

回归平方和，存储为一个正标量值。gydF4y2Ba苏维埃社会主义共和国gydF4y2Ba为广义线性混合效应回归解释的平方和，或等价于条件拟合值与其加权均值的平方偏差的加权和。gydF4y2Ba苏维埃社会主义共和国gydF4y2Ba是计算gydF4y2Ba

$年代gydF4y2Ba 年代gydF4y2Ba RgydF4y2Ba ＝gydF4y2Ba {\sumgydF4y2Ba}_{我gydF4y2Ba ＝gydF4y2Ba 1gydF4y2Ba}^{NgydF4y2Ba} {wgydF4y2Ba}_{我gydF4y2Ba}^{egydF4y2Ba fgydF4y2Ba fgydF4y2Ba} {（gydF4y2Ba {fgydF4y2Ba}_{我gydF4y2Ba} -gydF4y2Ba \overset{¯gydF4y2Ba}{fgydF4y2Ba} ）gydF4y2Ba}^{2gydF4y2Ba} ，gydF4y2Ba$

在哪里gydF4y2BangydF4y2Ba为观测次数，gydF4y2BawgydF4y2Ba_我gydF4y2Ba^effgydF4y2Ba是gydF4y2Ba我gydF4y2Ba有效的重量,gydF4y2BafgydF4y2Ba_我gydF4y2Ba是gydF4y2Ba我gydF4y2Ba拟合价值，和gydF4y2Ba $\overset{¯gydF4y2Ba}{fgydF4y2Ba}$ 为拟合值的加权平均值。gydF4y2Ba

的gydF4y2Ba我gydF4y2Ba有效权重计算为gydF4y2Ba

在哪里gydF4y2Ba $\overset{＾gydF4y2Ba}{βgydF4y2Ba}$ 和gydF4y2Ba $\overset{＾gydF4y2Ba}{bgydF4y2Ba}$ 的估计值gydF4y2BaβgydF4y2Ba和gydF4y2BabgydF4y2Ba,分别。gydF4y2Ba

的gydF4y2Ba我gydF4y2Ba计算价值计算为gydF4y2Ba

拟合值的加权平均值计算为gydF4y2Ba

$\overset{¯gydF4y2Ba}{fgydF4y2Ba} ＝gydF4y2Ba \frac{［gydF4y2Ba {\sumgydF4y2Ba}_{我gydF4y2Ba ＝gydF4y2Ba 1gydF4y2Ba}^{ngydF4y2Ba} {wgydF4y2Ba}_{我gydF4y2Ba}^{egydF4y2Ba fgydF4y2Ba fgydF4y2Ba} {fgydF4y2Ba}_{我gydF4y2Ba} ］gydF4y2Ba}{{\sumgydF4y2Ba}_{我gydF4y2Ba ＝gydF4y2Ba 1gydF4y2Ba}^{ngydF4y2Ba} {wgydF4y2Ba}_{我gydF4y2Ba}^{egydF4y2Ba fgydF4y2Ba fgydF4y2Ba}} ．gydF4y2Ba$

数据类型:gydF4y2Ba双gydF4y2Ba

`风场gydF4y2Ba`- - - - - -gydF4y2Ba总平方和gydF4y2Ba
积极的标量值gydF4y2Ba

总平方和，存储为正标量值。对于GLME模型，gydF4y2Ba风场gydF4y2Ba被定义为gydF4y2BaSST = sse + SSRgydF4y2Ba．gydF4y2Ba

