fitlmegydF4y2Ba

拟合线性混合效应模型gydF4y2Ba

语法gydF4y2Ba

Lme = fitlme(tbl，公式)gydF4y2Ba

lme = fitlme(tbl，公式，名称，值)gydF4y2Ba

描述gydF4y2Ba

lme三个月gydF4y2Ba= fitlme (gydF4y2Ba资源描述gydF4y2Ba，gydF4y2Ba公式gydF4y2Ba）gydF4y2Ba返回一个线性混合效果模型，由gydF4y2Ba公式gydF4y2Ba，拟合到表或数据集数组中的变量gydF4y2Ba资源描述gydF4y2Ba．gydF4y2Ba

例子gydF4y2Ba

lme三个月gydF4y2Ba= fitlme (gydF4y2Ba资源描述gydF4y2Ba，gydF4y2Ba公式gydF4y2Ba，gydF4y2Ba名称,值gydF4y2Ba）gydF4y2Ba返回一个线性混合效果模型，该模型具有一个或多个指定的附加选项gydF4y2Ba名称,值gydF4y2Ba对参数。gydF4y2Ba

例如，您可以指定随机效应项的协方差模式、估计参数时使用的方法或优化算法的选项。gydF4y2Ba

例子gydF4y2Ba

全部折叠gydF4y2Ba

拟合线性混合效应模型gydF4y2Ba

打开实时脚本gydF4y2Ba

加载样例数据。gydF4y2Ba

负载gydF4y2Ba进口- 85gydF4y2Ba

将变量存储在一个表中。gydF4y2Ba

tbl = table(X(:，12)，X(:，14)，X(:，24)，gydF4y2Ba“VariableNames”gydF4y2Ba, {gydF4y2Ba“马力”gydF4y2Ba，gydF4y2Ba“CityMPG”gydF4y2Ba，gydF4y2Ba“EngineType”gydF4y2Ba})；gydF4y2Ba

显示表的前五行。gydF4y2Ba

台(1:5,:)gydF4y2Ba

ans =gydF4y2Ba5×3表gydF4y2Ba马力CityMPG引擎类型__________ _______ __________ 111 21 13 111 21 13 154 19 37 102 24 35 115 18 35gydF4y2Ba

拟合城市中每加仑英里数的线性混合效应模型，对马力有固定效应，对截距和按发动机类型分组的马力有不相关的随机效应。gydF4y2Ba

Lme = fitlme(tbl，gydF4y2Ba“CityMPG ~马力+ (1 | EngineType) + (Horsepower-1 | EngineType)”gydF4y2Ba）;gydF4y2Ba

在这个模型中，gydF4y2BaCityMPGgydF4y2Ba为响应变量，马力为预测变量，发动机类型为分组变量。模型的固定效应部分对应于gydF4y2Ba1 +马力gydF4y2Ba，因为默认情况下包含了拦截。gydF4y2Ba

由于截距和马力的随机效应项是不相关的，这些项是单独指定的。因为第二个随机效应项只适用于马力，所以必须包含agydF4y2Ba1gydF4y2Ba消除第二个随机效应项的截距。gydF4y2Ba

显示模型。gydF4y2Ba

lme三个月gydF4y2Ba

模型信息:观察数203固定效应系数2随机效应系数14协方差参数3公式:CityMPG ~ 1 +马力+ (1 | EngineType) +(马力| EngineType)模型拟合统计:AIC BIC LogLikelihood Deviance 1099.5 1116 -544.73 1089.5固定效应系数(95% ci):名称估计SE tStat DF pValue{'(拦截)'}37.276 2.8556 13.054 201 1.3147e-28{'马力'}-0.12631 0.02284 -5.53 201 9.8848e-08下上31.645 42.906 -0.17134 -0.081269随机效应协方差参数(95% CIs):组:EngineType(7级)Name1 Name2类型估计{'(拦截)'}{'(拦截)'}{'std'} 5.7338下上2.3773 13.829组:EngineType(7级)Name1 Name2类型估计{'马力'}{'马力'}{'std'} 0.050357下上0.02307 0.10992组:错误名称估计下上{'Res Std'} 3.226 2.9078 3.5789gydF4y2Ba

注意，截距和马力的随机效应协方差参数在显示中是分开的。gydF4y2Ba

现在，拟合一个线性混合效应模型，以城市中每加仑行驶英里数为单位，用相同的固定效应项和潜在相关的随机效应来计算截距和按发动机类型分组的马力。gydF4y2Ba

Lme2 = fitlme(tbl，gydF4y2Ba“CityMPG ~马力+(马力| EngineType)”gydF4y2Ba）;gydF4y2Ba

因为随机效应项在默认情况下包括拦截，所以不需要添加gydF4y2Ba1gydF4y2Ba，随机效应项等于gydF4y2Ba(1 +马力|发动机类型)gydF4y2Ba．gydF4y2Ba

显示模型。gydF4y2Ba

lme2gydF4y2Ba

模型信息:观察数203固定效应系数2随机效应系数14协方差参数4公式:CityMPG ~ 1 +马力+(1 +马力| EngineType)模型拟合统计:AIC BIC LogLikelihood Deviance 1089 1108.9 -538.52 1077固定效应系数(95% ci):名称估计SE tStat DF pValue{'(拦截)'}33.824 4.0181 8.4178 201 7.1678e-15{'马力'}-0.1087 0.032912 -3.3029 201 0.0011328下上25.901 41.747 -0.1736 -0.043806随机效应协方差参数(95% ci):EngineType (7 level) Name1 Name2类型估计{'(拦截)'}{'(拦截)'}{'std'} 9.4952{'马力'}{'(拦截)'}{'corr'} -0.96843{'马力'}{'马力'}{'std'} 0.078874下上4.7022 19.174 -0.99568 -0.78738 0.039917 0.15585组:错误名称估计下上{'Res std'} 3.1845 2.8774 3.5243gydF4y2Ba

注意，截距和马力的随机效应协方差参数在显示中是一起的，它包括相关(gydF4y2Ba“相关系数”gydF4y2Ba)在截距和马力之间。gydF4y2Ba

拟合随机截距LME模型gydF4y2Ba

打开实时脚本gydF4y2Ba

加载样例数据。gydF4y2Ba

负载gydF4y2Ba流感gydF4y2Ba

的gydF4y2Ba流感gydF4y2Ba数据集数组具有gydF4y2Ba日期gydF4y2Ba变量，以及包含估计流感率的10个变量(9个不同地区，由谷歌®搜索估计，加上疾病控制与预防中心(CDC)的全国估计)。gydF4y2Ba

为了适合线性混合效应模型，数据必须在一个正确格式化的数据集数组中。要拟合以流感发病率为响应的线性混合效应模型，请将与区域相对应的九列合并为一个数组。新的数据集数组，gydF4y2Baflu2gydF4y2Ba，必须有新的响应变量gydF4y2BaFluRategydF4y2Ba，名义变量gydF4y2Ba地区gydF4y2Ba这显示了每个估计来自哪个地区，全国的估计gydF4y2BaWtdILIgydF4y2Ba，为分组变量gydF4y2Ba日期gydF4y2Ba．gydF4y2Ba

Flu2 =堆栈(流感，2:10，gydF4y2Ba“NewDataVarName”gydF4y2Ba，gydF4y2Ba“FluRate”gydF4y2Ba，gydF4y2Ba.．.gydF4y2Ba“IndVarName”gydF4y2Ba，gydF4y2Ba“地区”gydF4y2Ba）;flu2。日期＝no米在al(flu2.Date);

的前六行显示gydF4y2Baflu2gydF4y2Ba．gydF4y2Ba

flu2 (1:6,:)gydF4y2Ba

ans =日期WtdILI地区波动10/9/2005 1.182 NE 0.97 10/9/2005 1.182 MidAtl 1.025 10/9/2005 1.182 central 1.232 10/9/2005 1.182 WNCentral 1.286 10/9/2005 1.182 SAtl 1.082 10/9/2005 1.182 ESCentral 1.457gydF4y2Ba

为全国估计拟合一个线性混合效应模型和固定效应项，gydF4y2BaWtdILIgydF4y2Ba的随机截距gydF4y2Ba日期gydF4y2Ba．模型对应于gydF4y2Ba

${ygydF4y2Ba}_{我gydF4y2Ba 米gydF4y2Ba} ＝gydF4y2Ba {βgydF4y2Ba}_{0gydF4y2Ba} +gydF4y2Ba {βgydF4y2Ba}_{1gydF4y2Ba} {WgydF4y2Ba tgydF4y2Ba dgydF4y2Ba 我gydF4y2Ba lgydF4y2Ba 我gydF4y2Ba}_{我gydF4y2Ba 米gydF4y2Ba} +gydF4y2Ba {bgydF4y2Ba}_{0gydF4y2Ba 米gydF4y2Ba} +gydF4y2Ba {εgydF4y2Ba}_{我gydF4y2Ba 米gydF4y2Ba} ，gydF4y2Ba 我gydF4y2Ba ＝gydF4y2Ba 1gydF4y2Ba ，gydF4y2Ba 2gydF4y2Ba ，gydF4y2Ba ．gydF4y2Ba ．gydF4y2Ba ．gydF4y2Ba ，gydF4y2Ba 4gydF4y2Ba 6gydF4y2Ba 8gydF4y2Ba ，gydF4y2Ba 米gydF4y2Ba ＝gydF4y2Ba 1gydF4y2Ba ，gydF4y2Ba 2gydF4y2Ba ，gydF4y2Ba ．gydF4y2Ba ．gydF4y2Ba ．gydF4y2Ba ，gydF4y2Ba 5gydF4y2Ba 2gydF4y2Ba ，gydF4y2Ba$

在哪里gydF4y2Ba ${ygydF4y2Ba}_{我gydF4y2Ba 米gydF4y2Ba}$ 是观察gydF4y2Ba $我gydF4y2Ba$ 的水平gydF4y2Ba $米gydF4y2Ba$ 分组变量的gydF4y2Ba日期gydF4y2Ba，gydF4y2Ba ${bgydF4y2Ba}_{0gydF4y2Ba 米gydF4y2Ba}$ 是随机效应的水平gydF4y2Ba $米gydF4y2Ba$ 分组变量的gydF4y2Ba日期gydF4y2Ba,gydF4y2Ba ${εgydF4y2Ba}_{我gydF4y2Ba 米gydF4y2Ba}$ 是观测误差吗gydF4y2Ba $我gydF4y2Ba$ ．随机效应具有先验分布，gydF4y2Ba

${bgydF4y2Ba}_{0gydF4y2Ba 米gydF4y2Ba} \simgydF4y2Ba NgydF4y2Ba （gydF4y2Ba 0gydF4y2Ba ，gydF4y2Ba {σgydF4y2Ba}_{bgydF4y2Ba}^{2gydF4y2Ba} ）gydF4y2Ba ，gydF4y2Ba$

