Esta página aún no se ha traducido para esta versión. Puede ver la versión más reciente de esta página en inglés.

fitglme

Ajuste el modelo lineal generalizado de efectos mixtos

Descripción

ejemplo

glme = fitglme(tbl,formula) Devuelve un modelo lineal generalizado de efectos mixtos,.glme El modelo se especifica y se ha ajustado a las variables predictoras de la tabla o matriz de DataSet,.Fórmulatbl

glme = fitglme(tbl,formula,Name,Value) Devuelve un modelo lineal generalizado de efectos mixtos utilizando opciones adicionales especificadas por uno o más argumentos de par.Name,Value Por ejemplo, puede especificar la distribución de la respuesta, la función de enlace o el patrón de covarianza de los términos de efectos aleatorios.

Ejemplos

contraer todo

Cargue los datos de ejemplo.

load mfr

Estos datos simulados provienen de una empresa de fabricación que opera 50 fábricas en todo el mundo, con cada fábrica ejecutando un proceso por lotes para crear un producto terminado. La compañía quiere disminuir el número de defectos en cada lote, por lo que desarrolló un nuevo proceso de fabricación. Para probar la efectividad del nuevo proceso, la compañía seleccionó 20 de sus fábricas al azar para participar en un experimento: Diez fábricas implementaron el nuevo proceso, mientras que los otros diez continuaron con el proceso anterior. En cada una de las 20 fábricas, la compañía ejecutó cinco lotes (para un total de 100 lotes) y registró los siguientes datos:

  • Marcar para indicar si el lote utiliza el nuevo proceso ()newprocess

  • Tiempo de procesamiento para cada lote, en horas ()time

  • Temperatura del lote, en grados Celsius ()temp

  • Variable categórica que indica el proveedor del producto químico utilizado en el lote ()supplier

  • Número de defectos en el lote ()defects

Los datos también incluyen y, que representan la desviación absoluta de tiempo y temperatura, respectivamente, desde el estándar de proceso de 3 horas a 20 grados Celsius.time_devtemp_dev

Ajuste un modelo lineal generalizado de efectos mixtos utilizando,, y como predictores de efectos fijos.newprocesstime_devtemp_devsupplier Incluya un término de efectos aleatorios para la intercepción agrupada, para tener en cuenta las diferencias de calidad que podrían existir debido a variaciones específicas de fábrica.factory La variable de respuesta tiene una distribución de Poisson y la función de enlace apropiada para este modelo es log.defects Utilice el método de ajuste de Laplace para estimar los coeficientes. Especifique la codificación de la variable ficticia como, por lo que los coeficientes de la variable ficticia suman 0.'effects'

El número de defectos se puede modelar utilizando una distribución de Poisson

<math display="block">
<mrow>
<msub>
<mrow>
<mtext>defects</mtext>
</mrow>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo></mo>
<mrow>
<mtext>Poisson</mtext>
</mrow>
<mrow>
<mo>(</mo>
<msub>
<mrow>
<mi>μ</mi>
</mrow>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>.</mo>
</mrow>
</math>

Esto corresponde al modelo lineal generalizado de efectos mixtos

<math display="block">
<mrow>
<mi mathvariant="normal">log</mi>
<mrow>
<mo>(</mo>
<msub>
<mrow>
<mi>μ</mi>
</mrow>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mrow>
<mi>β</mi>
</mrow>
<mrow>
<mn>0</mn>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mrow>
<mi>β</mi>
</mrow>
<mrow>
<mn>1</mn>
</mrow>
</msub>
<msub>
<mrow>
<mtext>newprocess</mtext>
</mrow>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mrow>
<mi>β</mi>
</mrow>
<mrow>
<mn>2</mn>
</mrow>
</msub>
<msub>
<mrow>
<mtext>time</mtext>
<mtext>_</mtext>
<mtext>dev</mtext>
</mrow>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mrow>
<mi>β</mi>
</mrow>
<mrow>
<mn>3</mn>
</mrow>
</msub>
<msub>
<mrow>
<mtext>temp</mtext>
<mtext>_</mtext>
<mtext>dev</mtext>
</mrow>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mrow>
<mi>β</mi>
</mrow>
<mrow>
<mn>4</mn>
</mrow>
</msub>
<msub>
<mrow>
<mtext>supplier</mtext>
<mtext>_</mtext>
<mtext>C</mtext>
</mrow>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mrow>
<mi>β</mi>
</mrow>
<mrow>
<mn>5</mn>
</mrow>
</msub>
<msub>
<mrow>
<mtext>supplier</mtext>
<mtext>_</mtext>
<mtext>B</mtext>
</mrow>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mrow>
<mi>b</mi>
</mrow>
<mrow>
<mi>i</mi>
</mrow>
</msub>
<mo>,</mo>
</mrow>
</math>

