主要内容gydF4y2Ba

nlmefitgydF4y2Ba

非线性mixed-effects估计gydF4y2Ba

折叠所有页面gydF4y2Ba

语法gydF4y2Ba

β= nlmefit (X, y,, V,有趣,beta0)gydF4y2Ba
(β,PSI) = nlmefit (X, y,, V,有趣,beta0)gydF4y2Ba
[β,PSI,统计]= nlmefit (X, y,, V,有趣,beta0)gydF4y2Ba
[β,PSI,统计数据,B] = nlmefit (X, y,, V,有趣,beta0)gydF4y2Ba
(β,PSI,统计数据,B) = nlmefit (X, y,, V,有趣,beta0,”gydF4y2Ba的名字gydF4y2Ba'，gydF4y2Ba价值gydF4y2Ba）gydF4y2Ba

描述gydF4y2Ba

β= nlmefit (X, y,, V,有趣,beta0)gydF4y2Ba拟合非线性混合效应回归模型，并对固定效应进行估计gydF4y2BaβgydF4y2Ba．默认情况下,gydF4y2BanlmefitgydF4y2Ba拟合一个模型，其中每个参数是固定效应和随机效应的和，随机效应是不相关的(它们的协方差矩阵是对角的)。gydF4y2Ba

XgydF4y2Ba是一个gydF4y2BangydF4y2Ba——- - - - - -gydF4y2BahgydF4y2Ba矩阵的gydF4y2BangydF4y2Ba观察gydF4y2BahgydF4y2Ba预测因子。gydF4y2Ba

ygydF4y2Ba是一个gydF4y2BangydF4y2Ba-乘1的响应向量。gydF4y2Ba

集团gydF4y2Ba分组变量是否有指示gydF4y2Ba米gydF4y2Ba组在观察中。gydF4y2Ba集团gydF4y2Ba是分类变量、数字向量、包含用于组名的行的字符矩阵、字符串数组或字符向量的单元格数组。有关变量分组的更多信息，请参见gydF4y2Ba分组变量gydF4y2Ba．gydF4y2Ba

VgydF4y2Ba是一个gydF4y2Ba米gydF4y2Ba——- - - - - -gydF4y2BaggydF4y2Ba矩阵或单元阵列gydF4y2BaggydF4y2Ba类属特异性的预测因子。这些预测因子对一组中所有的观察值都是相同的。的行gydF4y2BaVgydF4y2Ba是分配给组使用gydF4y2Bagrp2idxgydF4y2Ba，按指定的顺序gydF4y2Bagrp2idx(集团)gydF4y2Ba．使用单元格数组gydF4y2BaVgydF4y2Ba如果不同组的预测因子大小不同。使用gydF4y2Ba［］gydF4y2Ba为gydF4y2BaVgydF4y2Ba如果没有特定群体的预测因子。gydF4y2Ba

有趣的gydF4y2Ba是接受预测值和模型参数并返回拟合值的函数的句柄。gydF4y2Ba有趣的gydF4y2Ba的形式gydF4y2Ba

yfit = modelfun(φ,XFUN VFUN)gydF4y2Ba

的参数是:gydF4y2Ba

  • φgydF4y2Ba——1gydF4y2BapgydF4y2Ba模型参数向量。gydF4y2Ba

  • XFUNgydF4y2Ba——一个gydF4y2BakgydF4y2Ba——- - - - - -gydF4y2BahgydF4y2Ba预测器数组，其中:gydF4y2Ba

    • kgydF4y2Ba= 1,如果gydF4y2BaXFUNgydF4y2Ba是单排吗gydF4y2BaXgydF4y2Ba．gydF4y2Ba

    • kgydF4y2Ba＝gydF4y2BangydF4y2Ba我gydF4y2Ba如果gydF4y2BaXFUNgydF4y2Ba包含gydF4y2BaXgydF4y2Ba对于单个大小的组gydF4y2BangydF4y2Ba我gydF4y2Ba．gydF4y2Ba

    • kgydF4y2Ba＝gydF4y2BangydF4y2Ba如果gydF4y2BaXFUNgydF4y2Ba包含的所有行gydF4y2BaXgydF4y2Ba．gydF4y2Ba