数据类型:gydF4y2Ba双gydF4y2Ba

`VariableInfogydF4y2Ba`- - - - - -gydF4y2Ba关于变量的信息gydF4y2Ba
桌子gydF4y2Ba

关于fit中使用的变量的信息，存储为一个表。gydF4y2BaVariableInfogydF4y2Ba每个变量有一行，并包含以下列。gydF4y2Ba

列名gydF4y2Ba	描述gydF4y2Ba
`类gydF4y2Ba`	变量的类别(gydF4y2Ba`'双倍的'gydF4y2Ba`，gydF4y2Ba`“细胞”gydF4y2Ba`，gydF4y2Ba`“名义”gydF4y2Ba`等等)。gydF4y2Ba
`范围gydF4y2Ba`	变量的取值范围。gydF4y2Ba 对于数值变量，gydF4y2Ba`范围gydF4y2Ba`是这种形式的二元向量吗gydF4y2Ba`(最小,最大)gydF4y2Ba`．gydF4y2Ba 对于小区或分类变量，gydF4y2Ba`范围gydF4y2Ba`是包含变量的所有唯一值的单元格或分类数组。gydF4y2Ba
`inmodel.gydF4y2Ba`	如果变量是拟合模型中的预测变量，gydF4y2Ba`inmodel.gydF4y2Ba`是gydF4y2Ba`真正的gydF4y2Ba`．gydF4y2Ba 如果变量不在拟合模型中，gydF4y2Ba`inmodel.gydF4y2Ba`是gydF4y2Ba`错误的gydF4y2Ba`．gydF4y2Ba
`IsCategoricalgydF4y2Ba`	如果变量类型被视为分类预测器(如单元格、逻辑或分类)，则gydF4y2Ba`IsCategoricalgydF4y2Ba`是gydF4y2Ba`真正的gydF4y2Ba`．gydF4y2Ba 如果变量是连续的预测器，那么gydF4y2Ba`IsCategoricalgydF4y2Ba`是gydF4y2Ba`错误的gydF4y2Ba`．gydF4y2Ba

数据类型:gydF4y2Ba桌子gydF4y2Ba

`VariableNamesgydF4y2Ba`- - - - - -gydF4y2Ba变量的名称gydF4y2Ba
字符向量的单元格数组gydF4y2Ba

表或数据集数组中包含的所有变量的名称gydF4y2Ba资源描述gydF4y2Ba，存储为字符向量的单元格数组。gydF4y2Ba

数据类型:gydF4y2Ba细胞gydF4y2Ba

`变量gydF4y2Ba`- - - - - -gydF4y2Ba变量gydF4y2Ba
桌子gydF4y2Ba

变量，存储为表。如果拟合基于表或数据集数组gydF4y2Ba资源描述gydF4y2Ba,然后gydF4y2Ba变量gydF4y2Ba是一样gydF4y2Ba资源描述gydF4y2Ba．gydF4y2Ba

数据类型:gydF4y2Ba桌子gydF4y2Ba

对象功能gydF4y2Ba

`Anova.gydF4y2Ba`	广义线性混合效应模型的方差分析gydF4y2Ba
`coefCIgydF4y2Ba`	广义线性混合效应模型系数的置信区间gydF4y2Ba
`coefTestgydF4y2Ba`	广义线性混合效应模型的固定效应和随机效应的假设检验gydF4y2Ba
`比较gydF4y2Ba`	比较广义线性混合效应模型gydF4y2Ba
`covarianceParametersgydF4y2Ba`	提取广义线性混合效应模型的协方差参数gydF4y2Ba
`designMatrixgydF4y2Ba`	固定和随机效果设计矩阵gydF4y2Ba
`安装gydF4y2Ba`	广义线性混合效应模型的响应gydF4y2Ba
`fixedEffectsgydF4y2Ba`	固定效应估计及相关统计gydF4y2Ba
`部分竞争gydF4y2Ba`	计算部分依赖gydF4y2Ba
`plotPartialDependencegydF4y2Ba`	创建部分依赖图（PDP）和个人有条件期望（ICE）情节gydF4y2Ba
`plotResidualsgydF4y2Ba`	绘制广义线性混合效应模型的残差gydF4y2Ba
`预测gydF4y2Ba`	预测广义线性混合效应模型的响应gydF4y2Ba
`随机的gydF4y2Ba`	从拟合的广义线性混合效应模型产生随机响应gydF4y2Ba
`randomEffectsgydF4y2Ba`	随机效应的估计和相关统计gydF4y2Ba
`改装gydF4y2Ba`	重构广义线性混合效应模型gydF4y2Ba
`残差gydF4y2Ba`	拟合广义线性混合效应模型的残差gydF4y2Ba
`响应gydF4y2Ba`	广义线性混合效应模型的响应向量gydF4y2Ba

例子gydF4y2Ba

全部收缩gydF4y2Ba

符合广义的线性混合效应模型gydF4y2Ba

打开生活的脚本gydF4y2Ba

加载示例数据。gydF4y2Ba

加载gydF4y2Ba生产商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(gydF4y2Banewprocess.gydF4y2Ba）gydF4y2Ba
处理时间为每批，以小时为单位（gydF4y2Ba时间gydF4y2Ba）gydF4y2Ba
批量的温度，以摄氏度为单位（gydF4y2Ba临时gydF4y2Ba）gydF4y2Ba
表示供应商的分类变量(gydF4y2Ba一个gydF4y2Ba，gydF4y2BaBgydF4y2Ba,或gydF4y2BaCgydF4y2Ba)所使用的该批化学品(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，这分别从20摄氏度的3小时的过程标准分别表示时间和温度的绝对偏差。gydF4y2Ba

