主要内容

fixedEffects

类:LinearMixedModel

固定效应估计及相关统计

展开全部页面

语法

beta = fixedEffects(lme)
[beta,betanames] = fixedEffects(lme)
[beta,betanames,stats] = fixedEffects(lme)
[beta,betanames,stats] = fixedEffects(lme,Name,Value)

描述

β= fixedEffects (lme三个月）返回估计的固定效应系数，β的线性混合效应模型lme三个月．

例子

［β，betanames= fixedEffects(lme三个月）还返回估计的固定效应系数的名称betanames．每个名称对应一个固定效应系数β．

例子

［β，betanames，统计数据= fixedEffects(lme三个月）还返回线性混合效应模型的估计固定效应系数lme三个月及相关统计资料统计数据．

例子

［β，betanames，统计数据= fixedEffects(lme三个月，名称,值）还返回线性混合效应模型的估计固定效应系数lme三个月和相关统计信息，其中包含一个或多个指定的附加选项名称,值对参数。

输入参数

全部展开

线性混合效应模型，指定为aLinearMixedModel使用fitlme或fitlmematrix．

名称-值参数

指定可选参数对为Name1 = Value1,…,以=家,在那里的名字参数名称和价值对应的值。名称-值参数必须出现在其他参数之后，但对的顺序无关紧要。

在R2021a之前，使用逗号分隔每个名称和值，并将其括起来的名字在报价。

显著性级别，指定为由逗号分隔的对组成“α”和一个范围为0到1的标量值。对于值α，置信水平为100*(1 -α)%。

例如，对于99%置信区间，可以按如下方式指定置信级别。

例子:“阿尔法”,0.01

数据类型:单|双

计算近似自由度的方法t-针对0测试固定效应系数的统计信息，指定为由逗号分隔的对组成“DFMethod”下面是其中之一。

“残留” 违约。自由度假设为常数，等于n- - - - - -p,在那里n观察的次数和p是固定效果的数量。
“satterthwaite” Satterthwaite近似。
“没有” 所有的自由度都设为无穷大。

例如，您可以如下所示指定Satterthwaite近似。

例子:“DFMethod”、“satterthwaite”

输出参数

全部展开

拟合线性混合效应模型的固定效应系数估计lme三个月，作为一个向量返回。

固定效应系数的名称β，作为表返回。

固定效果估计和相关统计信息，作为数据集数组返回，每个固定效果各有一行，下面的每个统计信息各有一列。

的名字 固定效应系数的名称
估计 估计系数值
SE 估计的标准误差
tStat t-statistic用于测试系数为零的情况
DF 估计的自由度t统计
pValue p-valuet统计
较低的 固定效应系数95%置信区间的下限
上 固定效应系数95%置信区间的上限

例子

全部展开

打开实时脚本

加载样例数据。

负载(“weight.mat”）;

数据集重量包含来自纵向研究的数据，其中20名受试者被随机分配到4个运动项目，他们的体重减轻记录在6个2周的时间段内。这是模拟数据。

将数据存储在表中。定义主题而且程序作为分类变量。

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

拟合线性混合效应模型，其中初始权重、节目类型、周以及周与节目之间的相互作用为固定效应。截距和周因学科而异。

Lme = fitlme(tbl，'y ~ InitialWeight + Program*Week + (Week|Subject)'）;

显示固定效应系数估计值和相应的固定效应名称。

[beta,betanames] = fixedEffects(lme)
β=9×10.6610 0.0032 0.3608 -0.0333 0.1132 0.1732 0.0388 0.0305 0.0331
betanames =9×1表的名字  __________________ {'( 拦截)}{‘InitialWeight}{‘Program_B}{‘Program_C}{‘Program_D}{‘周’}{Program_B:一周的}{Program_C:一周的}{‘Program_D:周}
打开实时脚本

加载样例数据。

负载carbig

拟合每加仑英里数(MPG)的线性混合效应模型，其中加速度和马力具有固定效应，截距和加速度具有潜在的相关随机效应，按模型年份分组。首先，将数据存储在一个表中。

tbl = table(加速度，马力，Model_Year,MPG);

拟合模型。

Lme = fitlme(tbl，'MPG ~加速度+马力+(加速度|型号年)'）;

计算固定效应系数估计值和相关统计数据。

[~，~，stats] = fixedEffects(lme)
stats =固定效应系数:DFMethod = '残差'，Alpha = 0.05名称估计SE tStat DF{'(拦截)'}50.133 2.2652 22.132 389{'加速度'}-0.58327 0.13394 -4.3545 389{'马力'}-0.16954 0.0072609 -23.35 389 pValue Lower Upper 7.7727e-71 45.679 54.586 1.7075e-05 -0.84661 -0.31992 5.188e-76 -0.18382 -0.15527

小 p 值(在pValue)表示所有固定效应系数均显著。

打开实时脚本

加载样例数据。

负载(“shift.mat”）;

数据显示了五名操作员在上午、晚上和晚上三班期间生产的产品与目标质量特征的偏差。s manbetx 845这是一个随机块设计，其中的操作符就是块。本实验旨在研究换挡时间对性能的影响。绩效衡量是指质量特征与目标值之间的偏差。这是模拟数据。

转变而且操作符都是名义变量。

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

拟合线性混合效应模型与随机截距分组的操作员，以评估性能是否显著不同，根据轮班的时间。

Lme = fitlme(移位，'QCDev ~ Shift + (1|Operator)'）;

计算固定效应系数的99%置信区间，使用残差方法计算自由度。这是默认的方法。

[~，~，stats] = fixedEffects(lme，“α”, 0.01)
stats =固定效应系数:DFMethod = 'Residual'， Alpha = 0.01名称估计SE tStat DF pValue{'(拦截)'}3.1196 0.88681 3.5178 12 0.0042407 {'Shift_Morning'} -0.3868 0.48344 -0.80009 12 0.43921 {'Shift_Night'} 1.9856 0.48344 4.1072 12 0.0014535下上0.41081 5.8284 -1.8635 1.0899 0.5089 3.4623

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

[~，~，stats] = fixedEffects(lme，“DFMethod”，“satterthwaite”，“α”, 0.01)
stats =固定效应系数:DFMethod = 'Satterthwaite'， Alpha = 0.01名称估计SE tStat DF pValue{'(拦截)'}3.1196 0.88681 3.5178 6.123 0.01214 {'Shift_Morning'} -0.3868 0.48344 -0.80009 10 0.44225 {'Shift_Night'} 1.9856 0.48344 4.1072 10 0.00212 Lower Upper -0.14122 6.3804 -1.919 1.1454 0.45343 3.5178

Satterthwaite近似通常产生更小的DF值大于残差法。这就是为什么它的产量更大 p 值(pValue)和更大的置信区间(见较低的而且上）.

另请参阅

||||