COEFCI.

类别：广义线性ArmixedModel

广义线性混合效应模型系数的置信区间

在第页中展开全部

句法

feCI = coefCI (glme)

feCI=coefCI（glme、名称、值）

[feCI，reCI]=系数(___）

描述

例子

Feci.=系数(glme.）在广义线性混合效应模型中返回固定效应系数的95％置信区间glme.．

例子

Feci.=系数(glme.那名称，价值）使用一个或多个指定的其他选项返回置信区间名称，价值对参数。例如，可以指定不同的置信度或用于计算近似自由度的方法。

例子

[Feci.那累犯]=系数(___）还返回使用任何先前语法的随机效应系数的置信区间。

输入参数

全部展开

`glme.`-广义线性混合效应模型
`广义线性ArmixedModel`目的

广义线性混合效应模型，指定为广义线性ArmixedModel对象。有关此对象的属性和方法，请参见广义线性ArmixedModel．

名称 - 值参数

指定可选的逗号分离对名称，价值参数。名称是参数名称和价值是对应的值。名称必须出现在引号内。您可以以任何顺序指定多个名称和值对参数Name1, Value1,…,的家．

`阿尔法`-显著性水平
0.05（默认）|范围为[0,1]的标量值

意义水平，指定为逗号分隔对组成“阿尔法”以及[0,1]范围内的标量值。对于值α，置信水平为100×（1–α）%。

例如，对于99％的置信区间，您可以指定置信水平如下。

例子:“阿尔法”，0.01

数据类型：仅有一个的|双重的

`DFMethod`-近似自由度的计算方法
`“剩余的”`（默认）|`'没有任何'`

近似自由度的计算方法，指定为由逗号分隔的对组成'dfmethod'以及以下之一。

价值	描述
`“剩余的”`	自由度值假定为常数，等于N-P.哪里N是观察次数和P.是固定效果的数量。
`'没有任何'`	自由度设置为无穷大。

例子:“DFMethod”、“没有”

输出参数

全部展开

`Feci.`-固定的效果置信区间
P.-by-2矩阵

固定效果置信区间，作为一个返回P.-by-2矩阵。Feci.包含对应于P.-by-1修复了由固定效应方法。第一列Feci.包含较低的置信限制，第二列包含上置信限度。

使用拟合GLME模型时菲特姆和一种最大似然拟合方法(“拉普拉斯”或'inffimatelaplace'）：

如果指定'coviancemethod'名称-值对参数为“有条件的”，则置信区间取决于估计的协方差参数。
如果指定'coviancemethod'名称-值对参数为“JointHessian”然后，置信区间考虑了估计协方差参数的不确定性。

使用拟合GLME模型时菲特姆其中一种伪似然拟合方法('MPL'或“REMPL”），COEFCI.使用拟合的线性混合效果模型从最终的伪似然迭代中计算固定效果的置信区间。

`累犯`-随机效应置信区间
问：-by-2矩阵

随机效应置信区间，返回为问：-by-2矩阵。累犯包含对应于的置信限问：-by-1随机效应向量B.由Randomeffects.方法。第一列累犯包含置信下限，第二列包含置信上限。

使用拟合GLME模型时菲特姆和一种最大似然拟合方法(“拉普拉斯”或'inffimatelaplace'），COEFCI.以估计的协方差参数和观测响应为条件，使用预测条件均方误差(CMSEP)方法计算置信区间。或者，您可以解释置信区间COEFCI.为近似贝叶斯可信区间，条件是估计的协方差参数和观测到的响应。

使用拟合GLME模型时菲特姆其中一种伪似然拟合方法('MPL'或“REMPL”），COEFCI.利用最终伪似然迭代得到的拟合线性混合效应模型，计算随机效应的置信区间。

例子

全部展开

95％的固定效应置信区间

打开实时脚本

加载示例数据。

加载制造商

该模拟数据来自一家制造公司，该公司在全球运营50家工厂，每家工厂都运行一个批处理流程来生产成品。该公司希望减少每批产品中的缺陷数量，因此开发了一种新的制造流程。为了测试新流程的有效性，该公司选择了2个随机抽取0家工厂参与实验：10家工厂实施了新流程，而另外10家继续运行旧流程。在20家工厂中，公司各运行了5个批次（总共100个批次），并记录了以下数据：

标志表示批处理是否使用新过程（newprocess.）
处理时间为每批，以小时为单位（时间）
批量的温度，以摄氏度为单位（临时）
表示供应商的分类变量（一种那B.或C）批次中使用的化学物质（供应商）
批处理中的缺陷数量（缺陷）

数据还包括time_dev和temp_dev.，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。

拟合一个广义线性混合效应模型使用newprocess.那time_dev那temp_dev.和供应商作为固定效应预测器。包括一个随机效应项，用于按分组的截距工厂，要考虑由于工厂特定的变体可能存在的质量差异。响应变量缺陷的泊松分布，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'效果'，使虚拟变量系数总和为0。