误差项有一个分布，gydF4y2Ba

${εgydF4y2Ba}_{我gydF4y2Ba 米gydF4y2Ba} \simgydF4y2Ba NgydF4y2Ba （gydF4y2Ba 0gydF4y2Ba ，gydF4y2Ba {σgydF4y2Ba}^{2gydF4y2Ba} ）gydF4y2Ba ．gydF4y2Ba$

Lme = fitlme(flu2，gydF4y2Ba'FluRate ~ 1 + WtdILI + (1|Date)'gydF4y2Ba）gydF4y2Ba

lme =线性混合效应模型拟合模型信息:观测数468固定效应系数2随机效应系数52协方差参数2公式:FluRate ~ 1 + WtdILI + (1 | Date)模型拟合统计:AIC BIC LogLikelihood Deviance 286.24 302.83 -139.12 278.24固定效应系数(95% ci):名称估计SE tStat DF pValue{'(拦截)'}0.16385 0.057525 2.8484 466 0.0045885 {'WtdILI'} 0.7236 0.032219 22.459 466 3.0502 -76下上下限0.050813 0.27689 0.66028 0.78691随机效应协方差参数(95% ci):组:日期(52级)Name1 Name2类型估计{'(拦截)'}{'std'} 0.17146下上限0.13227 0.22226组:错误名称估计下上限{'Res std'} 0.30201 0.28217 0.32324gydF4y2Ba

估计的协方差参数显示在标题为“随机效应协方差参数”的部分。的估计价值gydF4y2Ba ${σgydF4y2Ba}_{bgydF4y2Ba}$ 为0.17146，其95%置信区间为[0.13227,0.22226]。由于这个区间不包括0，随机效应项是显著的。的似然比检验，可以正式检验任意随机效应项的显著性gydF4y2Ba比较gydF4y2Ba方法。gydF4y2Ba

在某一观察结果上的估计响应是固定效应和该观察结果对应的分组变量水平上的随机效应值的总和。例如，观察28的估计流感发病率是gydF4y2Ba

$\begin{array}{l} {ygydF4y2Ba}_{}^{ˆgydF4y2Ba}_{2gydF4y2Ba 8gydF4y2Ba} ＝gydF4y2Ba {βgydF4y2Ba}_{}^{ˆgydF4y2Ba}_{0gydF4y2Ba} +gydF4y2Ba {βgydF4y2Ba}_{}^{ˆgydF4y2Ba}_{1gydF4y2Ba} {WgydF4y2Ba tgydF4y2Ba dgydF4y2Ba 我gydF4y2Ba lgydF4y2Ba 我gydF4y2Ba}_{2gydF4y2Ba 8gydF4y2Ba} +gydF4y2Ba {bgydF4y2Ba}_{}^{ˆgydF4y2Ba}_{1gydF4y2Ba 0gydF4y2Ba /gydF4y2Ba 3.gydF4y2Ba 0gydF4y2Ba /gydF4y2Ba 2gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 5gydF4y2Ba} \\ ＝gydF4y2Ba 0gydF4y2Ba ．gydF4y2Ba 1gydF4y2Ba 6gydF4y2Ba 3.gydF4y2Ba 9gydF4y2Ba +gydF4y2Ba 0gydF4y2Ba ．gydF4y2Ba 7gydF4y2Ba 2gydF4y2Ba 3.gydF4y2Ba 6gydF4y2Ba ＊gydF4y2Ba （gydF4y2Ba 1gydF4y2Ba ．gydF4y2Ba 3.gydF4y2Ba 4gydF4y2Ba 3.gydF4y2Ba ）gydF4y2Ba +gydF4y2Ba 0gydF4y2Ba ．gydF4y2Ba 3.gydF4y2Ba 3.gydF4y2Ba 1gydF4y2Ba 8gydF4y2Ba \\ ＝gydF4y2Ba 1gydF4y2Ba ．gydF4y2Ba 4gydF4y2Ba 6gydF4y2Ba 7gydF4y2Ba 4gydF4y2Ba 9gydF4y2Ba ，gydF4y2Ba \end{array}$

在哪里gydF4y2Ba ${bgydF4y2Ba}_{}^{ˆgydF4y2Ba}$ 为拦截随机效应的估计最佳线性无偏预测器(BLUP)。您可以按以下方法计算该值。gydF4y2Ba

beta = fixedEffects(lme);[~，~，STATS] = randomEffects(lme);gydF4y2Ba%计算随机效应统计(STATS)gydF4y2Ba统计数据。level = nominal(STATS.Level); y_hat = beta(1) + beta(2)*flu2.WtdILI(28) + STATS.Estimate(STATS.Level==“10/30/2005”gydF4y2Ba）gydF4y2Ba

Y_hat = 1.4674gydF4y2Ba

方法可以显示拟合值gydF4y2Ba安装gydF4y2Ba方法。gydF4y2Ba

F =拟合(lme);F (28)gydF4y2Ba

Ans = 1.4674gydF4y2Ba

随机块设计的LME模型gydF4y2Ba

打开实时脚本gydF4y2Ba

加载样例数据。gydF4y2Ba

负载(gydF4y2Ba“shift.mat”gydF4y2Ba）gydF4y2Ba

数据显示了从五个操作员在三班倒期间(早上、晚上和晚上)生产的产品中测量的目标质量特征的绝对偏差。s manbetx 845这是一个随机块设计，其中运算符就是块。本实验旨在研究换挡时间对性能的影响。绩效指标是质量特征与目标值的绝对偏差。这是模拟数据。gydF4y2Ba

拟合线性混合效应模型与按操作员分组的随机截距，以评估性能是否因移位时间而显著不同。使用限制极大似然法和gydF4y2Ba“影响”gydF4y2Ba对比。gydF4y2Ba

“影响”gydF4y2Ba对比意味着系数和为0，和gydF4y2BafitlmegydF4y2Ba创建一个矩阵agydF4y2Ba固定效果设计矩阵gydF4y2Ba描述位移的影响。这个矩阵有两列，gydF4y2Ba $年代gydF4y2Ba hgydF4y2Ba 我gydF4y2Ba fgydF4y2Ba tgydF4y2Ba ＿gydF4y2Ba EgydF4y2Ba vgydF4y2Ba egydF4y2Ba ngydF4y2Ba 我gydF4y2Ba ngydF4y2Ba ggydF4y2Ba$ 而且gydF4y2Ba $年代gydF4y2Ba hgydF4y2Ba 我gydF4y2Ba fgydF4y2Ba tgydF4y2Ba ＿gydF4y2Ba 米gydF4y2Ba ogydF4y2Ba rgydF4y2Ba ngydF4y2Ba 我gydF4y2Ba ngydF4y2Ba ggydF4y2Ba$ ,在那里gydF4y2Ba

$转变gydF4y2Ba ＿gydF4y2Ba 晚上gydF4y2Ba ＝gydF4y2Ba ｛gydF4y2Ba \begin{array}{ll} 0gydF4y2Ba ，gydF4y2Ba & 如果gydF4y2Ba 早....gydF4y2Ba \\ 1gydF4y2Ba ，gydF4y2Ba & 如果gydF4y2Ba 晚上gydF4y2Ba \\ -gydF4y2Ba 1gydF4y2Ba ，gydF4y2Ba & 如果gydF4y2Ba 晚上gydF4y2Ba \end{array}$

$转变gydF4y2Ba ＿gydF4y2Ba 早....gydF4y2Ba ＝gydF4y2Ba ｛gydF4y2Ba \begin{array}{ll} 1gydF4y2Ba ，gydF4y2Ba & 如果早上gydF4y2Ba \\ 0gydF4y2Ba ，gydF4y2Ba & 如果gydF4y2Ba 晚上gydF4y2Ba \\ -gydF4y2Ba 1gydF4y2Ba ，gydF4y2Ba & 如果gydF4y2Ba 晚上gydF4y2Ba \end{array}$

模型对应于gydF4y2Ba

$\begin{array}{lrl} 早....gydF4y2Ba 转变:gydF4y2Ba & {QCDevgydF4y2Ba}_{我gydF4y2Ba 米gydF4y2Ba} & ＝gydF4y2Ba {βgydF4y2Ba}_{0gydF4y2Ba} +gydF4y2Ba {βgydF4y2Ba}_{2gydF4y2Ba} {转变gydF4y2Ba ＿gydF4y2Ba 早....gydF4y2Ba}_{我gydF4y2Ba} +gydF4y2Ba {bgydF4y2Ba}_{0gydF4y2Ba 米gydF4y2Ba} +gydF4y2Ba {ϵgydF4y2Ba}_{我gydF4y2Ba 米gydF4y2Ba} ，gydF4y2Ba \\ 晚上gydF4y2Ba 转变:gydF4y2Ba & {QCDevgydF4y2Ba}_{我gydF4y2Ba 米gydF4y2Ba} & ＝gydF4y2Ba {βgydF4y2Ba}_{0gydF4y2Ba} +gydF4y2Ba {βgydF4y2Ba}_{1gydF4y2Ba} {转变gydF4y2Ba ＿gydF4y2Ba 晚上gydF4y2Ba}_{我gydF4y2Ba} +gydF4y2Ba {bgydF4y2Ba}_{0gydF4y2Ba 米gydF4y2Ba} +gydF4y2Ba {ϵgydF4y2Ba}_{我gydF4y2Ba 米gydF4y2Ba} ，gydF4y2Ba \\ 晚上gydF4y2Ba 转变:gydF4y2Ba & {QCDevgydF4y2Ba}_{我gydF4y2Ba 米gydF4y2Ba} & ＝gydF4y2Ba {βgydF4y2Ba}_{0gydF4y2Ba} -gydF4y2Ba {βgydF4y2Ba}_{1gydF4y2Ba} {转变gydF4y2Ba ＿gydF4y2Ba 晚上gydF4y2Ba}_{我gydF4y2Ba} -gydF4y2Ba {βgydF4y2Ba}_{2gydF4y2Ba} {转变gydF4y2Ba ＿gydF4y2Ba 早....gydF4y2Ba}_{我gydF4y2Ba} +gydF4y2Ba {bgydF4y2Ba}_{0gydF4y2Ba 米gydF4y2Ba} +gydF4y2Ba {ϵgydF4y2Ba}_{我gydF4y2Ba 米gydF4y2Ba} ，gydF4y2Ba \end{array}$

在哪里gydF4y2Ba $我gydF4y2Ba$ 表示观察结果，和gydF4y2Ba $米gydF4y2Ba$ 表示运算符，gydF4y2Ba $我gydF4y2Ba$ = 1, 2，…， 15岁，和gydF4y2Ba $米gydF4y2Ba$ = 1, 2，…5。随机效应和观测误差有如下分布:gydF4y2Ba

