LinearMixedModel类gydF4y2Ba

线性混合效果模型类gydF4y2Ba

描述gydF4y2Ba

一个gydF4y2BaLinearMixedModelgydF4y2Ba对象表示具有固定和随机效果的响应变量的模型。它包括数据、模型描述、拟合系数、协方差参数、设计矩阵、残差、残差图和线性混合效应模型的其他诊断信息。您可以预测模型的响应gydF4y2Ba预测gydF4y2Ba函数并在新设计点生成随机数据gydF4y2Ba随机gydF4y2Ba函数。gydF4y2Ba

建设gydF4y2Ba

您可以使用拟合线性混合效果模型gydF4y2Bafitlme(资源描述、公式)gydF4y2Ba如果数据在表或数据集数组中。或者，如果您的模型不容易用公式描述，您可以创建矩阵来定义固定和随机效应，并使用拟合模型gydF4y2Bafitlmematrix (X, y, Z, G)gydF4y2Ba．gydF4y2Ba

输入参数gydF4y2Ba

全部展开gydF4y2Ba

`资源描述gydF4y2Ba`- - - - - -gydF4y2Ba输入数据gydF4y2Ba
表格gydF4y2Ba| gydF4y2Ba`数据集gydF4y2Ba`数组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gydF4y2Ba数据集gydF4y2Ba数组中。预测变量可以是连续变量或分组变量(参见gydF4y2Ba分组变量gydF4y2Ba)．必须为使用的变量指定模型gydF4y2Ba公式gydF4y2Ba．gydF4y2Ba

数据类型:gydF4y2Ba表格gydF4y2Ba

`公式gydF4y2Ba`- - - - - -gydF4y2Ba模型规格公式gydF4y2Ba
形式的字符向量或字符串标量gydF4y2Ba`'y ~ fixed + (random1|grouping1) +…+ (randomR | groupingR) 'gydF4y2Ba`

模型规范的公式，指定为该形式的字符向量或字符串标量gydF4y2Ba'y ~ fixed + (random1|grouping1) +…+ (randomR | groupingR) 'gydF4y2Ba．有关完整描述，请参见gydF4y2Ba公式gydF4y2Ba．gydF4y2Ba

例子:gydF4y2Ba'y ~治疗+(1|块)'gydF4y2Ba

`XgydF4y2Ba`- - - - - -gydF4y2Ba固定效果设计矩阵gydF4y2Ba
ngydF4y2Ba——- - - - - -gydF4y2BapgydF4y2Ba矩阵gydF4y2Ba

固定效果设计矩阵，指定为gydF4y2BangydF4y2Ba——- - - - - -gydF4y2BapgydF4y2Ba矩阵,gydF4y2BangydF4y2Ba是观察数，和gydF4y2BapgydF4y2Ba是固定效应预测变量的数量。每行gydF4y2BaXgydF4y2Ba对应于一个观察值，每一列的gydF4y2BaXgydF4y2Ba对应一个变量。gydF4y2Ba

数据类型:gydF4y2Ba单gydF4y2Ba| gydF4y2Ba双gydF4y2Ba

`ygydF4y2Ba`- - - - - -gydF4y2Ba响应值gydF4y2Ba
ngydF4y2Ba1的向量gydF4y2Ba

响应值，指定为gydF4y2BangydF4y2Ba-by-1向量，其中gydF4y2BangydF4y2Ba是观测的数量。gydF4y2Ba

数据类型:gydF4y2Ba单gydF4y2Ba| gydF4y2Ba双gydF4y2Ba

`ZgydF4y2Ba`- - - - - -gydF4y2Ba随机设计gydF4y2Ba
ngydF4y2Ba——- - - - - -gydF4y2Ba问gydF4y2Ba矩阵gydF4y2Ba| gydF4y2Ba单元格阵列gydF4y2BaRgydF4y2BangydF4y2Ba——- - - - - -gydF4y2Ba问gydF4y2Ba（gydF4y2BargydF4y2Ba)矩阵,gydF4y2BargydF4y2Ba= 1, 2，…gydF4y2BaRgydF4y2Ba

随机效果设计，指定为以下任意一种。gydF4y2Ba

如果模型中有一个随机效应项，那么gydF4y2BaZgydF4y2Ba一定是gydF4y2BangydF4y2Ba——- - - - - -gydF4y2Ba问gydF4y2Ba矩阵,gydF4y2BangydF4y2Ba观察的次数和gydF4y2Ba问gydF4y2Ba是随机效应项中变量的数量。gydF4y2Ba
如果有gydF4y2BaRgydF4y2Ba那么，随机效应术语gydF4y2BaZgydF4y2Ba一定是单元格数组的长度gydF4y2BaRgydF4y2Ba．每一个细胞gydF4y2BaZgydF4y2Ba包含一个gydF4y2BangydF4y2Ba——- - - - - -gydF4y2Ba问gydF4y2Ba（gydF4y2BargydF4y2Ba)设计矩阵gydF4y2BaZ {r}gydF4y2Ba，gydF4y2BargydF4y2Ba= 1, 2，…gydF4y2BaRgydF4y2Ba，对应每个随机效应项。在这里,gydF4y2Ba问gydF4y2Ba（gydF4y2BargydF4y2Ba中随机效应项的个数gydF4y2BargydF4y2Ba随机效应设计矩阵，gydF4y2BaZ {r}gydF4y2Ba．gydF4y2Ba

数据类型:gydF4y2Ba单gydF4y2Ba| gydF4y2Ba双gydF4y2Ba| gydF4y2Ba细胞gydF4y2Ba

`GgydF4y2Ba`- - - - - -gydF4y2Ba将变量或变量分组gydF4y2Ba
ngydF4y2Ba1的向量gydF4y2Ba| gydF4y2Ba单元格阵列gydF4y2BaRgydF4y2BangydF4y2Ba1的向量gydF4y2Ba

将变量或变量分组gydF4y2Ba，指定为以下任意一种。gydF4y2Ba

如果有一个随机效应项，那么gydF4y2BaGgydF4y2Ba一定是gydF4y2BangydF4y2Ba-by-1向量对应于单个分组变量withgydF4y2Ba米gydF4y2Ba级别或组。gydF4y2Ba
GgydF4y2Ba可以是分类向量、逻辑向量、数字向量、字符数组、字符串数组或字符向量的单元格数组。gydF4y2Ba
如果有多个随机效应术语，那么gydF4y2BaGgydF4y2Ba一定是单元格数组的长度gydF4y2BaRgydF4y2Ba．每一个细胞gydF4y2BaGgydF4y2Ba包含分组变量gydF4y2Bar G {}gydF4y2Ba，gydF4y2BargydF4y2Ba= 1, 2，…gydF4y2BaRgydF4y2Ba,gydF4y2Ba米gydF4y2Ba（gydF4y2BargydF4y2Ba)的水平。gydF4y2Ba
r G {}gydF4y2Ba可以是分类向量、逻辑向量、数字向量、字符数组、字符串数组或字符向量的单元格数组。gydF4y2Ba

属性gydF4y2Ba

全部展开gydF4y2Ba

`系数gydF4y2Ba`- - - - - -gydF4y2Ba固定效应系数估计gydF4y2Ba
数据集的数组gydF4y2Ba

固定效应系数估计值和相关统计数据，存储为包含以下字段的数据集数组。gydF4y2Ba

`的名字gydF4y2Ba`	术语的名称。gydF4y2Ba
`估计gydF4y2Ba`	系数估计值。gydF4y2Ba
`SEgydF4y2Ba`	系数的标准误差。gydF4y2Ba
`tStatgydF4y2Ba`	tgydF4y2Ba-用于检验系数等于零的原假设的统计信息。gydF4y2Ba
`DFgydF4y2Ba`	的自由度gydF4y2BatgydF4y2Ba以及。计算方法gydF4y2Ba`DFgydF4y2Ba`由gydF4y2Ba`“DFMethod”gydF4y2Ba`名称-值对参数。gydF4y2Ba`系数gydF4y2Ba`总是使用gydF4y2Ba`“残留”gydF4y2Ba`方法gydF4y2Ba`“DFMethod”gydF4y2Ba`．gydF4y2Ba
`pValuegydF4y2Ba`	pgydF4y2Ba-valuegydF4y2BatgydF4y2Ba以及。gydF4y2Ba
`较低的gydF4y2Ba`	系数置信区间的下限。gydF4y2Ba`系数gydF4y2Ba`始终使用95%置信水平，即。gydF4y2Ba`“α”gydF4y2Ba`是0.05。gydF4y2Ba
`上gydF4y2Ba`	系数置信区间的上限。gydF4y2Ba`系数gydF4y2Ba`始终使用95%置信水平，即。gydF4y2Ba`“α”gydF4y2Ba`是0.05。gydF4y2Ba

