主要内容gydF4y2Ba

安装gydF4y2Ba

类:gydF4y2BaLinearMixedModelgydF4y2Ba

线性混合效应模型的拟合响应gydF4y2Ba

全部展开页面gydF4y2Ba

语法gydF4y2Ba

yfit =安装(lme)gydF4y2Ba
yfit =安装(lme、名称、值)gydF4y2Ba

描述gydF4y2Ba

yfitgydF4y2Ba=安装(gydF4y2Balme三个月gydF4y2Ba）gydF4y2Ba返回gydF4y2Ba安装条件反射gydF4y2Ba从线性混合效应模型gydF4y2Balme三个月gydF4y2Ba．gydF4y2Ba

例子gydF4y2Ba

yfitgydF4y2Ba=安装(gydF4y2Balme三个月gydF4y2Ba，gydF4y2Ba名称,值gydF4y2Ba）gydF4y2Ba返回线性混合效应模型的拟合响应gydF4y2Balme三个月gydF4y2Ba附加选项由一个或多个指定gydF4y2Ba名称,值gydF4y2Ba对参数。gydF4y2Ba

例如，您可以指定是否要计算gydF4y2Ba拟合边缘响应gydF4y2Ba．gydF4y2Ba

输入参数gydF4y2Ba

全部展开gydF4y2Ba

线性混合效应模型，指定为gydF4y2BaLinearMixedModelgydF4y2Ba对象构造使用gydF4y2BafitlmegydF4y2Ba或gydF4y2BafitlmematrixgydF4y2Ba．gydF4y2Ba

名称-值参数gydF4y2Ba

指定可选的逗号分隔的对gydF4y2Ba名称,值gydF4y2Ba参数。gydF4y2Ba的名字gydF4y2Ba参数名和gydF4y2Ba价值gydF4y2Ba为对应值。gydF4y2Ba的名字gydF4y2Ba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gydF4y2BaName1, Value1,…,的家gydF4y2Ba．gydF4y2Ba

条件响应指示符，指定为逗号分隔对，由gydF4y2Ba“条件”gydF4y2Ba以及以下任何一种情况。gydF4y2Ba

真正的gydF4y2Ba 固定效应和随机效应的贡献(条件)gydF4y2Ba
假gydF4y2Ba 仅来自固定效应的贡献(边际)gydF4y2Ba

例子:gydF4y2Ba“有条件的”,假的gydF4y2Ba

数据类型:gydF4y2Ba逻辑gydF4y2Ba

输出参数gydF4y2Ba

全部展开gydF4y2Ba

拟合的响应值，返回为gydF4y2BangydF4y2Ba1的向量,gydF4y2BangydF4y2Ba为观察次数。gydF4y2Ba

例子gydF4y2Ba

全部展开gydF4y2Ba

打开生活的脚本gydF4y2Ba

加载示例数据。gydF4y2Ba

负载gydF4y2Ba流感gydF4y2Ba

的gydF4y2Ba流感gydF4y2Ba数据集数组具有gydF4y2Ba日期gydF4y2Ba变量，10个变量包含估计的流感率(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(CDC)的全国估计)。gydF4y2Ba

为了适应线性混合效果模型，数据必须在正确格式化的数据集数组中。为了拟合一个以流感率为响应、以区域为预测变量的线性混合效应模型，请将与区域相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地区，以及分组变量gydF4y2Ba日期gydF4y2Ba．gydF4y2Ba

2:10 flu2 =堆栈(流感,gydF4y2Ba“NewDataVarName”gydF4y2Ba，gydF4y2Ba“FluRate”gydF4y2Ba，gydF4y2Ba“IndVarName”gydF4y2Ba，gydF4y2Ba“地区”gydF4y2Ba）;flu2。日期＝no米我n一个l（flu2。日期）;gydF4y2Ba

拟合一个线性混合效应模型，具有固定效应的区域和随机截距变化gydF4y2Ba日期gydF4y2Ba．gydF4y2Ba

区域是一个分类变量。属性可以指定分类变量的对比gydF4y2BaDummyVarCodinggydF4y2Ba当拟合模型时，名称-值对参数。当你不明确对比时，gydF4y2BafitlmegydF4y2Ba使用gydF4y2Ba“参考”gydF4y2Ba默认的对比。因为模型有截距，gydF4y2BafitlmegydF4y2Ba取第一个区域，gydF4y2Ba不gydF4y2Ba，并创建8个虚拟变量来表示其他8个区域。例如,gydF4y2Ba 我gydF4y2Ba ［gydF4y2Ba 米gydF4y2Ba 我gydF4y2Ba dgydF4y2Ba 一个gydF4y2Ba tgydF4y2Ba lgydF4y2Ba ]gydF4y2Ba 虚拟变量是否代表区域gydF4y2BaMidAtlgydF4y2Ba．有关详细信息,请参见gydF4y2Ba虚拟变量gydF4y2Ba．gydF4y2Ba

