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

anova

Clase: LinearMixedModel

Análisis de varianza para el modelo lineal de efectos mixtos

Descripción

ejemplo

stats = anova(lme) Devuelve la matriz de conjunto de datos que incluye los resultados de las pruebas para cada término de efectos fijos en el modelo lineal de efectos mixtos.statsFlme

ejemplo

stats = anova(lme,Name,Value) también devuelve la matriz de conjunto de datos con opciones adicionales especificadas por uno o más argumentos de par.statsName,Value

Argumentos de entrada

expandir todo

Modelo lineal de efectos mixtos, especificado como un objeto construido mediante o.LinearMixedModelfitlmefitlmematrix

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

Método para calcular los grados de libertad aproximados para usar en la prueba F, especificado como el par separado por comas que consta de uno de los siguientes.'DFMethod'

'residual'Predeterminado. Se asume que los grados de libertad son constantes e iguales a –, donde está el número de observaciones y es el número de efectos fijos.npnp
'satterthwaite'Aproximación de Satterthwaite.
'none'Todos los grados de libertad están fijados al infinito.

Por ejemplo, puede especificar la aproximación de Satterthwaite como se indica a continuación.

Ejemplo: 'DFMethod','satterthwaite'

Argumentos de salida

expandir todo

Resultados de las pruebas para los términos de efectos fijos, devueltos como una matriz de conjunto de datos con las siguientes columnas.F

TermNombre del término de efectos fijos
Fstat-estadística para el términoF
DF1Los grados de libertad del numerador para el-estadísticoF
DF2Denominador grados de libertad para la-estadísticaF
pValue-valor de la prueba para el términop

Hay una fila por cada término de efectos fijos. Cada término es una variable continua, una variable de agrupación o una interacción entre dos o más variables continuas o de agrupación. Para cada término de efectos fijos, realiza una prueba (prueba marginal) para determinar si todos los coeficientes que representan el término de efectos fijos son 0.anovaF Para realizar pruebas para la hipótesis de tipo III, debe utilizar los contrastes mientras se ajusta el modelo lineal de efectos mixtos.'effects'

Ejemplos

expandir todo

Cargue los datos de ejemplo.

load(fullfile(matlabroot,'examples','stats','shift.mat'))

Los datos muestran las desviaciones de la característica de calidad objetivo medida a partir de los productos que cinco operadores fabrican durante tres turnos: mañana, noche y noche. Este es un diseño de bloque aleatorio, donde los operadores son los bloques. El experimento está diseñado para estudiar el impacto del tiempo de cambio en el rendimiento. La medida de rendimiento es la desviación de las características de calidad del valor objetivo. Se trata de datos simulados.

y son variables nominales.ShiftOperator

shift.Shift = nominal(shift.Shift); shift.Operator = nominal(shift.Operator);

Ajuste un modelo lineal de efectos mixtos con una intercepción aleatoria agrupada por operador para evaluar si el rendimiento difiere significativamente según el tiempo del turno. Utilice el método de máxima verosimilitud y los contrastes restringidos.'effects'

contrastes indican que los coeficientes suman 0 y crea dos variables codificadas por contraste en la matriz de diseño de efectos fijos, $X $1 y $X $2, donde'effects'fitlme

<math display="block">
<mrow>
<mi>S</mi>
<mi>h</mi>
<mi>i</mi>
<mi>f</mi>
<mi>t</mi>
<mrow>
<mstyle mathvariant="normal">
<mrow>
<mrow>
<mo stretchy="false">_</mo>
</mrow>
</mrow>
</mstyle>
</mrow>
<mi>E</mi>
<mi>v</mi>
<mi>e</mi>
<mi>n</mi>
<mi>i</mi>
<mi>n</mi>
<mi>g</mi>
<mo>=</mo>
<mrow>
<mo>{</mo>
<mrow>
<mtable columnalign="center center center center center center center center center center center center center center center center center center center center">
<mtr>
<mtd>
<mrow>
<mrow>
<mn>0</mn>
<mo>,</mo>
<mspace width="1em"></mspace>
<mi>i</mi>
<mi>f</mi>
<mspace width="0.2777777777777778em"></mspace>
<mi>M</mi>
<mi>o</mi>
<mi>r</mi>
<mi>n</mi>
<mi>i</mi>
<mi>n</mi>
<mi>g</mi>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mrow>
<mn>1</mn>
<mo>,</mo>
<mspace width="1em"></mspace>
<mi>i</mi>
<mi>f</mi>
<mspace width="0.2777777777777778em"></mspace>
<mi>E</mi>
<mi>v</mi>
<mi>e</mi>
<mi>n</mi>
<mi>i</mi>
<mi>n</mi>
<mi>g</mi>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mrow>
<mo>-</mo>
<mn>1</mn>
<mo>,</mo>
<mspace width="1em"></mspace>
<mi>i</mi>
<mi>f</mi>
<mspace width="0.2777777777777778em"></mspace>
<mi>N</mi>
<mi>i</mi>
<mi>g</mi>
<mi>h</mi>
<mi>t</mi>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mrow>
</mrow>
</mrow>
</math>

