拟合线性混合效应模型
加载示例数据。
负载carsmall
适合线性混合效果模型,其中每加仑数英里(MPG)是响应,重量是预测变量,拦截因模型年而异。首先,定义设计矩阵。然后,使用指定的设计矩阵拟合模型。
y = MPG;X = [one (size(Weight)), Weight];Z = 1(大小(y));lme = fitlmematrix (X, y, Z, Model_Year)
LME =线性混合效果模型适用于ML型号信息:观测数量94固定效果系数2随机效应系数3协方差参数2公式:Y〜X1 + X2 +(Z11 | G1)模型拟合统计统计:AIC BIC loglikelihial偏差486.09496.26 -239.04 478.09固定效果系数(95%cis):名称estisms se tstat df pvalue {'x1'} 43.575 2.3038 18.915 92 1.8371C-33 {'x2'} -0.0067097 0.0004242 -15.817 92 5.5373E-28下高39048.151 -0.0075522 -0.0058672随机效果协方差参数(95%CIS):组:G1(3级)Name1 Name2型估计下{'Z11'} {'Z11'} {'Z11'} {'Z11'} 3.301 1.4448 7.5421组:错误名称估计下{'res std'} 2.8997 2.5075 3.3532
现在,通过将分组构建到Z.
矩阵。
Z = double([Model_Year==70, Model_Year==76, Model_Year==82]);lme = fitlmematrix (X, y, Z, [],“协变模式”那'各向同性')
通过ML模型信息LME =线性混合效应模型拟合:观察94固定效应系数2个随机效应系数3个协方差参数2式编号为:y〜X1 + X2 +(Z11 + Z12 + Z13 | G1)模型拟合统计:AICBIC对数似然越轨486.09 496.26 -239.04 478.09固定效应系数(95%CI)的:姓名估计SE TSTAT DF p值{ 'X1'} 43.575 2.3038 18.915 92 1.8371e-33 { '×2'} -0.0067097 0.0004242 -15.817 92 5.5373e-28下限上限39 48.151 -0.0075522 -0.0058672随机效应协方差参数(95%CI)的:组:G1(1个级别)名1名2型估计下限上限{ 'Z11'} { 'Z11'} { 'STD'} 3.301 1.4448 7.5421组:错误名称估量较低上限{“RES标准”} 2.8997 2.5075 3.3532
加载示例数据。
加载(“重量,垫子”);
重量
包含纵向研究的数据,20名受试者被随机分配4个运动项目(a, B, C, D),他们的减肥记录超过6个2周的时间周期。这是模拟数据。
定义主题
和程序
作为分类变量。创建线性混合效应模型的设计矩阵,初始权重、项目类型、周,以及周和项目类型之间的交互作用作为固定效应。截距和周系数随实验对象的不同而不同。
该模型对应于
在哪里 = 1,2,...,120,和 = 1,2,......,20。 是固定效应系数, = 0,1,...,8,和 和 是随机效应。 表示初始重量和 是代表一种程序类型的虚拟变量。例如, 是虚拟变量表示节目类型B的随机效应和观测误差具有以下先验分布:
主题=名义(主题);程序=名义(程序);d = dummyvar(程序);%为程序创建虚拟变量X = [in(120,1),初始重量,d(:,2:4),周,...D(:,2)。*周,D(:,3)。*周,D(:,4)。*周];Z=[一(120,1),周];G=受试者;
由于模型具有截距,因此您只需要程序B,C和D的虚拟变量。这也被称为“参考”
编码虚拟变量的方法。
使用以下方法拟合模型fitlmematrix
使用定义的设计矩阵和分组变量。
lme = fitlmematrix(x,y,z,g,“固定效果预测”那...{'截距'那“InitWeight”那“PrgB”那“PrgC”那“PrgD”那'星期'那“Week_PrgB”那'周_prgc'那'周_PRGD'},...“随机效应预测”,{{'截距'那'星期'}},“RandomEffectGroups”,{“主题”})