${bgydF4y2Ba}_{0gydF4y2Ba 米gydF4y2Ba} \simgydF4y2Ba NgydF4y2Ba （gydF4y2Ba 0gydF4y2Ba ，gydF4y2Ba {σgydF4y2Ba}_{bgydF4y2Ba}^{2gydF4y2Ba} ）gydF4y2Ba$

而且gydF4y2Ba

${εgydF4y2Ba}_{我gydF4y2Ba 米gydF4y2Ba} \simgydF4y2Ba NgydF4y2Ba （gydF4y2Ba 0gydF4y2Ba ，gydF4y2Ba {σgydF4y2Ba}^{2gydF4y2Ba} ）gydF4y2Ba ．gydF4y2Ba$

Lme = fitlme(shift，gydF4y2Ba'QCDev ~ Shift + (1|Operator)'gydF4y2Ba，gydF4y2Ba.．.gydF4y2Ba“FitMethod”gydF4y2Ba，gydF4y2Ba“REML”gydF4y2Ba，gydF4y2Ba“DummyVarCoding”gydF4y2Ba，gydF4y2Ba“影响”gydF4y2Ba）gydF4y2Ba

模型信息:观察数15固定效应系数3随机效应系数5协方差参数2公式:QCDev ~ 1 + Shift +(1 |算子)模型拟合统计量:AIC BIC LogLikelihood Deviance 58.913 61.337 -24.456 48.913固定效应系数(95% ci):名称估计SE tStat DF pValue{'(截取)'}3.6525 0.94109 3.8812 0.0021832 {'Shift_Evening'} -0.53293 0.31206 -1.7078 12 0.11339 {'Shift_Morning'} -0.91973 0.31206 -2.9473 12 0.012206下上1.6021 5.703 -1.2129 0.14699 -1.5997 -0.23981随机效应协方差参数(95% ci):组:操作员(5级)Name1 Name2类型估计{'(截取)'}{'(截取)'}2.0457下上0.98207 4.2612组:错误名称估计下上{'Res std'} 0.85462 0.52357 1.395gydF4y2Ba

计算随机效应的最佳线性无偏预测(BLUP)估计。gydF4y2Ba

B = randomEffects(lme)gydF4y2Ba

B =gydF4y2Ba5×1gydF4y2Ba0.5775 1.1757 -2.1715 2.3655 -1.9472gydF4y2Ba

夜班第三名操作员对目标质量特性的估计绝对偏差为gydF4y2Ba

$\begin{array}{l} {ygydF4y2Ba}_{}^{ˆgydF4y2Ba}_{晚上gydF4y2Ba ，gydF4y2Ba 操作符gydF4y2Ba 3.gydF4y2Ba} ＝gydF4y2Ba {βgydF4y2Ba}_{}^{ˆgydF4y2Ba}_{0gydF4y2Ba} +gydF4y2Ba {βgydF4y2Ba}_{}^{ˆgydF4y2Ba}_{1gydF4y2Ba} 转变gydF4y2Ba ＿gydF4y2Ba 晚上gydF4y2Ba +gydF4y2Ba {bgydF4y2Ba}_{}^{ˆgydF4y2Ba}_{0gydF4y2Ba 3.gydF4y2Ba} \\ ＝gydF4y2Ba 3.gydF4y2Ba ．gydF4y2Ba 6gydF4y2Ba 5gydF4y2Ba 2gydF4y2Ba 5gydF4y2Ba -gydF4y2Ba 0gydF4y2Ba ．gydF4y2Ba 5gydF4y2Ba 3.gydF4y2Ba 2gydF4y2Ba 9gydF4y2Ba 3.gydF4y2Ba -gydF4y2Ba 2gydF4y2Ba ．gydF4y2Ba 1gydF4y2Ba 7gydF4y2Ba 1gydF4y2Ba 5gydF4y2Ba \\ ＝gydF4y2Ba 0gydF4y2Ba ．gydF4y2Ba 9gydF4y2Ba 4gydF4y2Ba 8gydF4y2Ba 0gydF4y2Ba 7gydF4y2Ba ．gydF4y2Ba \end{array}$

您还可以按以下方式显示此值。gydF4y2Ba

F =拟合(lme);F(转变。转变= =gydF4y2Ba“晚上”gydF4y2Ba&转变。操作符＝＝gydF4y2Ba“3”gydF4y2Ba）gydF4y2Ba

Ans = 0.9481gydF4y2Ba

类似地，您可以计算与目标质量特征之间的估计绝对偏差gydF4y2Ba

$\begin{array}{l} {ygydF4y2Ba}_{}^{ˆgydF4y2Ba}_{早....gydF4y2Ba ，gydF4y2Ba 操作符gydF4y2Ba 3.gydF4y2Ba} ＝gydF4y2Ba {βgydF4y2Ba}_{}^{ˆgydF4y2Ba}_{0gydF4y2Ba} +gydF4y2Ba {βgydF4y2Ba}_{}^{ˆgydF4y2Ba}_{2gydF4y2Ba} 转变gydF4y2Ba ＿gydF4y2Ba 早....gydF4y2Ba +gydF4y2Ba {bgydF4y2Ba}_{}^{ˆgydF4y2Ba}_{0gydF4y2Ba 3.gydF4y2Ba} \\ ＝gydF4y2Ba 3.gydF4y2Ba ．gydF4y2Ba 6gydF4y2Ba 5gydF4y2Ba 2gydF4y2Ba 5gydF4y2Ba -gydF4y2Ba 0gydF4y2Ba ．gydF4y2Ba 9gydF4y2Ba 1gydF4y2Ba 9gydF4y2Ba 7gydF4y2Ba 3.gydF4y2Ba -gydF4y2Ba 2gydF4y2Ba ．gydF4y2Ba 1gydF4y2Ba 7gydF4y2Ba 1gydF4y2Ba 5gydF4y2Ba \\ ＝gydF4y2Ba 0gydF4y2Ba ．gydF4y2Ba 5gydF4y2Ba 6gydF4y2Ba 1gydF4y2Ba 2gydF4y2Ba 7gydF4y2Ba ．gydF4y2Ba \end{array}$

您还可以按以下方式显示此值。gydF4y2Ba

F(转变。转变= =gydF4y2Ba“早晨”gydF4y2Ba&转变。操作符＝＝gydF4y2Ba“3”gydF4y2Ba）gydF4y2Ba

Ans = 0.5613gydF4y2Ba

操作人员在早班时往往出错幅度较小。gydF4y2Ba

分割图实验的LME模型gydF4y2Ba

打开实时脚本gydF4y2Ba

加载样例数据。gydF4y2Ba

负载(gydF4y2Ba“fertilizer.mat”gydF4y2Ba）gydF4y2Ba

数据集阵列包括来自分块试验的数据，其中土壤根据土壤类型被分为三个块: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，将地块中的番茄植株划分为副地块，每个副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，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。To米ato = nominal(ds.Tomato); ds.Soil = nominal(ds.Soil); ds.Fertilizer = nominal(ds.Fertilizer);

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)的不同而独立变化。gydF4y2Ba

这个模型对应于gydF4y2Ba

$\begin{array}{l} {ygydF4y2Ba}_{我gydF4y2Ba 米gydF4y2Ba jgydF4y2Ba kgydF4y2Ba} ＝gydF4y2Ba {βgydF4y2Ba}_{0gydF4y2Ba} +gydF4y2Ba {\sumgydF4y2Ba}_{米gydF4y2Ba ＝gydF4y2Ba 2gydF4y2Ba}^{4gydF4y2Ba} {βgydF4y2Ba}_{1gydF4y2Ba 米gydF4y2Ba} 我gydF4y2Ba {［gydF4y2Ba FgydF4y2Ba ］gydF4y2Ba}_{我gydF4y2Ba 米gydF4y2Ba} +gydF4y2Ba {\sumgydF4y2Ba}_{jgydF4y2Ba ＝gydF4y2Ba 2gydF4y2Ba}^{5gydF4y2Ba} {βgydF4y2Ba}_{2gydF4y2Ba jgydF4y2Ba} 我gydF4y2Ba {［gydF4y2Ba TgydF4y2Ba ］gydF4y2Ba}_{我gydF4y2Ba jgydF4y2Ba} +gydF4y2Ba {\sumgydF4y2Ba}_{jgydF4y2Ba ＝gydF4y2Ba 2gydF4y2Ba}^{5gydF4y2Ba} {\sumgydF4y2Ba}_{米gydF4y2Ba ＝gydF4y2Ba 2gydF4y2Ba}^{4gydF4y2Ba} {βgydF4y2Ba}_{3.gydF4y2Ba 米gydF4y2Ba jgydF4y2Ba} 我gydF4y2Ba {［gydF4y2Ba FgydF4y2Ba ］gydF4y2Ba}_{我gydF4y2Ba 米gydF4y2Ba} 我gydF4y2Ba {［gydF4y2Ba TgydF4y2Ba ］gydF4y2Ba}_{我gydF4y2Ba jgydF4y2Ba} \\ +gydF4y2Ba {bgydF4y2Ba}_{0gydF4y2Ba kgydF4y2Ba} {年代gydF4y2Ba}_{kgydF4y2Ba} +gydF4y2Ba {bgydF4y2Ba}_{0gydF4y2Ba jgydF4y2Ba kgydF4y2Ba} （gydF4y2Ba 年代gydF4y2Ba ＊gydF4y2Ba TgydF4y2Ba {）gydF4y2Ba}_{jgydF4y2Ba kgydF4y2Ba} +gydF4y2Ba {εgydF4y2Ba}_{我gydF4y2Ba 米gydF4y2Ba jgydF4y2Ba kgydF4y2Ba} ，gydF4y2Ba \end{array}$

在哪里gydF4y2Ba $我gydF4y2Ba$ = 1, 2，…， 60，指数gydF4y2Ba $米gydF4y2Ba$ 对应于肥料种类，gydF4y2Ba $jgydF4y2Ba$ 对应于番茄类型和gydF4y2Ba $kgydF4y2Ba$ = 1,2,3对应块(土)。gydF4y2Ba ${年代gydF4y2Ba}_{kgydF4y2Ba}$ 代表了gydF4y2Ba $kgydF4y2Ba$ 土壤类型，和gydF4y2Ba $（gydF4y2Ba 年代gydF4y2Ba ＊gydF4y2Ba TgydF4y2Ba {）gydF4y2Ba}_{jgydF4y2Ba kgydF4y2Ba}$ 代表了gydF4y2Ba $jgydF4y2Ba$ 中嵌套的番茄类型gydF4y2Ba $kgydF4y2Ba$ 土壤类型。gydF4y2Ba $我gydF4y2Ba ［gydF4y2Ba FgydF4y2Ba {］gydF4y2Ba}_{我gydF4y2Ba 米gydF4y2Ba}$ 虚拟变量是否代表水平gydF4y2Ba $米gydF4y2Ba$ 肥料。同样的,gydF4y2Ba $我gydF4y2Ba ［gydF4y2Ba TgydF4y2Ba {］gydF4y2Ba}_{我gydF4y2Ba jgydF4y2Ba}$ 虚拟变量是否代表水平gydF4y2Ba $jgydF4y2Ba$ 番茄型的。gydF4y2Ba