Y

<math display="block">
<mrow>
<mi>S</mi>
<mi>h</mi>
<mi>i</mi>
<mi>f</mi>
<mi>t</mi>
<mrow>
<mstyle mathvariant="normal">
<mrow>
<mrow>
<mo stretchy="false">_</mo>
</mrow>
</mrow>
</mstyle>
</mrow>
<mi>M</mi>
<mi>o</mi>
<mi>r</mi>
<mi>n</mi>
<mi>i</mi>
<mi>n</mi>
<mi>g</mi>
<mo>=</mo>
<mrow>
<mo>{</mo>
<mrow>
<mtable columnalign="center center center center center center center center center center center center center center center center center center center center">
<mtr>
<mtd>
<mrow>
<mrow>
<mn>1</mn>
<mo>,</mo>
<mspace width="1em"></mspace>
<mi>i</mi>
<mi>f</mi>
<mspace width="0.2777777777777778em"></mspace>
<mi>M</mi>
<mi>o</mi>
<mi>r</mi>
<mi>n</mi>
<mi>i</mi>
<mi>n</mi>
<mi>g</mi>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mrow>
<mn>0</mn>
<mo>,</mo>
<mspace width="1em"></mspace>
<mi>i</mi>
<mi>f</mi>
<mspace width="0.2777777777777778em"></mspace>
<mi>E</mi>
<mi>v</mi>
<mi>e</mi>
<mi>n</mi>
<mi>i</mi>
<mi>n</mi>
<mi>g</mi>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mrow>
<mo>-</mo>
<mn>1</mn>
<mo>,</mo>
<mspace width="1em"></mspace>
<mi>i</mi>
<mi>f</mi>
<mspace width="0.2777777777777778em"></mspace>
<mi>N</mi>
<mi>i</mi>
<mi>g</mi>
<mi>h</mi>
<mi>t</mi>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mrow>
</mrow>
<mo>.</mo>
</mrow>
</math>