对应的模型为gydF4y2Ba

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

在哪里gydF4y2Ba ygydF4y2Ba 我gydF4y2Ba 米gydF4y2Ba 是观察gydF4y2Ba 我gydF4y2Ba 的水平gydF4y2Ba 米gydF4y2Ba 分组变量gydF4y2Ba日期gydF4y2Ba，gydF4y2Ba βgydF4y2Ba jgydF4y2Ba ，gydF4y2Ba jgydF4y2Ba = 0, 1，…，8，一个rethe fixed-effects coefficients, with βgydF4y2Ba 0gydF4y2Ba 为区域的系数gydF4y2Ba不gydF4y2Ba．gydF4y2Ba bgydF4y2Ba 0gydF4y2Ba 米gydF4y2Ba 关卡是否具有随机效应gydF4y2Ba 米gydF4y2Ba 分组变量的gydF4y2Ba日期gydF4y2Ba,gydF4y2Ba εgydF4y2Ba 我gydF4y2Ba 米gydF4y2Ba 观察误差是为了观察吗gydF4y2Ba 我gydF4y2Ba ．随机效应具有先验分布，gydF4y2Ba bgydF4y2Ba 0gydF4y2Ba 米gydF4y2Ba ∼gydF4y2Ba NgydF4y2Ba （gydF4y2Ba 0gydF4y2Ba ，gydF4y2Ba σgydF4y2Ba bgydF4y2Ba 2gydF4y2Ba ）gydF4y2Ba 误差项有分布，gydF4y2Ba εgydF4y2Ba 我gydF4y2Ba 米gydF4y2Ba ∼gydF4y2Ba NgydF4y2Ba （gydF4y2Ba 0gydF4y2Ba ，gydF4y2Ba σgydF4y2Ba 2gydF4y2Ba ）gydF4y2Ba ．gydF4y2Ba

lme = fitlme (flu2,gydF4y2Ba'FluRate ~ 1 + Region + (1|Date)'gydF4y2Ba）gydF4y2Ba
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{(拦截)的}1.2233 0.096678 12.654 459{‘Region_MidAtl} 0.010192 0.052221 0.19518 459{‘Region_ENCentral} 0.051923 0.052221 0.9943 459{‘Region_WNCentral} 0.23687 0.052221 4.5359 459{‘Region_SAtl} 0.075481 0.052221 1.4454 459{‘Region_ESCentral} 0.33917 0.052221 6.495 459{‘Region_WSCentral} 0.069 - 0.0522211.3213 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 1.13133 0.84534 -0.092429 0.11281 0.3206 -0.050698 0.15454 7.3324e-06 0.13424 0.33949 0.14902 -0.02714 0.1781 0.18705 -0.033621 0.17162 0.37191 -0.055948 0.0022936 -0.26276-0.057514随机效应协方差参数(95% CIs):组:日期(52个级别)Name1 Name2 Type Estimate {'(Intercept)'} {'(Intercept)'} {'std'} 0.6443 Lower Upper 0.5297 0.78368 Group: Error Name Estimate Lower Upper {'Res std'} 0.26627 0.24878 0.285gydF4y2Ba

的gydF4y2Ba pgydF4y2Ba -值分别为7.3324e-06和2.1623e-10，表明各地区流感发病率的固定效应gydF4y2BaWNCentralgydF4y2Ba和gydF4y2BaESCentralgydF4y2Ba与该地区的流感发病率有显著差异吗gydF4y2Ba不gydF4y2Ba．gydF4y2Ba

随机效应项标准差的置信限，gydF4y2Ba σgydF4y2Ba bgydF4y2Ba ，不包括0(0.5297,0.78368)，表明随机效应项是显著的。属性还可以测试随机影响项的重要性gydF4y2Ba比较gydF4y2Ba方法。gydF4y2Ba

在给定的观测值下，模型的条件拟合响应包括来自固定和随机效应的贡献。例如，估计的最佳线性无偏预测器(BLUP)的地区流感率gydF4y2BaWNCentralgydF4y2Ba2005年9月10日是gydF4y2Ba

