안정성 연구에 대한 랜덤 효과 예측

랜덤 효과 예측에 대한 정의 및 해석 방법을 확인해 보십시오.

BLUP

최적의 선형 불편 예측치(BLUP)는 변량 배치 항의 수준에 대해 추정된 계수입니다. 이 계수를 사용하면 특정 배치에 대한 적합치를 예측하는 조건부 적합 방정식의 절편과 기울기를 확인할 수 있습니다. 안정성 연구에 대한 예측을 사용하여 조건부 방정식을 볼 수 있습니다.

해석

배치 간의 차이를 추정하려면 BLUP를 사용하십시오. 배치 요인에 대한 BLUP 값이 클수록 데이터의 배치에 대한 저장 수명이 0과 더 다르다는 것을 나타냅니다. 모형에 시간 x 배치 교호작용이 없는 경우 데이터의 배치에 대한 저장 수명은 모든 시간에 대해 같은 거리만큼 떨어져 있습니다. 모형에 시간 x 교호작용이 있는 경우에는 BLUP 값이 배치의 품질이 어떻게 다른 속도로 떨어지는지 보여줍니다.

배치 항의 경우 배치 1에 대한 BLUP가 약 1.36으로, 가장 큽니다. 배치 7에 대한 BLUP는 0.05로, 0에 더 가깝습니다. 시간 0에서 배치 1에 대한 조건부 적합치는 약 100.6 + 1.36 = 101.42입니다. 배치 7에 대한 조건부 적합치는 약 100.06 + 0.05 = 100.11입니다.

월 x 배치 교호작용도 모형에 있기 때문에 교호작용에 대한 BLUP 값은 여러 배치의 품질이 떨어지는 속도의 차이를 설명합니다. 배치 2에 대한 교호작용 BLUP가 약 0.02로, 가장 큽니다. 그러므로, 배치 2에 대한 조건부 적합치는 가장 느린 품질 저하를 보여줍니다.

계수 항 계수 SE 계수 DF T-값 P-값 상수 100.060247 0.268706 7.22 372.378347 0.000 월 -0.138766 0.005794 7.22 -23.950196 0.000
랜덤 효과 예측 항 BLUP 표준 편차 DF T-값 P-값 배치 1 1.359433 0.313988 12.45 4.329567 0.001 2 0.395375 0.313988 12.45 1.259203 0.231 3 0.109151 0.313988 12.45 0.347629 0.734 4 -0.409322 0.313988 12.45 -1.303623 0.216 5 -0.135643 0.313988 12.45 -0.432001 0.673 6 -1.064736 0.313988 12.45 -3.391006 0.005 7 0.049420 0.313988 12.45 0.157394 0.877 8 -0.303678 0.313988 12.45 -0.967164 0.352 월*배치 1 0.006281 0.008581 10.49 0.731925 0.480 2 0.019905 0.008581 10.49 2.319537 0.042 3 -0.013831 0.008581 10.49 -1.611742 0.137 4 0.003468 0.008581 10.49 0.404173 0.694 5 0.001240 0.008581 10.49 0.144455 0.888 6 0.000276 0.008581 10.49 0.032144 0.975 7 -0.010961 0.008581 10.49 -1.277272 0.229 8 -0.006378 0.008581 10.49 -0.743220 0.474

BLUP의 표준 편차

최적의 선형 불편 예측치(BLUP)의 표준 편차는 표본 데이터에서 추정된 BLUP의 불확실성을 추정합니다.

해석

BLUP 추정치의 정확도를 측정하려면 BLUP의 표준 편차를 사용하십시오. 표준 편차가 작을수록 추정값의 정확도가 높습니다. BLUP를 표준 편차로 나누면 t-값이 계산됩니다. 이 t-통계량과 관련된 p-값이 유의 수준(알파 또는 α로 표시됨)보다 작은 경우 BLUP과 0 간의 차이가 통계적으로 유의하다는 결론을 내립니다.

BLUP의 DF

자유도는 최적의 선형 불편 예측치(BLUP)에 대한 신뢰 구간을 추정하고 검정을 구성하기 위한 데이터의 정보량을 나타냅니다.

