加载示例数据。

负载(“weight.mat”）

重量包含纵向研究的数据，20名受试者被随机分配到4个运动项目，他们的减肥记录超过6个2周的时间周期。这是模拟数据。

将数据存储在表中。定义主题和程序作为分类变量。

tbl = table(InitialWeight, Program, Subject,Week, y);资源描述。主题=名义(tbl.Subject);资源描述。程序=名义(tbl.Program);

拟合线性混合效应模型，其中初始权重、项目类型、周以及周与项目类型之间的相互作用为固定效应。截取时间和截取时间因主题而异。

lme = fitlme(资源描述,'y ~ InitialWeight + Program*Week + (Week|Subject)'）;

计算固定效应系数估计值。

铁= fixedEffects (lme)

铁=9×10.6610 0.0032 0.3608 -0.0333 0.1132 0.1732 0.0388 0.0305 0.0331

第一个估计值为0.6610，对应于常数项。第二行0.0032，第三行0.3608分别是初始权重系数和周系数的估计值。第4 - 6行对应的是program B-D的指标变量，最后三行对应的是program B-D与week的交互作用。

计算固定效应系数的95%置信区间。

fecI = coefCI (lme)

fecI =9×20.1480 1.1741 0.0005 0.0059 0.1004 0.6211 -0.2932 0.2267 -0.1471 0.3734 0.0395 0.3069 -0.1503 0.2278 -0.1585 0.2196 -0.1559 0.2221

一些置信区间包括0。获得特定 $$p$$-值对于每个固定效果术语，使用fixedEffects方法。要测试整个术语使用方差分析方法。

加载示例数据。

负载carbig

拟合每加仑英里(MPG)的线性混合效应模型，其中加速度和马力的影响是固定的，截距和加速度的潜在相关随机效应按模型年份分组。首先，将数据存储在一个表中。

台=表(加速、马力、Model_Year MPG);

合适的模型。

lme = fitlme(资源描述,'MPG ~加速度+马力+(加速度|Model_Year)'）;

计算固定效应系数估计值。

铁= fixedEffects (lme)

铁=3×150.1325 -0.5833 -0.1695

使用残差法确定自由度，计算固定效应系数的99%置信区间。这是默认方法。

feCI = coefCI (lme,“α”, 0.01)

feCI =3×244.2690 55.9961 -0.9300 -0.2365 -0.1883 -0.1507

使用Satterthwaite近似计算自由度，计算固定效应系数的99%置信区间。

feCI = coefCI (lme,“α”, 0.01,“DFMethod”，“satterthwaite”）

feCI =3×244.0949 56.1701 -0.9640 -0.2025 -0.1884 -0.1507

Satterthwaite近似产生的置信区间与残差法相似。

加载示例数据。

负载(“shift.mat”）

这些数据显示了五名操作人员在三班倒(早、晚、晚)期间生产的产品与目标质量特性的偏差。s manbetx 845这是一个随机的区块设计，其中的操作符就是区块。实验旨在研究换挡时间对换挡性能的影响。绩效衡量是质量特征与目标值的偏差。这是模拟数据。

转变和操作符是名义变量。

转变。转变= nominal(shift.Shift); shift.Operator = nominal(shift.Operator);

拟合一个线性混合效应模型与随机截距按算子分组，以评估是否有显著差异的性能根据移位的时间。

lme = fitlme(转变,'QCDev ~ Shift + (1|Operator)'）;

计算随机效应的blup的估计。

randomEffects (lme)

ans =5×10.5775 1.1757 -2.1715 2.3655 -1.9472

计算随机效应的95%置信区间。

[~, reCI] = coefCI (lme)

reCI =5×2-1.3916 2.5467 -0.7934 3.1449 -4.1407 -0.2024 0.3964 4.3347 -3.9164 0.0219

使用残差法确定自由度，计算随机效应的99%置信区间。这是默认方法。

[~, reCI] = coefCI (lme,“α”, 0.01)

reCI =5×2-2.1831 3.3382 -1.5849 3.9364 -4.9322 0.5891 -0.3951 5.1261 -4.7079 0.8134

使用Satterthwaite近似计算随机效应的99%置信区间以确定自由度。

[~, reCI] = coefCI (lme,“α”, 0.01,“DFMethod”，“satterthwaite”）

reCI =5×22.6840 3.8390 -2.0858 4.4372 -5.4330 1.0900 -0.8960 5.6270 -5.2087 1.3142

Satterthwaite近似可能产生更小的DF值大于残差法。这就是为什么这些置信区间比之前用残差法计算的置信区间要大。