  • VFUNgydF4y2Ba-特定群体的预测:gydF4y2Ba

    • 1 -gydF4y2BaggydF4y2Ba对应于单个组和一行的向量gydF4y2BaVgydF4y2Ba．gydF4y2Ba

    • 一个gydF4y2BangydF4y2Ba——- - - - - -gydF4y2BaggydF4y2Ba数组,gydF4y2BajgydF4y2Ba第一行是V(gydF4y2Ba我gydF4y2Ba:)如果gydF4y2BajgydF4y2Ba观察结果是分组的gydF4y2Ba我gydF4y2Ba．gydF4y2Ba

    如果gydF4y2BaVgydF4y2Ba是空的,gydF4y2BanlmefitgydF4y2Ba调用gydF4y2BamodelfungydF4y2Ba只有两个输入。gydF4y2Ba

  • yfitgydF4y2Ba——一个gydF4y2BakgydF4y2Ba-乘1向量的拟合值gydF4y2Ba

当gydF4y2BaφgydF4y2Ba或gydF4y2BaVFUNgydF4y2Ba包含单行，它对应于其他两个输入参数中的所有行。gydF4y2Ba

请注意gydF4y2Ba

如果gydF4y2BamodelfungydF4y2Ba可以计算gydF4y2BayfitgydF4y2Ba对于每次调用的多个模型参数向量，使用gydF4y2Ba向量化的gydF4y2Ba参数(稍后介绍)以提高性能。gydF4y2Ba

beta0gydF4y2Ba是一个gydF4y2Ba问gydF4y2Ba-乘1向量，初始估计为gydF4y2Ba问gydF4y2Ba固定效果。默认情况下,gydF4y2Ba问gydF4y2Ba是模型参数的数量吗gydF4y2BapgydF4y2Ba．gydF4y2Ba

nlmefitgydF4y2Ba通过最大化边际似然近似来拟合模型，并将随机效应积分出去，假设:gydF4y2Ba

  • 随机效应是多元正态分布的，并且在组间独立。gydF4y2Ba

  • 观测误差是独立的，同正态分布的，独立于随机效应。gydF4y2Ba

(β,PSI) = nlmefit (X, y,, V,有趣,beta0)gydF4y2Ba同样的回报gydF4y2BaψgydF4y2Ba,一个gydF4y2BargydF4y2Ba——- - - - - -gydF4y2BargydF4y2Ba随机效应的估计协方差矩阵。默认情况下,gydF4y2BargydF4y2Ba等于模型参数的个数gydF4y2BapgydF4y2Ba．gydF4y2Ba

[β,PSI,统计]= nlmefit (X, y,, V,有趣,beta0)gydF4y2Ba同样的回报gydF4y2Ba统计数据gydF4y2Ba，具有以下字段的结构:gydF4y2Ba

  • 教育部gydF4y2Ba-模型的误差自由度gydF4y2Ba

  • loglgydF4y2Ba-拟合模型的最大对数似然gydF4y2Ba

  • rmsegydF4y2Ba-估计误差方差的平方根(在对数尺度上计算gydF4y2Ba指数gydF4y2Ba误差模型)gydF4y2Ba

  • errorparamgydF4y2Ba-误差方差模型的估计参数gydF4y2Ba

  • 另类投资会议gydF4y2Ba—赤池信息准则，计算为gydF4y2Ba另类投资会议gydF4y2Ba= 2 *gydF4y2BaloglgydF4y2Ba+ 2 *gydF4y2BanumParamgydF4y2Ba,在那里gydF4y2BanumParamgydF4y2Ba拟合参数的个数，包括随机效应协方差矩阵的自由度，固定效应的个数和误差模型的参数个数，和gydF4y2BaloglgydF4y2Ba田野在吗gydF4y2Ba统计数据gydF4y2Ba结构gydF4y2Ba

  • bicgydF4y2Ba—贝叶斯信息准则，计算为gydF4y2BabicgydF4y2Ba= 2 *gydF4y2BaloglgydF4y2Ba+日志(gydF4y2Ba米gydF4y2Ba) *gydF4y2BanumParamgydF4y2Ba