你可以改变gydF4y2Ba“DFMethod”gydF4y2Ba而且gydF4y2Ba“α”gydF4y2Ba在计算涉及固定效应和随机效应的假设的置信区间或检验假设时，使用gydF4y2BacoefCIgydF4y2Ba而且gydF4y2BacoefTestgydF4y2Ba方法。gydF4y2Ba

`CoefficientCovariancegydF4y2Ba`- - - - - -gydF4y2Ba估计固定效应系数的协方差gydF4y2Ba
pgydF4y2Ba——- - - - - -gydF4y2BapgydF4y2Ba矩阵gydF4y2Ba

线性混合效应模型估计固定效应系数的协方差，存储为gydF4y2BapgydF4y2Ba——- - - - - -gydF4y2BapgydF4y2Ba矩阵,gydF4y2BapgydF4y2Ba是固定效应系数的个数。gydF4y2Ba

方法显示与随机效应相关的协方差参数gydF4y2BacovarianceParametersgydF4y2Ba方法。gydF4y2Ba

数据类型:gydF4y2Ba双gydF4y2Ba

`CoefficientNamesgydF4y2Ba`- - - - - -gydF4y2Ba固定效应系数的名称gydF4y2Ba
1 -gydF4y2BapgydF4y2Ba字符向量的单元格数组gydF4y2Ba

线性混合效应模型的固定效应系数名称，存储为1 × -gydF4y2BapgydF4y2Ba字符向量的单元格数组。gydF4y2Ba

数据类型:gydF4y2Ba细胞gydF4y2Ba

`教育部gydF4y2Ba`- - - - - -gydF4y2Ba剩余自由度gydF4y2Ba
正整数值gydF4y2Ba

剩余自由度，存储为正整数值。gydF4y2Ba教育部gydF4y2Ba＝gydF4y2BangydF4y2Ba- - - - - -gydF4y2BapgydF4y2Ba,在那里gydF4y2BangydF4y2Ba是观察数，和gydF4y2BapgydF4y2Ba是固定效应系数的个数。gydF4y2Ba

这对应于gydF4y2Ba“残留”gydF4y2Ba计算自由度的方法gydF4y2BafixedEffectsgydF4y2Ba而且gydF4y2BarandomEffectsgydF4y2Ba方法。gydF4y2Ba

数据类型:gydF4y2Ba双gydF4y2Ba

`FitMethodgydF4y2Ba`- - - - - -gydF4y2Ba采用线性混合效应模型拟合方法gydF4y2Ba
`毫升gydF4y2Ba`| gydF4y2Ba`REMLgydF4y2Ba`

用于拟合线性混合效应模型的方法，存储为以下任意一种。gydF4y2Ba

毫升gydF4y2Ba，则拟合方法为最大似然gydF4y2Ba
REMLgydF4y2Ba，则拟合方法为限制最大似然gydF4y2Ba

数据类型:gydF4y2Ba字符gydF4y2Ba

`公式gydF4y2Ba`- - - - - -gydF4y2Ba固定效应和随机效应术语的规范，以及变量分组gydF4y2Ba
对象gydF4y2Ba

固定效应术语、随机效应术语和定义线性混合效应模型的分组变量的规范，存储为对象。gydF4y2Ba

有关如何使用公式指定拟合的模型的详细信息，请参见gydF4y2Ba公式gydF4y2Ba．gydF4y2Ba

`LogLikelihoodgydF4y2Ba`- - - - - -gydF4y2Ba最大化日志或限制日志可能性gydF4y2Ba
标量值gydF4y2Ba

根据所选择的拟合方法，拟合的线性混合效应模型的最大log似然或最大限制log似然，存储为标量值。gydF4y2Ba

数据类型:gydF4y2Ba双gydF4y2Ba

`ModelCriteriongydF4y2Ba`- - - - - -gydF4y2Ba模型的标准gydF4y2Ba
数据集的数组gydF4y2Ba

比较拟合线性混合效应模型的模型准则，存储为具有以下列的数据集数组。gydF4y2Ba

`另类投资会议gydF4y2Ba`	赤池信息标准gydF4y2Ba
`BICgydF4y2Ba`	贝叶斯信息准则gydF4y2Ba
`LoglikelihoodgydF4y2Ba`	模型的对数似然值gydF4y2Ba
`异常gydF4y2Ba`	-2乘以模型的对数似然gydF4y2Ba

如果gydF4y2BangydF4y2Ba在拟合模型中使用的观测数据的数量，和gydF4y2BapgydF4y2Ba为固定效应系数的个数，则计算AIC和BIC，gydF4y2Ba

参数的总数为gydF4y2Ba数控gydF4y2Ba+gydF4y2BapgydF4y2Ba+ 1，其中gydF4y2Ba数控gydF4y2Ba随机效应协方差中的参数总数是否排除了剩余方差gydF4y2Ba
有效观测数为gydF4y2Ba
- ngydF4y2Ba，此时拟合方法为最大似然(ML)gydF4y2Ba
- ngydF4y2Ba- - - - - -gydF4y2BapgydF4y2Ba，当拟合方法为限制最大似然(REML)时gydF4y2Ba

`均方误差gydF4y2Ba`- - - - - -gydF4y2BaML或REML估计gydF4y2Ba
正标量值gydF4y2Ba

ML或REML估计，基于拟合方法估计σgydF4y2Ba^2gydF4y2Ba，存储为正标量值。σgydF4y2Ba^2gydF4y2Ba为线性混合效应模型观测误差项的剩余方差或方差。gydF4y2Ba

数据类型:gydF4y2Ba双gydF4y2Ba

`NumCoefficientsgydF4y2Ba`- - - - - -gydF4y2Ba固定效应系数的数目gydF4y2Ba
正整数值gydF4y2Ba

拟合的线性混合效应模型中固定效应系数的个数，存储为正整数值。gydF4y2Ba

数据类型:gydF4y2Ba双gydF4y2Ba

`NumEstimatedCoefficientsgydF4y2Ba`- - - - - -gydF4y2Ba估计固定效应系数的数目gydF4y2Ba
正整数值gydF4y2Ba

拟合的线性混合效应模型中估计的固定效应系数数，存储为正整数值。gydF4y2Ba

数据类型:gydF4y2Ba双gydF4y2Ba

`NumObservationsgydF4y2Ba`- - - - - -gydF4y2Ba观察次数gydF4y2Ba
正整数值gydF4y2Ba

拟合中使用的观察数，存储为正整数值。这是表或数据集数组中的行数，或设计矩阵减去排除的行或包含的行gydF4y2Ba南gydF4y2Ba值。gydF4y2Ba

数据类型:gydF4y2Ba双gydF4y2Ba

`NumPredictorsgydF4y2Ba`- - - - - -gydF4y2Ba预测因子数量gydF4y2Ba
正整数值gydF4y2Ba

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
正整数值gydF4y2Ba

变量的总数，包括响应和预测器，存储为正整数值。gydF4y2Ba

如果样本数据在表或数据集数组中gydF4y2Ba资源描述gydF4y2Ba，gydF4y2BaNumVariablesgydF4y2Ba变量的总数是多少gydF4y2Ba资源描述gydF4y2Ba包括响应变量。gydF4y2Ba
如果拟合是基于矩阵输入，gydF4y2BaNumVariablesgydF4y2Ba是预测矩阵或矩阵中列的总数，以及响应向量。gydF4y2Ba