Dónde

  • <math display="block">
    <mrow>
    <msub>
    <mrow>
    <mtext>defects</mtext>
    </mrow>
    <mrow>
    <mi>i</mi>
    <mi>j</mi>
    </mrow>
    </msub>
    </mrow>
    </math>
    es el número de defectos observados en el lote producido por la fábrica
    <math display="block">
    <mrow>
    <mi>i</mi>
    </mrow>
    </math>
    durante el lote
    <math display="block">
    <mrow>
    <mi>j</mi>
    </mrow>
    </math>
    .

  • <math display="block">
    <mrow>
    <msub>
    <mrow>
    <mi>μ</mi>
    </mrow>
    <mrow>
    <mi>i</mi>
    <mi>j</mi>
    </mrow>
    </msub>
    </mrow>
    </math>
    es el número medio de defectos correspondientes a la fábrica
    <math display="block">
    <mrow>
    <mi>i</mi>
    </mrow>
    </math>
    (donde
    <math display="block">
    <mrow>
    <mi>i</mi>
    <mo>=</mo>
    <mn>1</mn>
    <mo>,</mo>
    <mn>2</mn>
    <mo>,</mo>
    <mo>.</mo>
    <mo>.</mo>
    <mo>.</mo>
    <mo>,</mo>
    <mn>2</mn>
    <mn>0</mn>
    </mrow>
    </math>
    ) durante el lote
    <math display="block">
    <mrow>
    <mi>j</mi>
    </mrow>
    </math>
    (donde
    <math display="block">
    <mrow>
    <mi>j</mi>
    <mo>=</mo>
    <mn>1</mn>
    <mo>,</mo>
    <mn>2</mn>
    <mo>,</mo>
    <mo>.</mo>
    <mo>.</mo>
    <mo>.</mo>
    <mo>,</mo>
    <mn>5</mn>
    </mrow>
    </math>
    ).

  • <math display="block">
    <mrow>
    <msub>
    <mrow>
    <mtext>newprocess</mtext>
    </mrow>
    <mrow>
    <mi>i</mi>
    <mi>j</mi>
    </mrow>
    </msub>
    </mrow>
    </math>
    ,
    <math display="block">
    <mrow>
    <msub>
    <mrow>
    <mtext>time</mtext>
    <mtext>_</mtext>
    <mtext>dev</mtext>
    </mrow>
    <mrow>
    <mi>i</mi>
    <mi>j</mi>
    </mrow>
    </msub>
    </mrow>
    </math>
    Y
    <math display="block">
    <mrow>
    <msub>
    <mrow>
    <mtext>temp</mtext>
    <mtext>_</mtext>
    <mtext>dev</mtext>
    </mrow>
    <mrow>
    <mi>i</mi>
    <mi>j</mi>
    </mrow>
    </msub>
    </mrow>
    </math>
    son las mediciones para cada variable que corresponden a la fábrica
    <math display="block">
    <mrow>
    <mi>i</mi>
    </mrow>
    </math>
    durante el lote
    <math display="block">
    <mrow>
    <mi>j</mi>
    </mrow>
    </math>
    . Por ejemplo,
    <math display="block">
    <mrow>
    <msub>
    <mrow>
    <mtext>newprocess</mtext>
    </mrow>
    <mrow>
    <mi>i</mi>
    <mi>j</mi>
    </mrow>
    </msub>
    </mrow>
    </math>
    indica si el lote producido por la fábrica
    <math display="block">
    <mrow>
    <mi>i</mi>
    </mrow>
    </math>
    durante el lote
    <math display="block">
    <mrow>
    <mi>j</mi>
    </mrow>
    </math>
    utilizado el nuevo proceso.