    • 米gydF4y2Ba为组的个数。gydF4y2Ba

    • numParamgydF4y2Ba和gydF4y2BaloglgydF4y2Ba定义为gydF4y2Ba另类投资会议gydF4y2Ba．gydF4y2Ba

    注意，一些文献表明gydF4y2BabicgydF4y2Ba应该是,gydF4y2BabicgydF4y2Ba= 2 *gydF4y2BaloglgydF4y2Ba+日志(gydF4y2BaNgydF4y2Ba) *gydF4y2BanumParamgydF4y2Ba,在那里gydF4y2BaNgydF4y2Ba为观察次数。gydF4y2Ba

  • covbgydF4y2Ba-参数估计的协方差矩阵gydF4y2Ba

  • sebetagydF4y2Ba-标准误差gydF4y2BaβgydF4y2Ba

  • 忿怒gydF4y2Ba-人口残差gydF4y2Ba(y-y_population)gydF4y2Ba,在那里gydF4y2Bay_populationgydF4y2Ba个体预测值是多少gydF4y2Ba

  • 总统gydF4y2Ba-人口残差gydF4y2Ba(y-y_population)gydF4y2Ba,在那里gydF4y2Bay_populationgydF4y2Ba人口是预测值吗gydF4y2Ba

  • 本方案gydF4y2Ba-单项加权残差gydF4y2Ba

  • 压水式反应堆gydF4y2Ba-总体加权残差gydF4y2Ba

  • 轨gydF4y2Ba—条件加权残差gydF4y2Ba

[β,PSI,统计数据,B] = nlmefit (X, y,, V,有趣,beta0)gydF4y2Ba同样的回报gydF4y2BaBgydF4y2Ba,一个gydF4y2BargydF4y2Ba——- - - - - -gydF4y2Ba米gydF4y2Ba的估计随机效应矩阵gydF4y2Ba米gydF4y2Ba组。默认情况下,gydF4y2BargydF4y2Ba等于模型参数的个数gydF4y2BapgydF4y2Ba．gydF4y2Ba

(β,PSI,统计数据,B) = nlmefit (X, y,, V,有趣,beta0,”gydF4y2Ba的名字gydF4y2Ba'，gydF4y2Ba价值gydF4y2Ba）gydF4y2Ba指定一个或多个可选参数名称/值对。指定gydF4y2Ba的名字gydF4y2Ba在单引号。gydF4y2Ba

使用以下参数来适应不同于默认值的模型。(通过设置两者，可以获得默认模型gydF4y2BaFEConstDesigngydF4y2Ba和gydF4y2BaREConstDesigngydF4y2Ba来gydF4y2Ba眼(p)gydF4y2Ba，或者两者都设置gydF4y2BaFEParamsSelectgydF4y2Ba和gydF4y2BaREParamsSelectgydF4y2Ba来gydF4y2Ba1: pgydF4y2Ba.）参数中最多只能使用一个参数gydF4y2Ba“菲”gydF4y2Ba前缀和一个参数gydF4y2Ba“重新”gydF4y2Ba前缀。的gydF4y2BanlmefitgydF4y2Ba函数要求您指定至少一个固定效果和一个随机效果。gydF4y2Ba

参数gydF4y2Ba 价值gydF4y2Ba
FEParamsSelectgydF4y2Ba

一个向量，指定参数向量的哪些元素gydF4y2BaφgydF4y2Ba包含一个固定的效果，作为索引的数字向量gydF4y2Ba1gydF4y2Ba来gydF4y2BapgydF4y2Ba或者是1-by-gydF4y2BapgydF4y2Ba逻辑向量。如果gydF4y2Ba问gydF4y2Ba是指定数量的元素，然后模型包括gydF4y2Ba问gydF4y2Ba固定效果。gydF4y2Ba
FEConstDesigngydF4y2Ba

一个gydF4y2BapgydF4y2Ba——- - - - - -gydF4y2Ba问gydF4y2Ba设计矩阵gydF4y2Ba动力gydF4y2Ba,在那里gydF4y2Ba动力*βgydF4y2Ba是固定的组件吗gydF4y2BapgydF4y2Ba的元素gydF4y2BaφgydF4y2Ba．gydF4y2Ba
FEGroupDesigngydF4y2Ba

一个gydF4y2BapgydF4y2Ba——- - - - - -gydF4y2Ba问gydF4y2Ba——- - - - - -gydF4y2Ba米gydF4y2Ba数组指定不同的gydF4y2BapgydF4y2Ba——- - - - - -gydF4y2Ba问gydF4y2Ba固定效果设计矩阵为每个gydF4y2Ba米gydF4y2Ba组。gydF4y2Ba
FEObsDesigngydF4y2Ba

一个gydF4y2BapgydF4y2Ba——- - - - - -gydF4y2Ba问gydF4y2Ba——- - - - - -gydF4y2BangydF4y2Ba数组指定不同的gydF4y2BapgydF4y2Ba——- - - - - -gydF4y2Ba问gydF4y2Ba固定效果设计矩阵为每个gydF4y2BangydF4y2Ba观察。gydF4y2Ba
REParamsSelectgydF4y2Ba

一个向量，指定参数向量的哪些元素gydF4y2BaφgydF4y2Ba包含一个随机效应，作为索引的数字向量gydF4y2Ba1gydF4y2Ba来gydF4y2BapgydF4y2Ba或者是1-by-gydF4y2BapgydF4y2Ba逻辑向量。该模型包括gydF4y2BargydF4y2Ba随机效应,gydF4y2BargydF4y2Ba是指定的元素数量。gydF4y2Ba
REConstDesigngydF4y2Ba

一个gydF4y2BapgydF4y2Ba——- - - - - -gydF4y2BargydF4y2Ba设计矩阵gydF4y2BaBDESIGNgydF4y2Ba,在那里gydF4y2BaBDESIGN * BgydF4y2Ba是随机成分吗gydF4y2BapgydF4y2Ba的元素gydF4y2BaφgydF4y2Ba．gydF4y2Ba
REGroupDesigngydF4y2Ba

一个gydF4y2BapgydF4y2Ba——- - - - - -gydF4y2BargydF4y2Ba——- - - - - -gydF4y2Ba米gydF4y2Ba数组指定不同的gydF4y2BapgydF4y2Ba——- - - - - -gydF4y2BargydF4y2Ba随机效应设计矩阵gydF4y2Ba米gydF4y2Ba组。gydF4y2Ba
REObsDesigngydF4y2Ba

一个gydF4y2BapgydF4y2Ba——- - - - - -gydF4y2BargydF4y2Ba——- - - - - -gydF4y2BangydF4y2Ba数组指定不同的gydF4y2BapgydF4y2Ba——- - - - - -gydF4y2BargydF4y2Ba随机效应设计矩阵gydF4y2BangydF4y2Ba观察。gydF4y2Ba

使用以下参数控制迭代算法，使可能性最大化:gydF4y2Ba

参数gydF4y2Ba 价值gydF4y2Ba
RefineBeta0gydF4y2Ba

决定gydF4y2BanlmefitgydF4y2Ba对…作初步的改进gydF4y2Babeta0gydF4y2Ba首先拟合gydF4y2BamodelfungydF4y2Ba没有随机效果和替换gydF4y2Babeta0gydF4y2Ba与gydF4y2BaβgydF4y2Ba．的选择是gydF4y2Ba“上”gydF4y2Ba和gydF4y2Ba“关闭”gydF4y2Ba．默认值为gydF4y2Ba“上”gydF4y2Ba．gydF4y2Ba
ErrorModelgydF4y2Ba

指定错误项形式的字符向量或字符串标量。默认是gydF4y2Ba“不变”gydF4y2Ba．每个模型使用标准正态(高斯)变量定义误差gydF4y2BaegydF4y2Ba，函数值gydF4y2BafgydF4y2Ba，以及一两个参数gydF4y2Ba一个gydF4y2Ba和gydF4y2BabgydF4y2Ba．的选择是:gydF4y2Ba

  • “不变”gydF4y2Ba：gydF4y2BaygydF4y2Ba＝gydF4y2BafgydF4y2Ba+gydF4y2Ba一个gydF4y2Ba＊gydF4y2BaegydF4y2Ba

  • “比例”gydF4y2Ba：gydF4y2BaygydF4y2Ba＝gydF4y2BafgydF4y2Ba+gydF4y2BabgydF4y2Ba＊gydF4y2BafgydF4y2Ba＊gydF4y2BaegydF4y2Ba

