主要内容

coefTest

假设检验在固定和随机效应线性mixed-effects模型

扩展所有的页面

语法

pVal = coefTest (lme)
H pVal = coefTest (lme)
pVal = coefTest (lme H, C)
pVal = coefTest (lme, H, C,名称,值)
[pVal F DF1, DF2] = coefTest (___)

描述

例子

pVal= coefTest (lme三个月)返回p价值的F以及所有固定后果系数除了拦截都是0。

例子

pVal= coefTest (lme三个月,H)返回p价值的F以及在固定后果线性mixed-effects模型的系数lme三个月,使用对比矩阵H。它测试零假设,H0:Hβ= 0,β是固定后果向量。

例子

pVal= coefTest (lme三个月,H,C)返回p价值的F以及在固定后果线性mixed-effects模型的系数lme三个月,使用对比矩阵H。它测试零假设,H0:Hβ=C,在那里β是固定后果向量。

例子

pVal= coefTest (lme三个月,H,C,名称,值)返回p价值的F以及在固定和/或随机系数的线性mixed-effects模型lme三个月,附加选项指定一个或多个参数名称-值对。例如,REContrast, K告诉coefTest测试零假设,H0:Hβ+KB=C,在那里β固定后果向量和吗B是随机向量。

例子

(pVal,F,DF1,DF2)= coefTest (___)还返回F统计F,分子和分母的自由度F分别DF1和DF2。

输入参数

全部展开

指定为一个线性mixed-effects模型LinearMixedModel对象构造使用fitlme或fitlmematrix。

固定后果对比,指定为一个米——- - - - - -p矩阵,p固定后果系数的数量吗lme三个月。每一行的H代表一个对比。的列H(左到右)对应的行p1固定后果向量β(从上到下),返回的fixedEffects方法。

数据类型:单|双

假设值测试零假设H*β= C指定为一个米1的矩阵。在这里,β返回的是向量的固定后果估计fixedEffects方法。

数据类型:单|双

名称-值参数

指定可选的双参数作为Name1 = Value1,…,以=家,在那里的名字参数名称和吗价值相应的价值。名称-值参数必须出现在其他参数,但对的顺序无关紧要。

R2021a之前,用逗号来分隔每一个名称和值,并附上的名字在报价。

方法计算的近似分母的自由度F以及,指定为逗号分隔组成的“DFMethod”和一个以下。

“残留” 违约。自由度是假定为常数,等于n- - - - - -p,在那里n是观察和的数量吗p是固定的数量影响。
“satterthwaite” Satterthwaite近似。
“没有” 所有的自由度都设置为无穷大。

例如,您可以指定Satterthwaite近似如下。

例子:“DFMethod”、“satterthwaite”

随机对比,指定为逗号分隔组成的“REContrast”和一个米——- - - - - -问矩阵K,在那里问随机效应参数的数量吗lme三个月。的列K(左到右)对应随机最佳线性无偏预测的行向量B(从上到下),返回的randomEffects方法。

数据类型:单|双

输出参数

全部展开

p价值的F以及在固定和/或随机系数的线性mixed-effects模型lme三个月,作为一个标量值返回。

F统计,作为标量值返回。

分子的自由度F,作为一个标量值返回。

  • 如果你测试零假设H0:Hβ= 0,或H0:Hβ=C,然后DF1的数量等于线性无关的行吗H。

  • 如果你测试零假设H0:Hβ+KB=C,然后DF1的数量等于线性无关的行吗(H, K)。

分母的自由度F,作为一个标量值返回。的价值DF2取决于你选择的选项DFMethod。

例子

全部展开

打开生活的脚本

加载示例数据。

负载(“shift.mat”)

数据显示了绝对偏离目标质量特性测量从五个运营商的产品生产在三个不同的变化:早上,晚上,晚上。s manbetx 845这是一个随机区组设计,运营商的街区。实验的目的是研究时间上的转移性能的影响。性能测量是质量的绝对偏差特征从目标价值。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);