随机效应和观测误差具有以下先验分布:gydF4y2Ba ${bgydF4y2Ba}_{0gydF4y2Ba kgydF4y2Ba}$ ~ N (0,gydF4y2Ba ${σgydF4y2Ba}_{年代gydF4y2Ba}^{2gydF4y2Ba}$ )，gydF4y2Ba ${bgydF4y2Ba}_{0gydF4y2Ba jgydF4y2Ba kgydF4y2Ba}$ ~ N (0,gydF4y2Ba ${σgydF4y2Ba}_{年代gydF4y2Ba ＊gydF4y2Ba TgydF4y2Ba}^{2gydF4y2Ba}$ ),gydF4y2Ba ${ϵgydF4y2Ba}_{我gydF4y2Ba 米gydF4y2Ba jgydF4y2Ba kgydF4y2Ba}$ ~ N (0,gydF4y2Ba ${σgydF4y2Ba}^{2gydF4y2Ba}$ )．gydF4y2Ba

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

模型信息:观测数60固定效应系数20随机效应系数18协方差参数3公式:产量~ 1 +番茄*肥料+(1 |土壤)+(1 |土壤:番茄)模型拟合统计量:AIC BIC LogLikelihood Deviance 522.57 570.74 -238.29 476.57固定效应系数(95% ci):名字估计SE tStat DF{(拦截)的}{‘Tomato_Grape} 77 8.5836 8.9706 -16 11.966 - -1.3371 40{‘Tomato_Heirloom} -6.6667 11.966 -0.55714 40{‘Tomato_Plum}{‘Tomato_Vine} 32.333 11.966 2.7022 -13 11.966 - -1.0864 40{‘Fertilizer_2} 40{‘Fertilizer_3} 33.667 34.667 8.572 4.0442 8.572 - 3.9275 40{‘Fertilizer_4} 47.667 8.572 5.5607 40{‘Tomato_Grape: Fertilizer_2} -2.6667 12.123 -0.21997 40{‘Tomato_Heirloom: Fertilizer_2} 8 12.123 - -0.65992 -15{“Tomato_Plum: Fertilizer_2”}12．123.－1．23.7440｛'Tomato_Vine:Fertilizer_2' } -16 12.123 -1.3198 40 {'Tomato_Grape:Fertilizer_3' } 16.667 12.123 1.3748 40 {'Tomato_Heirloom:Fertilizer_3'} 3.3333 12.123 0.27497 40 {'Tomato_Plum:Fertilizer_3' } 3.6667 12.123 0.30246 40 {'Tomato_Vine:Fertilizer_3' } 3 12.123 0.24747 40 {'Tomato_Grape:Fertilizer_4' } 13.333 12.123 1.0999 40 {'Tomato_Heirloom:Fertilizer_4'} -19 12.123 -1.5673 40 {'Tomato_Plum:Fertilizer_4' } -2.6667 12.123 -0.21997 40 {'Tomato_Vine:Fertilizer_4' } 8.6667 12.123 0.71492 40 pValue Lower Upper 4.0206e-11 59.652 94.348 0.18873 -40.184 8.1837 0.58053 -30.85 17.517 0.010059 8.1496 56.517 0.28379 -37.184 11.184 0.00023272 17.342 51.991 0.00033057 16.342 50.991 1.9567e-06 30.342 64.991 0.82701 -27.167 21.834 0.51309 -32.501 16.501 0.22317 -39.501 9.5007 0.19439 -40.501 8.5007 0.17683 -7.8341 41.167 0.78476 -21.167 27.834 0.76387 -20.834 28.167 0.80581 -21.501 27.501 0.27796 -11.167 37.834 0.12492 -43.501 5.5007 0.82701 -27.167 21.834 0.47881 -15.834 33.167 Random effects covariance parameters (95% CIs): Group: Soil (3 Levels) Name1 Name2 Type Estimate {'(Intercept)'} {'(Intercept)'} {'std'} 2.5028 Lower Upper 0.027711 226.05 Group: Soil:Tomato (15 Levels) Name1 Name2 Type Estimate {'(Intercept)'} {'(Intercept)'} {'std'} 10.225 Lower Upper 6.1497 17.001 Group: Error Name Estimate Lower Upper {'Res Std'} 10.499 8.5389 12.908

的gydF4y2Ba $pgydF4y2Ba$ -固定效应系数显示的最后12行对应的值(0.82701 ~ 0.47881)表明番茄与肥料类型之间的相互作用系数不显著。为了测试番茄和肥料之间的整体相互作用，使用gydF4y2Ba方差分析gydF4y2Ba方法经模型改装后使用gydF4y2Ba“影响”gydF4y2Ba对比。gydF4y2Ba

随机效应项标准差的置信区间(gydF4y2Ba ${σgydF4y2Ba}_{年代gydF4y2Ba}^{2gydF4y2Ba}$ )，其中截距按土壤分组，是非常大的。这一项似乎不重要。gydF4y2Ba

去除交互项后对模型进行改装gydF4y2Ba番茄:肥料gydF4y2Ba还有随机效应项gydF4y2Ba(1 |土壤)gydF4y2Ba．gydF4y2Ba

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

模型信息:观察数60固定效应系数8随机效应系数15协方差参数2公式:产量~ 1 +番茄+肥料+(1 |土壤:番茄)模型拟合统计量:AIC BIC LogLikelihood Deviance 511.06 532 -245.53 491.06固定效应系数(95% ci):名字估计SE tStat DF{(拦截)的}77.733 7.3293 10.606 52{‘Tomato_Grape} -9.1667 9.6045 -0.95441 52{‘Tomato_Heirloom} -12.583 9.6045 -1.3102 52{‘Tomato_Plum} 28.833 9.6045 3.0021 52{‘Tomato_Vine} -14.083 9.6045 -1.4663 52{‘Fertilizer_2} 26.333 4.5004 5.8514 52{‘Fertilizer_3} 39 4.5004 - 8.6659 52{‘Fertilizer_4} 47.733 4.5004 10.607 52 pValue低上层e-14 63.026 92.441 0.34429 1.3108 -28.439 10.106 0.1959 -31.856 6.6895 0.0041138 9.5605 48.106 0.14858 -33.356 5.18953.3024e-07 17.303 35.364 1.1459e-11 29.969 48.031 1.308e-14 38.703 56.764随机效应协方差参数(95% ci):组:Soil:Tomato(15级)Name1 Name2类型估计{'(拦截)'}{'(拦截)'}{'std'} 10.02下上6.0812 16.509组:错误名称估计下上{'Res std'} 12.325 10.024 15.153gydF4y2Ba

方法可以比较这两个模型gydF4y2Ba比较gydF4y2Ba由于对固定效应项和随机效应项都进行了检验，因此采用模拟似然比检验方法。gydF4y2Ba

具有协变量的纵向研究gydF4y2Ba

打开实时脚本gydF4y2Ba

加载样例数据。gydF4y2Ba

负载(gydF4y2Ba“weight.mat”gydF4y2Ba）gydF4y2Ba

重量gydF4y2Ba包含了一项纵向研究的数据，其中20名受试者被随机分配到4个锻炼项目(a, B, C, D)，记录他们在6个2周的时间段内的体重减轻情况。这是模拟数据。gydF4y2Ba

将数据存储在表中。定义gydF4y2Ba主题gydF4y2Ba而且gydF4y2Ba程序gydF4y2Ba作为分类变量。gydF4y2Ba

tbl = table(InitialWeight,Program,Subject,Week,y);资源描述。年代ubject = nominal(tbl.Subject); tbl.Program = nominal(tbl.Program);

拟合一个线性混合效应模型，其中初始权重、项目类型、周以及周与项目类型之间的相互作用为固定效应。截取时间和时间因主题而异。gydF4y2Ba

fitlmegydF4y2Ba使用程序A作为引用，并创建必要的虚拟变量gydF4y2Ba $我gydF4y2Ba$ [,]。因为模型已经有了拦截，gydF4y2BafitlmegydF4y2Ba只为程序B、C和d创建虚拟变量gydF4y2Ba“参考”gydF4y2Ba虚拟变量编码方法。gydF4y2Ba

这个模型对应于gydF4y2Ba

$\begin{array}{l} {ygydF4y2Ba}_{我gydF4y2Ba 米gydF4y2Ba} ＝gydF4y2Ba {βgydF4y2Ba}_{0gydF4y2Ba} +gydF4y2Ba {βgydF4y2Ba}_{1gydF4y2Ba} 我gydF4y2Ba {WgydF4y2Ba}_{我gydF4y2Ba} +gydF4y2Ba {βgydF4y2Ba}_{2gydF4y2Ba} WgydF4y2Ba egydF4y2Ba egydF4y2Ba {kgydF4y2Ba}_{我gydF4y2Ba} +gydF4y2Ba {βgydF4y2Ba}_{3.gydF4y2Ba} 我gydF4y2Ba {［gydF4y2Ba PgydF4y2Ba BgydF4y2Ba ］gydF4y2Ba}_{我gydF4y2Ba} +gydF4y2Ba {βgydF4y2Ba}_{4gydF4y2Ba} 我gydF4y2Ba {［gydF4y2Ba PgydF4y2Ba CgydF4y2Ba ］gydF4y2Ba}_{我gydF4y2Ba} +gydF4y2Ba {βgydF4y2Ba}_{5gydF4y2Ba} 我gydF4y2Ba {［gydF4y2Ba PgydF4y2Ba DgydF4y2Ba ］gydF4y2Ba}_{我gydF4y2Ba} \\ +gydF4y2Ba {βgydF4y2Ba}_{6gydF4y2Ba} （gydF4y2Ba WgydF4y2Ba egydF4y2Ba egydF4y2Ba {kgydF4y2Ba}_{我gydF4y2Ba} ＊gydF4y2Ba 我gydF4y2Ba {［gydF4y2Ba PgydF4y2Ba BgydF4y2Ba ］gydF4y2Ba}_{我gydF4y2Ba} ）gydF4y2Ba +gydF4y2Ba {βgydF4y2Ba}_{7gydF4y2Ba} （gydF4y2Ba WgydF4y2Ba egydF4y2Ba egydF4y2Ba {kgydF4y2Ba}_{我gydF4y2Ba} ＊gydF4y2Ba 我gydF4y2Ba {［gydF4y2Ba PgydF4y2Ba CgydF4y2Ba ］gydF4y2Ba}_{我gydF4y2Ba} ）gydF4y2Ba +gydF4y2Ba {βgydF4y2Ba}_{8gydF4y2Ba} （gydF4y2Ba WgydF4y2Ba egydF4y2Ba egydF4y2Ba {kgydF4y2Ba}_{我gydF4y2Ba} ＊gydF4y2Ba 我gydF4y2Ba {［gydF4y2Ba PgydF4y2Ba DgydF4y2Ba ］gydF4y2Ba}_{我gydF4y2Ba} ）gydF4y2Ba \\ +gydF4y2Ba bgydF4y2Ba_{0gydF4y2Ba 米gydF4y2Ba} +gydF4y2Ba {bgydF4y2Ba}_{1gydF4y2Ba 米gydF4y2Ba} WgydF4y2Ba egydF4y2Ba egydF4y2Ba {kgydF4y2Ba}_{我gydF4y2Ba 米gydF4y2Ba} +gydF4y2Ba {εgydF4y2Ba}_{我gydF4y2Ba 米gydF4y2Ba} ，gydF4y2Ba \end{array}$