  • <math display="block">
    <mrow>
    <msub>
    <mrow>
    <mtext>supplier</mtext>
    <mtext>_</mtext>
    <mtext>C</mtext>
    </mrow>
    <mrow>
    <mi>i</mi>
    <mi>j</mi>
    </mrow>
    </msub>
    </mrow>
    </math>
    Y
    <math display="block">
    <mrow>
    <msub>
    <mrow>
    <mtext>supplier</mtext>
    <mtext>_</mtext>
    <mtext>B</mtext>
    </mrow>
    <mrow>
    <mi>i</mi>
    <mi>j</mi>
    </mrow>
    </msub>
    </mrow>
    </math>
    son variables ficticias que utilizan la codificación de efectos (suma a cero) para indicar si la empresa o, respectivamente, suministró los productos químicos del proceso para el lote producido por la fábricaCB
    <math display="block">
    <mrow>
    <mi>i</mi>
    </mrow>
    </math>
    durante el lote
    <math display="block">
    <mrow>
    <mi>j</mi>
    </mrow>
    </math>
    .

  • <math display="block">
    <mrow>
    <msub>
    <mrow>
    <mi>b</mi>
    </mrow>
    <mrow>
    <mi>i</mi>
    </mrow>
    </msub>
    <mo></mo>
    <mi>N</mi>
    <mo stretchy="false">(</mo>
    <mn>0</mn>
    <mo>,</mo>
    <msubsup>
    <mrow>
    <mi>σ</mi>
    </mrow>
    <mrow>
    <mi>b</mi>
    </mrow>
    <mrow>
    <mn>2</mn>
    </mrow>
    </msubsup>
    <mo stretchy="false">)</mo>
    </mrow>
    </math>
    es una intercepción de efectos aleatorios para cada fábrica
    <math display="block">
    <mrow>
    <mi>i</mi>
    </mrow>
    </math>
    que representa la variación específica de la fábrica en la calidad.

glme = fitglme(mfr,'defects ~ 1 + newprocess + time_dev + temp_dev + supplier + (1|factory)', ...     'Distribution','Poisson','Link','log','FitMethod','Laplace', ...     'DummyVarCoding','effects');

Visualice el modelo.

disp(glme)
Generalized linear mixed-effects model fit by ML  Model information:     Number of observations             100     Fixed effects coefficients           6     Random effects coefficients         20     Covariance parameters                1     Distribution                    Poisson     Link                            Log        FitMethod                       Laplace  Formula:     defects ~ 1 + newprocess + time_dev + temp_dev + supplier + (1 | factory)  Model fit statistics:     AIC       BIC       LogLikelihood    Deviance     416.35    434.58    -201.17          402.35    Fixed effects coefficients (95% CIs):     Name                 Estimate     SE          tStat       DF    pValue         '(Intercept)'           1.4689     0.15988      9.1875    94    9.8194e-15     'newprocess'          -0.36766     0.17755     -2.0708    94      0.041122     'time_dev'           -0.094521     0.82849    -0.11409    94       0.90941     'temp_dev'            -0.28317      0.9617    -0.29444    94       0.76907     'supplier_C'         -0.071868    0.078024     -0.9211    94       0.35936     'supplier_B'          0.071072     0.07739     0.91836    94       0.36078       Lower        Upper            1.1515       1.7864      -0.72019    -0.015134       -1.7395       1.5505       -2.1926       1.6263      -0.22679     0.083051     -0.082588      0.22473  Random effects covariance parameters: Group: factory (20 Levels)     Name1                Name2                Type         Estimate     '(Intercept)'        '(Intercept)'        'std'        0.31381   Group: Error     Name                      Estimate     'sqrt(Dispersion)'        1        

La tabla muestra el número total de observaciones en los datos de muestra (100), el número de coeficientes de efectos fijos y aleatorios (6 y 20, respectivamente) y el número de parámetros de covarianza (1).Model information También indica que la variable de respuesta tiene una distribución, la función de vínculo es y el método de ajuste es.PoissonLogLaplace

indica la especificación del modelo utilizando la notación de Wilkinson.Fórmula

La tabla muestra las estadísticas utilizadas para evaluar la bondad del ajuste del modelo.Model fit statistics Esto incluye el criterio de información de Akaike (), los valores de criterio de información Bayesiano (), los valores log verosimilitud () y desviación ().AICBICLogLikelihoodDesviación

