预测线性混合效应模型的响应
lme三个月
- - - - - -线性混合效应模型LinearMixedModel
对象线性混合效应模型,指定为aLinearMixedModel
使用fitlme
或fitlmematrix
.
tblnew
- - - - - -新的输入数据数据集
数组新的输入数据,其中包括响应变量、预测变量和分组变量,指定为表或数据集数组。预测变量可以是连续变量或分组变量。tblnew
必须具有与用于拟合线性混合效果模型的原始表或数据集数组中相同的变量lme三个月
.
Xnew
- - - - - -新的固定效果设计矩阵新的固定效果设计矩阵,指定为n——- - - - - -p矩阵,n观察的次数和p是固定预测变量的数量。每行X
对应于的一个观察值和每一列X
对应一个变量。
数据类型:单
|双
Znew
- - - - - -新的随机效果设计新的随机效果设计,指定为n——- - - - - -问矩阵或单元格数组R设计矩阵Z {r}
,在那里r= 1, 2,…R.如果Znew
是单元格数组,然后是每个Z {r}
是一个n——- - - - - -问(r)矩阵,其中n是观察数,和问(r)为随机预测变量的个数。
数据类型:单
|双
|细胞
的可选逗号分隔对名称,值
参数。的名字
参数名称和价值
对应的值。的名字
必须出现在引号内。您可以以任意顺序指定多个名称和值对参数Name1, Value1,…,的家
.
α
- - - - - -显著性水平显著性级别,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
有条件的
- - - - - -条件预测指标真正的
(默认)|假
DFMethod
- - - - - -计算近似自由度的方法“残留”
(默认)|“satterthwaite”
|“没有”
用于计算置信区间计算中使用的近似自由度的方法,指定为由逗号分隔的对组成的“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”
同时
- - - - - -置信范围的类型假
(默认)|真正的
置信范围的类型,指定为逗号分隔的对,由“同时”
下面是其中之一。
假 |
违约。异时界限。 |
真正的 |
同时。 |
例子:“同步”,真的
预测
- - - - - -预测类型“曲线”
(默认)|“观察”
预测类型,指定为逗号分隔的对,由“预测”
下面是其中之一。
“曲线” |
违约。基于拟合函数的预测置信范围。 |
“观察” |
由于新观测的观测误差引起的变异性也包括在置信界计算中,这导致了更宽的边界。 |
例子:“预测”,“观察”
加载样例数据。
负载(“fertilizer.mat”);
数据集数组包括来自裂区实验的数据,其中土壤根据土壤类型分为三个块:沙质、粉质和壤土。每个地块被划分为五个地块,其中五种不同类型的番茄植物(樱桃、传家宝、葡萄、藤蔓和李子)被随机分配到这些地块。然后将地块中的番茄植物划分为子地块,每个子地块使用四种肥料中的一种进行处理。这是模拟数据。
将数据存储在名为ds
,为实际目的,并定义番茄
,土壤
,肥料
作为分类变量。
Ds =肥料;ds。番茄=名义的(ds.Tomato);ds。土壤=名义的(ds.Soil);ds。肥料=名义(ds.Fertilizer);
拟合线性混合效应模型,其中肥料
而且番茄
为固定效应变量,平均产量随块(土壤类型)和块内地块(土壤类型中的番茄类型)而独立变化。
Lme = fitlme(ds,产量~肥料*番茄+(1|土壤)+(1|土壤:番茄));
预测原始设计值处的响应值。用观察到的响应值显示前五个预测。
预测(lme);[yhat (1:5) ds.Yield (1:5)]
ans =5×2115.4788 104.0000 135.1455 136.0000 152.8121 158.0000 160.4788 174.0000 58.0839 57.0000
加载样例数据。
负载carsmall
拟合线性混合效应模型,为固定效应重量
,和随机截取分组Model_Year
.首先,将数据存储在一个表中。
tbl = table(MPG,Weight,Model_Year);Lme = fitlme(tbl,'MPG ~ Weight + (1|Model_Year)');
创建对数据的预测反应。
Yhat = predict(lme,tbl);
把原始反应和预测反应画出来,看看它们有什么不同。按型号年份分组。
figure() gscatter(Weight,MPG,Model_Year) hold住在gscatter(重量、yhat Model_Year [],“o + x”)传说(70 -数据,76 -数据,82 -数据,“70 - pred”,“76 - pred”,“82 - pred”)举行从
加载样例数据。
负载(“fertilizer.mat”);
数据集数组包括来自裂区实验的数据,其中土壤根据土壤类型分为三个块:沙质、粉质和壤土。每个地块被划分为五个地块,其中五种不同类型的番茄植物(樱桃、传家宝、葡萄、藤蔓和李子)被随机分配到这些地块。然后将地块中的番茄植物划分为子地块,每个子地块使用四种肥料中的一种进行处理。这是模拟数据。
将数据存储在名为ds
,为实际目的,并定义番茄
,土壤
,肥料
作为分类变量。
Ds =肥料;ds。番茄=名义的(ds.Tomato);ds。土壤=名义的(ds.Soil);ds。肥料=名义(ds.Fertilizer);
拟合线性混合效应模型,其中肥料
而且番茄
为固定效应变量,平均产量随块(土壤类型)和块内地块(土壤类型中的番茄类型)而独立变化。
Lme = fitlme(ds,产量~肥料*番茄+(1|土壤)+(1|土壤:番茄));
用设计值创建一个新的数据集数组。新的数据集数组必须具有与用于拟合模型的原始数据集数组相同的变量lme三个月
.
