主要内容gydF4y2Ba

randomEffectsgydF4y2Ba

类:gydF4y2BaLinearMixedModelgydF4y2Ba

随机效应的估计和相关统计gydF4y2Ba

展开全部页面gydF4y2Ba

语法gydF4y2Ba

B = randomEffects(lme)gydF4y2Ba
[B,Bnames] = randomEffects(lme)gydF4y2Ba
[B,Bnames,stats] = randomEffects(lme)gydF4y2Ba
[B,Bnames,stats] = randomEffects(lme,Name,Value)gydF4y2Ba

描述gydF4y2Ba

例子gydF4y2Ba

BgydF4y2Ba= randomEffects (gydF4y2Balme三个月gydF4y2Ba）gydF4y2Ba返回线性混合效应模型中随机效应的最佳线性无偏预测因子(BLUPs)的估计值gydF4y2Balme三个月gydF4y2Ba．gydF4y2Ba

例子gydF4y2Ba

(gydF4y2BaBgydF4y2Ba，gydF4y2BaBnamesgydF4y2Ba= randomEffects(gydF4y2Balme三个月gydF4y2Ba）gydF4y2Ba还返回其中系数的名称gydF4y2BaBnamesgydF4y2Ba．每个名称对应一个系数gydF4y2BaBgydF4y2Ba．gydF4y2Ba

例子gydF4y2Ba

(gydF4y2BaBgydF4y2Ba，gydF4y2BaBnamesgydF4y2Ba，gydF4y2Ba统计数据gydF4y2Ba= randomEffects(gydF4y2Balme三个月gydF4y2Ba）gydF4y2Ba还返回线性混合效应模型中随机效应的估计blupgydF4y2Balme三个月gydF4y2Ba以及相关统计。gydF4y2Ba

例子gydF4y2Ba

(gydF4y2BaBgydF4y2Ba，gydF4y2BaBnamesgydF4y2Ba，gydF4y2Ba统计数据gydF4y2Ba= randomEffects(gydF4y2Balme三个月gydF4y2Ba，gydF4y2Ba名称,值gydF4y2Ba）gydF4y2Ba还返回线性混合效应模型中随机效应的blupgydF4y2Balme三个月gydF4y2Ba和相关统计信息，其中包含一个或多个指定的附加选项gydF4y2Ba名称,值gydF4y2Ba对参数。gydF4y2Ba

输入参数gydF4y2Ba

全部展开gydF4y2Ba

线性混合效应模型，指定为agydF4y2BaLinearMixedModelgydF4y2Ba使用gydF4y2BafitlmegydF4y2Ba或gydF4y2BafitlmematrixgydF4y2Ba．gydF4y2Ba

名称-值参数gydF4y2Ba

的可选逗号分隔对gydF4y2Ba名称,值gydF4y2Ba参数。gydF4y2Ba的名字gydF4y2Ba参数名称和gydF4y2Ba价值gydF4y2Ba对应的值。gydF4y2Ba的名字gydF4y2Ba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gydF4y2BaName1, Value1,…,的家gydF4y2Ba．gydF4y2Ba

显著性级别，指定为由逗号分隔的对组成gydF4y2Ba“α”gydF4y2Ba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)%。gydF4y2Ba

例如，对于99%置信区间，可以按如下方式指定置信级别。gydF4y2Ba

例子:gydF4y2Ba“阿尔法”,0.01gydF4y2Ba

数据类型:gydF4y2Ba单gydF4y2Ba|gydF4y2Ba双gydF4y2Ba

计算近似自由度的方法gydF4y2BatgydF4y2Ba-针对0测试随机效应系数的统计信息，由逗号分隔的对组成gydF4y2Ba“DFMethod”gydF4y2Ba下面是其中之一。gydF4y2Ba