  • “组合”gydF4y2Ba：gydF4y2BaygydF4y2Ba＝gydF4y2BafgydF4y2Ba+ (gydF4y2Ba一个gydF4y2Ba+gydF4y2BabgydF4y2Ba＊gydF4y2BafgydF4y2Ba）*gydF4y2BaegydF4y2Ba

  • “指数”gydF4y2Ba：gydF4y2BaygydF4y2Ba＝gydF4y2BafgydF4y2Ba* exp (gydF4y2Ba一个gydF4y2Ba＊gydF4y2BaegydF4y2Ba)，或等效为log(gydF4y2BaygydF4y2Ba) =日志(gydF4y2BafgydF4y2Ba) +gydF4y2Ba一个gydF4y2Ba＊gydF4y2BaegydF4y2Ba

如果给定此参数，则输出gydF4y2Bastats.errorparamgydF4y2Ba字段的值为gydF4y2Ba

  • 一个gydF4y2Ba为gydF4y2Ba“不变”gydF4y2Ba和gydF4y2Ba“指数”gydF4y2Ba

  • bgydF4y2Ba为gydF4y2Ba“比例”gydF4y2Ba

  • ［gydF4y2Ba一个gydF4y2BabgydF4y2Ba]gydF4y2Ba“组合”gydF4y2Ba
ApproximationTypegydF4y2Ba

用来近似模型的可能性的方法。的选择是:gydF4y2Ba

  • LME的gydF4y2Ba-使用线性混合效应模型的可能性在当前的条件估计gydF4y2BaβgydF4y2Ba和gydF4y2BaBgydF4y2Ba．这是默认值。gydF4y2Ba

  • “RELME”gydF4y2Ba-线性混合效应模型在当前条件估计时使用限制性似然gydF4y2BaβgydF4y2Ba和gydF4y2BaBgydF4y2Ba．gydF4y2Ba

  • ‘佛’gydF4y2Ba-无随机效应的一阶拉普拉斯近似。gydF4y2Ba

  • “FOCE”gydF4y2Ba条件估计的一阶拉普拉斯近似gydF4y2BaBgydF4y2Ba．gydF4y2Ba
向量化gydF4y2Ba

的可接受的大小gydF4y2BaφgydF4y2Ba，gydF4y2BaXFUNgydF4y2Ba,gydF4y2BaVFUNgydF4y2Ba输入参数gydF4y2BamodelfungydF4y2Ba．的选择是:gydF4y2Ba

  • “SinglePhi”gydF4y2Ba- - - - - -gydF4y2BamodelfungydF4y2Ba一次只能接受一组模型参数，所以呢gydF4y2BaφgydF4y2Ba每次调用必须是一个单行向量。gydF4y2BanlmefitgydF4y2Ba调用gydF4y2BamodelfungydF4y2Ba在一个循环中，如果有必要，用一个gydF4y2BaφgydF4y2Ba向量和gydF4y2BaXFUNgydF4y2Ba每次包含单个观察或组的行。gydF4y2BaVFUNgydF4y2Ba可能是适用于所有行的单行gydF4y2BaXFUNgydF4y2Ba，或者一个行与行对应的矩阵gydF4y2BaXFUNgydF4y2Ba．这是默认值。gydF4y2Ba

  • “SingleGroup”gydF4y2Ba- - - - - -gydF4y2BamodelfungydF4y2Ba只能接受数据中对应于单个组的输入，所以呢gydF4y2BaXFUNgydF4y2Ba必须包含gydF4y2BaXgydF4y2Ba从每个呼叫的单个组。根据模型，gydF4y2BaφgydF4y2Ba是一个适用于整个组的单行，或者是一个矩阵，每个观察只有一行。gydF4y2BaVFUNgydF4y2Ba是单行。gydF4y2Ba

  • “全部”gydF4y2Ba- - - - - -gydF4y2BamodelfungydF4y2Ba可以接受多个参数向量和数据中的多个组的输入。要么gydF4y2BaφgydF4y2Ba或gydF4y2BaVFUNgydF4y2Ba可能是适用于所有行的单行gydF4y2BaXFUNgydF4y2Ba或者一个行与行对应的矩阵gydF4y2BaXFUNgydF4y2Ba．这个选项可以通过减少调用的次数来提高性能gydF4y2BamodelfungydF4y2Ba，但可能需要gydF4y2BamodelfungydF4y2Ba执行单例展开gydF4y2BaφgydF4y2Ba或gydF4y2BaVgydF4y2Ba．gydF4y2Ba
CovParameterizationgydF4y2Ba