El modelo corresponde a

<math display="block">
<mrow>
<mtable columnalign="left">
<mtr>
<mtd>
<mrow>
<mrow>
<mstyle mathvariant="normal">
<mrow>
<mrow>
<mi>M</mi>
<mi>o</mi>
<mi>r</mi>
<mi>n</mi>
<mi>i</mi>
<mi>n</mi>
<mi>g</mi>
<mi>S</mi>
<mi>h</mi>
<mi>i</mi>
<mi>f</mi>
<mi>t</mi>
<mo>:</mo>
</mrow>
</mrow>
</mstyle>
</mrow>
<mi>Q</mi>
<mi>C</mi>
<mi>D</mi>
<mi>e</mi>
<mrow>
<msub>
<mrow>
<mi>v</mi>
</mrow>
<mrow>
<mi>i</mi>
<mi>m</mi>
</mrow>
</msub>
</mrow>
<mo>=</mo>
<mrow>
<msub>
<mrow>
<mi>β</mi>
</mrow>
<mrow>
<mn>0</mn>
</mrow>
</msub>
</mrow>
<mo>+</mo>
<mrow>
<msub>
<mrow>
<mi>β</mi>
</mrow>
<mrow>
<mn>2</mn>
</mrow>
</msub>
</mrow>
<mi>S</mi>
<mi>h</mi>
<mi>i</mi>
<mi>f</mi>
<mi>t</mi>
<mrow>
<mstyle mathvariant="normal">
<mrow>
<mrow>
<mo stretchy="false">_</mo>
</mrow>
</mrow>
</mstyle>
</mrow>
<mi>M</mi>
<mi>o</mi>
<mi>r</mi>
<mi>n</mi>
<mi>i</mi>
<mi>n</mi>
<mrow>
<msub>
<mrow>
<mi>g</mi>
</mrow>
<mrow>
<mi>i</mi>
</mrow>
</msub>
</mrow>
<mo>+</mo>
<mrow>
<msub>
<mrow>
<mi>b</mi>
</mrow>
<mrow>
<mn>0</mn>
<mi>m</mi>
</mrow>
</msub>
</mrow>
<mo>+</mo>
<mrow>
<msub>
<mrow>
<mi>ε</mi>
</mrow>
<mrow>
<mi>i</mi>
<mi>m</mi>
</mrow>
</msub>
</mrow>
<mo>,</mo>
<mspace width="1em"></mspace>
<mi>m</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>.</mo>
<mo>.</mo>
<mo>.</mo>
<mo>,</mo>
<mn>5</mn>
<mo>,</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mrow>
<mstyle mathvariant="normal">
<mrow>
<mrow>
<mi>E</mi>
<mi>v</mi>
<mi>e</mi>
<mi>n</mi>
<mi>i</mi>
<mi>n</mi>
<mi>g</mi>
<mi>S</mi>
<mi>h</mi>
<mi>i</mi>
<mi>f</mi>
<mi>t</mi>
<mo>:</mo>
</mrow>
</mrow>
</mstyle>
</mrow>
<mi>Q</mi>
<mi>C</mi>
<mi>D</mi>
<mi>e</mi>
<mrow>
<msub>
<mrow>
<mi>v</mi>
</mrow>
<mrow>
<mi>i</mi>
<mi>m</mi>
</mrow>
</msub>
</mrow>
<mo>=</mo>
<mrow>
<msub>
<mrow>
<mi>β</mi>
</mrow>
<mrow>
<mn>0</mn>
</mrow>
</msub>
</mrow>
<mo>+</mo>
<mrow>
<msub>
<mrow>
<mi>β</mi>
</mrow>
<mrow>
<mn>1</mn>
</mrow>
</msub>
</mrow>
<mi>S</mi>
<mi>h</mi>
<mi>i</mi>
<mi>f</mi>
<mi>t</mi>
<mrow>
<mstyle mathvariant="normal">
<mrow>
<mrow>
<mo stretchy="false">_</mo>
</mrow>
</mrow>
</mstyle>
</mrow>
<mi>E</mi>
<mi>v</mi>
<mi>e</mi>
<mi>n</mi>
<mi>i</mi>
<mi>n</mi>
<mrow>
<msub>
<mrow>
<mi>g</mi>
</mrow>
<mrow>
<mi>i</mi>
</mrow>
</msub>
</mrow>
<mo>+</mo>
<mrow>
<msub>
<mrow>
<mi>b</mi>
</mrow>
<mrow>
<mn>0</mn>
<mi>m</mi>
</mrow>
</msub>
</mrow>
<mo>+</mo>
<mrow>
<msub>
<mrow>
<mi>ε</mi>
</mrow>
<mrow>
<mi>i</mi>
<mi>m</mi>
</mrow>
</msub>
</mrow>
<mo>,</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mrow>
<mstyle mathvariant="normal">
<mrow>
<mrow>
<mi>N</mi>
<mi>i</mi>
<mi>g</mi>
<mi>h</mi>
<mi>t</mi>
<mi>S</mi>
<mi>h</mi>
<mi>i</mi>
<mi>f</mi>
<mi>t</mi>
<mo>:</mo>
</mrow>
</mrow>
</mstyle>
</mrow>
<mspace width="1em"></mspace>
<mi>Q</mi>
<mi>C</mi>
<mi>D</mi>
<mi>e</mi>
<mrow>
<msub>
<mrow>
<mi>v</mi>
</mrow>
<mrow>
<mi>i</mi>
<mi>m</mi>
</mrow>
</msub>
</mrow>
<mo>=</mo>
<mrow>
<msub>
<mrow>
<mi>β</mi>
</mrow>
<mrow>
<mn>0</mn>
</mrow>
</msub>
</mrow>
<mo>-</mo>
<mrow>
<msub>
<mrow>
<mi>β</mi>
</mrow>
<mrow>
<mn>1</mn>
</mrow>
</msub>
</mrow>
<mi>S</mi>
<mi>h</mi>
<mi>i</mi>
<mi>f</mi>
<mi>t</mi>
<mrow>
<mstyle mathvariant="normal">
<mrow>
<mrow>
<mo stretchy="false">_</mo>
</mrow>
</mrow>
</mstyle>
</mrow>
<mi>E</mi>
<mi>v</mi>
<mi>e</mi>
<mi>n</mi>
<mi>i</mi>
<mi>n</mi>
<mrow>
<msub>
<mrow>
<mi>g</mi>
</mrow>
<mrow>
<mi>i</mi>
</mrow>
</msub>
</mrow>
<mo>-</mo>
<mrow>
<msub>
<mrow>
<mi>β</mi>
</mrow>
<mrow>
<mn>2</mn>
</mrow>
</msub>
</mrow>
<mi>S</mi>
<mi>h</mi>
<mi>i</mi>
<mi>f</mi>
<mi>t</mi>
<mrow>
<mstyle mathvariant="normal">
<mrow>
<mrow>
<mo stretchy="false">_</mo>
</mrow>
</mrow>
</mstyle>
</mrow>
<mi>M</mi>
<mi>o</mi>
<mi>r</mi>
<mi>n</mi>
<mi>i</mi>
<mi>n</mi>
<mrow>
<msub>
<mrow>
<mi>g</mi>
</mrow>
<mrow>
<mi>i</mi>
</mrow>
</msub>
</mrow>
<mo>+</mo>
<mrow>
<msub>
<mrow>
<mi>b</mi>
</mrow>
<mrow>
<mn>0</mn>
<mi>m</mi>
</mrow>
</msub>
</mrow>
<mo>+</mo>
<mrow>
<msub>
<mrow>
<mi>ε</mi>
</mrow>
<mrow>
<mi>i</mi>
<mi>m</mi>
</mrow>
</msub>
</mrow>
<mo>,</mo>
</mrow>
</mtd>
</mtr>
</mtable>
</mrow>
</math>

