预测
预测线性混合效应模型的响应
语法
描述
输入参数
输出参数
例子
预测在原始设计值时的响应
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
情节预测vs.观察反应
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
预测新数据集数组中值的响应
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
在新设计矩阵的值处预测响应
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
计算预测的置信区间
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
更多关于
另请参阅
您也可以从以下列表中选择一个网站:
