广义线性混合效应模型类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
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
.有关更多信息,请参见gydF4y2Ba资源描述gydF4y2Ba
,gydF4y2Ba公式gydF4y2Ba
)gydF4y2BafitglmegydF4y2Ba
.gydF4y2Ba
资源描述gydF4y2Ba
- - - - - -gydF4y2Ba输入数据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'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
系数gydF4y2Ba
- - - - - -gydF4y2Ba固定效应系数的估计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gydF4y2BaσgydF4y2Ba2gydF4y2Ba,在广义的线性混合效应模型中是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gydF4y2BaσgydF4y2Ba2gydF4y2Ba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gydF4y2BaσgydF4y2Ba2gydF4y2Ba= 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gydF4y2BaGgydF4y2Ba |
导数gydF4y2Ba |
的导数gydF4y2BaGgydF4y2Ba |
SecondDerivativegydF4y2Ba |
二阶导数的gydF4y2BaGgydF4y2Ba |
逆gydF4y2Ba |
逆gydF4y2BaGgydF4y2Ba |
数据类型:gydF4y2Ba塑造gydF4y2Ba
LogLikelihoodgydF4y2Ba
- - - - - -gydF4y2Ba似然函数的日志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 |
|
异常gydF4y2Ba |
2倍gydF4y2BaLogLikelihoodgydF4y2Ba |
NumCoefficientsgydF4y2Ba
- - - - - -gydF4y2Ba固定效应系数的数目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gydF4y2BafitglmegydF4y2Ba ,然后gydF4y2Ba被排除在外gydF4y2Ba 是gydF4y2Ba真正的gydF4y2Ba ,或gydF4y2Ba1gydF4y2Ba .除此以外,gydF4y2Ba被排除在外gydF4y2Ba 是gydF4y2Ba错误的gydF4y2Ba ,或gydF4y2Ba0gydF4y2Ba .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 缺失值包括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。gydF4y2BaRsquared。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。gydF4y2BaRsquared。调整=1- - - - - -(年代SE./SST)*(DFT./DFE) ,gydF4y2Ba在哪里gydF4y2Ba DFE = n - pgydF4y2Ba ,gydF4y2BaDFT = n - 1gydF4y2Ba ,gydF4y2BangydF4y2Ba 是观察的总数,和gydF4y2BapgydF4y2Ba 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
在哪里gydF4y2BangydF4y2Ba为观测次数,gydF4y2BawgydF4y2Ba我gydF4y2BaeffgydF4y2Ba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
在哪里gydF4y2BavgydF4y2Ba我gydF4y2Ba方差项是什么gydF4y2Ba我gydF4y2Bath观察,gydF4y2Ba 和gydF4y2Ba 的估计值gydF4y2BaβgydF4y2Ba和gydF4y2BabgydF4y2Ba,分别。gydF4y2Ba
的gydF4y2Ba我gydF4y2Ba计算价值计算为gydF4y2Ba
在哪里gydF4y2BaxgydF4y2Ba我gydF4y2BaTgydF4y2Ba是gydF4y2Ba我gydF4y2Ba固定效果设计矩阵的第一行gydF4y2BaXgydF4y2Ba, 和gydF4y2BazgydF4y2Ba我gydF4y2BaTgydF4y2Ba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
