R语言 sme包 sme()函数中文帮助文档(中英文对照)

loveR

sme(sme)
sme()所属R语言包：sme

                                        Smoothing-splines mixed-effects models
                                         平滑样条混合效应模型

                                         译者：生物统计家园网 机器人LoveR

描述----------Description----------

This generic function fits a smoothing-splines mixed-effects model
这个通用的功能适合平滑样条混合效应模型


用法----------Usage----------


sme(object,tme,ind,verbose=F,lambda.mu=NULL,lambda.v=NULL,maxIter=500,
knots=NULL,zeroIntercept=F,deltaEM=1e-3,deltaNM=1e-3,criteria="AICc",...)



参数----------Arguments----------

参数：object
either a vector of observations, a data.frame object or a list of vectors of observations. The method functions sme.data.frame and sme.list are documented separately
无论是观测向量，data.frame对象或list矢量观测。方法的功能sme.data.frame和sme.list是将单独


参数：tme
either a vector of time points corresponding to the observations given in object or a list of vectors of time points in the case of sme.list. Ignored in the case of sme.data.frame
无论是矢量的时间点对应于给定的观察在object或时间点的向量列表中的箱子sme.list。被忽略的情况下，sme.data.frame


参数：ind
a factor (or a vector that can be coerced to a factor) of subject identifiers corresponding to the observations given in object or a list of factors of subject identifiers in the case of sme.list. Ignored   in the case of sme.data.frame
一个因素（或向量，可以强制转换为一个因素）的主体标识符相应的意见，在object或的主体标识符的因素列表中的情况下，sme.list。被忽略的情况下，sme.data.frame


参数：verbose
if TRUE, debug information will be output while fitting the model
如果TRUE，调试信息将被输出，而拟合模型


参数：lambda.mu
smoothing parameter used for the fixed-effect function. If NULL, the optimal values for this and lambda.v will be found according to criteria using Nelder-Mead search
平滑参数用于固定效应功能。如果NULL“的最佳值，这和lambda.v将根据criteria使用内尔德酒搜索


参数：lambda.v
smoothing parameter used for the random-effects functions. If NULL, the optimal values for this and lambda.mu will be found according to criteria using Nelder-Mead search
用于平滑参数的随机效应功能。如果NULL“的最佳值，这和lambda.mu将根据criteria使用内尔德酒搜索


参数：maxIter
maximum number of iterations to be performed for the EM algorithm
EM算法来执行的最大迭代次数


参数：knots
location of spline knots. If NULL, an incidence matrix representation will be used. See "Details"
花键结的位置。如果NULL，关联矩阵表示将使用。请参阅“详细信息”


参数：zeroIntercept
experimental feature. If TRUE, the fitted values of the fixed- and random-effects functions at the intercept will be zero
实验功能。如果TRUE，拟合的截距的固定和随机效应功能之值将是零


参数：deltaEM
convergence tolerance for the EM algorithm
EM算法的收敛公差


参数：deltaNM
(relative) convergence tolerance for the Nelder-Mead optimisation
（相对）的收敛公差内尔德米德优化


参数：criteria
one of "AICc", "AIC", "BICN" or "BICn" indicating which criteria to use to score a particular combination of lambda.mu and lambda.v in the Nelder-Mead search
"AICc"，"AIC"，"BICN"或"BICn"表示使用哪些标准得分的特定组合lambda.mu和lambda.v在内尔德 - 米德搜索


参数：...
additional arguments to sme.data.frame or sme.list
额外的参数sme.data.frame或sme.list


Details

详细信息----------Details----------

The default behaviour is to use an incidence matrix representation for the smoothing-splines. This works well in most situations but may incur a high computational cost when the number of distinct time points is large, as may be the case for irregularly sampled data. Alternatively, a basis projection can be used by giving a vector of knots of length (much) less than the number of distinct time points.
默认行为是使用的发病率的平滑样条的矩阵表示。在大多数情况下，这工作得很好，但可能会产生较高的计算成本时不同时间点的数量很大，如可能的情况下为不规则采样数据。可选地，可使用的基础突起通过给人一种向量的knots长度（多）的数目小于不同的时间点。


值----------Value----------

An object of class sme representing the smoothing-splines mixed-effects model fit. See smeObject for the components of the fit and plot.sme for visualisation options
对象的类sme平滑样条混合效应模型拟合。 smeObject的组件的配合和plot.sme可视化选项


（作者）----------Author(s)----------


Maurice Berk <a href="mailto:maurice.berk01@imperial.ac.uk">maurice.berk01@imperial.ac.uk</a>



参考文献----------References----------



参见----------See Also----------

smeObject, sme.data.frame, sme.list, plot.sme
smeObject，sme.data.frame，sme.list，plot.sme


实例----------Examples----------


  data(MTB)
  fit.AIC <- sme(MTB[MTB$variable==6031,c("y","tme","ind")],criteria="AIC")
  fit.BICN <- sme(MTB[MTB$variable==6031,c("y","tme","ind")],criteria="BICN")
  fit.BICn <- sme(MTB[MTB$variable==6031,c("y","tme","ind")],criteria="BICn")
  fit.AICc <- sme(MTB[MTB$variable==6031,c("y","tme","ind")],criteria="AICc")

  fit <- sme(MTB[MTB$variable==6031,c("y","tme","ind")],lambda.mu=1e5,lambda.v=1e5)

  data(inflammatory)
  system.time(fit <- sme(inflammatory,deltaEM=0.1,deltaNM=0.1))
  system.time(fit <- sme(inflammatory,knots=c(29.5,57,84.5),deltaEM=0.1,deltaNM=0.1))

转载请注明:出自 生物统计家园网(http://www.biostatistic.net)。


注：
注1：为了方便大家学习，本文档为生物统计家园网机器人LoveR翻译而成，仅供个人R语言学习参考使用，生物统计家园保留版权。
注2：由于是机器人自动翻译，难免有不准确之处，使用时仔细对照中、英文内容进行反复理解，可以帮助R语言的学习。
注3：如遇到不准确之处，请在本贴的后面进行回帖，我们会逐渐进行修订。