NumVariablesgydF4y2Ba包含不用作预测器或响应的变量(如果有的话)。gydF4y2Ba

数据类型:gydF4y2Ba双gydF4y2Ba

`ObservationInfogydF4y2Ba`- - - - - -gydF4y2Ba关于观测的信息gydF4y2Ba
表格gydF4y2Ba

拟合中使用的有关观测的信息，存储为表。gydF4y2Ba

ObservationInfogydF4y2Ba每个观察值有一行，下面有四列。gydF4y2Ba

`权重gydF4y2Ba`	该观察值的加权变量值。缺省值为1。gydF4y2Ba
`被排除在外gydF4y2Ba`	`真正的gydF4y2Ba`，如果将观测值从拟合中排除，则使用gydF4y2Ba`“排除”gydF4y2Ba`名值对参数，gydF4y2Ba`假gydF4y2Ba`,否则。1代表gydF4y2Ba`真正的gydF4y2Ba`0代表gydF4y2Ba`假gydF4y2Ba`．gydF4y2Ba
`失踪gydF4y2Ba`	`真正的gydF4y2Ba`，如果由于任何响应或预测值缺失而将观测值排除在拟合之外，gydF4y2Ba`假gydF4y2Ba`,否则。gydF4y2Ba 缺失的值包括gydF4y2Ba`南gydF4y2Ba`对于数值变量，单元格数组为空单元格，字符数组为空行gydF4y2Ba`<定义>gydF4y2Ba`值用于分类数组。gydF4y2Ba
`子集gydF4y2Ba`	`真正的gydF4y2Ba`，如果观察被用于适合，gydF4y2Ba`假gydF4y2Ba`，如果它因为丢失或排除而没有使用。gydF4y2Ba

数据类型:gydF4y2Ba表格gydF4y2Ba

`ObservationNamesgydF4y2Ba`- - - - - -gydF4y2Ba观察的名称gydF4y2Ba
字符向量的单元格数组gydF4y2Ba

拟合中使用的观测值的名称，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，包含观测值名称，gydF4y2BaObservationNamesgydF4y2Ba有这些名字。gydF4y2Ba
如果数据以矩阵、表或数据集数组的形式提供，则gydF4y2BaObservationNamesgydF4y2Ba是空单元格数组。gydF4y2Ba

数据类型:gydF4y2Ba细胞gydF4y2Ba

`PredictorNamesgydF4y2Ba`- - - - - -gydF4y2Ba预测因子名称gydF4y2Ba
字符向量的单元格数组gydF4y2Ba

在拟合中用作预测器的变量名称，存储为长度相同的字符向量单元格数组gydF4y2BaNumPredictorsgydF4y2Ba．gydF4y2Ba

数据类型:gydF4y2Ba细胞gydF4y2Ba

`ResponseNamegydF4y2Ba`- - - - - -gydF4y2Ba响应变量名称gydF4y2Ba
特征向量gydF4y2Ba

在拟合中用作响应变量的变量名，存储为字符向量。gydF4y2Ba

数据类型:gydF4y2Ba字符gydF4y2Ba

`RsquaredgydF4y2Ba`- - - - - -gydF4y2Ba由拟合模型解释的响应中可变性的比例gydF4y2Ba
结构gydF4y2Ba

由拟合模型解释的响应中可变性的比例，存储为结构。它是多重相关系数或r平方。gydF4y2BaRsquaredgydF4y2Ba有两个字段。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．/年代年代T

调整gydF4y2Ba

为固定效应系数的数量而调整的r平方值，存储为结构中的标量值。gydF4y2Ba

Rsquared。调整＝1- - - - - -（年代SE．/年代年代T)*(DFT./DFE)，gydF4y2Ba

在哪里gydF4y2BaDFE = n - pgydF4y2Ba，gydF4y2BaDFT = n - 1gydF4y2Ba,gydF4y2BangydF4y2Ba是观测的总数，gydF4y2BapgydF4y2Ba是固定效应系数的个数。gydF4y2Ba

数据类型:gydF4y2Ba结构体gydF4y2Ba

`上交所gydF4y2Ba`- - - - - -gydF4y2Ba误差平方和gydF4y2Ba
正标量值gydF4y2Ba

误差平方和，即条件残差的平方和，存储为正标量值。gydF4y2Ba

SSE = sum((y - F).^2)gydF4y2Ba,在那里gydF4y2BaygydF4y2Ba响应向量，和gydF4y2BaFgydF4y2Ba为线性混合效应模型的拟合条件响应。条件模型既有固定效应，也有随机效应。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
正标量值gydF4y2Ba

回归平方和，即由线性混合效应回归解释的平方和，存储为正标量值。它是条件拟合值与其平均值的偏差平方和。gydF4y2Ba

SSR = sum((F - mean(F)).^2)gydF4y2Ba,在那里gydF4y2BaFgydF4y2Ba为线性混合效应模型的拟合条件响应。条件模型既有固定效应，也有随机效应。gydF4y2Ba

数据类型:gydF4y2Ba双gydF4y2Ba

`风场gydF4y2Ba`- - - - - -gydF4y2Ba总平方和gydF4y2Ba
正标量值gydF4y2Ba

总平方和，即观测到的响应值与其平均值的偏差平方和，存储为正标量值。gydF4y2Ba

SST = sum((y - mean(y)).^2) = SSR + SSEgydF4y2Ba,在那里gydF4y2BaygydF4y2Ba是响应向量。gydF4y2Ba

数据类型:gydF4y2Ba双gydF4y2Ba

`变量gydF4y2Ba`- - - - - -gydF4y2Ba变量gydF4y2Ba
表格gydF4y2Ba

变量，存储为表。gydF4y2Ba

是否适合基于表或数据集数组gydF4y2Ba资源描述gydF4y2Ba,然后gydF4y2Ba变量gydF4y2Ba等于gydF4y2Ba资源描述gydF4y2Ba．gydF4y2Ba
如果拟合是基于矩阵输入，那么gydF4y2Ba变量gydF4y2Ba是一个包含预测器矩阵或矩阵中所有变量和响应变量的表格。gydF4y2Ba

数据类型:gydF4y2Ba表格gydF4y2Ba

`VariableInfogydF4y2Ba`- - - - - -gydF4y2Ba关于变量的信息gydF4y2Ba
表格gydF4y2Ba

关于拟合中使用的变量的信息，存储为表。gydF4y2Ba

VariableInfogydF4y2Ba每个变量都有一行，并包含以下四列。gydF4y2Ba

`类gydF4y2Ba`	变量的类(gydF4y2Ba`“双”gydF4y2Ba`，gydF4y2Ba`“细胞”gydF4y2Ba`，gydF4y2Ba`“名义”gydF4y2Ba`，等等)。gydF4y2Ba
`范围gydF4y2Ba`	变量的取值范围。gydF4y2Ba 对于数值变量，它是这种形式的两元向量gydF4y2Ba`(最小,最大)gydF4y2Ba`．gydF4y2Ba 对于单元格或分类变量，它是包含该变量的所有惟一值的单元格或分类数组。gydF4y2Ba
`InModelgydF4y2Ba`	`真正的gydF4y2Ba`，如果变量是拟合模型中的预测因子。gydF4y2Ba `假gydF4y2Ba`，如果变量不在拟合模型中。gydF4y2Ba
`IsCategoricalgydF4y2Ba`	`真正的gydF4y2Ba`类将变量的类型视为类别预测器，例如单元格、逻辑或类别，或者将其指定为类别gydF4y2Ba`“分类”gydF4y2Ba`的名称-值对参数gydF4y2Ba`适合gydF4y2Ba`方法。gydF4y2Ba `假gydF4y2Ba`，如果它是一个连续的预测。gydF4y2Ba

