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

ranova

Clase: RepeatedMeasuresModel

Análisis de las medidas repetidas de varianza

Descripción

ejemplo

ranovatbl = ranova(rm) Devuelve los resultados del análisis repetido de las medidas de varianza para un modelo de medidas repetidas en la tabla.rmranovatbl

ejemplo

ranovatbl = ranova(rm,'WithinModel',WM) Devuelve los resultados del análisis de la varianza de las medidas repetidas utilizando las respuestas especificadas por el modelo dentro del asunto.WM

ejemplo

[ranovatbl,A,C,D] = ranova(___) también devuelve matrices, y para las pruebas de hipótesis de la forma, donde es cero.ACDA*B*C = DD

Argumentos de entrada

expandir todo

Modelo de medidas repetidas, devuelto como un objeto.RepeatedMeasuresModel

Para las propiedades y los métodos de este objeto, vea.RepeatedMeasuresModel

Modelo que especifica las respuestas, especificada como una de las siguientes:

  • — Calcular una media separada para cada grupo.'separatemeans'

  • -matriz por contraste, especificando los contrastes entre las medidas repetidas.Crncncr Si representa una matriz de medidas repetidas, prueba la hipótesis de que los medios de * son cero.YranovaYC

  • Un vector de caracteres o un escalar de cadena que define una especificación de modelo en los factores dentro del asunto. Puede definir el modelo basándose en las reglas para el argumento de.termsmodelspecfitrm También ver.Especificación del modelo para medidas repetidas modelos

Por ejemplo, si hay tres factores dentro del asunto y, a continuación, puede especificar un modelo para los factores dentro del asunto de la siguiente manera.w1w2w3

Ejemplo: 'WithinModel','w1+w2+w2*w3'

Tipos de datos: single | double | char | string

Argumentos de salida

expandir todo

Resultados de las medidas repetidas ANOVA, devuelto como un.table

incluye un término que representa todas las diferencias entre los factores dentro de los sujetos.ranovatbl Este término tiene el nombre del factor dentro de los sujetos si se especifica mientras se ajusta el modelo, o el nombre si el nombre del factor dentro de los sujetos no se especifica mientras se ajusta el modelo o hay más de un sujeto dentro de los factores. también incluye todas las interacciones entre los términos del modelo dentro del asunto y todos los términos del modelo entre los sujetos.Timeranovatbl Contiene las siguientes columnas.

Nombre de columnaDefinición
SumSqSuma de cuadrados.
DFGrados de libertad.
MeanSqError cuadrado medio.
FEstadística.F
pValue-valor para la estadística correspondiente.pF Un valor pequeño indica un efecto de término significativo.p
pValueGG-valor con ajuste Greenhouse-Geisser.p
pValueHF-valor con ajuste Huynh-Feldt.p
pValueLB-valor con ajuste de límite inferior.p

Los tres últimos valores son los valores ajustados para su uso cuando no se satisface la suposición de simetría compuesta.pp Para obtener más información, consulte.Suposición de simetría compuesta y correcciones de Epsilon El método prueba para la esfericidad (por lo tanto, la simetría compuesta) y el método devuelve los valores de ajuste de épsilon.mauchyepsilon

Especificación basada en el modelo entre sujetos, devuelto como matriz o matriz de celdas. Permite la hipótesis sobre los elementos dentro de columnas dadas de (dentro de hipótesis de tiempo).B Si contiene varias pruebas de hipótesis, podría ser una matriz de celdas.ranovatblA

Tipos de datos: single | double | cell

Especificación basada en el modelo dentro de los sujetos, devuelta como una matriz o una matriz de celdas. Permite las hipótesis sobre los elementos dentro de filas dadas de (entre hipótesis de tiempo).B Si contiene varias pruebas de hipótesis, podría ser una matriz de celdas.ranovatblC

Tipos de datos: single | double | cell

Valor de la hipótesis, devuelto como 0.

Ejemplos

expandir todo

Cargue los datos de ejemplo.

load fisheriris

El vector de columna consiste en flores de iris de tres especies diferentes: setosa, versicolor, virginica.species La doble matriz consta de cuatro tipos de mediciones en las flores: la longitud y anchura de sépalos y pétalos en centímetros, respectivamente.meas

Almacene los datos en una matriz de tablas.

t = table(species,meas(:,1),meas(:,2),meas(:,3),meas(:,4),... 'VariableNames',{'species','meas1','meas2','meas3','meas4'}); Meas = table([1 2 3 4]','VariableNames',{'Measurements'});

Ajuste un modelo de medidas repetidas, donde las mediciones son las respuestas y la especie es la variable predictora.

rm = fitrm(t,'meas1-meas4~species','WithinDesign',Meas);