在哪里gydF4y2Ba $我gydF4y2Ba$ = 1, 2，…， 120，和gydF4y2Ba $米gydF4y2Ba$ = 1, 2，…, 20。gydF4y2Ba ${βgydF4y2Ba}_{jgydF4y2Ba}$ 是固定效应系数，gydF4y2Ba $jgydF4y2Ba$ = 0,1，…， 8，和gydF4y2Ba ${bgydF4y2Ba}_{0gydF4y2Ba 米gydF4y2Ba}$ 而且gydF4y2Ba ${bgydF4y2Ba}_{1gydF4y2Ba 米gydF4y2Ba}$ 都是随机效应。gydF4y2Ba $我gydF4y2Ba WgydF4y2Ba$ 表示初始权值和gydF4y2Ba $我gydF4y2Ba ［gydF4y2Ba \cdotgydF4y2Ba ］gydF4y2Ba$ 是表示一种程序类型的哑变量。例如,gydF4y2Ba $我gydF4y2Ba ［gydF4y2Ba PgydF4y2Ba BgydF4y2Ba {］gydF4y2Ba}_{我gydF4y2Ba}$ 为表示方案类型b的虚拟变量，随机效应和观测误差具有如下先验分布:gydF4y2Ba

${bgydF4y2Ba}_{0gydF4y2Ba 米gydF4y2Ba} \simgydF4y2Ba NgydF4y2Ba （gydF4y2Ba 0gydF4y2Ba ，gydF4y2Ba {σgydF4y2Ba}_{0gydF4y2Ba}^{2gydF4y2Ba} ）gydF4y2Ba$

${bgydF4y2Ba}_{1gydF4y2Ba 米gydF4y2Ba} \simgydF4y2Ba NgydF4y2Ba （gydF4y2Ba 0gydF4y2Ba ，gydF4y2Ba {σgydF4y2Ba}_{1gydF4y2Ba}^{2gydF4y2Ba} ）gydF4y2Ba$

${εgydF4y2Ba}_{我gydF4y2Ba 米gydF4y2Ba} \simgydF4y2Ba NgydF4y2Ba （gydF4y2Ba 0gydF4y2Ba ，gydF4y2Ba {σgydF4y2Ba}^{2gydF4y2Ba} ）gydF4y2Ba ．gydF4y2Ba$

Lme = fitlme(tbl，gydF4y2Ba'y ~ InitialWeight + Program*Week + (Week|Subject)'gydF4y2Ba）gydF4y2Ba

模型信息:观察数120固定效应系数9随机效应系数40协方差参数4公式:y ~ 1 + InitialWeight + Program*Week + (1 + Week | Subject)模型拟合统计:AIC BIC LogLikelihood Deviance -22.981 13.257 24.49 -48.981固定效应系数(95% ci):名称估计SE tStat DF{'(拦截)'}0.66105 0.25892 2.5531 111 {'InitialWeight'} 0.0031879 0.0013814 2.3078 111 {'Program_C'} 0.36079 0.13139 2.746 111 {'Program_D'} 0.11317 0.13132 0.86175 -0.25358 111 {'Program_D'} 0.1732 0.067454 2.5677 111 {'Program_B:Week'} 0.038771 0.095394 0.40644 111 {'Program_C:Week'} 0.030543 0.095394 0.32018 111 {'Program_D:Week'} 0.033114 0.095394 0.34713 111 pValue下上0.012034 0.14798 1.1741 0.022863 0.000450670.0059252 0.0070394 0.10044 0.62113 0.80029 -0.29319 0.22666 0.39068 -0.14706 0.3734 0.030686 0.68521 -0.15026 0.2278 0.74944 -0.15849 0.21957 0.72915 -0.15592 0.22214随机效应协方差参数(95% ci):组:受试者(20级)Name1 Name2类型估计{'(截取)'}{'(截取)'}{'std'} 0.18407 {'Week'}{'(截取)'}{'corr'} 0.66841 {'Week'} {'Week'} {'std'} 0.15033下上0.12281 0.27587 0.21076 0.88573 0.11004 0.20537组:误差名称估计下上{'Res Std'} 0.10261 0.087882 0.11981gydF4y2Ba

的gydF4y2Ba $pgydF4y2Ba$ -值0.022863和0.011567表示受试者初始体重和时间对减重量有显著影响。方案B受试者的体重减轻相对于方案a受试者的体重减轻有显著差异。随机效应的协方差参数的下限和上限不包括0，因此它们是显著的。方法还可以测试随机效果的显著性gydF4y2Ba比较gydF4y2Ba方法。gydF4y2Ba

输入参数gydF4y2Ba

全部折叠gydF4y2Ba

`资源描述gydF4y2Ba`- - - - - -gydF4y2Ba输入数据gydF4y2Ba
表格gydF4y2Ba| gydF4y2Ba`数据集gydF4y2Ba`数组gydF4y2Ba

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gydF4y2Ba数据集gydF4y2Ba数组中。预测变量可以是连续的，也可以是分组变量gydF4y2Ba分组变量gydF4y2Ba)．您必须为使用的变量指定模型gydF4y2Ba公式gydF4y2Ba．gydF4y2Ba

数据类型:gydF4y2Ba表格gydF4y2Ba

`公式gydF4y2Ba`- - - - - -gydF4y2Ba模型规格公式gydF4y2Ba
形式的字符向量或字符串标量gydF4y2Ba`'y ~ fixed + (random1|grouping1) +…+ (randomR | groupingR) 'gydF4y2Ba`

用于模型规范的公式，指定为字符向量或字符串标量的形式gydF4y2Ba'y ~ fixed + (random1|grouping1) +…+ (randomR | groupingR) 'gydF4y2Ba．该公式区分大小写。有关完整的描述，请参见gydF4y2Ba公式gydF4y2Ba．gydF4y2Ba

例子:gydF4y2Ba'y ~ treatment + (1|block)'gydF4y2Ba

名称-值参数gydF4y2Ba

指定可选参数对为gydF4y2BaName1 = Value1,…,以=家gydF4y2Ba,在那里gydF4y2Ba的名字gydF4y2Ba参数名称和gydF4y2Ba价值gydF4y2Ba对应的值。名-值参数必须出现在其他参数之后，但对的顺序并不重要。gydF4y2Ba

在R2021a之前，名称和值之间用逗号隔开，并括起来gydF4y2Ba的名字gydF4y2Ba在报价。gydF4y2Ba

例子:gydF4y2Ba“CovariancePattern”、“斜”、“优化”、“fminunc”、“OptimizerOptions”,选择gydF4y2Ba指定一个模型，其中随机效应项具有对角协方差矩阵结构，并且gydF4y2BafitlmegydF4y2Ba使用gydF4y2BafminuncgydF4y2Ba在变量中定义自定义优化参数的优化算法gydF4y2Ba选择gydF4y2Ba．gydF4y2Ba

`CovariancePatterngydF4y2Ba`- - - - - -gydF4y2Ba协方差矩阵的模式gydF4y2Ba
`“FullCholesky”gydF4y2Ba`(默认)|gydF4y2Ba特征向量gydF4y2Ba| gydF4y2Ba字符串标量gydF4y2Ba| gydF4y2Ba方对称逻辑矩阵gydF4y2Ba| gydF4y2Ba字符串数组gydF4y2Ba| gydF4y2Ba字符向量或逻辑矩阵的单元格数组gydF4y2Ba

随机效应的协方差矩阵的模式，指定为逗号分隔的对，由gydF4y2Ba“CovariancePattern”gydF4y2Ba以及字符向量、字符串标量、方阵对称逻辑矩阵、字符串数组或字符向量或逻辑矩阵的单元格数组。gydF4y2Ba

如果有gydF4y2BaRgydF4y2Ba随机效应术语，则值gydF4y2Ba“CovariancePattern”gydF4y2Ba必须是长度的字符串数组或单元格数组gydF4y2BaRgydF4y2Ba，其中每个元素gydF4y2BargydF4y2Ba的关联随机效应向量的协方差矩阵的模式gydF4y2BargydF4y2Ba随机效应项。下面是每个元素的选项。gydF4y2Ba