数据类型:gydF4y2Ba表格gydF4y2Ba

`VariableNamesgydF4y2Ba`- - - - - -gydF4y2Ba变量名gydF4y2Ba
字符向量的单元格数组gydF4y2Ba

拟合中使用的变量名称，存储为字符向量的单元格数组。gydF4y2Ba

如果样本数据在表或数据集数组中gydF4y2Ba资源描述gydF4y2Ba，gydF4y2BaVariableNamesgydF4y2Ba中变量的名称gydF4y2Ba资源描述gydF4y2Ba．gydF4y2Ba
如果样本数据是矩阵格式，则gydF4y2BaVariableInfogydF4y2Ba包括您在拟合模型时提供的变量名。如果不提供变量名，则gydF4y2BaVariableInfogydF4y2Ba包含默认名称。gydF4y2Ba

数据类型:gydF4y2Ba细胞gydF4y2Ba

对象的功能gydF4y2Ba

`方差分析gydF4y2Ba`	线性混合效应模型的方差分析gydF4y2Ba
`coefCIgydF4y2Ba`	线性混合效应模型系数的置信区间gydF4y2Ba
`coefTestgydF4y2Ba`	线性混合效应模型固定效应和随机效应的假设检验gydF4y2Ba
`比较gydF4y2Ba`	比较线性混合效应模型gydF4y2Ba
`covarianceParametersgydF4y2Ba`	提取线性混合效应模型的协方差参数gydF4y2Ba
`designMatrixgydF4y2Ba`	固定和随机效应设计矩阵gydF4y2Ba
`安装gydF4y2Ba`	线性混合效应模型的拟合响应gydF4y2Ba
`fixedEffectsgydF4y2Ba`	固定效应估计及相关统计gydF4y2Ba
`partialDependencegydF4y2Ba`	计算部分依赖关系gydF4y2Ba
`plotPartialDependencegydF4y2Ba`	创建部分依赖图(PDP)和个别条件期望图(ICE)gydF4y2Ba
`plotResidualsgydF4y2Ba`	线性混合效应模型的残差图gydF4y2Ba
`预测gydF4y2Ba`	预测线性混合效应模型的响应gydF4y2Ba
`随机gydF4y2Ba`	由拟合的线性混合效应模型生成随机响应gydF4y2Ba
`randomEffectsgydF4y2Ba`	随机效应的估计和相关统计gydF4y2Ba
`残差gydF4y2Ba`	拟合线性混合效应模型的残差gydF4y2Ba
`响应gydF4y2Ba`	线性混合效应模型的响应向量gydF4y2Ba

复制语义gydF4y2Ba

价值。要了解值类如何影响复制操作，请参见gydF4y2Ba复制对象gydF4y2Ba．gydF4y2Ba

例子gydF4y2Ba

全部折叠gydF4y2Ba

带分类预测器的随机截距模型gydF4y2Ba

打开实时脚本gydF4y2Ba

加载样例数据。gydF4y2Ba

负载gydF4y2Ba流感gydF4y2Ba

的gydF4y2Ba流感gydF4y2Ba数据集数组有一个gydF4y2Ba日期gydF4y2Ba变量，以及包含估计流感发病率的10个变量(在9个不同地区，根据谷歌®搜索估计，加上疾病控制和预防中心的全国估计)。gydF4y2Ba

要拟合线性混合效果模型，您的数据必须在正确格式化的数据集数组中。为了拟合以流感发生率为响应，以区域为预测变量的线性混合效应模型，将区域对应的九列组合成一个数组。新的数据集数组，gydF4y2Baflu2gydF4y2Ba，必须有响应变量，gydF4y2BaFluRategydF4y2Ba，名义变量，gydF4y2Ba地区gydF4y2Ba，显示每个估计来自哪个区域，以及分组变量gydF4y2Ba日期gydF4y2Ba．gydF4y2Ba

Flu2 = stack(流感，2:10，gydF4y2Ba“NewDataVarName”gydF4y2Ba，gydF4y2Ba“FluRate”gydF4y2Ba，gydF4y2Ba.．.gydF4y2Ba“IndVarName”gydF4y2Ba，gydF4y2Ba“地区”gydF4y2Ba）;flu2。日期＝nominal(flu2.Date);

拟合具有固定区域效应和随机截距的线性混合效应模型gydF4y2Ba日期gydF4y2Ba．gydF4y2Ba

因为region是一个名义变量，gydF4y2BafitlmegydF4y2Ba取第一个区域，gydF4y2Ba不gydF4y2Ba，作为参考，并创建八个虚拟变量代表其他八个区域。例如,gydF4y2Ba $我gydF4y2Ba ［gydF4y2Ba 米gydF4y2Ba 我gydF4y2Ba dgydF4y2Ba 一个gydF4y2Ba tgydF4y2Ba lgydF4y2Ba ］gydF4y2Ba$ 哑变量代表区域吗gydF4y2BaMidAtlgydF4y2Ba．详细信息请参见gydF4y2Ba虚拟变量gydF4y2Ba．gydF4y2Ba

对应的模型为gydF4y2Ba

$\begin{array}{l} {ygydF4y2Ba}_{我gydF4y2Ba 米gydF4y2Ba} ＝gydF4y2Ba {βgydF4y2Ba}_{0gydF4y2Ba} +gydF4y2Ba {βgydF4y2Ba}_{1gydF4y2Ba} 我gydF4y2Ba {［gydF4y2Ba 米gydF4y2Ba 我gydF4y2Ba dgydF4y2Ba 一个gydF4y2Ba tgydF4y2Ba lgydF4y2Ba ］gydF4y2Ba}_{我gydF4y2Ba} +gydF4y2Ba {βgydF4y2Ba}_{2gydF4y2Ba} 我gydF4y2Ba {［gydF4y2Ba EgydF4y2Ba NgydF4y2Ba CgydF4y2Ba egydF4y2Ba ngydF4y2Ba tgydF4y2Ba rgydF4y2Ba 一个gydF4y2Ba lgydF4y2Ba ］gydF4y2Ba}_{我gydF4y2Ba} +gydF4y2Ba {βgydF4y2Ba}_{3.gydF4y2Ba} 我gydF4y2Ba {［gydF4y2Ba WgydF4y2Ba NgydF4y2Ba CgydF4y2Ba egydF4y2Ba ngydF4y2Ba tgydF4y2Ba rgydF4y2Ba 一个gydF4y2Ba lgydF4y2Ba ］gydF4y2Ba}_{我gydF4y2Ba} +gydF4y2Ba {βgydF4y2Ba}_{4gydF4y2Ba} 我gydF4y2Ba {［gydF4y2Ba 年代gydF4y2Ba 一个gydF4y2Ba tgydF4y2Ba lgydF4y2Ba ］gydF4y2Ba}_{我gydF4y2Ba} \\ +gydF4y2Ba {βgydF4y2Ba}_{5gydF4y2Ba} 我gydF4y2Ba {［gydF4y2Ba EgydF4y2Ba 年代gydF4y2Ba CgydF4y2Ba egydF4y2Ba ngydF4y2Ba tgydF4y2Ba rgydF4y2Ba 一个gydF4y2Ba lgydF4y2Ba ］gydF4y2Ba}_{我gydF4y2Ba} +gydF4y2Ba {βgydF4y2Ba}_{6gydF4y2Ba} 我gydF4y2Ba {［gydF4y2Ba WgydF4y2Ba 年代gydF4y2Ba CgydF4y2Ba egydF4y2Ba ngydF4y2Ba tgydF4y2Ba rgydF4y2Ba 一个gydF4y2Ba lgydF4y2Ba ］gydF4y2Ba}_{我gydF4y2Ba} +gydF4y2Ba {βgydF4y2Ba}_{7gydF4y2Ba} 我gydF4y2Ba {［gydF4y2Ba 米gydF4y2Ba tgydF4y2Ba ngydF4y2Ba ］gydF4y2Ba}_{我gydF4y2Ba} +gydF4y2Ba {βgydF4y2Ba}_{8gydF4y2Ba} 我gydF4y2Ba {［gydF4y2Ba PgydF4y2Ba 一个gydF4y2Ba cgydF4y2Ba ］gydF4y2Ba}_{我gydF4y2Ba} +gydF4y2Ba {bgydF4y2Ba}_{0gydF4y2Ba 米gydF4y2Ba} +gydF4y2Ba {εgydF4y2Ba}_{我gydF4y2Ba 米gydF4y2Ba} ，gydF4y2Ba 米gydF4y2Ba ＝gydF4y2Ba 1gydF4y2Ba ，gydF4y2Ba 2gydF4y2Ba ，gydF4y2Ba ．gydF4y2Ba ．gydF4y2Ba ．gydF4y2Ba ，gydF4y2Ba 5gydF4y2Ba 2gydF4y2Ba ，gydF4y2Ba \end{array}$

