与随机EM算法适合非线性混合效应模型GÿdF4y2Ba
[GÿdF4y2Ba
BETAGÿdF4y2Ba
,GÿdF4y2BaψGÿdF4y2Ba
,GÿdF4y2BaSTATSGÿdF4y2Ba
,GÿdF4y2Ba乙GÿdF4y2Ba
)= nlmefitsa (X, Y,, V, MODELFUN BETA0)GÿdF4y2Ba
[GÿdF4y2BaBETAGÿdF4y2Ba
,GÿdF4y2BaψGÿdF4y2Ba
,GÿdF4y2BaSTATSGÿdF4y2Ba
,GÿdF4y2Ba乙GÿdF4y2Ba
] = nlmefitsa(X,Y,GROUP,V,MODELFUN,BETA0,”GÿdF4y2Ba的名字GÿdF4y2Ba
”,GÿdF4y2Ba值GÿdF4y2Ba
)GÿdF4y2Ba
[GÿdF4y2Ba
适合在固定效应非线性混合效应回归模型和估算回报GÿdF4y2BaBETAGÿdF4y2Ba
,GÿdF4y2BaψGÿdF4y2Ba
,GÿdF4y2BaSTATSGÿdF4y2Ba
,GÿdF4y2Ba乙GÿdF4y2Ba
)= nlmefitsa (X, Y,, V, MODELFUN BETA0)GÿdF4y2BaBETAGÿdF4y2Ba
。默认,GÿdF4y2BanlmefitsaGÿdF4y2Ba
嵌合的模型,其中每个模型参数是的相应固定和随机效应的总和,和的随机效应的协方差矩阵是对角的,即,不相关的随机效应。GÿdF4y2Ba
该GÿdF4y2BaBETAGÿdF4y2Ba
,GÿdF4y2BaψGÿdF4y2Ba
和其他值这个函数返回是被设计以收敛到的参数的最大似然估计的随机(蒙特卡罗)模拟的结果。因为结果是随机的,最好是检查仿真的结果,以积,以确保模拟收敛。它也可能是有用的运行函数多次,使用多个初始值,或使用GÿdF4y2Ba“复制”GÿdF4y2Ba
参数来执行多个模拟。GÿdF4y2Ba
[GÿdF4y2Ba
接受一个或多个以逗号分隔的参数名称/值对。指定GÿdF4y2BaBETAGÿdF4y2Ba
,GÿdF4y2BaψGÿdF4y2Ba
,GÿdF4y2BaSTATSGÿdF4y2Ba
,GÿdF4y2Ba乙GÿdF4y2Ba
] = nlmefitsa(X,Y,GROUP,V,MODELFUN,BETA0,”GÿdF4y2Ba的名字GÿdF4y2Ba
”,GÿdF4y2Ba值GÿdF4y2Ba
)GÿdF4y2Ba的名字GÿdF4y2Ba
在单引号。GÿdF4y2Ba
定义:GÿdF4y2Ba
在下面的参数列表中,应用以下变量定义:GÿdF4y2Ba
ñGÿdF4y2Ba- 观察的数GÿdF4y2Ba
HGÿdF4y2Ba- 预测变量的数量GÿdF4y2Ba
米GÿdF4y2Ba-组数GÿdF4y2Ba
GGÿdF4y2Ba- 组特定的预测变量的数量GÿdF4y2Ba
pGÿdF4y2Ba- 参数个数GÿdF4y2Ba
FGÿdF4y2Ba-固定效果的数量GÿdF4y2Ba
|
一个GÿdF4y2BañGÿdF4y2Ba-通过-GÿdF4y2BaHGÿdF4y2Ba矩阵GÿdF4y2BañGÿdF4y2Ba观察GÿdF4y2BaHGÿdF4y2Ba预测变量。GÿdF4y2Ba |
|
一个GÿdF4y2BañGÿdF4y2Ba×1的矢量响应。GÿdF4y2Ba |
|
分组变量指示其中GÿdF4y2Ba米GÿdF4y2Ba组,每个组观测所属。GÿdF4y2Ba |
|