`“FullCholesky”gydF4y2Ba`	违约。利用Cholesky参数化的全协方差矩阵。gydF4y2Ba`fitlmegydF4y2Ba`估计协方差矩阵的所有元素。gydF4y2Ba
`“全部”gydF4y2Ba`	全协方差矩阵，使用log-Cholesky参数化。gydF4y2Ba`fitlmegydF4y2Ba`估计协方差矩阵的所有元素。gydF4y2Ba
`“对角线”gydF4y2Ba`	对角协方差矩阵。也就是说，协方差矩阵的非对角元素被约束为0。gydF4y2Ba $（gydF4y2Ba \begin{matrix} {σgydF4y2Ba}_{bgydF4y2Ba 1gydF4y2Ba}^{2gydF4y2Ba} & 0gydF4y2Ba & 0gydF4y2Ba \\ 0gydF4y2Ba & {σgydF4y2Ba}_{bgydF4y2Ba 2gydF4y2Ba}^{2gydF4y2Ba} & 0gydF4y2Ba \\ 0gydF4y2Ba & 0gydF4y2Ba & {σgydF4y2Ba}_{bgydF4y2Ba 3.gydF4y2Ba}^{2gydF4y2Ba} \end{matrix} ）gydF4y2Ba$
`“各向同性”gydF4y2Ba`	方差相等的对角协方差矩阵。也就是说，协方差矩阵的非对角元素被约束为0，对角元素被约束为相等。例如，如果有三个具有各向同性协方差结构的随机效应项，这个协方差矩阵看起来像gydF4y2Ba $（gydF4y2Ba \begin{matrix} {σgydF4y2Ba}_{bgydF4y2Ba}^{2gydF4y2Ba} & 0gydF4y2Ba & 0gydF4y2Ba \\ 0gydF4y2Ba & {σgydF4y2Ba}_{bgydF4y2Ba}^{2gydF4y2Ba} & 0gydF4y2Ba \\ 0gydF4y2Ba & 0gydF4y2Ba & {σgydF4y2Ba}_{bgydF4y2Ba}^{2gydF4y2Ba} \end{matrix} ）gydF4y2Ba$ 在σgydF4y2Ba^2gydF4y2Ba_bgydF4y2Ba是随机效应项的共同方差。gydF4y2Ba
`“CompSymm”gydF4y2Ba`	复合对称结构。也就是说，沿对角线的共同方差和所有随机效应之间的相等相关性。例如，如果有三个随机效应项，协方差矩阵具有复合对称结构，这个协方差矩阵看起来像gydF4y2Ba $（gydF4y2Ba \begin{matrix} {σgydF4y2Ba}_{bgydF4y2Ba 1gydF4y2Ba}^{2gydF4y2Ba} & {σgydF4y2Ba}_{bgydF4y2Ba 1gydF4y2Ba ，gydF4y2Ba bgydF4y2Ba 2gydF4y2Ba} & {σgydF4y2Ba}_{bgydF4y2Ba 1gydF4y2Ba ，gydF4y2Ba bgydF4y2Ba 2gydF4y2Ba} \\ {σgydF4y2Ba}_{bgydF4y2Ba 1gydF4y2Ba ，gydF4y2Ba bgydF4y2Ba 2gydF4y2Ba} & {σgydF4y2Ba}_{bgydF4y2Ba 1gydF4y2Ba}^{2gydF4y2Ba} & {σgydF4y2Ba}_{bgydF4y2Ba 1gydF4y2Ba ，gydF4y2Ba bgydF4y2Ba 2gydF4y2Ba} \\ {σgydF4y2Ba}_{bgydF4y2Ba 1gydF4y2Ba ，gydF4y2Ba bgydF4y2Ba 2gydF4y2Ba} & {σgydF4y2Ba}_{bgydF4y2Ba 1gydF4y2Ba ，gydF4y2Ba bgydF4y2Ba 2gydF4y2Ba} & {σgydF4y2Ba}_{bgydF4y2Ba 1gydF4y2Ba}^{2gydF4y2Ba} \end{matrix} ）gydF4y2Ba$ 在σgydF4y2Ba^2gydF4y2Ba_b1gydF4y2Ba随机效应项和σ的共同方差是多少gydF4y2Ba_{b1、b2gydF4y2Ba}是任意两个随机效应项之间的共协方差。gydF4y2Ba
`帕特gydF4y2Ba`	方阵对称逻辑矩阵。如果gydF4y2Ba`“CovariancePattern”gydF4y2Ba`是由矩阵定义的gydF4y2Ba`帕特gydF4y2Ba`，如果gydF4y2Ba`PAT(a,b) = falsegydF4y2Ba`，然后gydF4y2Ba`(a, b)gydF4y2Ba`对应的协方差矩阵的元素被约束为0。gydF4y2Ba

例子:gydF4y2Ba“CovariancePattern”、“对角线”gydF4y2Ba

例子:gydF4y2BaCovariancePattern,{“完整”,“对角线”}gydF4y2Ba

数据类型:gydF4y2Ba字符gydF4y2Ba| gydF4y2Ba字符串gydF4y2Ba| gydF4y2Ba逻辑gydF4y2Ba| gydF4y2Ba细胞gydF4y2Ba

`FitMethodgydF4y2Ba`- - - - - -gydF4y2Ba参数估计方法gydF4y2Ba
`毫升的gydF4y2Ba`(默认)|gydF4y2Ba`“REML”gydF4y2Ba`

估计线性混合效应模型参数的方法，指定为逗号分隔的对，由gydF4y2Ba“FitMethod”gydF4y2Ba或者是以下任何一种。gydF4y2Ba

`毫升的gydF4y2Ba`	违约。极大似然估计gydF4y2Ba
`“REML”gydF4y2Ba`	限制极大似然估计gydF4y2Ba

例子:gydF4y2Ba“FitMethod”、“REML”gydF4y2Ba

`权重gydF4y2Ba`- - - - - -gydF4y2Ba观察权重gydF4y2Ba
标量值向量gydF4y2Ba

观察权值，用逗号分隔的对表示gydF4y2Ba“重量”gydF4y2Ba还有一个长度向量gydF4y2BangydF4y2Ba,在那里gydF4y2BangydF4y2Ba是观察数。gydF4y2Ba

数据类型:gydF4y2Ba单gydF4y2Ba| gydF4y2Ba双gydF4y2Ba

`排除gydF4y2Ba`- - - - - -gydF4y2Ba要排除的行索引gydF4y2Ba
使用所有行gydF4y2Ba`nangydF4y2Ba`(默认)|gydF4y2Ba整数或逻辑值的向量gydF4y2Ba

数据中要从线性混合效应模型中排除的行索引，指定为逗号分隔的对，由gydF4y2Ba“排除”gydF4y2Ba和整数或逻辑值的向量。gydF4y2Ba

例如，您可以如下所示从拟合中排除第13行和第67行。gydF4y2Ba

例子:gydF4y2Ba“排除”,[67]gydF4y2Ba

数据类型:gydF4y2Ba单gydF4y2Ba| gydF4y2Ba双gydF4y2Ba| gydF4y2Ba逻辑gydF4y2Ba

`DummyVarCodinggydF4y2Ba`- - - - - -gydF4y2Ba用于虚拟变量的编码gydF4y2Ba
`“参考”gydF4y2Ba`(默认)|gydF4y2Ba`“影响”gydF4y2Ba`| gydF4y2Ba`“全部”gydF4y2Ba`

编码，用于从分类变量创建的虚拟变量，指定为逗号分隔的对，由gydF4y2Ba“DummyVarCoding”gydF4y2Ba还有这个表中的一个变量。gydF4y2Ba

价值gydF4y2Ba	描述gydF4y2Ba
`“参考”gydF4y2Ba`(默认)gydF4y2Ba	`fitlmegydF4y2Ba`使用引用组创建虚拟变量。该方案将第一个类别作为参考组，创建的虚拟变量比类别的数量少一个。方法可以检查类别变量的类别顺序gydF4y2Ba`类别gydF4y2Ba`函数，并通过使用gydF4y2Ba`reordercatsgydF4y2Ba`函数。gydF4y2Ba
`“影响”gydF4y2Ba`	`fitlmegydF4y2Ba`使用效果编码创建虚拟变量。该方案使用-1表示最后一个类别。该方案创建的虚拟变量比类别的数量少一个。gydF4y2Ba
`“全部”gydF4y2Ba`	`fitlmegydF4y2Ba`创建完整的虚拟变量。该方案为每个类别创建一个虚拟变量。gydF4y2Ba

有关创建虚拟变量的详细信息，请参见gydF4y2Ba虚拟变量的自动创建gydF4y2Ba．gydF4y2Ba

例子:gydF4y2Ba“DummyVarCoding”、“影响”gydF4y2Ba

`优化器gydF4y2Ba`- - - - - -gydF4y2Ba优化算法gydF4y2Ba
`“quasinewton”gydF4y2Ba`(默认)|gydF4y2Ba`“fminunc”gydF4y2Ba`

优化算法，指定为逗号分隔对组成gydF4y2Ba“优化”gydF4y2Ba或者是以下任何一种。gydF4y2Ba

`“quasinewton”gydF4y2Ba`	违约。使用基于信任区域的准牛顿优化器。使用更改算法的选项gydF4y2Ba`statset(“LinearMixedModel”)gydF4y2Ba`．如果不指定选项，那么gydF4y2Ba`LinearMixedModelgydF4y2Ba`的默认选项gydF4y2Ba`statset(“LinearMixedModel”)gydF4y2Ba`．gydF4y2Ba
`“fminunc”gydF4y2Ba`	必须有优化工具箱™才能指定此选项。使用更改算法的选项gydF4y2Ba`optimoptions(“fminunc”)gydF4y2Ba`．如果不指定选项，那么gydF4y2Ba`LinearMixedModelgydF4y2Ba`的默认选项gydF4y2Ba`optimoptions(“fminunc”)gydF4y2Ba`与gydF4y2Ba`“算法”gydF4y2Ba`设置为gydF4y2Ba`“拟牛顿”gydF4y2Ba`．gydF4y2Ba

例子:gydF4y2Ba“优化”、“fminunc”gydF4y2Ba

`OptimizerOptionsgydF4y2Ba`- - - - - -gydF4y2Ba优化算法选项gydF4y2Ba
返回的结构gydF4y2Ba`statsetgydF4y2Ba`| gydF4y2Ba返回的对象。gydF4y2Ba`optimoptionsgydF4y2Ba`

选项的优化算法，指定为逗号分隔的对，由gydF4y2Ba“OptimizerOptions”gydF4y2Ba和返回的结构gydF4y2Bastatset(“LinearMixedModel”)gydF4y2Ba或返回的对象gydF4y2Baoptimoptions(“fminunc”)gydF4y2Ba．gydF4y2Ba

如果gydF4y2Ba“优化”gydF4y2Ba是gydF4y2Ba“fminunc”gydF4y2Ba，然后使用gydF4y2Baoptimoptions(“fminunc”)gydF4y2Ba更改优化算法的选项。看到gydF4y2BaoptimoptionsgydF4y2Ba对于选项gydF4y2Ba“fminunc”gydF4y2Ba用途。如果gydF4y2Ba“优化”gydF4y2Ba是gydF4y2Ba“fminunc”gydF4y2Ba你不供应gydF4y2Ba“OptimizerOptions”gydF4y2Ba，则默认为gydF4y2BaLinearMixedModelgydF4y2Ba默认选项是由gydF4y2Baoptimoptions(“fminunc”)gydF4y2Ba与gydF4y2Ba“算法”gydF4y2Ba设置为gydF4y2Ba“拟牛顿”gydF4y2Ba．gydF4y2Ba
如果gydF4y2Ba“优化”gydF4y2Ba是gydF4y2Ba“quasinewton”gydF4y2Ba，然后使用gydF4y2Bastatset(“LinearMixedModel”)gydF4y2Ba修改优化参数。如果你不改变优化参数，那么gydF4y2BaLinearMixedModelgydF4y2Ba使用创建的默认选项gydF4y2Bastatset(“LinearMixedModel”)gydF4y2Ba：gydF4y2Ba