指定用于内部缩放协方差矩阵的参数化。的选择是gydF4y2Ba“胆固醇”gydF4y2Ba对于乔尔斯基分解或者gydF4y2Ba“logm”gydF4y2Ba矩阵对数。默认值是gydF4y2Ba“logm”gydF4y2Ba．gydF4y2Ba
CovPatterngydF4y2Ba

指定一个gydF4y2BargydF4y2Ba——- - - - - -gydF4y2BargydF4y2Ba逻辑或数字矩阵gydF4y2BaPgydF4y2Ba这定义了随机效应协方差矩阵的模式gydF4y2BaψgydF4y2Ba．gydF4y2BanlmefitgydF4y2Ba估计沿对角线的方差gydF4y2BaψgydF4y2Ba和的非对角元素中的非零所指定的协方差gydF4y2BaPgydF4y2Ba．中0个非对角元素对应的协方差gydF4y2BaPgydF4y2Ba都被限制为零。如果gydF4y2BaPgydF4y2Ba不指定块对角矩阵的行-列排列，gydF4y2BanlmefitgydF4y2Ba添加非零元素gydF4y2BaPgydF4y2Ba根据需要。的默认值gydF4y2BaPgydF4y2Ba是gydF4y2Ba眼睛(右)gydF4y2Ba，对应于不相关的随机效应。gydF4y2Ba

另外,gydF4y2BaPgydF4y2Ba可能是1 ×gydF4y2BargydF4y2Ba中包含值的向量gydF4y2Ba1: rgydF4y2Ba，用相等的值指定随机效应组。在这种情况下,gydF4y2BanlmefitgydF4y2Ba仅在组内估计协方差，并将组间的协方差限制为零。gydF4y2Ba
ParamTransformgydF4y2Ba

一个向量的gydF4y2BapgydF4y2Ba-values指定一个转换函数gydF4y2BafgydF4y2Ba() for each thegydF4y2BaPgydF4y2Ba参数:gydF4y2BaXBgydF4y2Ba＝gydF4y2Ba动力gydF4y2Ba＊gydF4y2BaβgydF4y2Ba+gydF4y2BaBDESIGNgydF4y2Ba＊gydF4y2BaBgydF4y2BaφgydF4y2Ba＝gydF4y2BafgydF4y2Ba（gydF4y2BaXBgydF4y2Ba)．向量的每个元素必须是下列整数码之一，指定对应PHI值的变换:gydF4y2Ba

  • 0：gydF4y2BaφgydF4y2Ba＝gydF4y2BaXBgydF4y2Ba(默认为所有参数)gydF4y2Ba

  • 1:日志(gydF4y2BaφgydF4y2Ba) =gydF4y2BaXBgydF4y2Ba

  • 2: probit (gydF4y2BaφgydF4y2Ba) =gydF4y2BaXBgydF4y2Ba

  • 3:分对数(gydF4y2BaφgydF4y2Ba) =gydF4y2BaXBgydF4y2Ba
选项gydF4y2Ba

返回的表单结构gydF4y2BastatsetgydF4y2Ba．gydF4y2BanlmefitgydF4y2Ba使用以下gydF4y2BastatsetgydF4y2Ba参数:gydF4y2Ba

  • “DerivStep”gydF4y2Ba-用于有限差分梯度计算的相对差分。可以是标量，也可以是长度为模型参数个数的向量gydF4y2BapgydF4y2Ba．默认值是gydF4y2Baeps ^ (1/3)gydF4y2Ba．gydF4y2Ba

  • “显示”gydF4y2Ba-估计期间的迭代显示级别。的选择是:gydF4y2Ba

    • “关闭”gydF4y2Ba(默认)-不显示任何信息gydF4y2Ba

    • “最后一次”gydF4y2Ba—显示最后一次迭代后的信息gydF4y2Ba

    • “通路”gydF4y2Ba—在每次迭代时显示信息gydF4y2Ba

  • “FunValCheck”gydF4y2Ba—检查是否有无效的值，例如gydF4y2Ba南gydF4y2Ba或gydF4y2Ba正gydF4y2Ba,从gydF4y2BamodelfungydF4y2Ba．的选择是gydF4y2Ba“上”gydF4y2Ba和gydF4y2Ba“关闭”gydF4y2Ba．默认值是gydF4y2Ba“上”gydF4y2Ba．gydF4y2Ba