LME =线性混合效应模型拟合通过ML型号信息:数观察120固定效应系数9个随机效应系数40个协方差参数4公式:线性混合式10个预测因子。模型拟合统计:AIC BIC对数似然越轨-22.981 13.257 24.49 -48.981固定效应系数(95%CI)的:姓名估计SE TSTAT DF p值{ '截取'} 0.66105 0.25892 2.5531 111 0.012034 { 'InitWeight'} 0.0031879 0.0013814 2.3078 111 0.022863 {'PRGB'} 0.36079 0.13139 2.746 111 0.0070394 { 'PrgC'} -0.033263 0.13117 -0.25358 111 0.80029 { 'PRGD'} 0.11317 0.13132 0.86175 111 0.39068 { '周'} 0.1732 0.067454 2.5677 111 0.011567 { 'Week_PrgB'} 0.038771 0.095394 0.40644 1110.68521 { 'Week_PrgC'} 0.030543 0.095394 0.32018 111 0.74944 { 'Week_PrgD'} 0.033114 0.095394 0.34713 111 0.72915下限上限0.14798 1.1741 0.00045067 0.0059252 0.10044 0.62113 -0.29319 0.22666 -0.14706 0.3734 0.039536 0.30686 -0.15026 0.2278 -0.15849 0.21957 -0.15592 0.22214随机效应协方差参数(95%CI)的:组:主题(20个级别)名1名2型估计{ '截取'} { '截取'} { 'STD'} 0.18407 { '周'} { '截取'} { '科尔'} 0.66841 {'周'} { '周'} { 'STD'} 0.15033底部UP.P.E.R.0.。1228.1 0.27587 0.21076 0.88573 0.11004 0.20537 Group: Error Name Estimate Lower Upper {'Res Std'} 0.10261 0.087882 0.11981
检查固定效果系数表。标记的行“InitWeight”
有一个
- 值0.0228,行标'星期'
有一个
值为0.0115。这些
-值表示受试者初始权重和减重时间因素的显著影响。方案B的受试者的体重减轻相对于方案a的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零,因此它们似乎是显著的。属性也可以测试随机效果的重要性比较
方法。
加载示例数据。
负载流感
这流感
数据集数组具有日期
变量和10个变量为估计的流感率(9种不同的地区,从Google®搜索估计,加上疾病控制和预防中心的全国范围内估计,CDC)。
为了拟合一个线性混合效应模型,其中流感率是响应,将与区域相对应的九列组合成一个具有单一响应变量的数组,泛滥
,和一个名义变量,地区
,全国估计wtdili.
,即显示了哪些区域中的每个的估计是从,并分组变量日期
.
2:10 flu2 =堆栈(流感,“NewDataVarName”那'泛骨'那...“因德瓦名”那“地区”);flu2。日期=Nominal(flu2.Date);
定义随机拦截线性混合效果模型的设计矩阵,其中截距变化日期
.相应的模型是
在哪里
是观察
对于水平
分组变量的定义日期
那
是水平的随机效应
分组变量的名称日期
, 和
观察误差是为了观察吗
.随机效果具有先前分配,
和误差项均有分布,
y=flu2.FluRate;X=[一(468,1)个flu2.WtdILI];Z=[一(468,1)];G=flu2.日期;
拟合线性混合效应模型。
lme = fitlmematrix(x,y,z,g,“固定效果预测”,{'截距'那“NationalRate”},...“随机效应预测”,{{'截距'}},“RandomEffectGroups”,{'日期'})