La tabla indica que devolvió 95% los intervalos de confianza.Fixed effects coefficientsfitglme Contiene una fila por cada predictor de efectos fijos, y cada columna contiene estadísticas correspondientes a ese predictor. La columna 1 () contiene el nombre de cada coeficiente de efectos fijos, la columna 2 () contiene su valor estimado, y la columna 3 () contiene el error estándar del coeficiente.NameEstimateSE La columna 4 () contiene eltStat

<math display="block">
<mrow>
<mi>t</mi>
</mrow>
</math>
-estadística para una prueba de hipótesis de que el coeficiente es igual a 0. La columna 5 () y la columna 6 () contienen los grados de libertad yDFpValue
<math display="block">
<mrow>
<mi>p</mi>
</mrow>
</math>
-valor que corresponde a la
<math display="block">
<mrow>
<mi>t</mi>
</mrow>
</math>
-Estadística, respectivamente. Las dos últimas columnas (y) muestran los límites inferior y superior, respectivamente, del intervalo de confianza del 95% para cada coeficiente de efectos fijos.LowerUpper

muestra una tabla para cada variable de agrupación (aquí, sólo), incluido su número total de niveles (20) y el tipo y la estimación del parámetro de covarianza.Random effects covariance parametersfactory Aquí, indica que devuelve la desviación estándar del efecto aleatorio asociado con el predictor de fábrica, que tiene un valor estimado de 0,31381.stdfitglme También muestra una tabla que contiene el tipo de parámetro de error (aquí, la raíz cuadrada del parámetro de dispersión) y su valor estimado de 1.

La visualización estándar generada por no proporciona intervalos de confianza para los parámetros de efectos aleatorios.fitglme Para calcular y mostrar estos valores, utilice.covarianceParameters

Argumentos de entrada

contraer todo

Datos de entrada, que incluyen la variable de respuesta, las variables predictoras y las variables de agrupación, especificadas como una tabla o matriz de DataSet. Las variables predictoras pueden ser variables continuas o de agrupamiento (véase).Agrupar variables Debe especificar el modelo para las variables utilizando.Fórmula

Fórmula para la especificación del modelo, especificada como un vector de caracteres o un escalar de cadena del formulario.'y ~ fixed + (random1|grouping1) + ... + (randomR|groupingR)' La fórmula distingue entre mayúsculas y minúsculas. Para obtener una descripción completa, consulte.Fórmula

Ejemplo: 'y ~ treatment + (1|block)'

Argumentos de par nombre-valor

Especifique pares de argumentos separados por comas opcionales. es el nombre del argumento y es el valor correspondiente. deben aparecer dentro de las cotizaciones.Name,ValueNameValueName Puede especificar varios argumentos de par de nombre y valor en cualquier orden como.Name1,Value1,...,NameN,ValueN

Ejemplo: Especifica la distribución de la variable de respuesta como Poisson, la función de enlace como log, el método de ajuste como Laplace y la codificación de variables ficticias donde los coeficientes suman 0.'Distribution','Poisson','Link','log','FitMethod','Laplace','DummyVarCoding','effects'

Número de pruebas para la distribución binomial, es decir, el tamaño de la muestra, especificado como el par separado por comas que consta de un valor escalar, un vector de la misma longitud que la respuesta o el nombre de una variable en la tabla de entrada. Si especifica el nombre de una variable, la variable debe tener la misma longitud que la respuesta. solo se aplica cuando el parámetro es.BinomialSizeDistribution'binomial'

Si es un valor escalar, significa que todas las observaciones tienen el mismo número de pruebas.BinomialSize

Tipos de datos: single | double

Indicador para comprobar la definitura positiva del hessian de la función objetiva con respecto a los parámetros no restringidos en la convergencia, especificado como el par separado por comas que consta de y cualquiera o.'CheckHessian'falsetrue El valor predeterminado es.false

Especifique como para verificar la optimalidad de la solución o para determinar si el modelo está sobreparametrizado en el número de parámetros de covarianza.'CheckHessian'true

Si especifica como o, la covarianza de los efectos fijos y los parámetros de covarianza se basan en el modelo de efectos mixtos lineales ajustados de la iteración de pseudo-verosimilitud final.'FitMethod''MPL''REMPL'