“残留”gydF4y2Ba 违约。自由度假设为常数，等于gydF4y2BangydF4y2Ba- - - - - -gydF4y2BapgydF4y2Ba,在那里gydF4y2BangydF4y2Ba观察的次数和gydF4y2BapgydF4y2Ba是固定效果的数量。gydF4y2Ba
“satterthwaite”gydF4y2Ba Satterthwaite近似。gydF4y2Ba
“没有”gydF4y2Ba 所有的自由度都设为无穷大。gydF4y2Ba

例如，您可以如下所示指定Satterthwaite近似。gydF4y2Ba

例子:gydF4y2Ba“DFMethod”、“satterthwaite”gydF4y2Ba

输出参数gydF4y2Ba

全部展开gydF4y2Ba

估计线性混合效应模型随机效应的最佳线性无偏预测因子gydF4y2Balme三个月gydF4y2Ba，作为列向量返回。gydF4y2Ba

假设gydF4y2Balme三个月gydF4y2Ba有gydF4y2BaRgydF4y2Ba变量分组ggydF4y2Ba1gydF4y2BaggydF4y2Ba2gydF4y2Ba、……ggydF4y2BaRgydF4y2Ba，有层次gydF4y2Ba米gydF4y2Ba1gydF4y2Ba，gydF4y2Ba米gydF4y2Ba2gydF4y2Ba、……gydF4y2Ba米gydF4y2BaRgydF4y2Ba,分别。也想gydF4y2Ba问gydF4y2Ba1gydF4y2Ba，gydF4y2Ba问gydF4y2Ba2gydF4y2Ba、……gydF4y2Ba问gydF4y2BaRgydF4y2Ba随机效应向量的长度与g有关吗gydF4y2Ba1gydF4y2BaggydF4y2Ba2gydF4y2Ba、……ggydF4y2BaRgydF4y2Ba,分别。然后,gydF4y2BaBgydF4y2Ba列向量是长度吗gydF4y2Ba问gydF4y2Ba1gydF4y2Ba＊gydF4y2Ba米gydF4y2Ba1gydF4y2Ba+gydF4y2Ba问gydF4y2Ba2gydF4y2Ba＊gydF4y2Ba米gydF4y2Ba2gydF4y2Ba+……+gydF4y2Ba问gydF4y2BaRgydF4y2Ba＊gydF4y2Ba米gydF4y2BaRgydF4y2Ba．gydF4y2Ba

randomEffectsgydF4y2Ba创建gydF4y2BaBgydF4y2Ba通过串联随机效应向量的最佳线性无偏预测，对应于每个分组变量的每一级为gydF4y2Ba(ggydF4y2Ba1gydF4y2Ba水平gydF4y2Ba1gydF4y2Ba；ggydF4y2Ba1gydF4y2Ba水平gydF4y2Ba2gydF4y2Ba；…;ggydF4y2Ba1gydF4y2Ba水平gydF4y2Ba米gydF4y2Ba1gydF4y2Ba；ggydF4y2Ba2gydF4y2Ba水平gydF4y2Ba1gydF4y2Ba；ggydF4y2Ba2gydF4y2Ba水平gydF4y2Ba2gydF4y2Ba；…;ggydF4y2Ba2gydF4y2Ba水平gydF4y2Ba米gydF4y2Ba2gydF4y2Ba；…;ggydF4y2BaRgydF4y2Ba水平gydF4y2Ba1gydF4y2Ba；ggydF4y2BaRgydF4y2Ba水平gydF4y2Ba2gydF4y2Ba；…;ggydF4y2BaRgydF4y2Ba水平gydF4y2Ba米gydF4y2BaRgydF4y2Ba]“gydF4y2Ba．gydF4y2Ba