LME =线性混合效应由ML模型信息的模型拟合:若干意见468固定效应系数2个随机效应系数52个协方差参数2的式为:y〜截距+ NationalRate +(截距|日期)模型拟合统计:AIC BIC对数似然越轨286.24302.83 -139.12 278.24固定效应系数(95%CI)的:姓名估计SE TSTAT DF p值{ '截取'} 0.16385 0.057525 2.8484 466 0.0045885 { 'NationalRate'} 0.7236 0.032219 22.459 466 3.0502e-76下限上限0.050813 0.27689 0.66028 0.78691随机效应协方差参数(95%CI)的:组:日期(52个级别)名1名2型估量较低{ '截取'} { '截取'} { 'STD'} 0.17146 0.13227上0.22226组:错误名称估计下限上限{'RES标准'} 0.30201 0.28217 0.32324
随机效应项的标准偏差的置信度限制
,不包括零(0.13227,0.22226),这表明随机效应项是显著的。您还可以使用以下方法测试随机效果的显著性比较
方法。
观察的估计值是与该观察相对应的分组可变电平随机效应的固定效果值和值的总和。例如,观察的估计流感率28
在哪里 是截距的随机效应的最佳线性无偏见预测器(BLUP)。您可以按如下方式计算此值。
β=固定效应(lme);[~,~,统计数据]=随机效应(lme);%计算随机效果统计统计等级=标称(统计等级);y_hat=beta(1)+beta(2)*flu2.WtdILI(28)+统计估计(统计水平=='10 / 30/2005')
y_hat = 1.4674
您可以简单地使用展示拟合值安装(lme)
方法。
F =安装(lme);F (28)
ans = 1.4674
加载示例数据。
加载('shift.mat');
这些数据显示了从五个班次制造的产品中测量的目标质量特征的偏差:早上,晚上和夜晚。s manbetx 845这是一个随机块设计,其中操作员是块。实验旨在研究转变对性能的影响。性能测量是质量特征与目标值的偏差。这是模拟数据。
使用操作员分组的随机截距来定义线性混合效果模型的设计矩阵,作为固定效果。使用'效果'
对比。'效果'
对比意味着系数和为0。你需要在固定效果设计矩阵中创建两个对比编码变量,X1
和X2
,在那里
该模型对应于
在哪里 表示的意见,和 代表运营商, = 1,2,...,15,和 = 1,2,...,5.随机效果和观察错误具有以下分布:
和
s = shift.shift;x1 =(s ==“早上好”) - (S =='夜晚');X2 =(S =='晚上') - (S =='夜晚');X = [酮(15,1),X1,X2];Y = shift.QCDev;Z =酮(15,1);G = shift.Operator;
使用指定的设计矩阵和限制最大似然法拟合线性混合效应模型。
lme = fitlmematrix(x,y,z,g,'fitmethod'那'reml'那“固定效果预测”那....{'截距'那“S_Morning”那“S_Evening”},“随机效应预测”,{{'截距'}},...“RandomEffectGroups”,{'操作员'},“DummyVarCoding”那'效果')
LME =线性混合效应由REML模型信息的模型拟合:若干意见15固定效应系数3个随机效应系数5个协方差参数2的式为:y〜截距+ S_Morning + S_Evening +(截距|运营商)模型拟合统计:AIC BIC对数似然越轨58.913 61.337 -24.456 48.913固定效应系数(95%CI)的:姓名估计SE TSTAT DF p值{ '截取'} 3.6525 0.94109 3.8812 12 0.0021832 { 'S_Morning'} -0.91973 0.31206 -2.9473 12 0.012206 { 'S_Evening'} -0.532930.31206 -1.7078 12 0.11339下限上限1.6021 5.703 -1.5997 -0.23981 -1.2129 0.14699随机效应协方差参数(95%CI)的:组:操作员(5级)名1名2型估量较低{ '截取'} { '截取'} {”STD'} 2.0457 0.98207上部4.2612组:误差名估计下{'res std'} 0.85462 0.52357 1.395
计算随机效应的最佳线性非偏见预测仪(BLUP)估计。
B = randomEffects (lme)
B=5×10.5775 1.1757 -2.1715 2.3655 -1.9472
从晚间班次工作的第三次操作员的目标质量特征的估计偏差是
您还可以如下显示此值。
F=已安装(lme);F(班次)=='晚上'&shift.Operator ==.'3')
ans = 0.9481.