拟合一个广义线性混合效应模型使用gydF4y2Banewprocess.gydF4y2Ba，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'效果'gydF4y2Ba，使虚拟变量系数总和为0。gydF4y2Ba

缺陷的数量可以用泊松分布来建模gydF4y2Ba

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

这与广义线性混合效应模型相对应gydF4y2Ba

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

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 $我gydF4y2Ba$ (gydF4y2Ba $我gydF4y2Ba ＝gydF4y2Ba 1gydF4y2Ba ，gydF4y2Ba 2gydF4y2Ba ，gydF4y2Ba ．gydF4y2Ba ．gydF4y2Ba ．gydF4y2Ba ，gydF4y2Ba 2gydF4y2Ba 0gydF4y2Ba$ 在批处理)gydF4y2Ba $jgydF4y2Ba$ (gydF4y2Ba $jgydF4y2Ba ＝gydF4y2Ba 1gydF4y2Ba ，gydF4y2Ba 2gydF4y2Ba ，gydF4y2Ba ．gydF4y2Ba ．gydF4y2Ba ．gydF4y2Ba ，gydF4y2Ba 5gydF4y2Ba$ ）。gydF4y2Ba
${newprocess.gydF4y2Ba}_{我gydF4y2Ba jgydF4y2Ba}$ ，gydF4y2Ba ${时间gydF4y2Ba ＿gydF4y2Ba devgydF4y2Ba}_{我gydF4y2Ba jgydF4y2Ba}$ ，和gydF4y2Ba ${临时gydF4y2Ba ＿gydF4y2Ba devgydF4y2Ba}_{我gydF4y2Ba jgydF4y2Ba}$ 是对应于工厂的每个变量的测量值gydF4y2Ba $我gydF4y2Ba$ 在批处理gydF4y2Ba $jgydF4y2Ba$ ．例如，gydF4y2Ba ${newprocess.gydF4y2Ba}_{我gydF4y2Ba jgydF4y2Ba}$ 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（制造商，gydF4y2Ba'缺陷~ 1 + newprocess + time_dev + temp_dev + supplier + (1|factory)'gydF4y2Ba，gydF4y2Ba．．.gydF4y2Ba“分布”gydF4y2Ba，gydF4y2Ba“泊松”gydF4y2Ba，gydF4y2Ba'关联'gydF4y2Ba，gydF4y2Ba“日志”gydF4y2Ba，gydF4y2Ba“FitMethod”gydF4y2Ba，gydF4y2Ba“拉普拉斯”gydF4y2Ba，gydF4y2Ba“DummyVarCoding”gydF4y2Ba，gydF4y2Ba'效果'gydF4y2Ba）;gydF4y2Ba

显示模型。gydF4y2Ba

disp (glme)gydF4y2Ba

ML的广义线性混合效应模型拟合模型信息:观测数100固定效应系数6随机效应系数20协方差参数1分布Poisson Link Log FitMethod拉普拉斯公式:缺陷~ 1 + newprocess + time_dev + temp_dev + supplier + (1 | factory)AIC BIC LogLikelihood Deviance 416.35 434.58 -201.17 402.35固定效应系数(95% CIs):Name Estimate SE tStat DF pValue {'(Intercept)'} 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 0.07739 0.91836 94 0.36078随机效应协方差参数:Group: factory(20个level) Name1 Name2 Type Estimate {'(Intercept)'} {'(Intercept)'} {'std'} 0.31381 Group: Error Name Estimate {'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模型拟合统计数据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(gydF4y2BaAIC.gydF4y2Ba)、贝叶斯信息准则(gydF4y2BaBIC.gydF4y2Ba)值，log likelihood (gydF4y2BaLogLikelihoodgydF4y2Ba)和异常行为(gydF4y2Ba异常gydF4y2Ba)的值。gydF4y2Ba