Dónde

<math display="block">
<mrow>
<mi>b</mi>
</mrow>
</math>
~ N (0,
<math display="block">
<mrow>
<msubsup>
<mrow>
<mi>σ</mi>
</mrow>
<mrow>
<mi>b</mi>
</mrow>
<mrow>
<mn>2</mn>
</mrow>
</msubsup>
</mrow>
</math>
) y
<math display="block">
<mrow>
<mi>ϵ</mi>
</mrow>
</math>
~ N (0,
<math display="block">
<mrow>
<msup>
<mrow>
<mi>σ</mi>
</mrow>
<mrow>
<mn>2</mn>
</mrow>
</msup>
</mrow>
</math>
).

lme = fitlme(shift,'QCDev ~ Shift + (1|Operator)',... 'FitMethod','REML','DummyVarCoding','effects')
lme =  Linear mixed-effects model fit by REML  Model information:     Number of observations              15     Fixed effects coefficients           3     Random effects coefficients          5     Covariance parameters                2  Formula:     QCDev ~ 1 + Shift + (1 | Operator)  Model fit statistics:     AIC       BIC       LogLikelihood    Deviance     58.913    61.337    -24.456          48.913    Fixed effects coefficients (95% CIs):     Name                   Estimate    SE         tStat      DF    pValue        '(Intercept)'            3.6525    0.94109     3.8812    12    0.0021832     'Shift_Evening'        -0.53293    0.31206    -1.7078    12      0.11339     'Shift_Morning'        -0.91973    0.31206    -2.9473    12     0.012206       Lower      Upper         1.6021       5.703     -1.2129     0.14699     -1.5997    -0.23981  Random effects covariance parameters (95% CIs): Group: Operator (5 Levels)     Name1                Name2                Type         Estimate    Lower       '(Intercept)'        '(Intercept)'        'std'        2.0457      0.98207       Upper      4.2612  Group: Error     Name             Estimate    Lower      Upper     'Res Std'        0.85462     0.52357    1.395  