Ejemplo: 'CheckHessian',true

Método para calcular la covarianza de los parámetros estimados, especificado como el par separado por comas que consta de y cualquiera o.'CovarianceMethod''conditional''JointHessian' Si se especifica, se calcula una aproximación rápida a la covarianza de efectos fijos dados los parámetros de covarianza estimados.'conditional'fitglme No calcula la covarianza de los parámetros de covarianza. Si se especifica, se calcula la covarianza conjunta de los parámetros de efectos fijos y covarianzas mediante la matriz de información observada utilizando la logverosimilitud de Laplacian.'JointHessian'fitglme

Si especifica como o, la covarianza de los efectos fijos y los parámetros de covarianza se basan en el modelo de efectos mixtos lineales ajustados de la iteración de pseudo-verosimilitud final.'FitMethod''MPL''REMPL'

Ejemplo: 'CovarianceMethod','JointHessian'

Patrón de la matriz de covarianza de los efectos aleatorios, especificado como el par separado por comas que consta de y,,,,, una matriz lógica simétrica cuadrada, una matriz de cadenas o una matriz de celdas que contiene vectores de caracteres o matrices lógicas.'CovariancePattern''FullCholesky''Isotropic''Full''Diagonal''CompSymm'

Si hay términos de efectos aleatorios, el valor de debe ser una matriz de cadenas o matriz de celdas de longitud, donde cada elemento de la matriz especifica el patrón de la matriz de covarianza del vector de efectos aleatorios asociado con el término de efectos aleatorios TH.R'CovariancePattern'Rrr Las opciones para cada elemento siguen.

ValorDescripción
'FullCholesky'Matriz de covarianza completa mediante la parametrización de Cholesky. estima todos los elementos de la matriz de covarianza.fitglme
'Isotropic'

Matriz de covarianza diagonal con varianzas iguales. Es decir, los elementos fuera de la diagonal de la matriz de covarianza están restringidos a ser 0, y los elementos diagonales están restringidos a ser iguales. Por ejemplo, si hay tres términos de efectos aleatorios con una estructura de covarianza isotrópica, esta matriz de covarianza se ve como

(σb2000σb2000σb2)

donde σ21 es la varianza común de los términos de efectos aleatorios.

'Full'Matriz de covarianza completa, utilizando la parametrización log-Cholesky. estima todos los elementos de la matriz de covarianza.fitlme
'Diagonal'

Matriz de covarianza diagonal. Es decir, los elementos fuera de la diagonal de la matriz de covarianza están restringidos a ser 0.

(σb12000σb22000σb32)

'CompSymm'

Estructura de simetría compuesta. Es decir, la varianza común a lo largo de las diagonales y la correlación igual entre todos los efectos aleatorios. Por ejemplo, si hay tres términos de efectos aleatorios con una matriz de covarianza que tiene una estructura de simetría compuesta, esta matriz de covarianza se ve como

(σb12σb1,b2σb1,b2σb1,b2σb12σb1,b2σb1,b2σb1,b2σb12)

donde σ2b1 es la varianza común de los términos de efectos aleatorios y σb1,b2 es la covarianza común entre dos términos de efectos aleatorios.

PATMatriz lógica simétrica cuadrada. Si se define por la matriz, y si, entonces el elemento de la matriz de covarianza correspondiente se restringe a ser 0.'CovariancePattern'PATPAT(a,b) = false(a,b)

Para los términos de efectos aleatorios escalares, el valor predeterminado es.'Isotropic' De lo contrario, el valor predeterminado es.'FullCholesky'

Ejemplo: 'CovariancePattern','Diagonal'

Ejemplo: 'CovariancePattern',{'Full','Diagonal'}

Tipos de datos: char | string | logical | cell

Indicador para calcular el parámetro de dispersión para y distribuciones, especificado como el par separado por comas que consta de y uno de los siguientes.'binomial''poisson''DispersionFlag'

ValorDescripción
trueCalcule un parámetro de dispersión Cuando calcule los errores estándar
falseUtilice el valor teórico de cuando se calculen los errores estándar1.0

sólo se aplica si es o.'DispersionFlag''FitMethod''MPL''REMPL'

La función de ajuste siempre estima la dispersión para otras distribuciones.

Ejemplo: 'DispersionFlag',true

Distribución de la variable de respuesta, especificada como el par separado por comas que consta de y uno de los siguientes.'Distribution'

ValorDescripción
'Normal'La distribución normal
'Binomial'Distribución binomial
'Poisson'La distribución de Poisson
'Gamma'Distribución gamma
'InverseGaussian'La distribución gaussiana inversa

Ejemplo: 'Distribution','Binomial'

Codificación que se utiliza para las variables ficticias creadas a partir de las variables categóricas, especificadas como el par separado por comas y que consta de uno de los siguientes.'DummyVarCoding'

ValorDescripción
'reference'Predeterminado. Coeficiente para la primera categoría establecida en 0.
'effects'Los coeficientes suman 0.
'full'Una variable ficticia para cada categoría.