可以使用泊松分布建模缺陷的数量

${缺陷}_{一世 j} \sim 泊松（ μ_{一世 j} ）$

这对应于广义线性混合效应模型

$日志（ μ_{一世 j} ） = β_{0.} + β_{1} {newprocess.}_{一世 j} + β_{2} {时间_开发}_{一世 j} + β_{3.} {临时_开发}_{一世 j} + β_{4.} {供应商_C}_{一世 j} + β_{5.} {供应商_B.}_{一世 j} + {B.}_{一世} 那$

哪里

${缺陷}_{一世 j}$ 是工厂生产的批量中观察到的缺陷数量 $一世$ 批处理期间 $j$ ．
$μ_{一世 j}$ 是与工厂相对应的平均缺陷数 $一世$ ( $一世 = 1 那 2 那．．．那 2 0.$ ）在批处理期间 $j$ ( $j = 1 那 2 那．．．那 5.$ ）。
${newprocess.}_{一世 j}$ 那 ${时间_开发}_{一世 j}$ 和 ${临时_开发}_{一世 j}$ 是对应于工厂的每个变量的测量值 $一世$ 批处理期间 $j$ ．例如， ${newprocess.}_{一世 j}$ 指示是否由工厂生产的批次 $一世$ 批处理期间 $j$ 使用新流程。
${供应商_C}_{一世 j}$ 和 ${供应商_B.}_{一世 j}$ 是使用效果（SUM-TO-ZERO）编码的虚拟变量来指示公司是否C或B.，分别为工厂生产的批次提供工艺用化学品 $一世$ 批处理期间 $j$ ．
${B.}_{一世} \sim N （ 0. 那 σ_{B.}^{2} ）$ 每个工厂都是随机效果截距 $一世$ 这考虑了质量的工厂特定的变化。

glme=fitglme（制造商、，'缺陷~ 1 + newprocess + time_dev + temp_dev + supplier + (1|factory)'那“分配”那“泊松”那“链接”那'日志'那'fitmethod'那“拉普拉斯”那“DummyVarCoding”那'效果'）;

使用固定效应显示中固定效应系数的估计值和名称glme.．

[β,betanames] = fixedEffects (glme)

贝塔=6×11.4689 -0.3677 -0.0945 -0.2832 -0.0719 0.0711

贝塔纳姆斯=6×1表名称{'newprocess'}{'time\'dev'}{'temp\'dev'}{'supplier\'C'}{'supplier\'B'}{'supplier\'C'}{'supplier\'B'}

每行贝塔包含在相应行中命名的系数的估计值贝桑斯特。例如，中第3行的值–0.0945贝塔是预测变量的估计系数time_dev．

计算固定效应系数的95%置信区间。

feCI = coefCI (glme)

feCI =6×21.1515 1.7864 -0.7202 -0.0151 -1.7395 1.5505 -2.1926 1.6263 -0.2268 0.0831 -0.0826 0.2247

第1列Feci.包含95％置信区间的下限。第2列包含上限。行1对应于截距项。行2,3和4对应于newprocess.那time_dev和temp_dev.第5行和第6行分别对应于指标变量supplier_C和supplier_B例如，系数的95%置信区间time_dev是[-1.7395,1.5505]。一些置信区间包括0，这表明这些预测器在5％的显着性水平下不显着。获得具体 $P.$ -每个固定效应项的值，使用固定效应.若要测试整个术语的显著性，请使用方差分析．

随机效应的99%置信区间

打开实时脚本

加载示例数据。

加载制造商

标志表示批处理是否使用新过程（newprocess.）
处理时间为每批，以小时为单位（时间）
批量的温度，以摄氏度为单位（临时）
表示供应商的分类变量（一种那B.或C）批次中使用的化学物质（供应商）
批处理中的缺陷数量（缺陷）

数据还包括time_dev和temp_dev.，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。

拟合一个广义线性混合效应模型使用newprocess.那time_dev那temp_dev.和供应商作为固定效应预测器。包括按分组的随机效应截距工厂，要考虑由于工厂特定的变体可能存在的质量差异。响应变量缺陷的泊松分布，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。

可以使用泊松分布建模缺陷的数量

${缺陷}_{一世 j} \sim 泊松（ μ_{一世 j} ）$

这对应于广义线性混合效应模型

哪里

${缺陷}_{一世 j}$ 是工厂生产的批量中观察到的缺陷数量 $一世$ 批处理期间 $j$ ．
$μ_{一世 j}$ 是与工厂相对应的平均缺陷数 $一世$ ( $一世 = 1 那 2 那．．．那 2 0.$ ）在批处理期间 $j$ ( $j = 1 那 2 那．．．那 5.$ ）。
${newprocess.}_{一世 j}$ 那 ${时间_开发}_{一世 j}$ 和 ${临时_开发}_{一世 j}$ 是对应于工厂的每个变量的测量值 $一世$ 批处理期间 $j$ ．例如， ${newprocess.}_{一世 j}$ 指示是否由工厂生产的批次 $一世$ 批处理期间 $j$ 使用新流程。
${供应商_C}_{一世 j}$ 和 ${供应商_B.}_{一世 j}$ 是使用效果（SUM-TO-ZERO）编码的虚拟变量来指示公司是否C或B.，分别为工厂生产的批次提供工艺用化学品 $一世$ 批处理期间 $j$ ．
${B.}_{一世} \sim N （ 0. 那 σ_{B.}^{2} ）$ 每个工厂都是随机效果截距 $一世$ 这考虑了质量的工厂特定的变化。

glme=fitglme（制造商、，'缺陷~ 1 + newprocess + time_dev + temp_dev + supplier + (1|factory)'那“分配”那“泊松”那“链接”那'日志'那'fitmethod'那“拉普拉斯”那“DummyVarCoding”那'效果'）;