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

这就是拟合的条件响应，因为它包括了来自固定和随机效应的估计。该值的计算方法如下。gydF4y2Ba

β= fixedEffects (lme);[~, ~,统计]= randomEffects (lme);gydF4y2Ba计算随机效应统计(STATS)gydF4y2Ba统计数据。水平=名义(STATS.Level);y_hat = beta(1) + beta(4) + STATS.Estimate(STATS.Level==gydF4y2Ba“10/9/2005”gydF4y2Ba）gydF4y2Ba
y_hat = 1.2884gydF4y2Ba

在前面的计算中，gydF4y2Baβ(1)gydF4y2Ba对应于的估计gydF4y2Ba βgydF4y2Ba 0gydF4y2Ba 和gydF4y2Baβ(4)gydF4y2Ba对应于的估计gydF4y2Ba βgydF4y2Ba 3.gydF4y2Ba ．控件可以简单地显示适合的值gydF4y2Ba安装gydF4y2Ba方法。gydF4y2Ba

F =安装(lme);F (flu2。日期= =gydF4y2Ba“10/9/2005”gydF4y2Ba& flu2。地区＝＝gydF4y2Ba“WNCentral”gydF4y2Ba）gydF4y2Ba
ans = 1.2884gydF4y2Ba

区域边际响应估计gydF4y2BaWNCentralgydF4y2Ba2005年9月10日是gydF4y2Ba

ygydF4y2Ba ˆgydF4y2Ba WgydF4y2Ba NgydF4y2Ba CgydF4y2Ba egydF4y2Ba ngydF4y2Ba tgydF4y2Ba rgydF4y2Ba 一个gydF4y2Ba lgydF4y2Ba ，gydF4y2Ba 1gydF4y2Ba 0gydF4y2Ba /gydF4y2Ba 9gydF4y2Ba /gydF4y2Ba 2gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 5gydF4y2Ba （gydF4y2Ba 米gydF4y2Ba 一个gydF4y2Ba rgydF4y2Ba ggydF4y2Ba 我gydF4y2Ba ngydF4y2Ba 一个gydF4y2Ba lgydF4y2Ba ）gydF4y2Ba ＝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 1gydF4y2Ba ．gydF4y2Ba 2gydF4y2Ba 2gydF4y2Ba 3.gydF4y2Ba 3.gydF4y2Ba +gydF4y2Ba 0gydF4y2Ba ．gydF4y2Ba 2gydF4y2Ba 3.gydF4y2Ba 6gydF4y2Ba 8gydF4y2Ba 7gydF4y2Ba ＝gydF4y2Ba 1gydF4y2Ba ．gydF4y2Ba 4gydF4y2Ba 6gydF4y2Ba 0gydF4y2Ba 1gydF4y2Ba 7gydF4y2Ba ．gydF4y2Ba

计算拟合的边际响应。gydF4y2Ba

F =安装(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
打开生活的脚本gydF4y2Ba

加载示例数据。gydF4y2Ba

负载(gydF4y2Ba“weight.mat”gydF4y2Ba）;gydF4y2Ba

重量gydF4y2Ba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。gydF4y2Ba

将数据存储在表中。定义gydF4y2Ba主题gydF4y2Ba和gydF4y2Ba程序gydF4y2Ba作为分类变量。gydF4y2Ba

台=表(InitialWeight、程序、主题周,y);资源描述。年代ubject = nominal(tbl.Subject); tbl.Program = nominal(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。gydF4y2Ba

lme = fitlme(资源描述,gydF4y2Ba'y ~ InitialWeight + Program*Week + (Week|Subject)'gydF4y2Ba）;gydF4y2Ba

计算拟合值和原始残差。gydF4y2Ba

F =安装(lme);R =残差(lme);gydF4y2Ba

绘制残差与拟合值的关系。gydF4y2Ba

情节(F RgydF4y2Ba“软”gydF4y2Ba)包含(gydF4y2Ba的拟合值gydF4y2Ba) ylabel (gydF4y2Ba“残差”gydF4y2Ba）gydF4y2Ba

图中包含一个轴对象。axis对象包含一个类型为line的对象。gydF4y2Ba

现在，把残差和拟合值绘制出来，按程序分组。gydF4y2Ba

图()gscatter (F R程序)gydF4y2Ba

图中包含一个轴对象。轴对象包含4个类型为line的对象。这些对象代表A, B, C, D。gydF4y2Ba

更多关于gydF4y2Ba

全部展开gydF4y2Ba

另请参阅gydF4y2Ba

|gydF4y2Ba|gydF4y2Ba

统计和机器学习工具箱文档gydF4y2Ba

万博1manbetx

掌握机器学习:一步一步的指导与MATLABgydF4y2Ba

掌握机器学习:一步一步的指导与MATLABgydF4y2Ba

下载电子书gydF4y2Ba