加载示例数据。
负载carbig
拟合每加仑英里(MPG)的线性混合效应模型,其中加速度和马力的影响固定,而截距和加速度的影响不相关,按模型年份分组。该模型对应于
使用具有以下事先分布的随机效应术语:
在哪里 表示车型年款。
首先,准备用于拟合线性混合效果模型的设计矩阵。
X=[一(406,1)加速马力];Z={one(406,1),加速度};G={车型年,车型年};车型年=标称(车型年);
现在,用fitlmematrix
使用定义的设计矩阵和分组变量。
MPG lme = fitlmematrix (X, Z, G,“固定效果预测”那....{'截距'那'加速'那'马力'},“随机效应预测”那...{{'截距'},{'加速'}},“RandomEffectGroups”,{“车型年”那“车型年”})
LME =线性混合效应模型拟合通过ML型号信息:数观察392固定效应系数3个随机效应系数26个协方差参数3公式:线性混合式与4-预测因子。模型拟合统计:AIC BIC数似然越轨2194.5 2218.3 -1091.3 2182.5固定效应系数(95%CI)的:姓名估算SE TSTAT DF { '拦截'} 49.839 2.0518 24.291 389 { '加速'} -0.58565 0.10846 -5.3995 389 {'马力'} -0.16534 0.0071227 -23.213 389 p值下限上限5.6168e-80 45.806 53.873 1.1652e-07 -0.7989 -0.3724 1.9755e-75 -0.17934 -0.15133随机效应协方差参数(95%CI)的:组:Model_Year(13个级别)NAME1名称2类型估量较低{ '截取'} { '截取'} { 'STD'} 8.5771e-07上的NaN NaN的组:Model_Year(13个级别)NAME1名称2型估计{ '加速'} { '加速'} {”STD '} 0.18783下限上限0.12523 0.28172组:错误名称估量较低上限{' RES标准'} 3.7258 3.4698 4.0007
请注意,截距和加速度的随机效应协方差参数在显示中是分开的。截距随机效应的标准偏差似乎不显著。
用潜在相关的随机效应对拦截和加速重新设计模型。在这种情况下,随机效应项有这个先验分布
在哪里 表示车型年款。
首先,准备随机效应设计矩阵和分组变量。
Z = [ones(406,1) Acceleration];G = Model_Year;MPG lme = fitlmematrix (X, Z, G,“固定效果预测”那....{'截距'那'加速'那'马力'},“随机效应预测”那...{{'截距'那'加速'}},“RandomEffectGroups”,{“车型年”})
模型信息:观测数392固定效应系数3随机效应系数26协方差参数4公式:带有4个预测因子的线性混合公式。模型拟合统计:AIC BIC LogLikelihood Deviance 2193.5 2221.3 -1089.7 2179.5固定效应系数(95% CIs):Name Estimate SE tStat DF {'Intercept'} 50.133 2.2652 22.132 389 {'Acceleration'} -0.58327 0.13394 -4.3545 pValue Lower Upper 7.7727e-71 45.679 54.586 1.7075e-05 -0.84661 -0.31992 5.188e-76 -0.18382 -0.15527随机效应协方差参数(95% CIs):组:Model_Year (13 Levels) Name1 Name2 Type Estimate {'Intercept'} {'Intercept'} {'Intercept'}} 3.3475 {'Acceleration'} {'Intercept'} {'corr'} -0.87971 {'Acceleration'} {'Acceleration'} {'std'} 0.33789 Lower Upper 1.2862 8.7119 -0.98501 -0.29675 0.1825 0.62558 Group: Error Name Estimate Lower Upper {'Res std'} 3.6874 3.4298 3.9644
请注意,显示中包含了截距和加速度的随机效应协方差参数,以及截距和加速度之间的相关性。对于截距和加速度的随机效应,标准偏差和相关性的置信区间不包括0,因此它们似乎很重要。您可以使用比较
方法。
加载示例数据。
加载(“重量,垫子”);
重量
包含纵向研究的数据,20名受试者被随机分配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。
定义主题
和程序
作为分类变量。
主题=名义(主题);程序=名义(程序);
创建线性混合效果模型的设计矩阵,初始权重、计划类型和周作为固定效果。
d = dummyvar(程序);x = [in(120,1),初始重量,d(:,2:4),周];z = [oon(120,1)周];g =主题;