  • “麦克斯特”gydF4y2Ba—允许的最大迭代次数。默认值是gydF4y2Ba200gydF4y2Ba．gydF4y2Ba

  • “OutputFcn”gydF4y2Ba使用指定的函数句柄gydF4y2Ba＠gydF4y2Ba，带有函数句柄的单元格数组或空数组(默认)。求解器在每次迭代后调用所有输出函数。gydF4y2Ba

  • “TolFun”gydF4y2Ba-对数似然函数的终止公差。默认值是gydF4y2Ba1的军医gydF4y2Ba．gydF4y2Ba

  • “TolX”gydF4y2Ba-对估计的固定和随机效应的终止公差。默认值是gydF4y2Ba1的军医gydF4y2Ba．gydF4y2Ba
OptimFungydF4y2Ba

使似然函数最大化的估计过程的优化函数，指定为gydF4y2Ba“fminsearch”gydF4y2Ba(默认)或gydF4y2Ba“fminunc”gydF4y2Ba．使用gydF4y2Ba“fminunc”gydF4y2Ba需要优化工具箱™。的gydF4y2BafminsearchgydF4y2Ba函数使用只使用函数求值的直接搜索方法。的gydF4y2BafminuncgydF4y2Ba(优化工具箱)gydF4y2Ba函数使用梯度方法，通常更有效的优化问题，使似然函数最大化。gydF4y2Ba

例子gydF4y2Ba

全部折叠gydF4y2Ba

打开生活的脚本gydF4y2Ba

输入并显示五棵橘子树的生长数据。gydF4y2Ba

Circ = [30 58 87 115 120 142 145;33 69 111 156 172 203 203;30 51 75 108 115 139 140;32 62 112 167 179 209 214;30 49 81 125 142 174 177];时间= [118 484 664 1004 1231 1372 1582];h =情节(时间,保监会”,gydF4y2Ba“o”gydF4y2Ba，gydF4y2Ba“线宽”gydF4y2Ba2);包含(gydF4y2Ba的时间(天)gydF4y2Ba) ylabel (gydF4y2Ba的周长(毫米)gydF4y2Ba)标题(gydF4y2Ba“{bf橙树生长}”gydF4y2Ba) ([repmat传奇(gydF4y2Ba“树”gydF4y2Ba5 1) num2str ((1:5) '),gydF4y2Ba.．．gydF4y2Ba“位置”gydF4y2Ba，gydF4y2Ba“西北”gydF4y2Ba网格)gydF4y2Ba在gydF4y2Ba持有gydF4y2Ba在gydF4y2Ba

图中包含一个轴对象。具有标题空白或空白T r e e空白g r O Th的轴对象包含5个类型行对象。这些对象代表树1，树2，树3，树4，树5。gydF4y2Ba

使用匿名函数来指定逻辑增长模型。gydF4y2Ba

模型= @(φ,t)(φ(:1))。/ (1 + exp (- (t-PHI(:, 2)) /φ(:,3)));gydF4y2Ba

使用以下方法拟合模型gydF4y2BanlmefitgydF4y2Ba使用默认设置(即假设每个参数是固定效果和随机效果的总和，随机效果之间没有相关性):gydF4y2Ba

时间= repmat(时间、5、1);num = repmat((1:5),大小(时间));β = [100 100 100];[beta1,形式,stats1] = nlmefit(时间(:),保监会(:),num (:),gydF4y2Ba.．．gydF4y2Ba[],模型,beta0)gydF4y2Ba
beta1 =gydF4y2Ba3×1gydF4y2Ba191.3189 723.7608 346.2517gydF4y2Ba
形式=gydF4y2Ba3×3gydF4y2Ba962.1534 000 0.0000 00 297.9879gydF4y2Ba
stats1 =gydF4y2Ba结构体字段:gydF4y2BaDfe: 28 logl: -131.5457 mse: 59.7882 rmse: 7.9016 errorparameter: 7.7323 aic: 277.0913 bic: 274.3574 covb: [3x3 double] sebeta: [15.2249 33.1579 26.8235] ires: [35x1 double] pres: [35x1 double] pwres: [35x1 double] cwres: [35x1 double]gydF4y2Ba