Realice una

<math display="block">
<mrow>
<mi>F</mi>
</mrow>
</math>
-prueba para determinar si todos los coeficientes de efectos fijos son 0.

anova(lme)
ans =      ANOVA marginal tests: DFMethod = 'Residual'      Term                 FStat     DF1    DF2    pValue        '(Intercept)'        15.063    1      12     0.0021832     'Shift'              11.091    2      12     0.0018721  

el

<math display="block">
<mrow>
<mi>p</mi>
</mrow>
</math>
-valor para el término constante, 0,0021832, es el mismo que en la tabla de coeficientes en la pantalla.lme el
<math display="block">
<mrow>
<mi>p</mi>
</mrow>
</math>
-valor de 0,0018721 para las medidas de la significación combinada para ambos coeficientes que representan.ShiftShift

Cargue los datos de ejemplo.

load(fullfile(matlabroot,'examples','stats','fertilizer.mat'))

La matriz de DataSet incluye datos de un experimento de parcela dividida, donde el suelo se divide en tres bloques basados en el tipo de suelo: arenoso, sedoso y Franco. Cada bloque se divide en cinco parcelas, donde cinco tipos de plantas de tomate (cereza, reliquia, uva, vid y ciruela) se asignan aleatoriamente a estas parcelas. Las plantas de tomate en las parcelas se dividen en subparcelas, donde cada subparcela es tratada por uno de los cuatro fertilizantes. Se trata de datos simulados.

Almacene los datos en una matriz de DataSet llamada, con fines prácticos, y defina, y como variables categóricas.dsTomatoSoilFertilizer

ds = fertilizer; ds.Tomato = nominal(ds.Tomato); ds.Soil = nominal(ds.Soil); ds.Fertilizer = nominal(ds.Fertilizer);

Ajuste un modelo lineal de efectos mixtos, donde y son las variables de efectos fijos, y el rendimiento medio varía según el bloque (tipo de suelo) y las parcelas dentro de los bloques (tipos de tomate dentro de los tipos de suelo) de forma independiente.FertilizerTomato Utilice los contrastes al ajustar los datos para la suma de cuadrados de tipo III.'effects'

lme = fitlme(ds,'Yield ~ Fertilizer * Tomato + (1|Soil) + (1|Soil:Tomato)',... 'DummyVarCoding','effects')
lme =  Linear mixed-effects model fit by ML  Model information:     Number of observations              60     Fixed effects coefficients          20     Random effects coefficients         18     Covariance parameters                3  Formula:     Yield ~ 1 + Tomato*Fertilizer + (1 | Soil) + (1 | Soil:Tomato)  Model fit statistics:     AIC       BIC       LogLikelihood    Deviance     522.57    570.74    -238.29          476.57    Fixed effects coefficients (95% CIs):     Name                                  Estimate    SE        tStat       DF     '(Intercept)'                            104.6    3.3008       31.69    40     'Tomato_Cherry'                            1.4    5.9353     0.23588    40     'Tomato_Grape'                         -7.7667    5.9353     -1.3085    40     'Tomato_Heirloom'                      -11.183    5.9353     -1.8842    40     'Tomato_Plum'                           30.233    5.9353      5.0938    40     'Fertilizer_1'                         -28.267    2.3475     -12.041    40     'Fertilizer_2'                         -1.9333    2.3475    -0.82356    40     'Fertilizer_3'                          10.733    2.3475      4.5722    40     'Tomato_Cherry:Fertilizer_1'          -0.73333    4.6951    -0.15619    40     'Tomato_Grape:Fertilizer_1'            -7.5667    4.6951     -1.6116    40     'Tomato_Heirloom:Fertilizer_1'          5.1833    4.6951       1.104    40     'Tomato_Plum:Fertilizer_1'              2.7667    4.6951     0.58927    40     'Tomato_Cherry:Fertilizer_2'               7.6    4.6951      1.6187    40     'Tomato_Grape:Fertilizer_2'               -1.9    4.6951    -0.40468    40     'Tomato_Heirloom:Fertilizer_2'          5.5167    4.6951       1.175    40     'Tomato_Plum:Fertilizer_2'                -3.9    4.6951    -0.83066    40     'Tomato_Cherry:Fertilizer_3'           -6.0667    4.6951     -1.2921    40     'Tomato_Grape:Fertilizer_3'             3.7667    4.6951     0.80226    40     'Tomato_Heirloom:Fertilizer_3'          3.1833    4.6951     0.67802    40     'Tomato_Plum:Fertilizer_3'                 1.1    4.6951     0.23429    40       pValue        Lower      Upper       5.9086e-30     97.929     111.27        0.81473    -10.596     13.396        0.19816    -19.762     4.2291       0.066821    -23.179    0.81242      8.777e-06     18.238     42.229     7.0265e-15    -33.011    -23.522        0.41507    -6.6779     2.8112      4.577e-05     5.9888     15.478        0.87667    -10.222     8.7558        0.11491    -17.056     1.9224        0.27619    -4.3058     14.672        0.55899    -6.7224     12.256        0.11337    -1.8891     17.089        0.68787    -11.389     7.5891        0.24695    -3.9724     15.006         0.4111    -13.389     5.5891        0.20373    -15.556     3.4224        0.42714    -5.7224     13.256        0.50167    -6.3058     12.672        0.81596    -8.3891     10.589  Random effects covariance parameters (95% CIs): Group: Soil (3 Levels)     Name1                Name2                Type         Estimate    Lower        '(Intercept)'        '(Intercept)'        'std'        2.5028      0.027711       Upper      226.05  Group: Soil:Tomato (15 Levels)     Name1                Name2                Type         Estimate    Lower      '(Intercept)'        '(Intercept)'        'std'        10.225      6.1497       Upper      17.001  Group: Error     Name             Estimate    Lower     Upper      'Res Std'        10.499      8.5389    12.908  

