ドキュメンテーション

最新のリリースでは、このページがまだ翻訳されていません。 このページの最新版は英語でご覧になれます。

fixedEffects

クラス: GeneralizedLinearMixedModel

固定効果と関連する統計の推定

説明

beta = fixedEffects(glme) は一般化線形混合効果モデル glme の推定固定効果係数 beta を返します。

[beta,betanames] = fixedEffects(glme)betanames の推定固定効果係数の名前を返します。それぞれの名前は、beta の固定効果係数に対応します。

[beta,betanames,stats] = fixedEffects(glme) は、glme の推定固定効果係数に関する統計表 stats も返します。

[___] = fixedEffects(glme,Name,Value) は、1 つ以上の Name,Value のペアの引数により指定された追加オプションを使用して、前の構文において任意の出力引数を返します。たとえば、信頼度または t 統計の自由度の近似を計算するメソッドを指定できます。

入力引数

すべて展開する

一般化線形混合効果モデル。GeneralizedLinearMixedModel オブジェクトとして指定します。このオブジェクトのプロパティとメソッドについては、GeneralizedLinearMixedModel を参照してください。

名前と値のペアの引数

オプションの Name,Value 引数のコンマ区切りペアを指定します。Name は引数名で、Value は対応する値です。Name は引用符で囲まなければなりません。Name1,Value1,...,NameN,ValueN のように、複数の名前と値のペアの引数を、任意の順番で指定できます。

有意水準。'Alpha' と [0,1] の範囲にあるスカラー値から構成されるコンマ区切りのペアとして指定します。値が α の場合、信頼度は 100 × (1 – α)% です。

たとえば、99% の信頼区間の場合は、次のように信頼度を指定できます。

例: 'Alpha',0.01

データ型: single | double

自由度の近似の計算方法。'DFMethod' と次のいずれかの値で構成されるコンマ区切りのペアとして指定します。

説明
'residual'自由度の値は n - p に等しい定数であると仮定されます。n は観測値の個数、p は固定効果の個数です。
'none'自由度は無限大に設定されます。

例: 'DFMethod','none'

出力引数

すべて展開する

近似された一般化線形混合効果モデル glme の推定固定効果係数。ベクトルとして返されます。

beta の固定効果係数の名前。テーブルとして返します。

固定効果の推定値および関連する統計。固定効果ごとに 1 つの行および次の統計ごとに 1 つの列を含むデータセット配列として返されます。

列名説明
Name固定効果係数の名前
Estimate推定される係数値
SE推定値の標準誤差
tStat係数が 0 であるという検定の t 統計
DFt 統計の推定自由度
pValue t 統計の p 値
Lower固定効果係数の 95% 信頼区間の下限
Upper固定効果係数の 95% 信頼区間の上限

fitglme および最尤近似メソッド ('Laplace' または 'ApproximateLaplace') のいずれかを使用してモデルを近似するとき、'CovarianceMethod' 名前と値のペアの引数を 'conditional' として指定する場合、SE は共分散パラメーターの推定に不確実性を考慮しません。この不確実性を考慮するには、'CovarianceMethod''JointHessian' として指定します。

fitglme および疑似尤度近似メソッド ('MPL' または 'REMPL') のいずれかを使用して GLME モデルをあてはめる場合、fixedEffects は固定効果推定と、疑似尤度の最後の反復からの近似線形混合効果モデルに関連する統計量を基にします。

すべて展開する

標本データを読み込みます。

load mfr

このシミュレーションされたデータは、世界中で 50 の工場を操業している製造企業から取得しており、各工場が完成品の生産のためにバッチ処理を実行しています。同社は各バッチの欠陥数を減少させるために新たな製造プロセスを開発しました。新しいプロセスの効果を検定する実験のため、参加させる 20 件の工場を無作為に選びました。10 工場では新プロセスを実施しますが、残りの 10 工場では旧プロセスの実行を続けます。各 20 工場で、同社は 5 つのバッチ (合計 100 バッチ) を実行し以下のデータを記録しました。

  • 新しいプロセスがバッチに使用されたかどうかを示すフラグ (newprocess)

  • 各バッチの処理時間。時間単位 (time)

  • バッチの温度。摂氏 (temp)

  • バッチで使用する化学薬品の供給業者 (AB または C) を示すカテゴリカル変数 (supplier)

  • バッチ内の欠陥数 (defects)

またデータに含まれる time_devtemp_dev は、摂氏 20 度で 3 時間の標準プロセスから得られる時間と温度の絶対偏差をそれぞれ表します。

固定効果予測子として newprocesstime_devtemp_dev および supplier を使用して一般化線形混合効果モデルを近似します。工場特有の変動に起因して品質に差がある可能性を考慮するために、factory 別にグループ化された切片の変量効果項を含めます。応答変数 defects はポアソン分布であり、このモデルの適切なリンク関数は対数です。係数の予測にラプラス近似メソッドを使用します。ダミー変数エンコードを 'effects' として指定すると、ダミー変数の係数の合計が 0 になります。

欠陥数はポアソン分布を使用してモデル化できます

defectsijPoisson(μij)

これは一般化線形混合効果モデルに対応します

log(μij)=β0+β1newprocessij+β2time_devij+β3temp_devij+β4supplier_Cij+β5supplier_Bij+bi,

ここで、

  • defectsij は、バッチ j 処理中の工場 i で実行されたバッチで観測された欠陥数です。

  • μij は、バッチ j (j=1,2,...,5) 処理中の工場 i (i=1,2,...,20) に対応する欠陥の平均数です。

  • newprocessijtime_devij および temp_devij は、バッチ j 処理中の工場 i に対応する各変数の測定値です。たとえば newprocessij は、工場 i で実行されたバッチ j 処理中に新プロセスが使用されたかどうかを示します。

  • supplier_Cij および supplier_Bij は効果 (合計はゼロ) の符号化を使用するダミー変数であり、バッチ j 処理中に工場 i で実行されたバッチに対して、それぞれ会社 C または B が加工化学薬品を供給したかどうかを示します。

  • biN(0,σb2) は、工場特有の品質変動に相当する、各工場 i の変量効果の切片です。

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

推定固定効果係数値および関連する統計を計算し、表示します。

[beta,betanames,stats] = fixedEffects(glme);
stats
stats = 
    Fixed effect coefficients: DFMethod = 'residual', Alpha = 0.05

    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

返された結果は、たとえば temp_dev の推定係数が –0.28317 であると示します。大きい p 値 0.76907 は、5% の有意水準ではこれが統計的に有意な予測子ではないことを示しています。さらに、信頼区間限界 Lower および Upper は、temp_dev の係数の 95% の信頼区間が [-2.1926 , 1.6263] であることを示しています。この区間には 0 が含まれます。これは temp_dev が 5% の有意水準では統計上有意ではないという結論を裏付けています。