해석

BLUP에 대해 사용할 수 있는 정보의 양을 비교하려면 DF를 사용하십시오. 일반적으로 자유도가 높으면 BLUP에 대한 신뢰 구간이 자유도가 낮은 구간보다 좁습니다.

BLUP에 대한 신뢰 구간(95%CI)

이러한 신뢰 구간(CI)은 데이터에서 랜덤하게 선택된 각 배치에 대한 최적의 선형 불편 예측치(BLUP) 값이 포함될 가능성이 높은 값의 범위입니다.

표본이 랜덤이기 때문에 모집단의 두 표본에서 동일한 신뢰 구간이 생성될 가능성은 없습니다. 그러나 여러 개의 랜덤 표본을 추출하면 일정한 백분율의 신뢰 구간에는 알 수 없는 모집단 모수가 포함됩니다. 모수를 포함하는 이러한 신뢰 구간의 백분율이 해당 구간의 신뢰 수준입니다.

신뢰 구간은 다음 두 부분으로 구성됩니다.
점 추정치
이 단일 값은 표본 데이터를 사용하여 모집단 모수를 추정합니다. 신뢰 구간은 점 추정치를 중심으로 합니다.
오차 한계
오차 한계는 신뢰 구간의 너비를 정의하며 표본에서 관측된 변동성, 표본 크기 및 신뢰 수준에 의해 결정됩니다. 신뢰 구간의 상한을 계산하기 위해 오차 한계를 점 추정치에 더합니다. 신뢰 구간의 하한을 계산하기 위해 오차 한계를 점 추정치에서 뺍니다.

해석

각 배치에 대한 모집단 BLUP의 추정치를 평가하려면 신뢰 구간을 사용합니다.

예를 들어, 95% 신뢰 수준에서 신뢰 구간에 모집단에 대한 계수 값이 포함된다고 95% 확신할 수 있습니다. 신뢰 구간은 결과의 실제 유의성을 평가하는 데 도움이 됩니다. 해당 상황에 실제적으로 유의한 값이 신뢰 구간에 포함되는지 여부를 확인하려면 전문 지식을 이용하십시오. 신뢰 구간이 너무 넓어서 유의하지 않은 경우에는 표본 크기를 늘려보십시오.

t-값

t-값은 최적의 선형 불편 예측치(BLUP)와 표준 오차 간의 비율을 측정합니다.

해석

Minitab에서는 t-값을 사용하여 BLUP 값의 통계적 유의성에 대한 결정을 내릴 때 사용하는 p-값을 계산합니다.

t-값을 사용하여 귀무 가설의 기각 여부를 확인할 수 있습니다. 그러나 자유도에 관계없이 기각에 대한 분계점이 같기 때문에 p-값이 더 자주 사용됩니다.

BLUP에 대한 p-값

p-값은 귀무 가설에 반하는 증거를 측정하는 확률입니다. p-값이 작을수록 귀무 가설에 반하는 더 강력한 증거가 됩니다.

해석

최적의 선형 불편 예측치(BLUP)가 0과 다른지 여부를 확인하려면 BLUP에 대한 p-값을 유의 수준과 비교하십시오. 귀무 가설은 BLUP가 0으로, 해당 특정 배치에 대한 예측이 랜덤하게 선택한 배치에 대한 예측과 다르지 않다는 것입니다.

p-값 ≤ α: 연관성이 통계적으로 유의합니다.
p-값이 유의 수준보다 작거나 같으면 BLUP와 0 간에 통계적으로 유의한 차이가 있다는 결론을 내릴 수 있습니다.
p-값 > α: 연관성이 통계적으로 유의하지 않습니다.
p-값이 유의 수준보다 크면 BLUP와 0 간에 통계적으로 유의한 차이가 있다는 결론을 내릴 수 없습니다.
이 사이트를 사용하면 분석 및 사용자 개인 컨텐츠에 대한 쿠키 사용에 동의하는 것입니다.  당사의 개인정보 보호정책을 확인하십시오