主要内容

相比

类:GeneralizedLinearMixedModel

比较广义线性混合效应模型

描述

例子

结果=比较(glme.altglme.返回一个结果似然比检验比较了广义线性混合效应模型glme.altglme..为了进行有效的似然比检验,两个模型必须在拟合中使用相同的响应向量glme.必须嵌套在altglme..总是先输入较小的模型,然后再输入较大的模型。

相比测试以下无效假设和替代假设:

  • H0.:观察到的响应向量由glme.

  • H1:观察到的响应向量由模型生成altglme.

结果=比较(glme.altglme.名称,价值使用一个或多个指定的附加选项返回似然比测试的结果名称,价值对参数。例如,你可以检查第一个输入模型,glme.,嵌套在第二输入模型中,altglme.

输入参数

全部展开

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

您可以创建GeneralizedLinearMixedModel对象通过拟合一个广义线性混合效应模型到您的样本数据使用fitglme.要对响应分布非正态分布的两个模型进行有效的似然比测试,必须使用'inffimatelaplace'“拉普拉斯”合适的方法。响应分布非正态分布的模型使用'MPL'“REMPL”不能使用似然比测试进行比较。

替代广义的线性混合效应模型,指定为aGeneralizedLinearMixedModel对象。altglme.的响应向量必须与glme.,但具有不同的模型规范。glme.必须嵌套在altglme.,这样你就可以得到glme.altglme.通过设置的一些模型参数altglme.固定值,例如0。

您可以创建GeneralizedLinearMixedModel对象通过拟合一个广义线性混合效应模型到您的样本数据使用fitglme.要对响应分布非正态分布的两个模型进行有效的似然比测试,必须使用'inffimatelaplace'“拉普拉斯”合适的方法。响应分布非正态分布的模型使用'MPL'“REMPL”不能使用似然比测试进行比较。

名称 - 值参数

指定可选的逗号分离对名称,价值参数。的名字是参数名称和价值为对应值。的名字必须出现在引号内。可以以任意顺序指定多个名称和值对参数Name1, Value1,…,的家

指标检查嵌套在两个模型之间,指定为逗号分隔的对组成“CheckNesting”,要么真正的错误的.如果“CheckNesting”真正的, 然后相比检查是否小型号glme.嵌套在更大的模型中altglme..如果嵌套需求没有得到满足,那么相比返回一个错误。如果“CheckNesting”错误的, 然后相比不执行此检查。

例子:'checknesting',真实

输出参数

全部展开

似然比测试的结果,作为包含两行的表返回。第一行是glme.,第二行是给altglme..的列结果包含以下。

列名 描述
模型 模型的名称
DF. 自由度
AIC. Akaike型号的信息标准
BIC. 模型的贝叶斯信息准则
LogLik 模型的最大对数可能性
LRStat 比较的似然比检验统计量altglme.glme.
deltaDF DF.为了altglme.-DF.为了glme.
pValue P.- 似然比测试值

例子

全部展开

加载示例数据。

加载生产商

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:

  • 标志表示批处理是否使用新过程(newprocess.

  • 每批处理所需时间(以小时计)(时间

  • 批量的温度,以摄氏度为单位(临时

  • 分类变量,表示批次中使用的化学物质的供应商(供应商

  • 批处理中的缺陷数量(缺陷

数据还包括time_devtemp_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。

使用固定效应模型newprocess.time_devtemp_dev.,供应商固定后果预测。指定响应分布为泊松分布,链接函数为对数,拟合方法为拉普拉斯。指定虚拟变量编码为“影响”,使虚拟变量系数总和为0。

FEglme = fitglme(生产商,'缺陷〜1 + newprocess + time_dev + temp_dev +供应商'“分布”“泊松”“链接”'日志''fitmethod'“拉普拉斯”“DummyVarCoding”“影响”);

拟合第二个模型,该模型使用相同的固定效应预测器、响应分布、链接函数和拟合方法。这一次,包括一个随机效果的拦截工厂,要考虑由于工厂特定的变体可能存在的质量差异。

可以使用泊松分布建模缺陷的数量

缺陷 一世 j 泊松 μ 一世 j

这与广义线性混合效应模型相对应

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

在哪里

  • 缺陷 一世 j 是工厂生产的批量中观察到的缺陷数量 一世 在批处理 j

  • μ 一世 j 是与工厂相对应的平均缺陷数 一世 ( 一世 = 1 2 2 0. )在批处理期间 j ( j = 1 2 5. )。

  • newprocess. 一世 j 时间 _ 开发 一世 j , 临时 _ 开发 一世 j 是对应于工厂的每个变量的测量值 一世 在批处理 j .例如, newprocess. 一世 j 指示是否由工厂生产的批次 一世 在批处理 j 使用新方法

  • 供应商 _ C 一世 j 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CB.,分别为工厂生产的批次提供工艺用化学品 一世 在批处理 j

  • B. 一世 N 0. 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(生产商,'缺陷~ 1 + newprocess + time_dev + temp_dev + supplier + (1|factory)'“分布”“泊松”“链接”'日志''fitmethod'“拉普拉斯”“DummyVarCoding”“影响”);

使用理论似然比测试比较两种模型。指定“CheckNesting”作为真正的,所以相比如果不满足嵌套要求,则返回警告。

结果=比较(FEglme glme,“CheckNesting”,真正的)
结果=理论似然比测试模型DF AIC BIC LOGLIK LRSTAT DELTADF FEGLME 6 431.02 446.65 -209.51 GLME 7 416.35 434.58 -201.17 16.672 1 PVALUE 4.4435E-05

相比没有返回错误,满足嵌套要求。小 P. -Value表示相比拒绝所观察到的响应载体的空假设是由模型产生的Feglme.,而是接受备用模型glme..较小的AIC.BIC.glme.也支持这个万博1manbetx结论glme.为响应提供更好的拟合模型。

更多关于

全部展开