随机效应系数的名称gydF4y2BaBgydF4y2Ba，作为表返回。gydF4y2Ba

随机效果blup和相关统计数据的估计，作为一个数据集数组返回，每个固定效果有一行，下面的每个统计数据有一列。gydF4y2Ba

集团gydF4y2Ba 与随机效应相关的变量分组gydF4y2Ba
水平gydF4y2Ba 级别内的分组变量对应随机效应gydF4y2Ba
的名字gydF4y2Ba 随机效应系数的名称gydF4y2Ba
估计gydF4y2Ba 随机效应的最佳线性无偏预测器gydF4y2Ba
西普gydF4y2Ba 估计的标准误差(BLUP减去随机效应)gydF4y2Ba
tStatgydF4y2Ba tgydF4y2Ba随机效应为零的测试gydF4y2Ba
DFgydF4y2Ba 估计的自由度gydF4y2BatgydF4y2Ba统计gydF4y2Ba
pValuegydF4y2Ba pgydF4y2Ba-valuegydF4y2BatgydF4y2Ba统计gydF4y2Ba
较低的gydF4y2Ba 随机效应95%置信区间的下限gydF4y2Ba
上gydF4y2Ba 随机效应的95%置信区间的上限gydF4y2Ba

例子gydF4y2Ba

全部展开gydF4y2Ba

打开实时脚本gydF4y2Ba

加载样例数据。gydF4y2Ba

负载gydF4y2BacarbiggydF4y2Ba

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，并按模型年份分组。首先，将数据存储在一个表中。gydF4y2Ba

tbl = table(加速度，马力，Model_Year,MPG);gydF4y2Ba

拟合模型。gydF4y2Ba

Lme = fitlme(tbl，gydF4y2Ba'MPG ~加速度+马力+(加速度|型号年)'gydF4y2Ba）;gydF4y2Ba

计算随机效应系数的blup，并显示相应随机效应的名称。gydF4y2Ba

[B,Bnames] = randomEffects(lme)gydF4y2Ba
B =gydF4y2Ba26日×1gydF4y2Ba3.1270 -0.2426 -1.6532 -0.0086 1.2075 -0.2179 4.4107 -0.4887 -1.3103 -0.0208gydF4y2Ba
Bnames =gydF4y2Ba26日×3表gydF4y2Ba组级别名称  ______________ ______ ________________ {' Model_Year’}{‘70’}{(拦截)的}{‘Model_Year}{70”}{“加速度”}{‘Model_Year}{71”}{(拦截)的}{‘Model_Year}{71”}{“加速度”}{‘Model_Year}{72”}{(拦截)的}{‘Model_Year}{72”}{“加速度”}{‘Model_Year}{73”}{(拦截)的}{‘Model_Year}{73”}{“加速度”}{‘Model_Year}{74”}{(拦截)的}{‘Model_Year}{74”}{“加速度”}{‘Model_Year}{75”}{(拦截)的}{' Model_Year '}”{75}{“加速度”}{‘Model_Year}{76”}{(拦截)的}{‘Model_Year}{76”}{“加速度”}{‘Model_Year}{77”}{(拦截)的}{‘Model_Year}{77”}{“加速度”}⋮gydF4y2Ba

由于截距和加速度具有潜在的相关随机效应，按车型年份分组，gydF4y2BarandomEffectsgydF4y2Ba在分组变量的每个级别上为截距和加速度创建单独的行。gydF4y2Ba

计算随机效应的协方差参数。gydF4y2Ba

[~，~，stats] = covarianceParameters(lme)gydF4y2Ba
统计=gydF4y2Ba2×1单元格数组gydF4y2Ba{3 x7 classreg.regr.lmeutils。titleddataset} {1x5 classreg.regr.lmeutils.titleddataset}
统计{1}gydF4y2Ba
ans =协方差类型:FullCholesky Group Name1 Name2 Type Model_Year{'(截距)'}{'(截距)'}{'std'} Model_Year{'加速度'}{'(截距)'}{'corr'} Model_Year{'加速度'}{'加速度'}{'std'}估计下限上限3.3475 1.2862 8.7119 -0.87971 -0.98501 -0.29675 0.33789 0.1825 0.62558gydF4y2Ba