Realizar análisis de las medidas repetidas de varianza.

ranovatbl = ranova(rm)
ranovatbl=3×8 table
                                SumSq     DF      MeanSq       F         pValue        pValueGG       pValueHF       pValueLB  
                                ______    ___    ________    ______    ___________    ___________    ___________    ___________

    (Intercept):Measurements    1656.3      3      552.09    6873.3              0    9.4491e-279    2.9213e-283    2.5871e-125
    species:Measurements        282.47      6      47.078     586.1    1.4271e-206    4.9313e-156    1.5406e-158     9.0151e-71
    Error(Measurements)         35.423    441    0.080324                                                                      

Hay cuatro mediciones, tres tipos de especies y 150 observaciones. Por lo tanto, grados de libertad para las mediciones es (4 – 1) = 3, para la interacción de las mediciones de las especies es (4 – 1) * (3 – 1) = 6, y para el error es (150 – 4) * (3 – 1) = 441. calcula los tres últimosranova

<math display="block">
<mrow>
<mi>p</mi>
</mrow>
</math>
-valores utilizando Greenhouse-Geisser, Huynh-Feldt, y las correcciones de límite inferior, respectivamente. Puede comprobar la suposición de simetría compuesta (esfericidad) utilizando el método y mostrar las correcciones de épsilon utilizando el método.mauchlyepsilon

Cargue los datos de ejemplo.

load(fullfile(matlabroot,'examples','stats','longitudinalData.mat'));

La matriz contiene datos de respuesta para 16 personas.Y La respuesta es el nivel sanguíneo de un fármaco medido en cinco puntos de tiempo (tiempo = 0, 2, 4, 6 y 8). Cada fila de corresponde a un individuo, y cada columna corresponde a un punto de tiempo.Y Los ocho primeros sujetos son femeninos, y los segundos ocho sujetos son masculinos. Se trata de datos simulados.

Defina una variable que almacena información de género.

Gender = ['F' 'F' 'F' 'F' 'F' 'F' 'F' 'F' 'M' 'M' 'M' 'M' 'M' 'M' 'M' 'M']';

Almacene los datos en un formato de matriz de tabla adecuado para realizar análisis de medidas repetidas.

t = table(Gender,Y(:,1),Y(:,2),Y(:,3),Y(:,4),Y(:,5),... 'VariableNames',{'Gender','t0','t2','t4','t6','t8'});

Defina la variable dentro de los sujetos.

Time = [0 2 4 6 8]';

Ajuste un modelo de medidas repetidas, donde los niveles sanguíneos son las respuestas y el género es la variable predictora.

rm = fitrm(t,'t0-t8 ~ Gender','WithinDesign',Time);

Realizar análisis de las medidas repetidas de varianza.

ranovatbl = ranova(rm)
ranovatbl=3×8 table
                        SumSq     DF    MeanSq       F         pValue       pValueGG      pValueHF      pValueLB 
                        ______    __    ______    _______    __________    __________    __________    __________

    (Intercept):Time     881.7     4    220.43     37.539    3.0348e-15    4.7325e-09    2.4439e-10    2.6198e-05
    Gender:Time          17.65     4    4.4125    0.75146       0.56126        0.4877       0.50707       0.40063
    Error(Time)         328.83    56     5.872                                                                   

Hay 5 puntos de tiempo, 2 géneros y 16 observaciones. Por lo tanto, los grados de libertad para el tiempo es (5 – 1) = 4, para la interacción de género-tiempo es (5 – 1) * (2 – 1) = 4, y para el error es (16 – 2) * (5 – 1) = 56. El pequeño

<math display="block">
<mrow>
<mi>p</mi>
</mrow>
</math>
-valor de 2.6198 e – 05 indica que hay un efecto significativo de tiempo en la presión arterial. el
<math display="block">
<mrow>
<mi>p</mi>
</mrow>
</math>
-el valor de 0,40063 indica que no existe una interacción significativa entre el sexo y el tiempo.

Cargue los datos de ejemplo.

load repeatedmeas

La tabla incluye las variables entre-sujeto edad, IQ, grupo, género y ocho medidas repetidas a través como respuestas.betweeny1y8 La tabla dentro incluye las variables dentro del sujeto y.w1w2 Se trata de datos simulados.