的gydF4y2Ba固定效果系数gydF4y2Ba表显示,gydF4y2BafitglmegydF4y2Ba返回95%置信区间。它为每个固定效果预测器包含一行，每一列包含与该预测器相对应的统计信息。第1列(gydF4y2Ba的名字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 (gydF4y2BatStatgydF4y2Ba)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 $pgydF4y2Ba$ - 对应于此的价值gydF4y2Ba $tgydF4y2Ba$ 分别统计。最后两列(gydF4y2Ba较低的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），包括其总数（20），以及协方差参数的类型和估计。这里，gydF4y2Ba性病gydF4y2Ba表明gydF4y2BafitglmegydF4y2Ba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gydF4y2BafitglmegydF4y2Ba不提供随机效应参数的置信区间。计算和显示这些值，使用gydF4y2BacovarianceParametersgydF4y2Ba．gydF4y2Ba

威尔金森符号gydF4y2Ba	标准符号中的因子gydF4y2Ba
`1gydF4y2Ba`	常数(拦截)gydF4y2Ba
`X ^ kgydF4y2Ba`,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`只有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`	拦截的固定效果，gydF4y2Ba`X1gydF4y2Ba`和gydF4y2Ba`X2gydF4y2Ba`．这个等价于gydF4y2Ba`'y ~ 1 + X1 + X2'gydF4y2Ba`．gydF4y2Ba
`'y ~ -1 + X1 + X2'gydF4y2Ba`	没有拦截和固定的效果gydF4y2Ba`X1gydF4y2Ba`和gydF4y2Ba`X2gydF4y2Ba`．隐式拦截术语包括包括在内gydF4y2Ba`-1gydF4y2Ba`．gydF4y2Ba
`(b + b + b + b)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`	随机截距和斜率，两者之间可能存在相关性。这个等价于gydF4y2Ba`' 1 + X1 + (1 + X1\|g1)'gydF4y2Ba`．gydF4y2Ba
`' X1 + (1 \| g1) + (-1 + X1 \| g1)'gydF4y2Ba`	独立随机影响项的截距和斜率。gydF4y2Ba
`+ (1 \| g1) + (1 \| g2) + (1 \| g1:g2)gydF4y2Ba`	随机拦截模型，具有独立的主要效果gydF4y2Ba`g1gydF4y2Ba`和gydF4y2Ba`g2gydF4y2Ba`，加上一个独立的相互作用效应。gydF4y2Ba

另请参阅gydF4y2Ba

fitglmegydF4y2Ba

GeneralizedLinearMixedModel类gydF4y2Ba

描述gydF4y2Ba

建设gydF4y2Ba

输入参数gydF4y2Ba

资源描述gydF4y2Ba- - - - - -gydF4y2Ba输入数据gydF4y2Ba桌子gydF4y2Ba| gydF4y2Ba数据集的数组gydF4y2Ba

公式gydF4y2Ba- - - - - -gydF4y2Ba用于模型规格的公式gydF4y2Ba形式的字符向量或字符串标量gydF4y2Ba'y ~ fixed + (random1|grouping1) +…+ (randomR | groupingR) 'gydF4y2Ba

属性gydF4y2Ba

系数gydF4y2Ba- - - - - -gydF4y2Ba固定效应系数的估计gydF4y2Ba数据集的数组gydF4y2Ba

CoefficientCovariancegydF4y2Ba- - - - - -gydF4y2Ba估计固定效应向量的协方差gydF4y2Ba矩阵gydF4y2Ba

CoefficientNamesgydF4y2Ba- - - - - -gydF4y2Ba固定效果系数的名称gydF4y2Ba字符向量的单元格数组gydF4y2Ba

教育部gydF4y2Ba- - - - - -gydF4y2Ba误差的自由度gydF4y2Ba正整数的值gydF4y2Ba

分散gydF4y2Ba- - - - - -gydF4y2Ba模式色散参数gydF4y2Ba标量值gydF4y2Ba

DispersionEstimatedgydF4y2Ba- - - - - -gydF4y2Ba标志是否估计了色散参数gydF4y2Ba真正的gydF4y2Ba| gydF4y2Ba错误的gydF4y2Ba

分配gydF4y2Ba- - - - - -gydF4y2Ba响应分布的名字gydF4y2Ba“正常”gydF4y2Ba| gydF4y2Ba“二”gydF4y2Ba| gydF4y2Ba“泊松”gydF4y2Ba| gydF4y2Ba'伽玛'gydF4y2Ba| gydF4y2Ba“InverseGaussian”gydF4y2Ba

FitMethodgydF4y2Ba- - - - - -gydF4y2Ba方法用于拟合模型gydF4y2Ba“MPL”gydF4y2Ba| gydF4y2Ba“REMPL”gydF4y2Ba| gydF4y2Ba“ApproximateLaplace”gydF4y2Ba| gydF4y2Ba“拉普拉斯”gydF4y2Ba