Ejemplo: 'DummyVarCoding','effects'

Método utilizado para aproximar las estimaciones empíricas de Bayes de efectos aleatorios, especificadas como el par separado por comas que consta de y uno de los siguientes.'EBMethod'

  • 'Auto'

  • 'LineSearchNewton'

  • 'TrustRegion2D'

  • 'fsolve'

es similar a pero utiliza un criterio de convergencia diferente y no muestra el progreso iterativo. y puede fallar para las funciones de enlace no canónico.'Auto''LineSearchNewton''Auto''LineSearchNewton' Para las funciones de enlace no canónico, o se recomiendan.'TrustRegion2D''fsolve' Debes usar.Optimization Toolbox™'fsolve'

Ejemplo: 'EBMethod','LineSearchNewton'

Opciones para la optimización empírica de Bayes, especificadas como el par separado por comas que consta de una estructura que contiene lo siguiente.'EBOptions'

ValorDescripción
'TolFun'Tolerancia relativa a la norma de gradiente. El valor predeterminado es 1E-6.
'TolX'Tolerancia absoluta en el tamaño del paso. El valor predeterminado es 1E-8.
'MaxIter'Número máximo de iteraciones. El valor predeterminado es 100.
'Display'O.'off''iter''final' El valor predeterminado es.'off'

Si es y es, es la tolerancia relativa en el predictor lineal del modelo, y la opción no se aplica.EBMethod'Auto''FitMethod''Laplace'TolFun'Display'

Si es así, debe especificarse como un objeto creado por.'EBMethod''fsolve''EBOptions'optimoptions('fsolve')

Tipos de datos: struct

Índices de las filas que se excluyen del modelo de efectos mixtos lineales generalizados en los datos, especificados como el par separado por comas que consta de un vector de valores enteros o lógicos.'Exclude'

Por ejemplo, puede excluir las filas 13ª y 67 del ajuste como se indica a continuación.

Ejemplo: 'Exclude',[13,67]

Tipos de datos: single | double | logical

Método para estimar los parámetros del modelo, especificado como el par separado por comas que consta de y uno de los siguientes.'FitMethod'

  • — Máxima pseudo verosimilitud'MPL'

  • — Máxima pseudo verosimilitud restringida'REMPL'

  • — Máxima probabilidad utilizando la aproximación de Laplace'Laplace'

  • — Máxima probabilidad utilizando aproximación de Laplace aproximada con efectos fijos perfilados'ApproximateLaplace'

Ejemplo: 'FitMethod','REMPL'

Número inicial de iteraciones de pseudo-verosimilitud utilizadas para inicializar los parámetros para y ajustar los métodos, especificados como el par separado por comas que consta de y un valor entero mayor o igual que 1.ApproximateLaplaceLaplace'InitPLIterations'

Tipos de datos: single | double

Valor inicial para la media condicional, especificado como el par separado por comas que consta de y un valor escalar.'MuStart' Los valores válidos son los siguientes.

Distribución de respuestaValores válidos
'Normal'(-Inf,Inf)
'Binomial'(0,1)
'Poisson'(0,Inf)
'Gamma'(0,Inf)
'InverseGaussian'(0,Inf)

Tipos de datos: single | double

Desplazamiento, especificado como el par separado por comas que consta de y un vector-por-1 de valores escalares, donde es la longitud del vector de respuesta.'Offset'nn También puede especificar el nombre de variable de un vector-by-1 de valores escalares. se utiliza como un predictor adicional que tiene un valor de coeficiente fijado en.n'Offset'1.0

Tipos de datos: single | double

Algoritmo de optimización, especificado como el par separado por comas que consta de y cualquiera de los siguientes.'Optimizer'