在哪里gydF4y2BangydF4y2Ba为观测次数,gydF4y2BawgydF4y2Ba我gydF4y2BaeffgydF4y2Ba是gydF4y2Ba我gydF4y2Ba有效的重量,gydF4y2BafgydF4y2Ba我gydF4y2Ba是gydF4y2Ba我gydF4y2Ba拟合价值,和gydF4y2Ba 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 和gydF4y2Ba 的估计值gydF4y2BaβgydF4y2Ba和gydF4y2BabgydF4y2Ba,分别。gydF4y2Ba
的gydF4y2Ba我gydF4y2Ba计算价值计算为gydF4y2Ba
在哪里gydF4y2BaxgydF4y2Ba我gydF4y2BaTgydF4y2Ba是gydF4y2Ba我gydF4y2Ba固定效果设计矩阵的第一行gydF4y2BaXgydF4y2Ba, 和gydF4y2BazgydF4y2Ba我gydF4y2BaTgydF4y2Ba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
拟合值的加权平均值计算为gydF4y2Ba
数据类型:gydF4y2Ba双gydF4y2Ba
风场gydF4y2Ba
- - - - - -gydF4y2Ba总平方和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
|
inmodel.gydF4y2Ba |
如果变量是拟合模型中的预测变量,gydF4y2Ba 如果变量不在拟合模型中,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 如果变量是连续的预测器,那么gydF4y2Ba |
数据类型:gydF4y2Ba桌子gydF4y2Ba
VariableNamesgydF4y2Ba
- - - - - -gydF4y2Ba变量的名称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
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 |
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
这与广义线性混合效应模型相对应gydF4y2Ba
在哪里gydF4y2Ba
在工厂生产的批次中是否观察到缺陷的数量gydF4y2Ba 在批处理gydF4y2Ba .gydF4y2Ba
平均缺陷数是否与工厂相应gydF4y2Ba (gydF4y2Ba 在批处理)gydF4y2Ba (gydF4y2Ba )。gydF4y2Ba
,gydF4y2Ba , 和gydF4y2Ba 是对应于工厂的每个变量的测量值gydF4y2Ba 在批处理gydF4y2Ba .例如,gydF4y2Ba 指示该批次是否由工厂生产gydF4y2Ba 在批处理gydF4y2Ba 使用新方法gydF4y2Ba
和gydF4y2Ba
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
在批处理gydF4y2Ba
.gydF4y2Ba
每个工厂都有随机效果拦截吗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
-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
- 对应于此的价值gydF4y2Ba
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
通常,模型规范的公式是这种形式的字符向量或字符串标量gydF4y2Ba“y ~条款”gydF4y2Ba
.对于广义的线性混合效果模型,该公式处于形式gydF4y2Ba'y ~ fixed + (random1|grouping1) +…+ (randomR | groupingR) 'gydF4y2Ba
,在那里gydF4y2Ba固定gydF4y2Ba
和gydF4y2Ba随机的gydF4y2Ba
分别包含固定效果和随机效果项,和gydF4y2BaRgydF4y2Ba为模型中分组变量的个数。gydF4y2Ba
假设一个表gydF4y2Ba资源描述gydF4y2Ba
包含以下:gydF4y2Ba
一个响应变量,gydF4y2BaygydF4y2Ba
预测变量,gydF4y2BaXgydF4y2BajgydF4y2Ba
,可以是连续变量或分组变量gydF4y2Ba
分组变量,gydF4y2BaggydF4y2Ba1gydF4y2Ba
,gydF4y2BaggydF4y2Ba2gydF4y2Ba
、……gydF4y2BaggydF4y2BaRgydF4y2Ba
,gydF4y2Ba
分组变量在哪里gydF4y2BaXgydF4y2BajgydF4y2Ba
和gydF4y2BaggydF4y2BargydF4y2Ba
可以是分类、逻辑、字符数组、字符串数组或字符向量的单元格数组。gydF4y2Ba
然后,在这种形式的公式中,gydF4y2Ba'y ~固定+(随机gydF4y2Ba1gydF4y2Ba| ggydF4y2Ba1gydF4y2Ba) +…+(随机gydF4y2BaRgydF4y2Ba| ggydF4y2BaRgydF4y2Ba'gydF4y2Ba
