主要内容

改装

类:GeneralizedLinearMixedModel

重构广义线性混合效应模型

描述

例子

glmenew=改装(glmeynew返回经过修正的广义线性混合效应模型,glmenew,基于输入模型glme,使用新的响应向量,ynew

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

新的响应向量,指定为n向量的标量值,其中n是用来匹配的观测数吗glme

一个观察与以前的重量wp和二项大小n(如适用),响应值y包含在ynew可以有以下值。

分布 允许的值 笔记
二项

0 1 w p n 2 w p n ... 1

wpn整数值是否为> 0
泊松

0 1 w p 2 w p 1

wp>是否为整数值
γ (0,∞) wp≥0
InverseGaussian (0,∞) wp≥0
正常的 (-∞∞) wp≥0

您可以访问prior weights属性wp使用点符号。

glme.ObservationInfo.Weights

数据类型:|

输出参数

全部展开

广义线性混合效应模型,返回为GeneralizedLinearMixedModel对象。glmenew是广义线性混合效应模型的更新版本吗glme,将其修改为响应向量中的值ynew

有关此对象的属性和方法,请参见GeneralizedLinearMixedModel

例子

全部展开

加载示例数据。

负载生产商

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,以指示批是否使用新工艺(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(一个B,或C)所使用的该批化学品(供应商

  • 批次缺陷数(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,以考虑由于工厂特定差异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“影响”,所以哑变量系数和为0。

缺陷的数量可以用泊松分布来建模

缺陷 j 泊松 μ j

这与广义线性混合效应模型相对应

日志 μ j β 0 + β 1 newprocess j + β 2 时间 _ dev j + β 3. 临时 _ dev j + β 4 供应商 _ C j + β 5 供应商 _ B j + b

在哪里

  • 缺陷 j 在工厂生产的批次中是否观察到缺陷的数量 在批处理 j

  • μ j 平均缺陷数是否与工厂相应 ( 1 2 2 0 在批处理) j ( j 1 2 5 ).

  • newprocess j 时间 _ dev j , 临时 _ dev j 每个变量的测量值是否与工厂相对应 在批处理 j .例如, newprocess j 指示该批次是否由工厂生产 在批处理 j 使用新方法

  • 供应商 _ C j 供应商 _ B j 是否使用效应(sum-to-zero)编码的虚拟变量表明是否公司CB,分别为工厂生产的批次提供工艺用化学品 在批处理 j

  • b N 0 σ b 2 每个工厂都有随机效果拦截吗 这就解释了工厂特有的质量差异。

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”);

使用随机从拟合模型中模拟新的响应向量。

rng (0,“旋风”);%的再现性ynew =随机(glme);

使用新的响应向量重新建立模型。

glme =改装(glme ynew)
glme =广义线性mixed-effects模型适合毫升模型信息:观察100固定效应系数6 20协方差参数随机效应系数1泊松分布链接日志FitMethod拉普拉斯公式:缺陷~ 1 + newprocess + time_dev + temp_dev +供应商+(1 |工厂)模型适合统计:AIC BIC LogLikelihood Deviance 469.24 487.48 -227.62 455.24固定效应系数(95% CIs):Name Estimate SE tStat DF pValue {'(Intercept)'} 1.5738 0.18674 8.4276 94 4.0158e-13 {'newprocess'} -0.21089 0.2306 -0.91455 94 0.36277 {'temp_dev'} -0.13769 0.77477 0.17772 94 0.37933 {'temp_dev'} - 0.24339 0.84657 0.2875 94 0.37936 {'supplier_C'} -0.12102 0.07323 -1.6526 94 0.10175 {'supplier_B'} 0.098254 0.066943 1.4677 94 0.14551上1.203 1.9445 -0.66875 0.24696 - 1.4006 -1.4375 1.9243 -0.26642 0.024381 -0.034662 0.23117随机效应协方差参数:Group: factory (20 Levels) Name1 Name2 Type Estimate {'(Intercept)'} {'(Intercept)'} {'std'} 0.46587 Group: Error Name Estimate {'sqrt(Dispersion)'} 1

提示

  • 您可以使用改装随机进行模拟似然比检验或参数自举。