ValorDescripción
'quasinewton'Utiliza un optimizador de cuasi-Newton basado en región de confianza. Puede cambiar las opciones del algoritmo utilizando.statset('fitglme') Si no especifica las opciones, a continuación, utiliza las opciones predeterminadas de.fitglmestatset('fitglme')
'fminsearch'Utiliza un método de Nelder-Mead libre de derivaciones. Puede cambiar las opciones del algoritmo utilizando.optimset('fminsearch') Si no especifica las opciones, a continuación, utiliza las opciones predeterminadas de.fitglmeoptimset('fminsearch')
'fminunc'Utiliza un método de quasi-Newton basado en la búsqueda de líneas. Debe especificar esta opción.Optimization Toolbox Puede cambiar las opciones del algoritmo utilizando.optimoptions('fminunc') Si no especifica las opciones, a continuación, utiliza las opciones predeterminadas de con establecido en.fitglmeoptimoptions('fminunc')'Algorithm''quasi-newton'

Ejemplo: 'Optimizer','fminsearch'

Opciones para el algoritmo de optimización, especificado como el par separado por comas que consta de y una estructura devuelta por, una estructura creada por, o un objeto devuelto por.'OptimizerOptions'statset('fitglme')optimset('fminsearch')optimoptions('fminunc')

  • Si es, a continuación, utilice para cambiar las opciones del algoritmo.'Optimizer''fminsearch'optimset('fminsearch') Si es y no proporciona, a continuación, los valores predeterminados utilizados en son las opciones predeterminadas creadas por.'Optimizer''fminsearch''OptimizerOptions'fitglmeoptimset('fminsearch')

  • Si es así, utilice para cambiar las opciones del algoritmo de optimización.'Optimizer''fminunc'optimoptions('fminunc') Consulte las opciones de uso.optimoptions'fminunc' Si es y no se suministra, a continuación, los valores predeterminados utilizados en son las opciones predeterminadas creadas por con establecido en.'Optimizer''fminunc''OptimizerOptions'fitglmeoptimoptions('fminunc')'Algorithm''quasi-newton'

  • Si es así, utilice para cambiar los parámetros de optimización.'Optimizer''quasinewton'statset('fitglme') Si es y no cambia los parámetros de optimización utilizando, a continuación, utiliza las opciones predeterminadas creadas por.'Optimizer''quasinewton'statsetfitglmestatset('fitglme')

El optimizador utiliza los siguientes campos en la estructura creada por.'quasinewton'statset('fitglme')

Tolerancia relativa en el degradado de la función objetiva, especificada como un valor escalar positivo.

Tolerancia absoluta en el tamaño del paso, especificado como un valor escalar positivo.

Número máximo de iteraciones permitidas, especificadas como un valor escalar positivo.

Nivel de visualización, especificado como uno de, o.'off''iter''final'

Número máximo de iteraciones de pseudo-verosimilitud (PL), especificadas como el par separado por comas que consta de un valor entero positivo.'PLIterations' PL se utiliza para ajustar el modelo si es o.'FitMethod''MPL''REMPL' Para otros valores, las iteraciones PL se utilizan para inicializar parámetros para la optimización posterior.'FitMethod'

Ejemplo: 'PLIterations',200

Tipos de datos: single | double

Factor de tolerancia relativa para las iteraciones de pseudo-verosimilitud, especificado como el par separado por comas consistente en un valor escalar positivo.'PLTolerance'

Ejemplo: 'PLTolerance',1e-06

Tipos de datos: single | double

Método para iniciar la optimización iterativa, especificada como el par separado por comas que consta de y cualquiera de los siguientes.'StartMethod'

ValorDescripción
'default'Un valor predeterminado definido internamente
'random'Un valor inicial aleatorio

Ejemplo: 'StartMethod','random'

, especificado como el par separado por comas que consta de y cualquiera o.'UseSequentialFitting'falsetrue Si es así, todos los métodos de máxima verosimilitud se inicializan utilizando una o más iteraciones de pseudo probabilidad.'UseSequentialFitting'false Si es así, los valores iniciales de las iteraciones de pseudo-verosimilitud se refinan utilizando para el ajuste.'UseSequentialFitting'true'ApproximateLaplace''Laplace'

Ejemplo: 'UseSequentialFitting',true

Indicador para mostrar el proceso de optimización en la pantalla, especificado como el par separado por comas que consta de y, o.'Verbose'012 Si se especifica como o, a continuación, muestra el progreso del proceso de ajuste de modelo iterativo.'Verbose'12fitglme Especificar como muestra información de optimización iterativa de las iteraciones de pseudo verosimilitud individuales.'Verbose'2 Especificando como omite esta visualización.'Verbose'1