该模型对应于
在哪里 = 1,2,...,120,和 = 1,2,......,20。
是固定效应系数, = 0,1,...,8,和 和 是随机效应。 表示初始重量和 是代表一种程序类型的虚拟变量。例如, 是虚拟变量表示节目类型B的随机效应和观测误差具有以下先验分布:
使用以下方法拟合模型fitlmematrix
使用定义的设计矩阵和分组变量。假设在受试者上收集的反复观察具有沿对角线的常见方差。
lme = fitlmematrix(x,y,z,g,“固定效果预测”那...{'截距'那“InitWeight”那“PrgB”那“PrgC”那“PrgD”那'星期'},...“随机效应预测”,{{'截距'那'星期'}},...“RandomEffectGroups”,{“主题”},'covariancepattern'那'各向同性')
LME =线性混合效果模型适合ML型号信息:观测数量120固定效果系数6随机效应系数40协方差参数2公式:线性混合配方与7个预测器。型号统计:AIC BIC LoglikelihieDevann -24.783 -2.483 20.391 -40.783固定效果系数(95%CIS):名称estisms se tstat df {'intercept'} 0.4938 114 {'Initweight'} 0.0045552 0.0015338 2.9699 114 {'PRGB'} 0.36993 0.12119 3.0525 114 {' PrgC”} -0.034009 0.1209 -0.28129 114 { 'PRGD'} 0.121 0.12111 0.99911 114 { '周'} 0.19881 0.037134 5.3538 114 p值下限上限0.13799 -0.13723 0.97883 0.0036324 0.0015168 0.0075935 0.0028242 0.12986 0.61 0.77899 -0.27351 0.2055 0.2055 0.31986 -0.11891 0.36091 4.5191C-07 0.191C-07 0.12525 0.2525 0.27237随机效果协方差参数(95%CIS):组:主题(20级)Name1 Name2型估计{'intercept'} {'std'} 0.165610.12896上部0.21269组:误差名估计下{'res std'} 0.10272 0.088014 0.11987
X
-固定后果设计矩阵固定效果设计矩阵,指定为一个N——- - - - - -P.矩阵,在哪里N是观察的次数,和P.是固定效应预测变量的数目。每行X
对应一个观察,每列X
对应一个变量。
数据类型:单身的
| GyD.F4y2Ba双
y
-响应价值响应值,指定为N1的向量,N是观测值的数量。
数据类型:单身的
| GyD.F4y2Ba双
Z.
-随机效应设计随机效果设计,指定为以下任一项。
如果模型中有一个随机效应项,那么Z.
必须是AN.N——- - - - - -问:矩阵,在哪里N观察的次数是多少问:为随机效应项中变量的数量。
如果有R.随机项,然后Z.
必须是长度的细胞阵列R..每个细胞Z.
包含一个N——- - - - - -问:(R.)设计矩阵z {r}
那R.= 1,2,......,R.,对应于每个随机效应项。这里,问:(R.中随机效应项的个数R.TH随机效果设计矩阵,z {r}
.
数据类型:单身的
| GyD.F4y2Ba双
| GyD.F4y2Ba细胞
G
-一个或多个变量的分组一个或多个变量的分组,指定为下面的任一。
如果有一个随机效应项,那么G
必须是AN.N-by-1向量,对应于单个分组变量m水平或团体。
G
可以是类别向量、逻辑向量、数字向量、字符数组、字符串数组或字符向量的单元格数组。
如果有多个随机效应项,那么G
必须是长度的细胞阵列R..每个细胞G
包含分组变量r G {}
那R.= 1,2,......,R., 和m(R.)水平。
r G {}
可以是类别向量、逻辑向量、数字向量、字符数组、字符串数组或字符向量的单元格数组。
数据类型:分类
| GyD.F4y2Ba逻辑
| GyD.F4y2Ba单身的
| GyD.F4y2Ba双
| GyD.F4y2Ba字符
| GyD.F4y2Ba字符串
| GyD.F4y2Ba细胞
指定可选的逗号分离对名称,价值
论点。姓名
是参数名和价值
是相应的价值。姓名
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名1,值1,...,NameN,值N
.
“CovariancePattern”、“斜”,“DummyVarCoding”、“满”,“优化”、“fminunc”
指定具有零性对角线元素的随机效应协方差模式,为分类变量的每个级别创建虚拟变量,并使用fminunc
优化算法。
“固定效果预测”
-固定效果设计矩阵中列的名称{'x1','x2',...,'xp'}
(默认)|字符串数组或长度的单元数组P.固定效果设计矩阵中列的名称X
,指定为逗号分隔对,由“固定效果预测”
和长度的字符串数组或单元格数组P..