,这个术语gydF4y2Ba固定gydF4y2Ba
对应于一个固定效果设计矩阵的规格gydF4y2BaXgydF4y2Ba
,gydF4y2Ba随机的gydF4y2Ba
1gydF4y2Ba是随机效应设计矩阵的说明吗gydF4y2BaZgydF4y2Ba
1gydF4y2Ba对应分组变量gydF4y2BaggydF4y2Ba
1gydF4y2Ba和类似的gydF4y2Ba随机的gydF4y2Ba
RgydF4y2Ba是随机效应设计矩阵的说明吗gydF4y2BaZgydF4y2Ba
RgydF4y2Ba对应分组变量gydF4y2BaggydF4y2Ba
RgydF4y2Ba.你可以用快递gydF4y2Ba固定gydF4y2Ba
和gydF4y2Ba随机的gydF4y2Ba
使用威尔金森表示法。gydF4y2Ba
Wilkinson表示法描述了模型中存在的因素。符号涉及模型中存在的因素,而不是那些因素的乘法器(系数)。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gydF4y2BakgydF4y2Ba 为正整数gydF4y2Ba |
XgydF4y2Ba ,gydF4y2BaXgydF4y2Ba2gydF4y2Ba 、……gydF4y2BaXgydF4y2BakgydF4y2Ba |
X1 + X2gydF4y2Ba |
X1gydF4y2Ba ,gydF4y2BaX2gydF4y2Ba |
X1 * X2gydF4y2Ba |
X1gydF4y2Ba ,gydF4y2BaX2gydF4y2Ba ,gydF4y2BaX1。* X2(elementwise multiplication of X1 and X2) |
X1, X2gydF4y2Ba |
X1。* X2gydF4y2Ba 只有gydF4y2Ba |
- - - - - - X2gydF4y2Ba |
不包括gydF4y2BaX2gydF4y2Ba |
x1 * x2 + x3gydF4y2Ba |
X1gydF4y2Ba ,gydF4y2BaX2gydF4y2Ba ,gydF4y2BaX3gydF4y2Ba ,gydF4y2BaX1 * X2gydF4y2Ba |
X1 + x2 + x3 + X1: x2gydF4y2Ba |
X1gydF4y2Ba ,gydF4y2BaX2gydF4y2Ba ,gydF4y2BaX3gydF4y2Ba ,gydF4y2BaX1 * X2gydF4y2Ba |
x1 * x2 * x3 - x1:x2:x3gydF4y2Ba |
X1gydF4y2Ba ,gydF4y2BaX2gydF4y2Ba ,gydF4y2BaX3gydF4y2Ba ,gydF4y2BaX1 * X2gydF4y2Ba ,gydF4y2BaX1 * X3gydF4y2Ba ,gydF4y2BaX2 * X3gydF4y2Ba |
X1 * (X2 + X3)gydF4y2Ba |
X1gydF4y2Ba ,gydF4y2BaX2gydF4y2Ba ,gydF4y2BaX3gydF4y2Ba ,gydF4y2BaX1 * X2gydF4y2Ba ,gydF4y2BaX1 * X3gydF4y2Ba |
统计学和机器学习工具箱™表示法总是包含一个常量术语,除非您明确地使用该术语gydF4y2Ba-1gydF4y2Ba
.以下是用于线性混合效果模型规范的一些示例。gydF4y2Ba
例子:gydF4y2Ba
公式gydF4y2Ba | 描述gydF4y2Ba |
---|---|
'y ~ X1 + X2'gydF4y2Ba |
拦截的固定效果,gydF4y2BaX1gydF4y2Ba 和gydF4y2BaX2gydF4y2Ba .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gydF4y2BaX1gydF4y2Ba 和gydF4y2BaX2gydF4y2Ba .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gydF4y2Bag1gydF4y2Ba .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gydF4y2Bag1gydF4y2Ba 和gydF4y2Bag2gydF4y2Ba ,加上一个独立的相互作用效应。gydF4y2Ba |
您单击了与此MATLAB命令对应的链接:gydF4y2Ba
通过在MATLAB命令窗口中输入命令来运行命令。Web浏览器不支持MATLAB命令。万博1manbetxgydF4y2Ba
选择一个网站,在那里获得翻译的内容,并看到当地的活动和优惠。根据您的位置,我们建议您选择:gydF4y2Ba.gydF4y2Ba
选择gydF4y2Ba网站gydF4y2Ba您还可以从以下列表中选择一个网站:gydF4y2Ba
选择中国网站(中文或英文)以获得最佳网站性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。gydF4y2Ba