拟合混合效应样条回归
此示例显示了如何拟合混合效应的线性样条模型。
加载样本数据。
加载('mespline.mat');
这是模拟数据。
阴谋 与分类 。
[x_sorted,i] = sort(x,“上升”);情节(x_sorted,y(i),'o')
拟合以下混合效应线性样条回归模型
在哪里 是个 结,然后 是结的总数。假使,假设 和 。
定义结。
k = linspace(0.05,0.95,100);
定义设计矩阵。
x = [一个(1000,1),x];z =零(长度(x),长度(k));为了j = 1:长度(k)z(:,j)= max(x(:,2)-k(j),0);结尾
使用各向同性协方差结构拟合模型,以实现随机效应。
lme = fitlmematrix(x,y,z,[],,'协方差'',,,,“各向同性”);
仅适用固定效应模型。
x = [x z];lme_fixed = fitlmematrix(x,y,[],[]);
相比lme_fixed
和LME
通过模拟似然比测试。
比较(lme,lme_fixed,'nsim',500,“ checknesting',真的)
ANS =模拟似然比测试:NSIM = 500,alpha = 0.05 DF AIC BIC LOGLIK LRSTAT PVALUE LME 4 170.62 190.62 190.25 -81.309 LME_FIXED 103 113.38 618.88 46.88 46.88 46.309 255.68880 0.6880.6884.6844.684,6378
这 - 值表明仅固定效应模型不是比混合效应样条回归模型更好的拟合度。
在原始响应数据的顶部绘制两个模型的拟合值。
r =响应(LME);数字();情节(x_sorted,r(i),'o',,,,“ MarkerfaceColor”,[0.8,0.8,0.8],,...“标记为彩色”,[0.8,0.8,0.8],,“标记”,4);抓住上f = fitting(lme);f_fixed = fitting(lme_fixed);情节(x_sorted,f(i),'b');绘图(x_sorted,f_fixed(i),'r');传奇('数据',,,,“混合效应”,,,,“固定效果”,,,,'地点',,,,'西北')xlabel(“排序x值”);ylabel('y');抓住离开
您还可以从数字中看到,混合效应模型比仅固定效应模型提供了更好的数据拟合。