例如,如果您有一个持续的术语和两个预测因子,请说所花费的时间
和性别
,在那里女
是参考水平性别
,作为固定效果,然后可以按以下方式指定固定效果的名称。性别(男)
表示您必须为类别创建的虚拟变量男性
.您可以为这些变量选择不同的名称。
例子:'固定效应预计',{'拦截','timespent','gender_male'}
那
数据类型:字符串
| GyD.F4y2Ba细胞
“随机效应预测”
-随机效应设计矩阵或单元格数组中列的名称随机效果设计矩阵或单元格数组中的列名称Z.
,指定为逗号分隔对,由“随机效应预测”
以及以下其中一项:
长度阵列或单元格数组问:当Z.
是一个N——- - - - - -问:设计矩阵。在本例中,默认值为{'z1','z2',...,'zq'}
.
有长度的单元格数组R.,当Z.
单元格数组是否有长度R.与每个元素z {r}
长度问:(R.),R.= 1,2,......,R..在本例中,默认值为{ 'Z11', 'Z12',..., 'z1Q(1)'},...,{ 'ZR1', 'ZR2',..., 'zrQ(R)'}
.
例如,假设您对拦截和名为的变量具有相关的随机效果加速度
.然后,您可以根据以下指定随机效果预测器名称。
例子:'RandomEffectPredictors',{ '截取', '加速'}
如果您有两个随机效果术语,一个用于拦截和变量加速度
按变量分组g1
,以及拦截的第二个,由变量分组g2
,然后指定随机效果预测器名称,如下所示。
例子:'RandomEffectPredictor',{'Intercept','Acceleration'},{'Intercept'}
数据类型:字符串
| GyD.F4y2Ba细胞
'responsevarname'
-响应变量的名称'是'
(默认)|特征向量| GyD.F4y2Ba字符串标量响应变量的名称,指定为逗号分隔对,由'responsevarname'
和一个字符矢量或字符串标量。
例如,如果您的响应变量名为分数
,然后您可以根据以下指定。
例子:'responsevarname','得分'
数据类型:字符
| GyD.F4y2Ba字符串
“RandomEffectGroups”
-随机效应分组变量的名称'G'
或者{g1, g2,…,gR的}
(默认)|特征向量| GyD.F4y2Ba字符串标量| GyD.F4y2Ba字符串数组| GyD.F4y2Ba字符向量的单元格数组随机效果分组变量的名称,指定为逗号分隔对“RandomEffectGroups”
以及以下其中一项:
字符矢量或字符串标量 - 如果只有一个随机效应项,那就是,如果G
是向量,那么值是“RandomEffectGroups”
是分组变量的名称吗G
.默认为'G'
.
字符向量的字符串数组或单元格数组—如果有多个随机效果项,即G
单元格数组是否有长度R.,那么值“RandomEffectGroups”
是长度的字符串数组或单元格数组R.,其中每个元素是分组变量的名称r G {}
.默认为{g1, g2,…,gR的}
.
