主要内容

fixedEffects

类:GeneralizedLinearMixedModel

固定效应及相关统计数据估计

描述

bet= fixedEffects (glme返回估计的固定效果系数,bet,广义线性混合效应模型glme

[betbetanames) = fixedEffects (glme还返回估计的固定效应系数的名称betanames.每个名称对应于一个固定的效应系数bet

例子

[betbetanames统计) = fixedEffects (glme也返回一个统计数据表,统计,与估计的固定效应系数相关glme

[___) = fixedEffects (glme名称,值使用一个或多个指定的其他选项返回以前的语法中的任何输出参数名称,值对参数。例如,您可以指定置信级别,或用于计算的近似自由度T.-统计。

输入参数

全部展开

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

名称-值对的观点

指定可选的逗号分隔的对名称,值参数。名称参数名和价值为对应值。名称必须出现在引号内。可以以任意顺序指定多个名称和值对参数Name1, Value1,…,的家

意义水平,指定为逗号分隔对组成“α”和范围为[0,1]的标量值。对于值α,置信水平是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:'alpha',0.01

数据类型:单身的|

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
“残留” 假设自由度值是恒定的并且等于N-P.,在那里N观察的次数是多少P.是固定效果的数量。
“没有” 自由度设为无穷大。

例子:“DFMethod”、“没有”

输出参数

全部展开

拟合的通用线性混合效应模型的估计固定效应系数glme,作为向量返回。

固定效果系数的名称bet,返回为表。

固定效果估计和相关统计信息,作为数据集数组返回,其中每行对应固定效果,列对应以下统计信息。

列名 描述
名称 固定效应系数的名称
估计 估计系数值
SE. 估计的标准误差
Tstat. T.- 测试系数为0的测试
DF. 估计的自由度T.统计
pValue P.- 为valueT.统计
降低 固定效应系数的95%置信区间下限
固定效应系数的95%置信区间的上限

拟合模型时使用fitglme以及最大可能性拟合方法之一(“拉普拉斯”要么'inffimatelaplace'),如果指定'coviancemethod'名称-值对参数为'条件', 然后SE.不说明估计协方差参数的不确定性。为了解释这种不确定性,请详细说明'coviancemethod'作为'康涅斯岛'

使用时使用GLME模型时fitglme其中一种伪似然拟合方法('MPL'要么“REMPL”),fixedEffects基于最终伪似然迭代的拟合线性混合效应模型的固定效应估计和相关统计。

例子

全部展开

加载示例数据。

负载MFR.

该模拟数据来自世界各地50家工厂的制造公司,每次出厂都运行批处理以创建成品。该公司希望减少每批缺陷的数量,因此它开发了新的制造过程。为了测试新进程的有效性,公司随机选择了20家工厂,参加了一个实验:十个工厂实施了新过程,而另一个十个继续运行旧过程。在20个工厂中的每一个中,该公司运行五批次(总共100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

  • 每批处理所需时间(以小时计)(时间

  • 批次的温度,以摄氏度计(临时

  • 表示供应商的分类变量(一种B., 要么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_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。

拟合一个广义线性混合效应模型使用newprocesstime_devtemp_dev.,供应商固定后果预测。包括一个随机效应术语,用于分组的拦截工厂,要考虑由于工厂特定的变体可能存在的质量差异。响应变量缺陷具有泊松分发,此模型的适当链接功能是日志。使用拉普拉斯匹配方法来估计系数。指定编码的虚拟变量“影响”,所以哑变量系数和为0。

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

这对应于广义的线性混合效应模型

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

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 每个变量的测量值是否与工厂相对应 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C要么B.,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)'......'分配'“泊松”“链接”'日志''fitmethod'“拉普拉斯”“DummyVarCoding”“影响”);

计算并显示估计的固定效果系数值和相关统计信息。

[Beta,Betanames,统计数据] =固定效应(GLME);统计
stats =固定的效果系数:DFMethod =“剩余”,α= 0.05的名字估计SE tStat DF pValue{(拦截)的}94 1.4689 0.15988 9.1875 9.8194 e15汽油{‘newprocess} 94 -0.36766 0.17755 -2.0708 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 940.。3.6078 Lower Upper 1.1515 1.7864 -0.72019 -0.015134 -1.7395 1.5505 -2.1926 1.6263 -0.22679 0.083051 -0.082588 0.22473

返回的结果例如表示估计的系数temp_dev.是-0.28317。它的大 P. -Value,0.76907,表明它在5%的重要性水平下不是统计上显着的预测因子。另外,置信区间边界降低表明系数的95%置信区间temp_dev.是[-2.1926,1.6263]。该间隔包含0,支持结论万博1manbetxtemp_dev.在5%显著性水平上没有统计学意义。