Dsnew = dataset();dsnew。土壤=nominal({“桑迪”;“粉”});dsnew。番茄=nominal({“樱桃”;“葡萄”});dsnew。肥料=标称([2;2]);
预测原始设计点的条件响应和边际响应。
yhatC = predict(lme,dsnew);yhatM = predict(lme,dsnew,“条件”、假);[yhatC yhatM]
ans =2×292.7505 111.6667 87.5891 82.6667
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,对加速度、马力和汽缸进行固定效应,并对截距和加速度进行潜在的相关随机效应,按模型年份分组。
首先,编制拟合线性混合效应模型的设计矩阵。
X = [ones(406,1)加速马力];Z = [ones(406,1)加速度];Model_Year = nominal(Model_Year);G = Model_Year;
现在,使用拟合模型fitlmematrix
利用定义的设计矩阵和分组变量。
lme = fitlmematrix(X,MPG,Z,G,“FixedEffectPredictors”,....{“拦截”,“加速”,“马力”},“RandomEffectPredictors”,...{{“拦截”,“加速”}},“RandomEffectGroups”,{“Model_Year”});
创建包含预测响应值的数据的设计矩阵。Xnew
必须有三列X
.第一列必须是一列1。最后两列的值必须对应加速度
而且马力
,分别。的第一列Znew
必须是一列的1,第二列必须包含相同的加速度
值如Xnew
.中的原始分组变量G
是模型年。所以,Gnew
必须包含型号年份的值。请注意,Gnew
必须包含标称值。
Xnew = [1,13.5,185;1, 17205;1、21.2,193];Znew = [1,13.5;1、17;1, 21.2);% Znew = Xnew(:,1:2);Gnew = nominal([73 77 82]);
预测新设计矩阵中数据的响应。
yhat = predict(lme,Xnew,Znew,Gnew)
yhat =3×18.7063 5.4423 12.5384
现在,重复同样的线性混合效应模型与不相关的随机效应项截距和加速度。首先,改变原有的随机效果设计和随机效果分组变量。然后,改装模型。
Z = {ones(406,1),加速度};G = {Model_Year,Model_Year};lme = fitlmematrix(X,MPG,Z,G,“FixedEffectPredictors”,....{“拦截”,“加速”,“马力”},“RandomEffectPredictors”,...{{“拦截”},{“加速”}},“RandomEffectGroups”,{“Model_Year”,“Model_Year”});
现在,重新创建新的随机效果设计,Znew
,分组变量设计,Gnew
,据此预测响应值。
Znew = {[1;1;1],[13.5;17;21.2]};MY = nominal([73 77 82]);Gnew = {MY,MY};
使用新的设计矩阵预测响应。
yhat = predict(lme,Xnew,Znew,Gnew)
yhat =3×18.6365 5.9199 12.1247
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,对加速度、马力和汽缸进行固定效应,并对截距和加速度进行潜在的相关随机效应,按模型年份分组。首先,将变量存储在一个表中。
tbl = table(MPG,加速度,马力,Model_Year);
现在,使用拟合模型fitlme
利用定义的设计矩阵和分组变量。
Lme = fitlme(tbl,'MPG ~加速度+马力+(加速度|型号年)');
创建新数据并将其存储在一个新表中。
Tblnew = table();tblnew。加速度= linspace(8,25)';tblnew。马力= linspace(min(马力),max(马力))';tblnew。米odel_Year = repmat(70,100,1);
linspace
在较低和较高输入限制之间创建100个相等距离的值。Model_Year
固定在70。您可以对任何型号的年份重复此操作。
计算并绘制预测值和95%置信限(非同时)。
[ypred,yCI,DF] = predict(lme,tblnew);图();h1 = line(tblnew.Acceleration,ypred);持有在;H2 = plot(tblnew。加速度,开办,“g -”。);
显示自由度。
DF (1)
Ans = 389
计算并绘制同步置信边界。
[ypred,yCI,DF] = predict(lme,tblnew,“同时”,真正的);H3 = plot(tblnew。加速度,开办,“r——”);
显示自由度。
DF
Df = 389
使用Satterthwaite方法计算自由度,计算同时置信边界。
[ypred,yCI,DF] = predict(lme,tblnew,“同时”,真的,“DFMethod”,“satterthwaite”);H4 = plot(tblnew。加速度,开办,凯西:”);持有从包含(“加速”) ylabel (“响应”) ylim ([-50, 60]) xlim([8,25])传说((h1, h2 (1), h3 (1), h4(1)]。“预测响应”,“95%”,“95%的Sim卡”,...“95% Sim-Satt”,“位置”,“最佳”)
显示自由度。
DF
Df = 3.6001
条件预测包括固定效应和随机效应,而边际模型只包括固定效应。
假设线性混合效应模型lme三个月
有一个n——- - - - - -p固定效果设计矩阵X
和一个n——- - - - - -问随机效应设计矩阵Z
.同时,假设估计p-by-1固定效果向量为
,以及问-by-1估计的最佳线性无偏预测器(BLUP)随机效应的向量为
.预测的条件响应是
对应于“有条件的”、“真正的”
名称-值对参数。
预测的边际响应为
对应于“条件”,“假”
名称-值对参数。
在进行预测时,如果一个特定的分组变量有新的水平(1不在原始数据中),那么分组变量的随机效应不会对预测做出贡献“条件”
在分组变量有新级别的观察中进行预测。
你点击了一个对应于这个MATLAB命令的链接:
在MATLAB命令窗口中输入该命令来运行该命令。Web浏览器不支持MATLAB命令。万博1manbetx
您也可以从以下列表中选择一个网站:
选择中国站点(中文或英文)以获得最佳站点性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。