在哪里gydF4y2Ba ${ygydF4y2Ba}_{我gydF4y2Ba 米gydF4y2Ba}$ 就是观察gydF4y2Ba $我gydF4y2Ba$ 的水平gydF4y2Ba $米gydF4y2Ba$ 变量分组gydF4y2Ba日期gydF4y2Ba，gydF4y2Ba ${βgydF4y2Ba}_{jgydF4y2Ba}$ ，gydF4y2Ba $jgydF4y2Ba$ = 0, 1，…，8，一个rethe fixed-effects coefficients, ${bgydF4y2Ba}_{0gydF4y2Ba 米gydF4y2Ba}$ 是随机效果的水平gydF4y2Ba $米gydF4y2Ba$ 分组变量的gydF4y2Ba日期gydF4y2Ba,gydF4y2Ba ${εgydF4y2Ba}_{我gydF4y2Ba 米gydF4y2Ba}$ 观测误差是观测误差吗gydF4y2Ba $我gydF4y2Ba$ ．随机效应具有先验分布，gydF4y2Ba ${bgydF4y2Ba}_{0gydF4y2Ba 米gydF4y2Ba} \simgydF4y2Ba NgydF4y2Ba （gydF4y2Ba 0gydF4y2Ba ，gydF4y2Ba {σgydF4y2Ba}_{bgydF4y2Ba}^{2gydF4y2Ba} ）gydF4y2Ba$ 误差项有分布，gydF4y2Ba ${εgydF4y2Ba}_{我gydF4y2Ba 米gydF4y2Ba} \simgydF4y2Ba NgydF4y2Ba （gydF4y2Ba 0gydF4y2Ba ，gydF4y2Ba {σgydF4y2Ba}^{2gydF4y2Ba} ）gydF4y2Ba$ ．gydF4y2Ba

Lme = fitlme(flu2，gydF4y2Ba' flate ~ 1 + Region + (1|Date)'gydF4y2Ba）gydF4y2Ba

模型信息:观测数量468固定效应系数9随机效应系数52协方差参数2公式:波动~ 1 +区域+(1 |日期)模型拟合统计量:AIC BIC log似然偏差318.71 364.35 -148.36 296.71固定效应系数(95% ci):名称估计SE tStat DF{'(截取)'}1.2233 0.096678 12.654 459 {'Region_MidAtl'} 0.010192 0.052221 0.19518 459 {'Region_WNCentral'} 0.023687 0.052221 0.5359 4.5359 {'Region_SAtl'} 0.075481 0.052221 1.4454 459 {'Region_WSCentral'} 0.33917 0.052221 6.495 459 {'Region_Mtn'} 0.046673 0.052221 0.89377 459 {'Region_Pac'} -0.16013 0.052221 -3.0665 459 pValue Lower Upper 1.085e-31 1.0334 1.41330.84534 -0.092429 0.11281 0.3206 -0.050698 0.15454 7.3324e-06 0.13424 0.33949 0.14902 -0.02714 0.1781 2.1623e-10 0.23655 0.44179 0.18705 -0.033621 0.17162 0.37191 -0.055948 0.14929 0.0022936 -0.26276 -0.057514随机效应协方差参数(95% CIs):组:日期(52级)Name1 Name2类型估计{'(拦截)'}{'(拦截)'}{'std'} 0.6443上下0.5297 0.78368组:错误名称估计上下{'Res std'} 0.26627 0.24878 0.285gydF4y2Ba

的gydF4y2Ba $pgydF4y2Ba$ -值7.3324e-06和2.1623e-10分别表示各地区流感发病率的固定效应gydF4y2BaWNCentralgydF4y2Ba而且gydF4y2BaESCentralgydF4y2Ba不同地区的流感发病率有显著差异吗gydF4y2Ba不gydF4y2Ba．gydF4y2Ba

随机效应项的标准差的置信限，gydF4y2Ba ${σgydF4y2Ba}_{bgydF4y2Ba}$ ，不包括0(0.5297,0.78368)，表明随机效应项显著。方法还可以测试随机效应项的显著性gydF4y2Ba比较gydF4y2Ba方法。gydF4y2Ba

观测值的估计值是与该观测值相对应的分组变量水平上的固定效应值和随机效应值之和。例如，估计区域流感率的最佳线性无偏预测器(BLUP)gydF4y2BaWNCentralgydF4y2Ba是在2005年10月9日gydF4y2Ba

$\begin{aligned} {ygydF4y2Ba}_{}^{ˆgydF4y2Ba}_{WgydF4y2Ba NgydF4y2Ba CgydF4y2Ba egydF4y2Ba ngydF4y2Ba tgydF4y2Ba rgydF4y2Ba 一个gydF4y2Ba lgydF4y2Ba ，gydF4y2Ba 1gydF4y2Ba 0gydF4y2Ba /gydF4y2Ba 9gydF4y2Ba /gydF4y2Ba 2gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 5gydF4y2Ba} & ＝gydF4y2Ba {βgydF4y2Ba}_{}^{ˆgydF4y2Ba}_{0gydF4y2Ba} +gydF4y2Ba {βgydF4y2Ba}_{}^{ˆgydF4y2Ba}_{3.gydF4y2Ba} 我gydF4y2Ba ［gydF4y2Ba WgydF4y2Ba NgydF4y2Ba CgydF4y2Ba egydF4y2Ba ngydF4y2Ba tgydF4y2Ba rgydF4y2Ba 一个gydF4y2Ba lgydF4y2Ba ］gydF4y2Ba +gydF4y2Ba {bgydF4y2Ba}_{}^{ˆgydF4y2Ba}_{1gydF4y2Ba 0gydF4y2Ba /gydF4y2Ba 9gydF4y2Ba /gydF4y2Ba 2gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 5gydF4y2Ba} \\ ＝gydF4y2Ba 1gydF4y2Ba ．gydF4y2Ba 2gydF4y2Ba 2gydF4y2Ba 3.gydF4y2Ba 3.gydF4y2Ba +gydF4y2Ba 0gydF4y2Ba ．gydF4y2Ba 2gydF4y2Ba 3.gydF4y2Ba 6gydF4y2Ba 8gydF4y2Ba 7gydF4y2Ba -gydF4y2Ba 0gydF4y2Ba ．gydF4y2Ba 1gydF4y2Ba 7gydF4y2Ba 1gydF4y2Ba 8gydF4y2Ba \\ ＝gydF4y2Ba 1gydF4y2Ba ．gydF4y2Ba 2gydF4y2Ba 8gydF4y2Ba 8gydF4y2Ba 3.gydF4y2Ba 7gydF4y2Ba ．gydF4y2Ba \end{aligned}$

这是拟合的条件响应，因为它包括了固定效应和随机效应对估计的贡献。可以按如下方式计算该值。gydF4y2Ba

beta = fixedEffects(lme);[~，~，STATS] = randomEffects(lme);gydF4y2Ba计算随机效应统计数据(STATS)gydF4y2Ba统计数据。Level = nominal(STATS.Level);y_hat = beta(1) + beta(4) + STATS.Estimate(STATS.Level==gydF4y2Ba“10/9/2005”gydF4y2Ba）gydF4y2Ba

Y_hat = 1.2884gydF4y2Ba

方法可以简单地显示拟合的值gydF4y2Ba安装gydF4y2Ba方法。gydF4y2Ba

F = fitting (lme);F (flu2。日期= =gydF4y2Ba“10/9/2005”gydF4y2Ba& flu2。地区＝＝gydF4y2Ba“WNCentral”gydF4y2Ba）gydF4y2Ba