使用Randomeffects.计算和显示与随机效应相关的经验贝叶斯预测因子(ebp)的估计工厂．

[B，B名称]=随机效应（glme）

B =20×10.2913 0.1542 -0.2633 -0.4257 0.5453 -0.1069 0.3040 -0.1653 -0.1458 -0.0816⋮

Bnames =20×3表群级名称___________ ________________ {'factory'} {'1'} {'factory'} {'factory'} {'2'} {'（intercepty）'} {'factory'} {'factory'} {'factory'} {'3'}{'（intercepty）'} {'factory'} {'4'} {'4'} {'（intercepty）'} {'factory'} {'factory'} {'5'} {'5'} {'5'} {'（intercepty）'} {'factory'} {'factory'} {'6'} {'（intercepty）'} {'factory'} {'7'} {'7'} {'（intercepty）'} {'factory'} {'factory'} {'8'} {'8'} {'（intercepty）'} {'factory'} {'factory'} {'9'} {'（intercepty）'} {'factory'} {'10'} {'（intercepty）'} {'factory'} {'factory'} {'11'} {'11'} {'（intercepty）'} {'factory'} {'factory'} {'12'} {'（intercepty）'} {'factory'} {'13'} {'（intercepty）'} {'factory'} {'14'} {'14'} {'（intercepty）'} {'factory'} {'15'} {'（intercepty）'} {'factory'} {'16'} {'（拦截）'}⋮

每行B.包含在对应行中命名的随机效应系数的估计ebp伯纳姆斯．例如，第3行中的值-0.2633B.是估计的系数“(拦截)”对于水平'3'属于工厂．

计算随机效应的ebp的99%置信区间。

[feCI，reCI]=coefCI（glme，“阿尔法”, 0.01);累犯

reCI =20×2-0.2125 0.7951 -0.3510 0.6595 -0.8219 0.2954 -0.9953 0.1440 0.0730 1.0176 -0.6362 0.4224 -0.1796 0.7877 -0.7044 0.3738 -0.6795 0.3880 -0.6142 0.4509 ⋮

第1列累犯包含99％置信区间的下限。第2列包含上限。每行对应于级别工厂，按顺序所示伯纳姆斯．例如，第3行对应的系数“(拦截)”对于水平'3'属于工厂，其99%的置信区间为[-0.8219,0.2954]。有关每个随机效应项的其他统计信息，请使用Randomeffects.．

参考文献

[1]布斯，j·g·j·p·霍伯特。广义线性混合模型预测的标准误差美国统计协会杂志1998年第93卷，第262-272页。

也可以看看

COEFCI.

句法

描述

输入参数

`glme.`-广义线性混合效应模型
`广义线性ArmixedModel`目的

名称 - 值参数

`阿尔法`-显著性水平
0.05（默认）|范围为[0,1]的标量值

`DFMethod`-近似自由度的计算方法
`“剩余的”`（默认）|`'没有任何'`

输出参数

`Feci.`-固定的效果置信区间
P.-by-2矩阵

`累犯`-随机效应置信区间
问：-by-2矩阵

例子

95％的固定效应置信区间

随机效应的99%置信区间

参考文献

也可以看看

统计和机器学习工具箱文档

万博1manbetx

掌握机器学习：使用MATLAB逐步指南

COEFCI.

句法

描述

输入参数

glme.-广义线性混合效应模型广义线性ArmixedModel目的

名称 - 值参数

阿尔法-显著性水平0.05（默认）|范围为[0,1]的标量值

DFMethod-近似自由度的计算方法“剩余的”（默认）|'没有任何'

输出参数

Feci.-固定的效果置信区间P.-by-2矩阵

累犯-随机效应置信区间问：-by-2矩阵

例子

95％的固定效应置信区间

随机效应的99%置信区间

参考文献

也可以看看

统计和机器学习工具箱文档

万博1manbetx

掌握机器学习：使用MATLAB逐步指南

`glme.`-广义线性混合效应模型
`广义线性ArmixedModel`目的

`阿尔法`-显著性水平
0.05（默认）|范围为[0,1]的标量值

`DFMethod`-近似自由度的计算方法
`“剩余的”`（默认）|`'没有任何'`

`Feci.`-固定的效果置信区间
P.-by-2矩阵

`累犯`-随机效应置信区间
问：-by-2矩阵