举例来说,如果你有两个随机效应而言,Z1
和Z2
,由分组变量分组性
和主题
,那么您可以按如下指定分组变量的名称。
例子:'RandomeffectGroups',{'性','主题'}
数据类型:字符
| GyD.F4y2Ba字符串
| GyD.F4y2Ba细胞
'covariancepattern'
-协方差矩阵模式“FullCholesky”
(默认)|特征向量| GyD.F4y2Ba字符串标量| GyD.F4y2Ba方称对称逻辑矩阵| GyD.F4y2Ba字符串数组| GyD.F4y2Ba字符向量或逻辑矩阵的单元格阵列随机效应协方差矩阵的模式,指定为逗号分隔对组成'covariancepattern'
以及字符向量、字符串标量、平方对称逻辑矩阵、字符串数组或字符向量或逻辑矩阵的单元数组。
如果有R.随机效应项,然后是'covariancepattern'
必须是长度为的字符串数组或单元格数组R.,其中每个元素R.数组的模式指定与数组关联的随机效果向量的协方差矩阵的模式R.随机效应项。每个元素的选项如下。
“FullCholesky” |
默认。完全协方差矩阵使用Cholesky参数化。fitlme. 估计协方差矩阵的所有元素。 |
'满的' |
全协方差矩阵,使用log-Cholesky参数化。fitlme. 估计协方差矩阵的所有元素。 |
'对角线' |
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。
|
'各向同性' |
对角线协方差矩阵具有相同的差异。也就是说,协方差矩阵的偏差元素被约束为0,并且对角线元件被约束为相等。例如,如果存在具有各向同性协方差结构的三个随机效应术语,则这种协方差矩阵看起来像
其中σ.2B.为随机效应项的共同方差。 |
'compsymm' |
复合对称结构。也就是说,沿对角线的常见方差和所有随机效果之间的相等相关性。例如,如果有三个随机效应术语具有具有复合对称结构的协方差矩阵,则这种协方差矩阵看起来像
其中σ.2b1随机效应项和σ的共同方差是多少b1,b2任何两个随机效应项之间的协方差常见。 |
拍打 |
方称对称逻辑矩阵。如果'covariancepattern' 由矩阵定义拍打 , 而如果帕特(a,b)=错 ,那么(A,B) 相应的协方差矩阵的元素被约束为0。 |
例子:'covariancepattern','斜''
例子:CovariancePattern,{“完整”,“对角线”}
数据类型:字符
| GyD.F4y2Ba字符串
| GyD.F4y2Ba逻辑
| GyD.F4y2Ba细胞
'fitmethod'
-用于估计参数的方法“ML”
(默认)|'reml'
估计线性混合效应模型参数的方法,指定为逗号分隔对,包括'fitmethod'
以及下列任何一项。
“ML” |
默认。最大可能性估计 |
'reml' |
限制最大可能性估计 |
例子:'fitmethod','reml'
“重量”
-观察权重观察权重,指定为逗号分隔对,由“重量”
和长度的矢量N,在那里N是观测值的数量。
数据类型:单身的
| GyD.F4y2Ba双
“排除”
-要排除的行的索引nan
(默认)|整数或逻辑值的矢量数据中要从线性混合效应模型中排除的行的索引,指定为逗号分隔对,由“排除”
和整数或逻辑值的矢量。
例如,您可以从fit中排除第13行和第67行,如下所示。
例子:'排除',[13,67]
数据类型:单身的
| GyD.F4y2Ba双
| GyD.F4y2Ba逻辑
“DummyVarCoding”
-用于虚拟变量的编码“参考”
(默认)|'效果'
| GyD.F4y2Ba'满的'
用于从分类变量创建的虚拟变量的编码,指定为逗号分隔的对组成“DummyVarCoding”
和此表中的一个变量。
价值 | 描述 |
---|---|
“参考” (默认) |
fitlmematrix 使用引用组创建虚拟变量。该方案将第一个类别视为参考组,创建的虚拟变量比类别数少一个。您可以使用类别 函数,并使用reordercats 功能。 |
'效果' |
fitlmematrix 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。这个方案比类别的数目少创建一个虚拟变量。 |
'满的' |
fitlmematrix 创建完全虚拟变量。这个方案为每个类别创建一个虚拟变量。 |
有关创建虚拟变量的更多详细信息,请参阅虚拟变量的自动创建.
例子:'dummyvarcoding','效果'
'优化器'
-优化算法'Quasinewton'
(默认)|'fminunc'
优化算法,指定为逗号分隔对组成'优化器'
以及下列任何一项。
'Quasinewton' |
默认。使用基于信任区域的准牛顿优化器。使用算法的选项使用statset(“LinearMixedModel”) . 如果不指定选项,则LinearMixedModel 使用默认选项statset(“LinearMixedModel”) . |
'fminunc' |
您必须具有优化工具箱™来指定此选项。使用算法的选项使用Optimoptions('fminunc') . 如果不指定选项,则LinearMixedModel 使用默认选项Optimoptions('fminunc') 和'算法' 着手'quasi-newton' . |
例子:“优化器”,“fminunc”
“OptimizerOptions”
-优化算法选项statset
| GyD.F4y2Ba返回的对象优化选择
优化算法的选项,指定为逗号分隔对组成“OptimizerOptions”
和返回的结构statset(“LinearMixedModel”)
或返回的对象Optimoptions('fminunc')
.