Ans = 1.2884gydF4y2Ba

计算区域的拟合边缘响应gydF4y2BaWNCentralgydF4y2Ba10/9/2005。gydF4y2Ba

F =合适的(lme，gydF4y2Ba“条件”gydF4y2Ba、假);F (flu2。日期= =gydF4y2Ba“10/9/2005”gydF4y2Ba& flu2。地区＝＝gydF4y2Ba“WNCentral”gydF4y2Ba）gydF4y2Ba

Ans = 1.4602gydF4y2Ba

具有随机斜率的线性混合效应模型gydF4y2Ba

打开实时脚本gydF4y2Ba

加载样例数据。gydF4y2Ba

负载gydF4y2BacarbiggydF4y2Ba

为每加仑英里数(MPG)拟合一个线性混合效应模型，其中加速度、马力和汽缸有固定效应，截距和加速度按模型年份分组有不相关的随机效应。这个模型对应于gydF4y2Ba

${米gydF4y2Ba PgydF4y2Ba GgydF4y2Ba}_{我gydF4y2Ba 米gydF4y2Ba} ＝gydF4y2Ba {βgydF4y2Ba}_{0gydF4y2Ba} +gydF4y2Ba {βgydF4y2Ba}_{1gydF4y2Ba} {一个gydF4y2Ba cgydF4y2Ba cgydF4y2Ba}_{我gydF4y2Ba} +gydF4y2Ba {βgydF4y2Ba}_{2gydF4y2Ba} HgydF4y2Ba PgydF4y2Ba +gydF4y2Ba {bgydF4y2Ba}_{0gydF4y2Ba 米gydF4y2Ba} +gydF4y2Ba {bgydF4y2Ba}_{1gydF4y2Ba}_{米gydF4y2Ba} {一个gydF4y2Ba cgydF4y2Ba cgydF4y2Ba}_{我gydF4y2Ba 米gydF4y2Ba} +gydF4y2Ba {εgydF4y2Ba}_{我gydF4y2Ba 米gydF4y2Ba} ，gydF4y2Ba 米gydF4y2Ba ＝gydF4y2Ba 1gydF4y2Ba ，gydF4y2Ba 2gydF4y2Ba ，gydF4y2Ba 3.gydF4y2Ba ，gydF4y2Ba$

随机效应项具有以下先验分布:gydF4y2Ba

${bgydF4y2Ba}_{米gydF4y2Ba} ＝gydF4y2Ba （gydF4y2Ba \begin{array}{l} {bgydF4y2Ba}_{0gydF4y2Ba 米gydF4y2Ba} \\ {bgydF4y2Ba}_{1gydF4y2Ba 米gydF4y2Ba} \end{array} ）gydF4y2Ba \simgydF4y2Ba NgydF4y2Ba （gydF4y2Ba 0gydF4y2Ba ，gydF4y2Ba （gydF4y2Ba \begin{array}{cccccccccccccccccccc} {σgydF4y2Ba}_{0gydF4y2Ba}^{2gydF4y2Ba} & {σgydF4y2Ba}_{0gydF4y2Ba ，gydF4y2Ba 1gydF4y2Ba} \\ {σgydF4y2Ba}_{0gydF4y2Ba ，gydF4y2Ba 1gydF4y2Ba} & {σgydF4y2Ba}_{1gydF4y2Ba}^{2gydF4y2Ba} \end{array} ）gydF4y2Ba ）gydF4y2Ba ，gydF4y2Ba$

在哪里gydF4y2Ba $米gydF4y2Ba$ 表示模型年。gydF4y2Ba

首先，编制拟合线性混合效应模型的设计矩阵。gydF4y2Ba

X = [ones(406,1)加速马力];Z = [ones(406,1)加速度];Model_Year = nominal(Model_Year);G = Model_Year;gydF4y2Ba

现在，使用拟合模型gydF4y2BafitlmematrixgydF4y2Ba利用定义的设计矩阵和分组变量。使用gydF4y2Ba“fminunc”gydF4y2Ba优化算法。gydF4y2Ba

lme = fitlmematrix(X,MPG,Z,G，gydF4y2Ba“FixedEffectPredictors”gydF4y2Ba，gydF4y2Ba.．.gydF4y2Ba．gydF4y2Ba｛gydF4y2Ba“拦截”gydF4y2Ba，gydF4y2Ba“加速”gydF4y2Ba，gydF4y2Ba“马力”gydF4y2Ba}，gydF4y2Ba“RandomEffectPredictors”gydF4y2Ba，gydF4y2Ba.．.gydF4y2Ba{{gydF4y2Ba“拦截”gydF4y2Ba，gydF4y2Ba“加速”gydF4y2Ba}},gydF4y2Ba“RandomEffectGroups”gydF4y2Ba, {gydF4y2Ba“Model_Year”gydF4y2Ba}，gydF4y2Ba.．.gydF4y2Ba“FitMethod”gydF4y2Ba，gydF4y2Ba“REML”gydF4y2Ba）gydF4y2Ba

模型信息:观测数392固定效应系数3随机效应系数26协方差参数4公式:含4个预测因子的线性混合公式模型拟合统计:AIC BIC log似然偏差2202.9 2230.7 -1094.5 2188.9固定效应系数(95% ci):名称估计SE tStat DF{'截距'}50.064 2.3176 21.602 389{'加速度'}-0.57897 0.13843 -4.1825 389{'马力'}-0.16958 0.0073242 -23.153 389 pValue下上1.4185e-68 45.507 54.62 3.5654e-05 -0.85112 -0.30681 3.5289e-75 -0.18398 -0.15518随机效应协方差参数(95% ci):组:Model_Year(13个级别)Name1 Name2类型估计{'拦截'}{'拦截'}{'std'} 3.72{'加速'}{'拦截'}{'corr'} -0.8769{'加速'}{'加速'}{'std'} 0.3593下上1.5215 9.0954 -0.98275 -0.33845 0.19418 0.66483组:错误名称估计下上{'Res std'} 3.6913 3.4331 3.9688gydF4y2Ba

固定效应系数显示包括估计值、标准误差(gydF4y2BaSEgydF4y2Ba)，以及95%置信区间限制(gydF4y2Ba较低的gydF4y2Ba而且gydF4y2Ba上gydF4y2Ba)．的gydF4y2Ba $pgydF4y2Ba$ -values for (gydF4y2BapValuegydF4y2Ba)表明三个固定效应系数均显著。gydF4y2Ba

标准差的置信区间以及截距和加速度的随机效应之间的相关性不包括零，因此它们似乎很重要。使用gydF4y2Ba比较gydF4y2Ba方法来检验随机效应。gydF4y2Ba

显示估计固定效应系数的协方差矩阵。gydF4y2Ba

lme三个月。CoefficientCovariance

ans =gydF4y2Ba3×3gydF4y2Ba5.3711 -0.2809 -0.0126 -0.2809 0.0192 0.0005 -0.0126 0.0005 0.0001gydF4y2Ba

对角线元素表示固定效应系数估计值的方差。例如，截距估计的方差为5.3711。请注意，估计的标准误差是方差的平方根。例如，截取的标准误差为2.3176，即gydF4y2Basqrt (5.3711)gydF4y2Ba．gydF4y2Ba