的gydF4y2Ba“quasinewton”gydF4y2Ba在创建的结构中使用以下字段gydF4y2Bastatset(“LinearMixedModel”)gydF4y2Ba．gydF4y2Ba

`TolFungydF4y2Ba`-目标函数梯度的相对公差gydF4y2Ba
`1 e-6gydF4y2Ba`(默认)|正标量值gydF4y2Ba

目标函数梯度上的相对公差，指定为正标量值。gydF4y2Ba

`TolXgydF4y2Ba`-步长绝对公差gydF4y2Ba
`1 e-12gydF4y2Ba`(默认)|正标量值gydF4y2Ba

步长上的绝对公差，指定为正标量值。gydF4y2Ba

`麦克斯特gydF4y2Ba`-允许的最大迭代次数gydF4y2Ba
`10000gydF4y2Ba`(默认)|正标量值gydF4y2Ba

允许的最大迭代次数，指定为正标量值。gydF4y2Ba

`显示gydF4y2Ba`-显示水平gydF4y2Ba
`“关闭”gydF4y2Ba`(默认)|gydF4y2Ba`“通路”gydF4y2Ba`| gydF4y2Ba`“最后一次”gydF4y2Ba`

显示级别，指定为gydF4y2Ba“关闭”gydF4y2Ba，gydF4y2Ba“通路”gydF4y2Ba,或gydF4y2Ba“最后一次”gydF4y2Ba．gydF4y2Ba

`StartMethodgydF4y2Ba`- - - - - -gydF4y2Ba方法启动迭代优化gydF4y2Ba
`“默认”gydF4y2Ba`(默认)|gydF4y2Ba`“随机”gydF4y2Ba`

方法启动迭代优化，指定为逗号分隔的对，由gydF4y2Ba“StartMethod”gydF4y2Ba或者是以下任何一种。gydF4y2Ba

价值gydF4y2Ba	描述gydF4y2Ba
`“默认”gydF4y2Ba`	内部定义的默认值gydF4y2Ba
`“随机”gydF4y2Ba`	随机初始值gydF4y2Ba

例子:gydF4y2Ba“StartMethod”、“随机”gydF4y2Ba

`详细的gydF4y2Ba`- - - - - -gydF4y2Ba在屏幕上显示优化过程的指示器gydF4y2Ba
`假gydF4y2Ba`(默认)|gydF4y2Ba`真正的gydF4y2Ba`

指示器在屏幕上显示优化过程，指定为逗号分隔的对组成gydF4y2Ba“详细”gydF4y2Ba,要么gydF4y2Ba假gydF4y2Ba或gydF4y2Ba真正的gydF4y2Ba．默认是gydF4y2Ba假gydF4y2Ba．gydF4y2Ba

设置为gydF4y2Ba“详细”gydF4y2Ba覆盖字段gydF4y2Ba“显示”gydF4y2Ba在gydF4y2Ba“OptimizerOptions”gydF4y2Ba．gydF4y2Ba

例子:gydF4y2Ba“详细”,真的gydF4y2Ba

`CheckHessiangydF4y2Ba`- - - - - -gydF4y2Ba测定黑森氏阳性度的指标gydF4y2Ba
`假gydF4y2Ba`(默认)|gydF4y2Ba`真正的gydF4y2Ba`

用于检查目标函数的Hessian对收敛处无约束参数的正确定性的指标，指定为逗号分隔的对，由gydF4y2Ba“CheckHessian”gydF4y2Ba,要么gydF4y2Ba假gydF4y2Ba或gydF4y2Ba真正的gydF4y2Ba．默认是gydF4y2Ba假gydF4y2Ba．gydF4y2Ba

指定gydF4y2Ba“CheckHessian”gydF4y2Ba作为gydF4y2Ba真正的gydF4y2Ba验证解的最优性或确定模型是否在协方差参数的数量上过度参数化。gydF4y2Ba

例子:gydF4y2Ba“CheckHessian”,真的gydF4y2Ba

输出参数gydF4y2Ba

全部折叠gydF4y2Ba

`lme三个月gydF4y2Ba`-线性混合效应模型gydF4y2Ba
`LinearMixedModelgydF4y2Ba`对象gydF4y2Ba

线性混合效应模型，返回为gydF4y2BaLinearMixedModelgydF4y2Ba对象。gydF4y2Ba

威尔金森符号gydF4y2Ba	标准符号中的因子gydF4y2Ba
`1gydF4y2Ba`	常数(截距)项gydF4y2Ba
`X ^ kgydF4y2Ba`,在那里gydF4y2Ba`kgydF4y2Ba`是正整数gydF4y2Ba	`XgydF4y2Ba`，gydF4y2Ba`XgydF4y2Ba^2gydF4y2Ba`、……gydF4y2Ba`XgydF4y2Ba^kgydF4y2Ba`
`X1 + x2gydF4y2Ba`	`X1gydF4y2Ba`，gydF4y2Ba`X2gydF4y2Ba`
`X1 * X2gydF4y2Ba`	`X1gydF4y2Ba`，gydF4y2Ba`X2gydF4y2Ba`，gydF4y2Ba`X1。* X2（elementwise multiplication of X1 and X2)`
`X1, X2gydF4y2Ba`	`X1。* X2gydF4y2Ba`只有gydF4y2Ba
`- - - - - - X2gydF4y2Ba`	不要包括gydF4y2Ba`X2gydF4y2Ba`
`X1* x2 + x3gydF4y2Ba`	`X1gydF4y2Ba`，gydF4y2Ba`X2gydF4y2Ba`，gydF4y2Ba`X3gydF4y2Ba`，gydF4y2Ba`X1 * X2gydF4y2Ba`
`X1 + x2 + x3 + X1 = x2gydF4y2Ba`	`X1gydF4y2Ba`，gydF4y2Ba`X2gydF4y2Ba`，gydF4y2Ba`X3gydF4y2Ba`，gydF4y2Ba`X1 * X2gydF4y2Ba`
`X1* x2 * x3 - X1: x2: x3gydF4y2Ba`	`X1gydF4y2Ba`，gydF4y2Ba`X2gydF4y2Ba`，gydF4y2Ba`X3gydF4y2Ba`，gydF4y2Ba`X1 * X2gydF4y2Ba`，gydF4y2Ba`X1 * X3gydF4y2Ba`，gydF4y2Ba`X2 * X3gydF4y2Ba`
`X1*(x2 + x3)gydF4y2Ba`	`X1gydF4y2Ba`，gydF4y2Ba`X2gydF4y2Ba`，gydF4y2Ba`X3gydF4y2Ba`，gydF4y2Ba`X1 * X2gydF4y2Ba`，gydF4y2Ba`X1 * X3gydF4y2Ba`

公式gydF4y2Ba	描述gydF4y2Ba
`'y ~ X1 + X2'gydF4y2Ba`	固定的拦截效果，gydF4y2Ba`X1gydF4y2Ba`而且gydF4y2Ba`X2gydF4y2Ba`．这相当于gydF4y2Ba`'y ~ 1 + X1 + X2'gydF4y2Ba`．gydF4y2Ba
`'y ~ -1 + X1 + X2'gydF4y2Ba`	没有拦截和固定效果gydF4y2Ba`X1gydF4y2Ba`而且gydF4y2Ba`X2gydF4y2Ba`．隐式截距项通过包含来抑制gydF4y2Ba`－1gydF4y2Ba`．gydF4y2Ba
`'y ~ 1 + (1 \| g1)'gydF4y2Ba`	拦截的固定效果加上对分组变量的每一级拦截的随机效果gydF4y2Ba`g1gydF4y2Ba`．gydF4y2Ba
`'y ~ X1 + (1 \| g1)'gydF4y2Ba`	斜率固定的随机截距模型。gydF4y2Ba
`'y ~ X1 + (X1 \| g1)'gydF4y2Ba`	随机截距和斜率，两者之间可能存在相关性。这相当于gydF4y2Ba`'y ~ 1 + X1 + (1 + X1\|g1)'gydF4y2Ba`．gydF4y2Ba
`'y ~ X1 + (1 \| g1) + (-1 + X1 \| g1)'gydF4y2Ba`	截距和斜率的独立随机效应项。gydF4y2Ba
`'y ~ 1 + (1 \| g1) + (1 \| g2) + (1 \| g1:g2)'gydF4y2Ba`	具有独立主效应的随机截距模型gydF4y2Ba`g1gydF4y2Ba`而且gydF4y2Ba`g2gydF4y2Ba`，加上一个独立的相互作用效应。gydF4y2Ba

选择gydF4y2Ba

如果您的模型不容易用公式描述，您可以创建矩阵来定义固定和随机效应，并使用gydF4y2Bafitlmematrix (X, y, Z, G)gydF4y2Ba．gydF4y2Ba

参考文献gydF4y2Ba

[1]平赫里奥，j.c.和d.m.贝茨。“方差-协方差矩阵的无约束参数化”。gydF4y2Ba统计与计算gydF4y2Ba， 1996年第6卷，第289-296页。gydF4y2Ba

版本历史gydF4y2Ba

在R2013b中介绍gydF4y2Ba

另请参阅gydF4y2Ba

LinearMixedModelgydF4y2Ba| gydF4y2BafitlmematrixgydF4y2Ba

主题gydF4y2Ba

公式与设计矩阵的关系gydF4y2Ba

fitlmegydF4y2Ba

语法gydF4y2Ba

描述gydF4y2Ba

例子gydF4y2Ba

拟合线性混合效应模型gydF4y2Ba

拟合随机截距LME模型gydF4y2Ba

随机块设计的LME模型gydF4y2Ba

分割图实验的LME模型gydF4y2Ba

具有协变量的纵向研究gydF4y2Ba

输入参数gydF4y2Ba

`资源描述gydF4y2Ba`- - - - - -gydF4y2Ba输入数据gydF4y2Ba
表格gydF4y2Ba| gydF4y2Ba`数据集gydF4y2Ba`数组gydF4y2Ba

`公式gydF4y2Ba`- - - - - -gydF4y2Ba模型规格公式gydF4y2Ba
形式的字符向量或字符串标量gydF4y2Ba`'y ~ fixed + (random1|grouping1) +…+ (randomR | groupingR) 'gydF4y2Ba`

名称-值参数gydF4y2Ba

`FitMethodgydF4y2Ba`- - - - - -gydF4y2Ba参数估计方法gydF4y2Ba
`毫升的gydF4y2Ba`(默认)|gydF4y2Ba`“REML”gydF4y2Ba`

`权重gydF4y2Ba`- - - - - -gydF4y2Ba观察权重gydF4y2Ba
标量值向量gydF4y2Ba

`排除gydF4y2Ba`- - - - - -gydF4y2Ba要排除的行索引gydF4y2Ba
使用所有行gydF4y2Ba`nangydF4y2Ba`(默认)|gydF4y2Ba整数或逻辑值的向量gydF4y2Ba