Realice un análisis de varianza para probar los efectos fijos.

anova(lme)
ans =      ANOVA marginal tests: DFMethod = 'Residual'      Term                       FStat     DF1    DF2    pValue         '(Intercept)'              1004.2     1     40     5.9086e-30     'Tomato'                   7.1663     4     40     0.00018935     'Fertilizer'               58.833     3     40     1.0024e-14     'Tomato:Fertilizer'        1.4182    12     40        0.19804  

el

<math display="block">
<mrow>
<mi>p</mi>
</mrow>
</math>
-valor para el término constante, 5.9086 e-30, es el mismo que en la tabla de coeficientes en la pantalla.lme el
<math display="block">
<mrow>
<mi>p</mi>
</mrow>
</math>
-valores de 0,00018935, 1.0024 e-14 y 0,19804 para, y representan la significación combinada para todos los coeficientes de tomate, coeficientes de fertilizantes y coeficientes que representan la interacción entre el tomate y el fertilizante, respectivamente.TomatoFertilizerTomato:Fertilizer el
<math display="block">
<mrow>
<mi>p</mi>
</mrow>
</math>
-valor de 0,19804 indica que la interacción entre el tomate y el fertilizante no es significativa.

Cargue los datos de ejemplo.

load(fullfile(matlabroot,'examples','stats','weight.mat'))

contiene datos de un estudio longitudinal, donde 20 sujetos son asignados aleatoriamente 4 programas de ejercicio, y su pérdida de peso se registra en seis períodos de tiempo de 2 semanas.weight Se trata de datos simulados.

Almacene los datos en una tabla. Definir y como variables categóricas.SubjectProgram

tbl = table(InitialWeight,Program,Subject,Week,y); tbl.Subject = nominal(tbl.Subject); tbl.Program = nominal(tbl.Program);

Ajuste el modelo utilizando los contrastes.'effects'

