非线性mixed-effects估计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
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
指定一个或多个可选参数名称/值对。指定gydF4y2Ba的名字gydF4y2Ba
',gydF4y2Ba价值gydF4y2Ba
)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gydF4y2Ba |
FEConstDesigngydF4y2Ba |
一个gydF4y2BapgydF4y2Ba——- - - - - -gydF4y2Ba问gydF4y2Ba设计矩阵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gydF4y2Ba |
REConstDesigngydF4y2Ba |
一个gydF4y2BapgydF4y2Ba——- - - - - -gydF4y2BargydF4y2Ba设计矩阵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gydF4y2Ba |
ErrorModelgydF4y2Ba |
指定错误项形式的字符向量或字符串标量。默认是gydF4y2Ba
如果给定此参数,则输出gydF4y2Ba
|
ApproximationTypegydF4y2Ba |
用来近似模型的可能性的方法。的选择是:gydF4y2Ba
|
向量化gydF4y2Ba |
的可接受的大小gydF4y2Ba
|
CovParameterizationgydF4y2Ba |
指定用于内部缩放协方差矩阵的参数化。的选择是gydF4y2Ba |
CovPatterngydF4y2Ba |
指定一个gydF4y2BargydF4y2Ba——- - - - - -gydF4y2BargydF4y2Ba逻辑或数字矩阵gydF4y2Ba 另外,gydF4y2Ba |
ParamTransformgydF4y2Ba |
一个向量的gydF4y2BapgydF4y2Ba-values指定一个转换函数gydF4y2BafgydF4y2Ba() for each thegydF4y2Ba
|
选项gydF4y2Ba |
返回的表单结构gydF4y2Ba
|
OptimFungydF4y2Ba |
使似然函数最大化的估计过程的优化函数,指定为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