Ajuste un modelo de medidas repetidas, donde las medidas repetidas a través de son las respuestas, y la edad, IQ, grupo, género, y la interacción grupo-género son las variables predictoras.y1y8 Especifique también la matriz de diseño dentro del sujeto.

rm = fitrm(between,'y1-y8 ~ Group*Gender + Age + IQ','WithinDesign',within);

Realizar análisis de las medidas repetidas de varianza.

ranovatbl = ranova(rm)
ranovatbl=7×8 table
                         SumSq     DF     MeanSq       F        pValue      pValueGG    pValueHF     pValueLB
                         ______    ___    ______    _______    _________    ________    _________    ________

    (Intercept):Time     6645.2      7    949.31     2.2689     0.031674    0.071235     0.056257     0.14621
    Age:Time             5824.3      7    832.05     1.9887     0.059978     0.10651     0.090128     0.17246
    IQ:Time              5188.3      7    741.18     1.7715     0.096749     0.14492      0.12892     0.19683
    Group:Time            15800     14    1128.6     2.6975    0.0014425    0.011884    0.0064346    0.089594
    Gender:Time          4455.8      7    636.55     1.5214      0.16381     0.20533      0.19258     0.23042
    Group:Gender:Time    4247.3     14    303.38    0.72511      0.74677       0.663      0.69184     0.49549
    Error(Time)           64433    154    418.39                                                             

Especifique el modelo para los factores dentro del asunto. Visualice también las matrices utilizadas en la prueba de hipótesis.

[ranovatbl,A,C,D] = ranova(rm,'WithinModel','w1+w2')
ranovatbl=21×8 table
                       SumSq     DF    MeanSq       F         pValue      pValueGG     pValueHF     pValueLB 
                       ______    __    ______    ________    _________    _________    _________    _________

    (Intercept)        3141.7     1    3141.7      2.5034      0.12787      0.12787      0.12787      0.12787
    Age                537.48     1    537.48     0.42828      0.51962      0.51962      0.51962      0.51962
    IQ                 2975.9     1    2975.9      2.3712      0.13785      0.13785      0.13785      0.13785
    Group               20836     2     10418      8.3012    0.0020601    0.0020601    0.0020601    0.0020601
    Gender             3036.3     1    3036.3      2.4194      0.13411      0.13411      0.13411      0.13411
    Group:Gender        211.8     2     105.9    0.084385      0.91937      0.91937      0.91937      0.91937
    Error               27609    22      1255           1          0.5          0.5          0.5          0.5
    (Intercept):w1     146.75     1    146.75     0.23326      0.63389      0.63389      0.63389      0.63389
    Age:w1             942.02     1    942.02      1.4974      0.23402      0.23402      0.23402      0.23402
    IQ:w1              11.563     1    11.563     0.01838      0.89339      0.89339      0.89339      0.89339
    Group:w1           4481.9     2    2240.9       3.562     0.045697     0.045697     0.045697     0.045697
    Gender:w1          270.65     1    270.65      0.4302      0.51869      0.51869      0.51869      0.51869
    Group:Gender:w1    240.37     2    120.19     0.19104      0.82746      0.82746      0.82746      0.82746
    Error(w1)           13841    22    629.12           1          0.5          0.5          0.5          0.5
    (Intercept):w2     3663.8     3    1221.3      3.8381     0.013513     0.020339      0.01575     0.062894
    Age:w2             1199.9     3    399.95      1.2569       0.2964      0.29645      0.29662      0.27432
      ⋮

A = 6x1 cell array
    {1x8 double}
    {1x8 double}
    {1x8 double}
    {2x8 double}
    {1x8 double}
    {2x8 double}

C = 1x3 cell array
    {8x1 double}    {8x1 double}    {8x3 double}

D = 0 

Mostrar el contenido de.A

[A{1};A{2};A{3};A{4};A{5};A{6}]
ans = 8×8

     1     0     0     0     0     0     0     0
     0     1     0     0     0     0     0     0
     0     0     1     0     0     0     0     0
     0     0     0     1     0     0     0     0
     0     0     0     0     1     0     0     0
     0     0     0     0     0     1     0     0
     0     0     0     0     0     0     1     0
     0     0     0     0     0     0     0     1

Mostrar el contenido de.C

[C{1} C{2} C{3}]
ans = 8×5

     1     1     1     0     0
     1     1     0     1     0
     1     1     0     0     1
     1     1    -1    -1    -1
     1    -1     1     0     0
     1    -1     0     1     0
     1    -1     0     0     1
     1    -1    -1    -1    -1

Algoritmos

calcula el valor normal (en la columna de la tabla) mediante la función de distribución acumulativa-estadística:ranovappValuermanovaF

-Value = 1 – FCDF (,pFv1,v2).

Cuando no se cumple la suposición de simetría compuesta, utiliza un factor de corrección épsilon, para calcular los valores corregidos de la siguiente manera:ranovaεp

-value_corrected = 1 – FCDF (, *pFεv1, *εv2).

El método prueba para la esfericidad (por lo tanto, la simetría compuesta) y el método devuelve los valores de ajuste de épsilon.mauchlyepsilon