非对角线元素显示了固定效应系数估计之间的相关性。例如，截距和加速度之间的相关性为-0.2809，加速度和马力之间的相关性为0.0005。gydF4y2Ba

显示模型的决定系数。gydF4y2Ba

lme三个月。Rsquared

ans =gydF4y2Ba带字段的结构:gydF4y2Ba普通:0.7866调整:0.7855gydF4y2Ba

调整值是根据模型中预测因子的数量调整的r平方值。gydF4y2Ba

威尔金森符号gydF4y2Ba	标准符号中的因素gydF4y2Ba
`1gydF4y2Ba`	常数(截距)项gydF4y2Ba
`X ^ kgydF4y2Ba`,在那里gydF4y2Ba`kgydF4y2Ba`是正整数gydF4y2Ba	`XgydF4y2Ba`，gydF4y2Ba`XgydF4y2Ba^2gydF4y2Ba`、……gydF4y2Ba`XgydF4y2Ba^kgydF4y2Ba`
`X1 + x2gydF4y2Ba`	`X1gydF4y2Ba`，gydF4y2Ba`X2gydF4y2Ba`
`X1 * X2gydF4y2Ba`	`X1gydF4y2Ba`，gydF4y2Ba`X2gydF4y2Ba`，gydF4y2Ba`X1。* X2（ele米entwise multiplication of X1 and X2)`
`X1, X2gydF4y2Ba`	`X1。* X2gydF4y2Ba`只有gydF4y2Ba
`- - - - - - X2gydF4y2Ba`	不包括gydF4y2Ba`X2gydF4y2Ba`
`X1* x2 + x3gydF4y2Ba`	`X1gydF4y2Ba`，gydF4y2Ba`X2gydF4y2Ba`，gydF4y2Ba`X3gydF4y2Ba`，gydF4y2Ba`X1 * X2gydF4y2Ba`
`X1 + x2 + x3 + X1 = x2gydF4y2Ba`	`X1gydF4y2Ba`，gydF4y2Ba`X2gydF4y2Ba`，gydF4y2Ba`X3gydF4y2Ba`，gydF4y2Ba`X1 * X2gydF4y2Ba`
`X1* x2 * x3 - X1: x2: x3gydF4y2Ba`	`X1gydF4y2Ba`，gydF4y2Ba`X2gydF4y2Ba`，gydF4y2Ba`X3gydF4y2Ba`，gydF4y2Ba`X1 * X2gydF4y2Ba`，gydF4y2Ba`X1 * X3gydF4y2Ba`，gydF4y2Ba`X2 * X3gydF4y2Ba`
`X1*(x2 + x3)gydF4y2Ba`	`X1gydF4y2Ba`，gydF4y2Ba`X2gydF4y2Ba`，gydF4y2Ba`X3gydF4y2Ba`，gydF4y2Ba`X1 * X2gydF4y2Ba`，gydF4y2Ba`X1 * X3gydF4y2Ba`

公式gydF4y2Ba	描述gydF4y2Ba
`'y ~ X1 + X2'gydF4y2Ba`	固定效果的拦截，gydF4y2Ba`X1gydF4y2Ba`而且gydF4y2Ba`X2gydF4y2Ba`．这相当于gydF4y2Ba`'y ~ 1 + X1 + X2'gydF4y2Ba`．gydF4y2Ba
`'y ~ -1 + X1 + X2'gydF4y2Ba`	无拦截和固定效果gydF4y2Ba`X1gydF4y2Ba`而且gydF4y2Ba`X2gydF4y2Ba`．隐式截距项通过包含来抑制gydF4y2Ba`－1gydF4y2Ba`．gydF4y2Ba
`'y ~ 1 + (1 \| g1)'gydF4y2Ba`	固定效果的拦截加上随机效果的拦截为每个级别的分组变量gydF4y2Ba`g1gydF4y2Ba`．gydF4y2Ba
`'y ~ X1 + (1 \| g1)'gydF4y2Ba`	斜率固定的随机截距模型。gydF4y2Ba
`'y ~ X1 + (X1 \| g1)'gydF4y2Ba`	随机截距和斜率，两者之间可能存在相关性。这相当于gydF4y2Ba`'y ~ 1 + X1 + (1 + X1\|g1)'gydF4y2Ba`．gydF4y2Ba
`'y ~ X1 + (1 \| g1) + (-1 + X1 \| g1)'gydF4y2Ba`	截距和斜率的独立随机效应项。gydF4y2Ba
`'y ~ 1 + (1 \| g1) + (1 \| g2) + (1 \| g1:g2)'gydF4y2Ba`	具有独立主效应的随机截距模型gydF4y2Ba`g1gydF4y2Ba`而且gydF4y2Ba`g2gydF4y2Ba`，加上独立的相互作用效应。gydF4y2Ba

另请参阅gydF4y2Ba

fitlmegydF4y2Ba| gydF4y2BafitlmematrixgydF4y2Ba

LinearMixedModel类gydF4y2Ba

描述gydF4y2Ba

建设gydF4y2Ba

输入参数gydF4y2Ba

资源描述gydF4y2Ba- - - - - -gydF4y2Ba输入数据gydF4y2Ba表格gydF4y2Ba| gydF4y2Ba数据集gydF4y2Ba数组gydF4y2Ba

公式gydF4y2Ba- - - - - -gydF4y2Ba模型规格公式gydF4y2Ba形式的字符向量或字符串标量gydF4y2Ba'y ~ fixed + (random1|grouping1) +…+ (randomR | groupingR) 'gydF4y2Ba

XgydF4y2Ba- - - - - -gydF4y2Ba固定效果设计矩阵gydF4y2BangydF4y2Ba——- - - - - -gydF4y2BapgydF4y2Ba矩阵gydF4y2Ba

ygydF4y2Ba- - - - - -gydF4y2Ba响应值gydF4y2BangydF4y2Ba1的向量gydF4y2Ba

ZgydF4y2Ba- - - - - -gydF4y2Ba随机设计gydF4y2BangydF4y2Ba——- - - - - -gydF4y2Ba问gydF4y2Ba矩阵gydF4y2Ba| gydF4y2Ba单元格阵列gydF4y2BaRgydF4y2BangydF4y2Ba——- - - - - -gydF4y2Ba问gydF4y2Ba（gydF4y2BargydF4y2Ba)矩阵,gydF4y2BargydF4y2Ba= 1, 2，…gydF4y2BaRgydF4y2Ba

GgydF4y2Ba- - - - - -gydF4y2Ba将变量或变量分组gydF4y2BangydF4y2Ba1的向量gydF4y2Ba| gydF4y2Ba单元格阵列gydF4y2BaRgydF4y2BangydF4y2Ba1的向量gydF4y2Ba

属性gydF4y2Ba

系数gydF4y2Ba- - - - - -gydF4y2Ba固定效应系数估计gydF4y2Ba数据集的数组gydF4y2Ba

CoefficientCovariancegydF4y2Ba- - - - - -gydF4y2Ba估计固定效应系数的协方差gydF4y2BapgydF4y2Ba——- - - - - -gydF4y2BapgydF4y2Ba矩阵gydF4y2Ba

CoefficientNamesgydF4y2Ba- - - - - -gydF4y2Ba固定效应系数的名称gydF4y2Ba1 -gydF4y2BapgydF4y2Ba字符向量的单元格数组gydF4y2Ba

教育部gydF4y2Ba- - - - - -gydF4y2Ba剩余自由度gydF4y2Ba正整数值gydF4y2Ba

FitMethodgydF4y2Ba- - - - - -gydF4y2Ba采用线性混合效应模型拟合方法gydF4y2Ba毫升gydF4y2Ba| gydF4y2BaREMLgydF4y2Ba

公式gydF4y2Ba- - - - - -gydF4y2Ba固定效应和随机效应术语的规范，以及变量分组gydF4y2Ba对象gydF4y2Ba

LogLikelihoodgydF4y2Ba- - - - - -gydF4y2Ba最大化日志或限制日志可能性gydF4y2Ba标量值gydF4y2Ba

ModelCriteriongydF4y2Ba- - - - - -gydF4y2Ba模型的标准gydF4y2Ba数据集的数组gydF4y2Ba

均方误差gydF4y2Ba- - - - - -gydF4y2BaML或REML估计gydF4y2Ba正标量值gydF4y2Ba

NumCoefficientsgydF4y2Ba- - - - - -gydF4y2Ba固定效应系数的数目gydF4y2Ba正整数值gydF4y2Ba

NumEstimatedCoefficientsgydF4y2Ba- - - - - -gydF4y2Ba估计固定效应系数的数目gydF4y2Ba正整数值gydF4y2Ba