一个GÿdF4y2Ba米GÿdF4y2Ba-通过-GÿdF4y2BaGGÿdF4y2Ba矩阵GÿdF4y2BaGGÿdF4y2Ba针对每个特定组的预测变量GÿdF4y2Ba米GÿdF4y2Ba数据中的组。这些预测值对一组中的所有观察值都具有相同的值。行GÿdF4y2Ba |
|
接受预测值和模型参数并返回拟合值的函数的句柄。GÿdF4y2Ba
|
|
一个GÿdF4y2BaFGÿdF4y2Ba×1向量,其具有用于初始估计GÿdF4y2BaFGÿdF4y2Ba固定效应。默认,GÿdF4y2BaFGÿdF4y2Ba等于模型参数的数量GÿdF4y2BapGÿdF4y2Ba。GÿdF4y2Ba |
默认,GÿdF4y2BanlmefitsaGÿdF4y2Ba
嵌合的模型,其中每个模型参数是的相应固定和随机效应的总和。使用下面的参数名称/值对,以适应模型具有不同数目的或依赖于固定的或随机效应。在使用带有最多一个参数名GÿdF4y2Ba'FE'GÿdF4y2Ba
前缀和一个参数的名称与GÿdF4y2Ba“重新”GÿdF4y2Ba
字首。需要注意的是一些选择改变的方式GÿdF4y2BanlmefitsaGÿdF4y2Ba
电话GÿdF4y2BaMODELFUNGÿdF4y2Ba
,详见下文。GÿdF4y2Ba
|
指定模型参数向量的哪些元素的向量GÿdF4y2Ba |
|
一个GÿdF4y2BapGÿdF4y2Ba-通过-GÿdF4y2BaFGÿdF4y2Ba设计矩阵GÿdF4y2Ba |
|
一个GÿdF4y2BapGÿdF4y2Ba-通过-GÿdF4y2BaFGÿdF4y2Ba-通过-GÿdF4y2Ba米GÿdF4y2Ba阵列指定一个不同的GÿdF4y2BapGÿdF4y2Ba-通过-GÿdF4y2BaFGÿdF4y2Ba固定效果的设计矩阵的每一个GÿdF4y2Ba米GÿdF4y2Ba组。GÿdF4y2Ba |
|
指定模型参数向量的哪些元素的向量GÿdF4y2Ba |
|
一个GÿdF4y2BapGÿdF4y2Ba-通过-GÿdF4y2Ba[RGÿdF4y2Ba设计矩阵GÿdF4y2Ba |
默认模式,相当于同时设置GÿdF4y2BaFEConstDesignGÿdF4y2Ba
和GÿdF4y2BaREConstDesignGÿdF4y2Ba
来GÿdF4y2Ba眼(p)GÿdF4y2Ba
或两者设置GÿdF4y2BaFEParamsSelectGÿdF4y2Ba
和GÿdF4y2BaREParamsSelectGÿdF4y2Ba
以1:GÿdF4y2BapGÿdF4y2Ba。GÿdF4y2Ba
附加的可选参数名称/值对控制用于最大化似然性的迭代算法:GÿdF4y2Ba
|
指定的GÿdF4y2Ba[RGÿdF4y2Ba-通过-GÿdF4y2Ba[RGÿdF4y2Ba逻辑或数字矩阵GÿdF4y2Ba 或者,指定GÿdF4y2Ba |
|
为协方差矩阵初始值GÿdF4y2Ba |
|
|
|
字符向量或标量的字符串指定误差项的形式。默认值是GÿdF4y2Ba
如果该参数,则输出GÿdF4y2Ba
|
|
标量或两个元素向量指定所述误差模型的参数的初始值。这指定GÿdF4y2Ba一个GÿdF4y2Ba,GÿdF4y2BabGÿdF4y2Ba, 要么 [GÿdF4y2Ba一个GÿdF4y2BabGÿdF4y2Ba]的值取决于GÿdF4y2Ba |
|
指定近似数似然方法。选项有:GÿdF4y2Ba
|
|
在此期间,参数估计值不重新计算初始老化迭代次数。默认值为5。GÿdF4y2Ba |
|