公式gydF4y2Ba- - - - - -gydF4y2Ba模型规范公式gydF4y2Ba对象gydF4y2Ba

链接gydF4y2Ba- - - - - -gydF4y2Ba链接功能特点gydF4y2Ba结构gydF4y2Ba

LogLikelihoodgydF4y2Ba- - - - - -gydF4y2Ba似然函数的日志gydF4y2Ba标量值gydF4y2Ba

ModelCriteriongydF4y2Ba- - - - - -gydF4y2Ba模型的标准gydF4y2Ba桌子gydF4y2Ba

NumCoefficientsgydF4y2Ba- - - - - -gydF4y2Ba固定效应系数的数目gydF4y2Ba正整数的值gydF4y2Ba

NumEstimatedCoefficientsgydF4y2Ba- - - - - -gydF4y2Ba估计固定效应系数的数目gydF4y2Ba正整数的值gydF4y2Ba

NumObservationsgydF4y2Ba- - - - - -gydF4y2Ba数量的观察gydF4y2Ba正整数的值gydF4y2Ba

NumPredictorsgydF4y2Ba- - - - - -gydF4y2Ba数量的预测gydF4y2Ba正整数的值gydF4y2Ba

NumVariablesgydF4y2Ba- - - - - -gydF4y2Ba变量总数gydF4y2Ba正整数的值gydF4y2Ba

ObservationInfogydF4y2Ba- - - - - -gydF4y2Ba观测资料gydF4y2Ba桌子gydF4y2Ba

观察名称gydF4y2Ba- - - - - -gydF4y2Ba名字的观察gydF4y2Ba字符向量的单元格数组gydF4y2Ba

PredictorNamesgydF4y2Ba- - - - - -gydF4y2Ba预测器的名称gydF4y2Ba字符向量的单元格数组gydF4y2Ba

ractraceame.gydF4y2Ba- - - - - -gydF4y2Ba响应变量名gydF4y2Ba特征向量gydF4y2Ba

RsquaredgydF4y2Ba- - - - - -gydF4y2Ba响应中可变性的比例由拟合模型解释gydF4y2Ba结构gydF4y2Ba

上交所gydF4y2Ba- - - - - -gydF4y2Ba误差平方和gydF4y2Ba积极的标量值gydF4y2Ba

苏维埃社会主义共和国gydF4y2Ba- - - - - -gydF4y2Ba回归平方和gydF4y2Ba积极的标量值gydF4y2Ba

风场gydF4y2Ba- - - - - -gydF4y2Ba总平方和gydF4y2Ba积极的标量值gydF4y2Ba

VariableInfogydF4y2Ba- - - - - -gydF4y2Ba关于变量的信息gydF4y2Ba桌子gydF4y2Ba

VariableNamesgydF4y2Ba- - - - - -gydF4y2Ba变量的名称gydF4y2Ba字符向量的单元格数组gydF4y2Ba

变量gydF4y2Ba- - - - - -gydF4y2Ba变量gydF4y2Ba桌子gydF4y2Ba

对象功能gydF4y2Ba

例子gydF4y2Ba

符合广义的线性混合效应模型gydF4y2Ba

更多关于gydF4y2Ba

公式gydF4y2Ba

另请参阅gydF4y2Ba

话题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

`资源描述gydF4y2Ba`- - - - - -gydF4y2Ba输入数据gydF4y2Ba
桌子gydF4y2Ba| gydF4y2Ba数据集的数组gydF4y2Ba

`公式gydF4y2Ba`- - - - - -gydF4y2Ba用于模型规格的公式gydF4y2Ba
形式的字符向量或字符串标量gydF4y2Ba`'y ~ fixed + (random1|grouping1) +…+ (randomR | groupingR) 'gydF4y2Ba`

`系数gydF4y2Ba`- - - - - -gydF4y2Ba固定效应系数的估计gydF4y2Ba
数据集的数组gydF4y2Ba

`CoefficientCovariancegydF4y2Ba`- - - - - -gydF4y2Ba估计固定效应向量的协方差gydF4y2Ba
矩阵gydF4y2Ba

`CoefficientNamesgydF4y2Ba`- - - - - -gydF4y2Ba固定效果系数的名称gydF4y2Ba
字符向量的单元格数组gydF4y2Ba