第二个随机效应的可忽略方差，gydF4y2Ba的形式(2,2)gydF4y2Ba，建议将其移除以简化模型。gydF4y2Ba

[beta2, PSI2 stats2 b2) = nlmefit(时间(:),保监会(:),gydF4y2Ba.．．gydF4y2Banum(:),[],模型,beta0,gydF4y2Ba“REParamsSelect”gydF4y2Ba1, [3])gydF4y2Ba
beta2 =gydF4y2Ba3×1gydF4y2Ba191.3193 723.7629 346.2527gydF4y2Ba
PSI2 =gydF4y2Ba2×2gydF4y2Ba962.5873 0 0 297.8532gydF4y2Ba
stats2 =gydF4y2Ba结构体字段:gydF4y2BaDfe: 29 logl: -131.5456 mse: 59.7845 rmse: 7.7643 errorparams: 7.7320 aic: 275.0913 bic: 272.7479 covb: [3x3 double] sebeta: [15.2277 33.1573 26.8224] ires: [35x1 double] pre: [35x1 double] iwres: [35x1 double] pwres: [35x1 double] cwres: [35x1 double]gydF4y2Ba
b2 =gydF4y2Ba2×5gydF4y2Ba9.9941 -0.7619 6.0021 -9.4542 -5.7801gydF4y2Ba

的loglikelihoodgydF4y2BaloglgydF4y2Ba不受影响，赤池和贝叶斯信息准则(gydF4y2Ba另类投资会议gydF4y2Ba和gydF4y2BabicgydF4y2Ba)，支持从模型中删除第二个随机万博1manbetx效应的决定。gydF4y2Ba

使用中估计的固定效果gydF4y2Babeta2gydF4y2Ba以及每棵树的随机效应gydF4y2Bab2gydF4y2Ba通过数据绘制模型。gydF4y2Ba

PHI = repmat(beta2,1,5) +gydF4y2Ba.．．gydF4y2Ba%的固定效果gydF4y2Ba(b2(1:); 0(1、5);b2 (2:)];gydF4y2Ba%随机效应gydF4y2Batplot = 0:0.1:1600;gydF4y2Ba为gydF4y2Ba我= 1:5 fitted_model = @ (t)(φ(我))。/ (1 + exp (- (t-PHI(我)2)。/gydF4y2Ba.．．gydF4y2Baφ(我)));情节(tplot fitted_model (tplot),gydF4y2Ba“颜色”gydF4y2Ba,(我)。的颜色,gydF4y2Ba.．．gydF4y2Ba“线宽”gydF4y2Ba, 2)gydF4y2Ba结束gydF4y2Ba

图中包含一个轴对象。具有标题空白或空白T r e e空白g r O Th的轴对象包含10个类型行对象。这些对象代表树1，树2，树3，树4，树5。gydF4y2Ba

参考文献gydF4y2Ba

Lindstrom M. J.和D. M. Bates。“用于重复测量数据的非线性混合效应模型。”gydF4y2Ba生物识别技术gydF4y2Ba．第46卷，1990年，673-687页。gydF4y2Ba

david, M.和D. M. Giltinan。gydF4y2Ba重复测量数据的非线性模型gydF4y2Ba．纽约:查普曼与霍尔出版社，1995。gydF4y2Ba

Pinheiro J. C.和D. M. Bates。非线性混合效应模型中对数似然函数的近似值gydF4y2Ba计算和图形统计杂志gydF4y2Ba．第4卷，1995年，12-35页。gydF4y2Ba

[4] Demidenko E。gydF4y2Ba混合模型:理论与应用gydF4y2Ba．约翰·威利父子公司，2004。gydF4y2Ba

另请参阅gydF4y2Ba

|gydF4y2Ba|gydF4y2Ba

主题gydF4y2Ba

介绍了R2008bgydF4y2Ba

统计和机器学习工具箱文档gydF4y2Ba

万博1manbetx

掌握机器学习:一步一步的指导与MATLABgydF4y2Ba

掌握机器学习:一步一步的指导与MATLABgydF4y2Ba

下载电子书gydF4y2Ba