数GÿdF4y2BaCGÿdF4y2Ba的“链”模拟。默认值为1。设置GÿdF4y2BaCGÿdF4y2Ba> 1倍的原因GÿdF4y2BaCGÿdF4y2Ba每次迭代期间被计算为每个组模拟系数矢量。默认取决于数据,并且被选择为跨越所有连锁提供大约100个组。GÿdF4y2Ba |
|
迭代次数。这可以是一个标量或三元素向量。为每个算法的三个阶段进行控制多少次迭代:GÿdF4y2Ba
默认值是GÿdF4y2Ba |
|
马尔可夫链蒙特卡罗(MCMC)迭代次数。这可以是一个标量或三元素向量。控制许多三种不同类型的MCMC更新的是如何在主迭代的每个阶段进行:GÿdF4y2Ba
默认值是GÿdF4y2Ba |
|
或GÿdF4y2Ba |
|
通过将呼叫创建的结构GÿdF4y2Ba
|
|
一个向量的GÿdF4y2BapGÿdF4y2Ba- 值指定的变换函数GÿdF4y2Ba XB = ADESIGN * BETA + BDESIGN * B PHI = F(XB)GÿdF4y2Ba PHIGÿdF4y2Ba :GÿdF4y2Ba
|
|
数GÿdF4y2Ba |
|
确定的可能的尺寸GÿdF4y2Ba
的默认值GÿdF4y2Ba |
|
的固定效应估计GÿdF4y2Ba |
|
一个GÿdF4y2Ba[RGÿdF4y2Ba-通过-GÿdF4y2Ba[RGÿdF4y2Ba估计的协方差矩阵为随机效应。默认,GÿdF4y2Ba[RGÿdF4y2Ba等于模型参数的数量GÿdF4y2BapGÿdF4y2Ba。GÿdF4y2Ba |
|
具有以下字段的结构:GÿdF4y2Ba
|
为了估计一个非线性混合效应模型的参数,我们想选择的参数值最大化似然函数。这些值被称为最大似然估计。似然函数可以写成如下形式GÿdF4y2Ba
在哪里GÿdF4y2Ba
ÿGÿdF4y2Ba是响应数据GÿdF4y2Ba
β是人口的向量系数GÿdF4y2Ba
σGÿdF4y2Ba2GÿdF4y2Ba是剩余方差GÿdF4y2Ba
Σ是针对随机效应的协方差矩阵GÿdF4y2Ba
bGÿdF4y2Ba是一组不可观测的随机效应GÿdF4y2Ba
每GÿdF4y2BapGÿdF4y2Ba()右边的函数是一个正态(高斯)似然函数,它可能依赖于协变量。GÿdF4y2Ba
由于积分没有一个封闭的形式,它是很难找到最大化的参数。Delyon,Lavielle和MoulinesGÿdF4y2Ba[1]GÿdF4y2Ba提出找到使用其中对E步骤通过随机过程代替的期望最大化(EM)算法的最大似然估计。他们称他们的算法SAEM,对于随机逼近EM。他们证明,这种算法具有理想的理论特性,包括在实际条件下的收敛性和收敛到一个局部最大似然函数。他们的建议包括三个步骤:GÿdF4y2Ba
模拟:生成的随机效果的模拟值GÿdF4y2BabGÿdF4y2Ba从后验密度GÿdF4y2BapGÿdF4y2Ba(GÿdF4y2BabGÿdF4y2Ba|Σ)给出的电流参数估计。GÿdF4y2Ba
随机近似:更新利用其值从之前的步骤,向来自模拟随机效应计算的对数似然的平均值运动部件的方式对数似然函数的期望值。GÿdF4y2Ba
最大化步骤:根据随机效应的模拟值,选择新的参数估计值来最大化loglikelihood函数。GÿdF4y2Ba
[1] Delyon, B., M. Lavielle,和E. Moulines,GÿdF4y2Ba的EM算法的随机逼近收敛版GÿdF4y2Ba,纪年统计,27,94-128,1999年。GÿdF4y2Ba
[2]Mentré,F.,和M. Lavielle,GÿdF4y2Ba人口PKPD分析中的随机电磁算法GÿdF4y2Ba,美国的定量药理学上,2008年会议。GÿdF4y2Ba