NumObservationsgydF4y2Ba- - - - - -gydF4y2Ba观察次数gydF4y2Ba正整数值gydF4y2Ba

NumPredictorsgydF4y2Ba- - - - - -gydF4y2Ba预测因子数量gydF4y2Ba正整数值gydF4y2Ba

NumVariablesgydF4y2Ba- - - - - -gydF4y2Ba变量总数gydF4y2Ba正整数值gydF4y2Ba

ObservationInfogydF4y2Ba- - - - - -gydF4y2Ba关于观测的信息gydF4y2Ba表格gydF4y2Ba

ObservationNamesgydF4y2Ba- - - - - -gydF4y2Ba观察的名称gydF4y2Ba字符向量的单元格数组gydF4y2Ba

PredictorNamesgydF4y2Ba- - - - - -gydF4y2Ba预测因子名称gydF4y2Ba字符向量的单元格数组gydF4y2Ba

ResponseNamegydF4y2Ba- - - - - -gydF4y2Ba响应变量名称gydF4y2Ba特征向量gydF4y2Ba

RsquaredgydF4y2Ba- - - - - -gydF4y2Ba由拟合模型解释的响应中可变性的比例gydF4y2Ba结构gydF4y2Ba

上交所gydF4y2Ba- - - - - -gydF4y2Ba误差平方和gydF4y2Ba正标量值gydF4y2Ba

苏维埃社会主义共和国gydF4y2Ba- - - - - -gydF4y2Ba回归平方和gydF4y2Ba正标量值gydF4y2Ba

风场gydF4y2Ba- - - - - -gydF4y2Ba总平方和gydF4y2Ba正标量值gydF4y2Ba

变量gydF4y2Ba- - - - - -gydF4y2Ba变量gydF4y2Ba表格gydF4y2Ba

VariableInfogydF4y2Ba- - - - - -gydF4y2Ba关于变量的信息gydF4y2Ba表格gydF4y2Ba

VariableNamesgydF4y2Ba- - - - - -gydF4y2Ba变量名gydF4y2Ba字符向量的单元格数组gydF4y2Ba

对象的功能gydF4y2Ba

复制语义gydF4y2Ba

例子gydF4y2Ba

带分类预测器的随机截距模型gydF4y2Ba

具有随机斜率的线性混合效应模型gydF4y2Ba

更多关于gydF4y2Ba

公式gydF4y2Ba

另请参阅gydF4y2Ba

统计和机器学习工具箱文档gydF4y2Ba

万博1manbetx

掌握机器学习:一步一步的MATLAB指南gydF4y2Ba

`资源描述gydF4y2Ba`- - - - - -gydF4y2Ba输入数据gydF4y2Ba
表格gydF4y2Ba| gydF4y2Ba`数据集gydF4y2Ba`数组gydF4y2Ba

`公式gydF4y2Ba`- - - - - -gydF4y2Ba模型规格公式gydF4y2Ba
形式的字符向量或字符串标量gydF4y2Ba`'y ~ fixed + (random1|grouping1) +…+ (randomR | groupingR) 'gydF4y2Ba`

`XgydF4y2Ba`- - - - - -gydF4y2Ba固定效果设计矩阵gydF4y2Ba
ngydF4y2Ba——- - - - - -gydF4y2BapgydF4y2Ba矩阵gydF4y2Ba

`ygydF4y2Ba`- - - - - -gydF4y2Ba响应值gydF4y2Ba
ngydF4y2Ba1的向量gydF4y2Ba

`ZgydF4y2Ba`- - - - - -gydF4y2Ba随机设计gydF4y2Ba
ngydF4y2Ba——- - - - - -gydF4y2Ba问gydF4y2Ba矩阵gydF4y2Ba| gydF4y2Ba单元格阵列gydF4y2BaRgydF4y2BangydF4y2Ba——- - - - - -gydF4y2Ba问gydF4y2Ba（gydF4y2BargydF4y2Ba)矩阵,gydF4y2BargydF4y2Ba= 1, 2，…gydF4y2BaRgydF4y2Ba

`GgydF4y2Ba`- - - - - -gydF4y2Ba将变量或变量分组gydF4y2Ba
ngydF4y2Ba1的向量gydF4y2Ba| gydF4y2Ba单元格阵列gydF4y2BaRgydF4y2BangydF4y2Ba1的向量gydF4y2Ba

`系数gydF4y2Ba`- - - - - -gydF4y2Ba固定效应系数估计gydF4y2Ba
数据集的数组gydF4y2Ba

`CoefficientCovariancegydF4y2Ba`- - - - - -gydF4y2Ba估计固定效应系数的协方差gydF4y2Ba
pgydF4y2Ba——- - - - - -gydF4y2BapgydF4y2Ba矩阵gydF4y2Ba

`CoefficientNamesgydF4y2Ba`- - - - - -gydF4y2Ba固定效应系数的名称gydF4y2Ba
1 -gydF4y2BapgydF4y2Ba字符向量的单元格数组gydF4y2Ba

`教育部gydF4y2Ba`- - - - - -gydF4y2Ba剩余自由度gydF4y2Ba
正整数值gydF4y2Ba

`FitMethodgydF4y2Ba`- - - - - -gydF4y2Ba采用线性混合效应模型拟合方法gydF4y2Ba
`毫升gydF4y2Ba`| gydF4y2Ba`REMLgydF4y2Ba`

`公式gydF4y2Ba`- - - - - -gydF4y2Ba固定效应和随机效应术语的规范，以及变量分组gydF4y2Ba
对象gydF4y2Ba

`LogLikelihoodgydF4y2Ba`- - - - - -gydF4y2Ba最大化日志或限制日志可能性gydF4y2Ba
标量值gydF4y2Ba

`ModelCriteriongydF4y2Ba`- - - - - -gydF4y2Ba模型的标准gydF4y2Ba
数据集的数组gydF4y2Ba

`均方误差gydF4y2Ba`- - - - - -gydF4y2BaML或REML估计gydF4y2Ba
正标量值gydF4y2Ba

`NumCoefficientsgydF4y2Ba`- - - - - -gydF4y2Ba固定效应系数的数目gydF4y2Ba
正整数值gydF4y2Ba

`NumEstimatedCoefficientsgydF4y2Ba`- - - - - -gydF4y2Ba估计固定效应系数的数目gydF4y2Ba
正整数值gydF4y2Ba

`NumObservationsgydF4y2Ba`- - - - - -gydF4y2Ba观察次数gydF4y2Ba
正整数值gydF4y2Ba

`NumPredictorsgydF4y2Ba`- - - - - -gydF4y2Ba预测因子数量gydF4y2Ba
正整数值gydF4y2Ba

`NumVariablesgydF4y2Ba`- - - - - -gydF4y2Ba变量总数gydF4y2Ba
正整数值gydF4y2Ba

`ObservationInfogydF4y2Ba`- - - - - -gydF4y2Ba关于观测的信息gydF4y2Ba
表格gydF4y2Ba

`ObservationNamesgydF4y2Ba`- - - - - -gydF4y2Ba观察的名称gydF4y2Ba
字符向量的单元格数组gydF4y2Ba

`PredictorNamesgydF4y2Ba`- - - - - -gydF4y2Ba预测因子名称gydF4y2Ba
字符向量的单元格数组gydF4y2Ba

`ResponseNamegydF4y2Ba`- - - - - -gydF4y2Ba响应变量名称gydF4y2Ba
特征向量gydF4y2Ba

`RsquaredgydF4y2Ba`- - - - - -gydF4y2Ba由拟合模型解释的响应中可变性的比例gydF4y2Ba
结构gydF4y2Ba

`上交所gydF4y2Ba`- - - - - -gydF4y2Ba误差平方和gydF4y2Ba
正标量值gydF4y2Ba

`苏维埃社会主义共和国gydF4y2Ba`- - - - - -gydF4y2Ba回归平方和gydF4y2Ba
正标量值gydF4y2Ba

`风场gydF4y2Ba`- - - - - -gydF4y2Ba总平方和gydF4y2Ba
正标量值gydF4y2Ba

`变量gydF4y2Ba`- - - - - -gydF4y2Ba变量gydF4y2Ba
表格gydF4y2Ba

`VariableInfogydF4y2Ba`- - - - - -gydF4y2Ba关于变量的信息gydF4y2Ba
表格gydF4y2Ba

`VariableNamesgydF4y2Ba`- - - - - -gydF4y2Ba变量名gydF4y2Ba
字符向量的单元格数组gydF4y2Ba