相关值表明随机效应似乎呈负相关。绘制截距与加速度的随机效应来证实这一点。gydF4y2Ba

情节(B(1:2)、B(2:2:结束),gydF4y2Ba的r *gydF4y2Ba）gydF4y2Ba

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

打开实时脚本gydF4y2Ba

加载样例数据。gydF4y2Ba

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

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。gydF4y2Ba

将数据存储在名为gydF4y2BadsgydF4y2Ba，为实际目的，并定义gydF4y2Ba番茄gydF4y2Ba，gydF4y2Ba土壤gydF4y2Ba,gydF4y2Ba肥料gydF4y2Ba作为分类变量。gydF4y2Ba

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);gydF4y2Ba

拟合线性混合效应模型，其中gydF4y2Ba肥料gydF4y2Ba而且gydF4y2Ba番茄gydF4y2Ba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。gydF4y2Ba

Lme = fitlme(ds，gydF4y2Ba产量~肥料*番茄+(1|土壤)+(1|土壤:番茄)gydF4y2Ba）;gydF4y2Ba

计算blup和随机效应的相关统计数据。gydF4y2Ba

[~，~，stats] = randomEffects(lme)gydF4y2Ba
统计=随机效应系数:DFMethod = '残差'，α= 0.05组级别名称{“土壤”}{“肥沃的”}{(拦截)的}{“土壤”}{“桑迪”}{(拦截)的}{“土壤”}{“粉”}{(拦截)的}{的土壤:番茄}{“肥沃的樱桃”}{(拦截)的}{的土壤:番茄}{“肥沃的葡萄”}{(拦截)的}{的土壤:番茄}{“肥沃的传家宝”}{(拦截)的}{的土壤:番茄}{“肥沃的李子”}{(拦截)的}{的土壤:番茄}{“肥沃的葡萄树”}{(拦截)的}{的土壤:番茄}{'桑迪樱桃}{(拦截)的}{的土壤:番茄}{'桑迪葡萄}{(拦截)的}{的土壤:番茄}{“桑迪传家宝”}{(拦截)的}{的土壤:番茄}{“桑迪李子”}{(拦截)的}{的土壤:番茄}{“桑迪葡萄树”}{(拦截)的}{的土壤:番茄}{“樱桃粉”}{(拦截)的}{的土壤:番茄}{‘粉葡萄}{(拦截)的}{的土壤:番茄}{“淤泥的传家宝”}{(拦截)的}{的土壤:番茄}{“粉梅”}{(拦截)的}{的土壤:番茄}{“粉葡萄树”}{(拦截)的}估计西普tStat DF pValue低40上1.0061 2.3374 0.43044 0.66918 -3.718 5.7303 -1.5236 2.3374-0.65181 40 0.51825 -6.2477 3.2006 0.51744 2.3374 0.22137 40 0.82593 -4.2067 5.2416 12.46 0.090224 -2.0443 26.964 -2.6429 7.1765 -17.147 -0.36827 40 0.71461 -17.147 11.861 16.681 7.3244 40 0.025269 2.1766 31.185 -5.0172 7.1765 -0.69911 40 -19.522 9.4872 -4.6874 7.1739 -19.192 9.8169 -17.393 7.1765 -2.8882 -7.3679 7.1765 -1.0267 40 0.31075 -21.872 7.1364 -8.621 7.1765 1.0686 400.29165 -6.8353 22.173 0.28246 7.1765 0.039359 40 0.9688 -14.222 14.787 4.9326 7.1765 0.68732 40 0.49585 -9.5718 19.437 10.011 7.1765 1.3949 40 0.17073 -4.4935 24.515 -8.0599 7.1765 -1.1231 40 0.2681 -22.564 6.4444 -2.6519 7.1765 -0.36952 40 0.71369 -17.156 11.852 4.405 7.1765 0.6138 40 0.54282 -10.099 18.909gydF4y2Ba