适合线性mixed-effects模型与随机拦截分组由操作员来评估是否有显著差异的性能根据时间转变。

lme = fitlme(转变,“QCDev ~ Shift +(1 |运营商)”)
lme =线性mixed-effects模型适合毫升模型信息:数量的观察15固定效应系数3 5协方差参数2随机效应系数公式:QCDev ~ 1 + Shift +(1 |运营商)模型适合统计:AIC BIC LogLikelihood异常固定效应系数59.012 62.552 -24.506 49.012 (95% CIs):名字估计SE tStat DF pValue低上{(拦截)的}12 3.1196 0.88681 3.5178 0.0042407 1.1874 5.0518 {‘Shift_Morning} 12 -0.3868 0.48344 -0.80009 0.43921 -1.4401 0.66653 {‘Shift_Night} 12 1.9856 0.48344 4.1072 0.0014535 0.93227 3.0389随机效应方差参数(95% CIs):组:操作符(5级)Name1 Name2类型估计低上{(拦截)的}{(拦截)的}{“性病”}1.8297 0.94915 3.5272组:错误的名字估计低上{“Res性病”}0.76439 0.49315 1.1848

测试如果所有固定后果系数除了拦截都是0。

pVal = coefTest (lme)
pVal = 7.5956 e-04

小 p 值表明,并不是所有的固定后果系数0。

测试的重要性转变术语使用对比矩阵。

H = [0 1 0;0 0 1);H pVal = coefTest (lme)
pVal = 7.5956 e-04

测试的重要性转变长期使用方差分析方法。

方差分析(lme)
ans =边际测试:方差分析DFMethod =“残余”术语FStat DF1 DF2 pValue{(拦截)的}1 12 0.0042407 12.375{‘转移’}12 0.00075956 13.864 - 2

的 p 值为转变,0.00075956,是一样的 p 价值的假设检验。

测试如果有任何区别晚上和早晨的转变。

pVal = coefTest (lme, [0 1 1])
pVal = 3.6147 e-04

这个小 p 值表明,运营商的性能是不一样的在早上和晚上的转变。

打开生活的脚本

加载示例数据。

负载(“weight.mat”)

重量包含数据从一个纵向研究,20受试者被随机分配到4锻炼项目,和他们的体重记录超过6时间2周。这是模拟数据。

将数据存储在一个表。定义主题和程序作为分类变量。

台=表(InitialWeight、程序、主题周,y);资源描述。主题=名义(tbl.Subject);资源描述。程序=名义(tbl.Program);

适合线性mixed-effects模型的初始重量,类型的计划,周,周之间的交互和类型的程序固定效果。拦截和周不同的主题。

lme = fitlme(资源描述,“y ~ InitialWeight +程序*周+(周|主题))
lme =线性mixed-effects模型适合毫升模型信息:观察120固定效应系数40协方差参数4 9随机效应系数公式:y ~ 1 + InitialWeight +程序*周+(1 +周|主题)模型适合统计:AIC BIC LogLikelihood异常固定效应系数-22.981 13.257 24.49 -48.981 (95% CIs):名字估计SE tStat DF pValue低上{(拦截)的}111 0.66105 0.25892 2.5531 0.012034 0.14798 1.1741 {‘InitialWeight} 111 0.0031879 0.0013814 2.3078 0.022863 0.00045067 0.0059252 {‘Program_B} 111 0.36079 0.13139 2.746 0.0070394 0.10044 0.62113 {‘Program_C} 111 -0.033263 0.13117 -0.25358 0.80029 -0.29319 0.22666 {‘Program_D} 111 0.11317 0.13132 0.86175 0.39068 -0.14706 0.3734{‘周’}111 0.1732 0.067454 2.5677 0.011567 0.039536 0.30686 {Program_B:一周的}111 0.038771 0.095394 0.40644 0.68521 -0.15026 0.2278 {Program_C:一周的}111 0.030543 0.095394 0.32018 0.74944 -0.15849 0.21957 {Program_D:一周的}111 0.033114 0.095394 0.34713 0.72915 -0.15592 0.22214随机效应方差参数(95% CIs):组:主体(20)水平Name1 Name2类型估计低上{(拦截)的}{(拦截)的}{“性病”}0.18407 0.12281 0.27587{‘周’}{(拦截)的}{“相关系数”}0.66841 0.21076 0.88573{‘周’}{‘周’}{“性病”}0.15033 0.11004 0.20537组:错误的名字估计低上{“Res性病”}0.10261 0.087882 0.11981

测试之间的交互的重要性程序和周。

H = [0 0 0 0 0 0 1 0 0;0 0 0 0 0 0 0 1 0;0 0 0 0 0 0 0 0 1);H pVal = coefTest (lme)
pVal = 0.9775