lme = fitlme(tbl,'y ~ InitialWeight + Program*Week + (Week|Subject)',...   'DummyVarCoding','effects')
lme =  Linear mixed-effects model fit by ML  Model information:     Number of observations             120     Fixed effects coefficients           9     Random effects coefficients         40     Covariance parameters                4  Formula:     y ~ 1 + InitialWeight + Program*Week + (1 + Week | Subject)  Model fit statistics:     AIC        BIC       LogLikelihood    Deviance     -22.981    13.257    24.49            -48.981   Fixed effects coefficients (95% CIs):     Name                    Estimate     SE           tStat       DF      '(Intercept)'             0.77122      0.24309      3.1725    111     'InitialWeight'         0.0031879    0.0013814      2.3078    111     'Program_A'              -0.11017     0.080377     -1.3707    111     'Program_B'               0.25061      0.08045      3.1151    111     'Program_C'              -0.14344     0.080475     -1.7824    111     'Week'                    0.19881     0.033727      5.8946    111     'Program_A:Week'        -0.025607     0.058417    -0.43835    111     'Program_B:Week'         0.013164     0.058417     0.22535    111     'Program_C:Week'        0.0049357     0.058417    0.084492    111       pValue        Lower         Upper          0.0019549       0.28951       1.2529       0.022863    0.00045067    0.0059252        0.17323      -0.26945       0.0491      0.0023402      0.091195      0.41003       0.077424       -0.3029     0.016031     4.1099e-08       0.13198      0.26564        0.66198      -0.14136     0.090149        0.82212      -0.10259      0.12892        0.93282      -0.11082      0.12069  Random effects covariance parameters (95% CIs): Group: Subject (20 Levels)     Name1                Name2                Type          Estimate    Lower       '(Intercept)'        '(Intercept)'        'std'         0.18407     0.12281     'Week'               '(Intercept)'        'corr'        0.66841     0.21076     'Week'               'Week'               'std'         0.15033     0.11004       Upper       0.27587     0.88573     0.20537  Group: Error     Name             Estimate    Lower       Upper       'Res Std'        0.10261     0.087882    0.11981  

el

<math display="block">
<mrow>
<mi>p</mi>
</mrow>
</math>
-los valores 0,022863 y 4.1099 e-08 indican efectos significativos de los pesos iniciales de los sujetos y el factor de tiempo en la cantidad de peso perdido. La pérdida de peso de los sujetos que están en el programa B es significativamente diferente en relación con la pérdida de peso de los sujetos que están en el programa A. Los límites inferior y superior de los parámetros de covarianza para los efectos aleatorios no incluyen cero, por lo que son significativos.

Realice una prueba F que todos los coeficientes de efectos fijos sean cero.

anova(lme)
ans =      ANOVA marginal tests: DFMethod = 'Residual'      Term                   FStat       DF1    DF2    pValue         '(Intercept)'            10.065    1      111     0.0019549     'InitialWeight'           5.326    1      111      0.022863     'Program'                3.6798    3      111      0.014286     'Week'                   34.747    1      111    4.1099e-08     'Program:Week'         0.066648    3      111       0.97748  

el

<math display="block">
<mrow>
<mi>p</mi>
</mrow>
</math>
-los valores para el término constante, el peso inicial y la semana son los mismos que en la tabla de coeficientes en la visualización de salida anterior.lme el
<math display="block">
<mrow>
<mi>p</mi>
</mrow>
</math>
-valor de 0,014286 para representa la significación combinada para todos los coeficientes del programa.Program Del mismo modo, el
<math display="block">
<mrow>
<mi>p</mi>
</mrow>
</math>
-valor para la interacción entre el programa y la semana () mide la significación combinada para todos los coeficientes que representan esta interacción.Program:Week

Ahora, utilice el método Satterthwaite para calcular los grados de libertad.

anova(lme,'DFMethod','satterthwaite')
ans =      ANOVA marginal tests: DFMethod = 'Satterthwaite'      Term                   FStat       DF1    DF2       pValue         '(Intercept)'            10.065    1      20.445      0.004695     'InitialWeight'           5.326    1          20      0.031827     'Program'                3.6798    3       19.14      0.030233     'Week'                   34.747    1          20    9.1346e-06     'Program:Week'         0.066648    3          20       0.97697  

El método Satterthwaite produce grados de libertad más pequeños denominador y un poco más grande

<math display="block">
<mrow>
<mi>p</mi>
</mrow>
</math>
valores.

Sugerencias

  • Para cada término de efectos fijos, realiza una prueba (prueba marginal), que todos los coeficientes que representan el término de efectos fijos son 0.anovaF Para realizar pruebas para hipótesis de tipo III, debe establecer el argumento de par nombre-valor en contrastes mientras se ajusta el modelo lineal de efectos mixtos.'DummyVarCoding''effects'

Consulte también

| |