主要内容

剩余物

班级：LinearMixedModel

拟合线性混合效应模型的残留物

全部展开页面

语法

R =残差（LME）
R =残差(lme、名称、值)

描述

例子

R=残差（LME.）从拟合的线性混合效果模型返回原始条件残留物LME.．

例子

R=残差（LME.，名称，价值）返回线性混合效应模型的残差LME.具有一个或多个指定的其他选项名称，价值对论点。

例如，您可以指定皮尔逊或标准化残差，或仅来自固定效应的残差。

输入参数

展开全部

线性混合效果模型，指定为aLinearMixedModel使用的对象fitlme.或者fitlmematrix.．

名称-值参数

指定可选的逗号分隔的对名称，价值论点。的名字参数名和价值是相应的价值。的名字必须出现在引号内。您可以以任何顺序指定多个名称和值对参数name1，value1，...，namen，valuen．

条件剩余的指示符，指定为逗号分隔对，由“条件”下面是其中之一。

真的 固定效应和随机效应的贡献(条件)
错误的 只有固定效果的贡献（边缘）

例子：“条件”,假的

由逗号分隔对指定的剩余类型ResidualType下面是其中之一。

剩余的类型 条件 边际
'生的'

r 我 C ＝ ［ y − X β ＾ − Z b ＾ ］ 我

r 我 米 ＝ ［ y − X β ＾ ］ 我

'Pearson'

p r 我 C ＝ r 我 C ［ V 一个 r ＾ y ， b （ y − X β − Z b ） ］ 我 我

p r 我 米 ＝ r 我 米 ［ V 一个 r ＾ y （ y − X β ） ］ 我 我

'标准化'

年代 t 我 C ＝ r 我 C ［ V 一个 r ＾ y （ r C ） ］ 我 我

年代 t 我 米 ＝ r 我 米 ［ V 一个 r ＾ y （ r 米 ） ］ 我 我

有关条件残差和边际残差及残差方差的更多信息，请参阅定义在本页结尾。

例子：'Residualtype'，'标准化'

输出参数

展开全部

拟合线性混合效应模型的残留物LME.作为一个返回n-by-1矢量，在哪里n是观察人数。

例子

展开全部

打开直播脚本

加载样本数据。

负载(“weight.mat”）;

重量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。

将数据存储在表中。定义主题和程序作为分类变量。

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

适合线性混合效应模型，其中初始重量，程序类型，周和计划之间的互动以及程序类型是固定效果。拦截和周因主题而异。

lme = fitlme(资源描述,'Y〜初始重量+计划*周+（周|主题）'）;

计算拟合值和原始残留物。

f =安装（LME）;r =残差（LME）;

绘制残差与拟合值的关系。

情节(F R'bx'）Xlabel（的拟合值）ylabel（'残留'）

图中包含一个轴对象。axis对象包含一个类型为line的对象。

现在，把残差和拟合值绘制出来，按程序分组。

图();gscatter (F R程序)

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。

随着预期的计划，残差似乎表现出类似的程序。

打开直播脚本

加载样本数据。

负载carbig

将每加仑英里(MPG)、加速、马力、汽缸和车型年的变量存储在一个表格中。

台=表(MPG、加速度、马力、汽缸Model_Year);

拟合每加仑英里数(MPG)的线性混合效应模型，其中加速度、马力和汽缸的影响是固定的，按模型年份分组的截距和加速度的潜在随机效应是相关的。

lme = fitlme(资源描述,'MPG ~加速度+马力+气缸+(加速度|Model_Year)'）;

计算条件皮尔逊残差并显示前5个残差。

公关=残差(lme,'Residualtype'，'Pearson'）;PR（1：5）
ANS =.5×1-0.0533 0.0652 0.3655 -0.0106 0.3340

计算边际皮尔森残差并显示前5个残差。

PRM =残留物（LME，'Residualtype'，'Pearson'，“条件”，错误的）;PRM（1：5）
ANS =.5×1-0.1250 0.0130 0.3242 -0.0861-0.3006
打开直播脚本

加载样本数据。

负载carbig

将每加仑英里(MPG)、加速、马力、汽缸和车型年的变量存储在一个表格中。

台=表(MPG、加速度、马力、汽缸Model_Year);

拟合每加仑英里数(MPG)的线性混合效应模型，其中加速度、马力和汽缸的影响是固定的，按模型年份分组的截距和加速度的潜在随机效应是相关的。

lme = fitlme(资源描述,'MPG ~加速度+马力+气缸+(加速度|Model_Year)'）;

用正常合身绘制原始残留的直方图。

r =残差(lme);histfit(右)

图中包含一个轴对象。axis对象包含两个类型为bar, line的对象。

正态分布似乎很适合残差。

计算条件皮尔森残差和标准化残差，并创建所有三种残差的箱形图。

公关=残差(lme,'Residualtype'，'Pearson'）;st =残差（LME，'Residualtype'，'标准化'）;X = [r pr st];箱线图(X)

图中包含一个轴对象。axis对象包含21个类型为line的对象。

Red Plus标志显示与高于或更低的残差的观察结果 问 3. + 1 ． 5 （ 问 3. - 问 1 ） 和 问 1 - 1 ． 5 （ 问 3. - 问 1 ） ， 在哪里 问 1 和 问 3. 分别是第25和75个百分位数。

找出残差在平均值上下为2.5个标准差的观测值。

找到(r >的意思是(r,“omitnan”）+ 2.5 * std（r，“omitnan”））
ANS =.7×162 252 255 330 337 341 396
查找（R <均值（r，“omitnan”) - 2.5 *性病(r,“omitnan”））
ANS =.3×1119 324 375.

更多关于

展开全部

另请参阅

|||

统计和机器学习工具箱文档

万博1manbetx

掌握机器学习:一步一步的指导与MATLAB

掌握机器学习:一步一步的指导与MATLAB

下载电子书