如果'优化器'
是'fminunc'
,然后使用Optimoptions('fminunc')
更改优化算法的选项。看优化选择
的选项'fminunc'
用途。如果'优化器'
是'fminunc'
而且你不提供“OptimizerOptions”
,然后是默认值LinearMixedModel
默认选项是由Optimoptions('fminunc')
和'算法'
着手'quasi-newton'
.
如果'优化器'
是'Quasinewton'
,然后使用statset(“LinearMixedModel”)
改变优化参数。如果不更改优化参数,则LinearMixedModel
使用创建的默认选项statset(“LinearMixedModel”)
:
这'Quasinewton'
优化器在由创建的结构中使用以下字段statset(“LinearMixedModel”)
.
TolFun
-目标函数梯度的相对容差1E-6
(默认)|正标量值目标函数梯度的相对公差,指定为正标量值。
托克斯
- 对步骤尺寸的绝对耐受性1 e-12
(默认)|正标量值对阶梯大小的绝对容差,指定为正标量值。
maxiter.
—允许的最大迭代次数10000
(默认)|正标量值允许最大迭代次数,指定为正标量的值。
展示
-显示级别'离开'
(默认)|'iter'
| GyD.F4y2Ba'最终的'
显示级别,指定为以下级别之一:'离开'
那'iter'
, 或者'最终的'
.
'startmethod'
-方法开始迭代优化'默认'
(默认)|“随机”
开始迭代优化的方法,指定为逗号分隔的对组成'startmethod'
以及下列任何一项。
价值 | 描述 |
---|---|
'默认' |
内部定义的默认值 |
“随机” |
随机的初始值 |
例子:'startmethod','随机'
“放牧”
-在屏幕上显示优化过程的指示灯假的
(默认)|真的
用于在屏幕上显示优化过程的指示器,指定为逗号分隔对,包括“放牧”
和任何一种假的
或者真的
.默认是假的
.
有关设置“放牧”
覆盖的领域'展示'
在里面“OptimizerOptions”
.
例子:“冗长”,没错
“CheckHessian”
-检查黑森州的积极明确的指标假的
(默认)|真的
指标,用于检查目标函数的Hessian在收敛时对无约束参数的正确定性,指定为逗号分隔对,由“CheckHessian”
和任何一种假的
或者真的
.默认是假的
.
指定“CheckHessian”
作为真的
为了验证解决方案的最优性,或者确定模型是否在协方差参数的数量中过分分辨。
例子:“CheckHessian”,真的
lme三个月
- 线性混合效应模型LinearMixedModel
目的线性混合效应模型,返回为LinearMixedModel
对象。
线性混合效应模型的假设之一是随机效应具有以下先前分布。
在哪里D.是A.问:——- - - - - -问:对称的正半定矩阵,由方差分量向量参数化θ那问:是随机效应项中的变量数量,以及σ2观察误差方差是。由于随机效应的协方差矩阵,D.是对称的,它有问:(问:+ 1) / 2自由参数。假设L.是的下三角Cholesky因子D.(θ),这样
然后问:*(问:+1)/2乘1无约束参数向量θ是由下三角形部分的元素构成的L..
例如,如果
然后
当L.在Cholesky参数化条件下的解为正,则L.是独一无二的。Log-Cholesky参数化与Cholesky参数化相同,只是对角线元素的对数L.用于保证唯一的参数化。
例如,对于Cholesky参数化的3Y-3示例,执行L.二,≥0,
您还可以使用线性混合效果模型fitlme(资源描述、公式)
,在那里TBL
表或数据集数组是否包含响应y
,预测变量X
,分组变量,以及公式
是表格'y ~固定+(随机1| G1) + ... + (随机的R.| GR.)'
.
比较
| GyD.F4y2Bafitlme.
| GyD.F4y2BaLinearMixedModel
您单击了与此MATLAB命令对应的链接:
通过在MATLAB命令窗口中输入命令来运行命令。Web浏览器不支持MATLAB命令。万博1manbetx
你也可以从以下列表中选择一个网站:
选择中国站点(中文或英文)以获得最佳站点性能。其他MathWorks国家/地区网站未针对您所在地的访问进行优化。