`教育部gydF4y2Ba`- - - - - -gydF4y2Ba误差的自由度gydF4y2Ba
正整数的值gydF4y2Ba

`分散gydF4y2Ba`- - - - - -gydF4y2Ba模式色散参数gydF4y2Ba
标量值gydF4y2Ba

`DispersionEstimatedgydF4y2Ba`- - - - - -gydF4y2Ba标志是否估计了色散参数gydF4y2Ba
`真正的gydF4y2Ba`| gydF4y2Ba`错误的gydF4y2Ba`

`分配gydF4y2Ba`- - - - - -gydF4y2Ba响应分布的名字gydF4y2Ba
`“正常”gydF4y2Ba`| gydF4y2Ba`“二”gydF4y2Ba`| gydF4y2Ba`“泊松”gydF4y2Ba`| gydF4y2Ba`'伽玛'gydF4y2Ba`| gydF4y2Ba`“InverseGaussian”gydF4y2Ba`

`FitMethodgydF4y2Ba`- - - - - -gydF4y2Ba方法用于拟合模型gydF4y2Ba
`“MPL”gydF4y2Ba`| gydF4y2Ba`“REMPL”gydF4y2Ba`| gydF4y2Ba`“ApproximateLaplace”gydF4y2Ba`| gydF4y2Ba`“拉普拉斯”gydF4y2Ba`

`公式gydF4y2Ba`- - - - - -gydF4y2Ba模型规范公式gydF4y2Ba
对象gydF4y2Ba

`链接gydF4y2Ba`- - - - - -gydF4y2Ba链接功能特点gydF4y2Ba
结构gydF4y2Ba

`LogLikelihoodgydF4y2Ba`- - - - - -gydF4y2Ba似然函数的日志gydF4y2Ba
标量值gydF4y2Ba

`ModelCriteriongydF4y2Ba`- - - - - -gydF4y2Ba模型的标准gydF4y2Ba
桌子gydF4y2Ba

`NumCoefficientsgydF4y2Ba`- - - - - -gydF4y2Ba固定效应系数的数目gydF4y2Ba
正整数的值gydF4y2Ba

`NumEstimatedCoefficientsgydF4y2Ba`- - - - - -gydF4y2Ba估计固定效应系数的数目gydF4y2Ba
正整数的值gydF4y2Ba

`NumObservationsgydF4y2Ba`- - - - - -gydF4y2Ba数量的观察gydF4y2Ba
正整数的值gydF4y2Ba

`NumPredictorsgydF4y2Ba`- - - - - -gydF4y2Ba数量的预测gydF4y2Ba
正整数的值gydF4y2Ba

`NumVariablesgydF4y2Ba`- - - - - -gydF4y2Ba变量总数gydF4y2Ba
正整数的值gydF4y2Ba

`ObservationInfogydF4y2Ba`- - - - - -gydF4y2Ba观测资料gydF4y2Ba
桌子gydF4y2Ba

`观察名称gydF4y2Ba`- - - - - -gydF4y2Ba名字的观察gydF4y2Ba
字符向量的单元格数组gydF4y2Ba

`PredictorNamesgydF4y2Ba`- - - - - -gydF4y2Ba预测器的名称gydF4y2Ba
字符向量的单元格数组gydF4y2Ba

`ractraceame.gydF4y2Ba`- - - - - -gydF4y2Ba响应变量名gydF4y2Ba
特征向量gydF4y2Ba

`RsquaredgydF4y2Ba`- - - - - -gydF4y2Ba响应中可变性的比例由拟合模型解释gydF4y2Ba
结构gydF4y2Ba

`上交所gydF4y2Ba`- - - - - -gydF4y2Ba误差平方和gydF4y2Ba
积极的标量值gydF4y2Ba

`苏维埃社会主义共和国gydF4y2Ba`- - - - - -gydF4y2Ba回归平方和gydF4y2Ba
积极的标量值gydF4y2Ba

`风场gydF4y2Ba`- - - - - -gydF4y2Ba总平方和gydF4y2Ba
积极的标量值gydF4y2Ba

`VariableInfogydF4y2Ba`- - - - - -gydF4y2Ba关于变量的信息gydF4y2Ba
桌子gydF4y2Ba

`VariableNamesgydF4y2Ba`- - - - - -gydF4y2Ba变量的名称gydF4y2Ba
字符向量的单元格数组gydF4y2Ba

`变量gydF4y2Ba`- - - - - -gydF4y2Ba变量gydF4y2Ba
桌子gydF4y2Ba