前三行包含随机效应估计和三个水平的统计数据，gydF4y2Ba肥沃的gydF4y2Ba，gydF4y2Ba桑迪gydF4y2Ba,gydF4y2Ba粉砂质gydF4y2Ba分组变量的gydF4y2Ba土壤gydF4y2Ba．相应的gydF4y2Ba pgydF4y2Ba -values 0.66918, 0.51825, 0.82593表示这些随机效应与0无显著差异。以下15行包括截距随机效应估计的BLUPS，以Soil中嵌套的变量Tomato进行分组，即相互作用gydF4y2Ba番茄gydF4y2Ba而且gydF4y2Ba土壤gydF4y2Ba．gydF4y2Ba

打开实时脚本gydF4y2Ba

加载样例数据。gydF4y2Ba

负载gydF4y2Ba转变gydF4y2Ba

拟合由操作员分组的随机截距的线性混合效应模型，以评估根据移位时间是否有显著的性能差异。使用限制性极大似然法。gydF4y2Ba

Lme = fitlme(移位，gydF4y2Ba'QCDev ~ Shift + (1|Operator)'gydF4y2Ba）;gydF4y2Ba

使用残差选项计算随机效应的99%置信区间以计算自由度。这是默认的方法。gydF4y2Ba

[~，~，stats] = randomEffects(lme，gydF4y2Ba“α”gydF4y2Ba, 0.01)gydF4y2Ba
统计=随机效应系数:DFMethod = '残差'，Alpha = 0.01组级别名称估计SEPred {'Operator'}{'1'}{'(拦截)'}0.57753 0.90378 {'Operator'}{'2'}{'(拦截)'}1.1757 0.90378 {'Operator'}{'3'}{'(拦截)'}-2.1715 0.90378}2.3655 0.90378 {'Operator'}{'5'}{'(拦截)'}-1.9472 0.90378 tStat DF pValue Lower Upper 0.63902 12 0.53482 -2.1831 3.3382 1.3009 12 0.21772 -1.5849 3.9364 -2.4027 12 0.033352 -4.9322 0.39511 5.1261 -2.1546 12 0.052216 -4.7079 0.81337gydF4y2Ba

使用Satterthwaite近似来计算自由度，计算随机效应的99%置信区间。gydF4y2Ba

[~，~，stats] = randomEffects(lme，gydF4y2Ba“DFMethod”gydF4y2Ba，gydF4y2Ba“satterthwaite”gydF4y2Ba，gydF4y2Ba“α”gydF4y2Ba, 0.01)gydF4y2Ba
统计=随机效应系数:DFMethod = 'Satterthwaite'，Alpha = 0.01组级别名称估计SEPred{'操作员'}{'1'}{'(拦截)'}0.57753 0.90378{'操作员'}{'2'}{'(拦截)'}1.1757 0.90378{'操作员'}{'3'}{'(拦截)'}2.1715 0.90378{'操作员'}{'5'}{'(拦截)'}2.3655 0.90378{'操作员'}{'5'}{'(拦截)'}-1.9472 0.90378 tStat DF pValue Lower Upper 0.63902 6.4253 0.5449 -2.684 3.839 1.3009 6.4253 0.23799 -2.0858 4.4372 -2.4027 6.4253 0.050386 -5.433 1.09 2.6174 6.4253 0.050386 - 5.89598 5.627 -2.1546 6.4253 0.071626-5.2087 - 1.3142gydF4y2Ba

Satterthwaite方法通常产生较小的自由度值(gydF4y2BaDFgydF4y2Ba)，会导致较大的p值(gydF4y2BapValuegydF4y2Ba)和较大的置信区间(gydF4y2Ba较低的gydF4y2Ba而且gydF4y2Ba上gydF4y2Ba)进行随机效应估计。gydF4y2Ba

另请参阅gydF4y2Ba

|gydF4y2Ba|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MATLAB指南gydF4y2Ba

掌握机器学习:一步一步的MATLAB指南gydF4y2Ba

下载电子书gydF4y2Ba