La configuración para invalida el campo en.'Verbose''Display''OptimizerOptions'

Ejemplo: 'Verbose',1

Ponderaciones de observación, especificadas como el par separado por comas que consta de y un vector-por-1 de valores escalares no negativos, donde es el número de observaciones.'Weights'nn Si la distribución de la respuesta es binomial o Poisson, debe ser un vector de enteros positivos.'Weights'

Tipos de datos: single | double

Argumentos de salida

contraer todo

Modelo de efectos mixtos lineales generalizado, especificado como un objeto.GeneralizedLinearMixedModel Para las propiedades y los métodos de este objeto, vea.GeneralizedLinearMixedModel

Más acerca de

contraer todo

Fórmula

En general, una fórmula para la especificación del modelo es un vector de caracteres o un escalar de cadena del formulario.'y ~ terms' Para los modelos lineales generalizados de efectos mixtos, esta fórmula está en el formulario, donde y contiene los efectos fijos y los términos de efectos aleatorios.'y ~ fixed + (random1|grouping1) + ... + (randomR|groupingR)'fixedAleatorio

Supongamos que una tabla contiene lo siguiente:tbl

  • Una variable de respuesta,y

  • Variables predictoras, Xj, que puede ser continua o agrupar variables

  • Agrupar variables, g1, g2, ..., gR,

donde las variables de agrupamiento en Xj Y gr pueden ser categóricas, lógicas, matrices de caracteres, matrices de cadenas o matrices de celdas de vectores de caracteres.

Luego, en una fórmula del formulario, 'y ~ fixed + (random1|g1) + ... + (randomR|gR)', el término corresponde a una especificación de la matriz de diseño de efectos fijos,fixedXAleatorio1 es una especificación de la matriz de diseño de efectos aleatoriosZ1 correspondiente a la variable de agrupacióng1, y de manera similarAleatorioR es una especificación de la matriz de diseño de efectos aleatoriosZR correspondiente a la variable de agrupacióngR. Puede expresar los términos y condiciones utilizando la notación Wilkinson.fixedAleatorio

La notación Wilkinson describe los factores presentes en los modelos. La notación se relaciona con los factores presentes en los modelos, no con los multiplicadores (coeficientes) de esos factores.

La notación WilkinsonFactores en la notación estándar
1Término constante (intercepción)
, donde es un entero positivoX^kk,X X2, ..., Xk
X1 + X2,X1X2
X1*X2, ,X1X2X1.*X2 (elementwise multiplication of X1 and X2)
X1:X2solamenteX1.*X2
- X2No incluyaX2
X1*X2 + X3, , ,X1X2X3X1*X2
X1 + X2 + X3 + X1:X2, , ,X1X2X3X1*X2
X1*X2*X3 - X1:X2:X3, , , , ,X1X2X3X1*X2X1*X3X2*X3
X1*(X2 + X3), , , ,X1X2X3X1*X2X1*X3

notación siempre incluye un término constante a menos que se elimine explícitamente el término using.Statistics and Machine Learning Toolbox™-1 Estos son algunos ejemplos para la especificación lineal generalizada del modelo de efectos mixtos.

Examples:

FórmulaDescripción
'y ~ X1 + X2'Efectos fijos para la intercepción, y.X1X2 Esto equivale a.'y ~ 1 + X1 + X2'
'y ~ -1 + X1 + X2'Sin intercepción y efectos fijos para y.X1X2 El término de interceptación implícita se suprime mediante la inclusión.-1
'y ~ 1 + (1 | g1)'Efectos fijos para la intercepción más efecto aleatorio para la intercepción para cada nivel de la variable de agrupamiento.g1
'y ~ X1 + (1 | g1)'Modelo de intercepción aleatoria con pendiente fija.
'y ~ X1 + (X1 | g1)'Intercepción aleatoria y pendiente, con posible correlación entre ellas. Esto equivale a.'y ~ 1 + X1 + (1 + X1|g1)'
'y ~ X1 + (1 | g1) + (-1 + X1 | g1)' Términos de efectos aleatorios independientes para interceptar y talud.
'y ~ 1 + (1 | g1) + (1 | g2) + (1 | g1:g2)'Modelo de intercepción aleatoria con efectos principales independientes para y, además de un efecto de interacción independiente.g1g2

Introducido en R2014b