高 p 值表明之间的交互程序和周不具有统计学意义。

现在,测试是否所有系数有关程序都是0。

H = [0 0 1 0 0 0 0 0 0;0 0 0 1 0 0 0 0 0;0 0 0 0 1 0 0 0 0;0 0 0 0 0 0 1 0 0;0 0 0 0 0 0 0 1 0;0 0 0 0 0 0 0 0 1);C = [0, 0, 0, 0, 0, 0);pVal = coefTest (lme H, C)
pVal = 0.0274

的 p 价值0.0274表明,并不是所有的系数有关程序为零。

打开生活的脚本

加载示例数据。

负载流感

的流感数组数据集有一个日期变量,和10个变量包含估计流感率(在9个不同的地区,估计从Google®搜索,加上全国估计来自CDC)。

适合一个线性混合效应模型,数据必须在正确格式化的数据集的数组。适合一个线性mixed-effects模型与流感率为响应和地区为预测变量,结合九列区域对应到一个数组中。新数据集的数组,flu2,必须响应变量,FluRate名义变量,地区,显示每个估计来自哪个区域,和分组变量日期。

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

适合一个线性mixed-effects与固定效应模型不同的地区和一个随机拦截日期。

lme = fitlme (flu2,“FluRate ~ 1 +地区+(1 |日期)”)
lme =线性mixed-effects模型适合毫升模型信息:观察468固定效应系数9 52协方差参数随机效应系数2公式:FluRate ~ 1 +地区+(1 |日期)模型适合统计:AIC BIC LogLikelihood异常固定效应系数318.71 364.35 -148.36 296.71 (95% CIs):名字估计SE tStat DF pValue低上{(拦截)的}459 1.2233 0.096678 12.654 1.085 e-31 1.0334 - 1.4133 {‘Region_MidAtl} 459 0.010192 0.052221 0.19518 0.84534 -0.092429 0.11281 {‘Region_ENCentral} 459 0.051923 0.052221 0.9943 0.3206 -0.050698 0.15454 {‘Region_WNCentral} 459 0.23687 0.052221 4.5359 7.3324 e-06 0.13424 - 0.33949 {‘Region_SAtl} 459 0.075481 0.052221 1.4454 0.14902 -0.02714 0.1781 {‘Region_ESCentral} 459 0.33917 0.052221 6.495 2.1623 0.23655 - 0.44179平台以及{‘Region_WSCentral} 459 0.069 0.052221 1.3213 0.18705 -0.033621 0.17162 {‘Region_Mtn} 459 0.046673 0.052221 0.89377 0.37191 -0.055948 0.14929 {‘Region_Pac} 459 -0.16013 0.052221 -3.0665 0.0022936 -0.26276 -0.057514随机效应方差参数(95% CIs):组:日期(52水平)Name1 Name2类型估计低上{(拦截)的}{(拦截)的}{“性病”}0.6443 0.5297 0.78368组:错误的名字估计低上{“Res性病”}0.26627 0.24878 0.285

测试的假设随机effects-term一周10/9/2005是零。

[~,~,统计]= randomEffects (lme);%计算随机统计(统计)统计数据。水平=名义(STATS.Level);K = 0(长度(统计),1);K(统计数据。水平= =“10/9/2005”)= 1;pVal = coefTest (lme, [0 0 0 0 0 0 0 0 0), 0,“REContrast”K”)
pVal = 0.1692

这次改装模型与随机截距和斜率。

lme = fitlme (flu2,“FluRate ~ 1 +地区+(1 +地区|日期)”);

测试区域的组合系数的假设WNCentral为周10/9/2005是零。

[~,~,统计]= randomEffects (lme);统计数据。水平=名义(STATS.Level);K = 0(长度(统计),1);K(统计数据。水平= =“10/9/2005”& flu2。地区==“WNCentral”)= 1;pVal = coefTest (lme, [0 0 0 1 0 0 0 0 0), 0,“REContrast”K”)
pVal = 1.0265 e-12

还回来 F 统计的分子和分母的自由度。

[pVal F DF1, DF2] = coefTest (lme, [0 0 0 1 0 0 0 0 0), 0,“REContrast”K”)
pVal = 1.0265 e-12
F = 53.7710
DF1 = 1
DF2 = 459

重复测试使用Satterthwaite近似为分母的自由度。

[pVal F DF1, DF2] = coefTest (lme, [0 0 0 1 0 0 0 0 0), 0,“REContrast”,K’,…“DFMethod”,“satterthwaite”)
pVal =南
F = 53.7710
DF1 = 1
DF2 = 0

另请参阅

||