`DummyVarCodinggydF4y2Ba`- - - - - -gydF4y2Ba用于虚拟变量的编码gydF4y2Ba
`“参考”gydF4y2Ba`(默认)|gydF4y2Ba`“影响”gydF4y2Ba`| gydF4y2Ba`“全部”gydF4y2Ba`

`优化器gydF4y2Ba`- - - - - -gydF4y2Ba优化算法gydF4y2Ba
`“quasinewton”gydF4y2Ba`(默认)|gydF4y2Ba`“fminunc”gydF4y2Ba`

`OptimizerOptionsgydF4y2Ba`- - - - - -gydF4y2Ba优化算法选项gydF4y2Ba
返回的结构gydF4y2Ba`statsetgydF4y2Ba`| gydF4y2Ba返回的对象。gydF4y2Ba`optimoptionsgydF4y2Ba`

`TolFungydF4y2Ba`-目标函数梯度的相对公差gydF4y2Ba
`1 e-6gydF4y2Ba`(默认)|正标量值gydF4y2Ba

`TolXgydF4y2Ba`-步长绝对公差gydF4y2Ba
`1 e-12gydF4y2Ba`(默认)|正标量值gydF4y2Ba

`麦克斯特gydF4y2Ba`-允许的最大迭代次数gydF4y2Ba
`10000gydF4y2Ba`(默认)|正标量值gydF4y2Ba

`显示gydF4y2Ba`-显示水平gydF4y2Ba
`“关闭”gydF4y2Ba`(默认)|gydF4y2Ba`“通路”gydF4y2Ba`| gydF4y2Ba`“最后一次”gydF4y2Ba`

`StartMethodgydF4y2Ba`- - - - - -gydF4y2Ba方法启动迭代优化gydF4y2Ba
`“默认”gydF4y2Ba`(默认)|gydF4y2Ba`“随机”gydF4y2Ba`

`详细的gydF4y2Ba`- - - - - -gydF4y2Ba在屏幕上显示优化过程的指示器gydF4y2Ba
`假gydF4y2Ba`(默认)|gydF4y2Ba`真正的gydF4y2Ba`

`CheckHessiangydF4y2Ba`- - - - - -gydF4y2Ba测定黑森氏阳性度的指标gydF4y2Ba
`假gydF4y2Ba`(默认)|gydF4y2Ba`真正的gydF4y2Ba`

输出参数gydF4y2Ba

`lme三个月gydF4y2Ba`-线性混合效应模型gydF4y2Ba
`LinearMixedModelgydF4y2Ba`对象gydF4y2Ba

更多关于gydF4y2Ba

公式gydF4y2Ba

柯列斯基参数化gydF4y2Ba

Log-Cholesky参数化gydF4y2Ba

选择gydF4y2Ba

参考文献gydF4y2Ba

版本历史gydF4y2Ba

另请参阅gydF4y2Ba

主题gydF4y2Ba

fitlmegydF4y2Ba

语法gydF4y2Ba

描述gydF4y2Ba

例子gydF4y2Ba

拟合线性混合效应模型gydF4y2Ba

拟合随机截距LME模型gydF4y2Ba

随机块设计的LME模型gydF4y2Ba

分割图实验的LME模型gydF4y2Ba

具有协变量的纵向研究gydF4y2Ba

输入参数gydF4y2Ba

资源描述gydF4y2Ba- - - - - -gydF4y2Ba输入数据gydF4y2Ba表格gydF4y2Ba| gydF4y2Ba数据集gydF4y2Ba数组gydF4y2Ba

公式gydF4y2Ba- - - - - -gydF4y2Ba模型规格公式gydF4y2Ba形式的字符向量或字符串标量gydF4y2Ba'y ~ fixed + (random1|grouping1) +…+ (randomR | groupingR) 'gydF4y2Ba

名称-值参数gydF4y2Ba

FitMethodgydF4y2Ba- - - - - -gydF4y2Ba参数估计方法gydF4y2Ba毫升的gydF4y2Ba(默认)|gydF4y2Ba“REML”gydF4y2Ba

权重gydF4y2Ba- - - - - -gydF4y2Ba观察权重gydF4y2Ba标量值向量gydF4y2Ba

排除gydF4y2Ba- - - - - -gydF4y2Ba要排除的行索引gydF4y2Ba使用所有行gydF4y2BanangydF4y2Ba(默认)|gydF4y2Ba整数或逻辑值的向量gydF4y2Ba

DummyVarCodinggydF4y2Ba- - - - - -gydF4y2Ba用于虚拟变量的编码gydF4y2Ba“参考”gydF4y2Ba(默认)|gydF4y2Ba“影响”gydF4y2Ba| gydF4y2Ba“全部”gydF4y2Ba

优化器gydF4y2Ba- - - - - -gydF4y2Ba优化算法gydF4y2Ba“quasinewton”gydF4y2Ba(默认)|gydF4y2Ba“fminunc”gydF4y2Ba

OptimizerOptionsgydF4y2Ba- - - - - -gydF4y2Ba优化算法选项gydF4y2Ba返回的结构gydF4y2BastatsetgydF4y2Ba| gydF4y2Ba返回的对象。gydF4y2BaoptimoptionsgydF4y2Ba

TolFungydF4y2Ba-目标函数梯度的相对公差gydF4y2Ba1 e-6gydF4y2Ba(默认)|正标量值gydF4y2Ba

TolXgydF4y2Ba-步长绝对公差gydF4y2Ba1 e-12gydF4y2Ba(默认)|正标量值gydF4y2Ba

麦克斯特gydF4y2Ba-允许的最大迭代次数gydF4y2Ba10000gydF4y2Ba(默认)|正标量值gydF4y2Ba

显示gydF4y2Ba-显示水平gydF4y2Ba“关闭”gydF4y2Ba(默认)|gydF4y2Ba“通路”gydF4y2Ba| gydF4y2Ba“最后一次”gydF4y2Ba

StartMethodgydF4y2Ba- - - - - -gydF4y2Ba方法启动迭代优化gydF4y2Ba“默认”gydF4y2Ba(默认)|gydF4y2Ba“随机”gydF4y2Ba

详细的gydF4y2Ba- - - - - -gydF4y2Ba在屏幕上显示优化过程的指示器gydF4y2Ba假gydF4y2Ba(默认)|gydF4y2Ba真正的gydF4y2Ba

CheckHessiangydF4y2Ba- - - - - -gydF4y2Ba测定黑森氏阳性度的指标gydF4y2Ba假gydF4y2Ba(默认)|gydF4y2Ba真正的gydF4y2Ba

输出参数gydF4y2Ba

lme三个月gydF4y2Ba-线性混合效应模型gydF4y2BaLinearMixedModelgydF4y2Ba对象gydF4y2Ba

更多关于gydF4y2Ba

公式gydF4y2Ba

柯列斯基参数化gydF4y2Ba

Log-Cholesky参数化gydF4y2Ba

选择gydF4y2Ba

参考文献gydF4y2Ba

版本历史gydF4y2Ba

另请参阅gydF4y2Ba

主题gydF4y2Ba

`资源描述gydF4y2Ba`- - - - - -gydF4y2Ba输入数据gydF4y2Ba
表格gydF4y2Ba| gydF4y2Ba`数据集gydF4y2Ba`数组gydF4y2Ba

`公式gydF4y2Ba`- - - - - -gydF4y2Ba模型规格公式gydF4y2Ba
形式的字符向量或字符串标量gydF4y2Ba`'y ~ fixed + (random1|grouping1) +…+ (randomR | groupingR) 'gydF4y2Ba`

`FitMethodgydF4y2Ba`- - - - - -gydF4y2Ba参数估计方法gydF4y2Ba
`毫升的gydF4y2Ba`(默认)|gydF4y2Ba`“REML”gydF4y2Ba`

`权重gydF4y2Ba`- - - - - -gydF4y2Ba观察权重gydF4y2Ba
标量值向量gydF4y2Ba

`排除gydF4y2Ba`- - - - - -gydF4y2Ba要排除的行索引gydF4y2Ba
使用所有行gydF4y2Ba`nangydF4y2Ba`(默认)|gydF4y2Ba整数或逻辑值的向量gydF4y2Ba

`DummyVarCodinggydF4y2Ba`- - - - - -gydF4y2Ba用于虚拟变量的编码gydF4y2Ba
`“参考”gydF4y2Ba`(默认)|gydF4y2Ba`“影响”gydF4y2Ba`| gydF4y2Ba`“全部”gydF4y2Ba`

`优化器gydF4y2Ba`- - - - - -gydF4y2Ba优化算法gydF4y2Ba
`“quasinewton”gydF4y2Ba`(默认)|gydF4y2Ba`“fminunc”gydF4y2Ba`

`OptimizerOptionsgydF4y2Ba`- - - - - -gydF4y2Ba优化算法选项gydF4y2Ba
返回的结构gydF4y2Ba`statsetgydF4y2Ba`| gydF4y2Ba返回的对象。gydF4y2Ba`optimoptionsgydF4y2Ba`

`TolFungydF4y2Ba`-目标函数梯度的相对公差gydF4y2Ba
`1 e-6gydF4y2Ba`(默认)|正标量值gydF4y2Ba

`TolXgydF4y2Ba`-步长绝对公差gydF4y2Ba
`1 e-12gydF4y2Ba`(默认)|正标量值gydF4y2Ba

`麦克斯特gydF4y2Ba`-允许的最大迭代次数gydF4y2Ba
`10000gydF4y2Ba`(默认)|正标量值gydF4y2Ba

`显示gydF4y2Ba`-显示水平gydF4y2Ba
`“关闭”gydF4y2Ba`(默认)|gydF4y2Ba`“通路”gydF4y2Ba`| gydF4y2Ba`“最后一次”gydF4y2Ba`

`StartMethodgydF4y2Ba`- - - - - -gydF4y2Ba方法启动迭代优化gydF4y2Ba
`“默认”gydF4y2Ba`(默认)|gydF4y2Ba`“随机”gydF4y2Ba`

`详细的gydF4y2Ba`- - - - - -gydF4y2Ba在屏幕上显示优化过程的指示器gydF4y2Ba
`假gydF4y2Ba`(默认)|gydF4y2Ba`真正的gydF4y2Ba`

`CheckHessiangydF4y2Ba`- - - - - -gydF4y2Ba测定黑森氏阳性度的指标gydF4y2Ba
`假gydF4y2Ba`(默认)|gydF4y2Ba`真正的gydF4y2Ba`

`lme三个月gydF4y2Ba`-线性混合效应模型gydF4y2Ba
`LinearMixedModelgydF4y2Ba`对象gydF4y2Ba