拟合混合响应模型的方差分量表

请查找关于方差分量表中的每个统计量的定义和解释指导。

方差分量

方差分量表示混合效应模型中的随机项和随机误差项的方差。Minitab 会显示方差分量 (Var) 的值以及该方差分量所占总变异的比例(% 合计)。

解释

用于评估每个随机项可在研究中产生的变异量。值越大,表示项对响应产生的变异性越大。例如,田地的方差分量大约为 0.078,并且可以解释模型中大约 73% 的方差。

混合效应模型: 产量 与 田地, 品种

方差分量 来源 变量 总和的 % 变量标准误 95% 置信区间 Z 值 P 值 田地 0.077919 72.93% 0.067580 (0.0142361, 0.426476) 1.152996 0.124 误差 0.028924 27.07% 0.010562 (0.0141399, 0.059166) 2.738613 0.003 合计 0.106843 -2 对数似然 = 7.736012

SE Var

方差分量的标准误可以通过估计样本数据的方差分量来估计不确定性。

解释

使用方差分量的标准误来测量方差分量估计值的精确度。标准误越小,估计值越精确。可通过将方差分量除以其标准误来计算 Z 值。如果与此 Z 统计量关联的 p 值小于显著性水平(用 alpha 或 α 表示),则可以断定方差分量大于零。

方差分量的置信区间(95% 置信区间)

置信区间 (CI) 是值的范围,可能包含方差分量的实际值。

由于样本的随机性,来自总体的两个样本不可能生成相同的置信区间。但是如果随机取样多次,则所获得的特定百分比的置信区间会包含未知的总体参数。这些包含参数的置信区间的百分比是区间的置信水平。

置信区间由以下两部分组成:
点估计
此单个值通过使用样本数据来估计总体参数。置信区间集中在此点估计值附近。
边际误差
边际误差定义了置信区间的宽度并由样本、样本数量和置信水平中的观测变异性确定。要计算置信区间的上限,需要将边际误差与点估计值相加。要计算置信区间的下限,需要从点估计值减去边际误差。

解释

如果置信水平为 95%,则置信区间包含相应随机项的方差分量实际值的可信度为 95%。置信区间有助于评估结果的实际意义。使用您的专业知识可以确定置信区间是否包括对您的情形有实际意义的值。如果区间因太宽而毫无用处,请考虑增加样本数量。

Z 值

Z 值是检验统计量,用来测量估计的方差分量与其标准误之间的比值。

解释

Minitab 使用 Z 值计算 p 值,该 p 值可用于检验方差分量是否显著大于零。

方差分量的 P 值

P 值是一个概率,用来度量否定原假设的证据。概率越低,否定原假设的证据越充分。

解释

要确定随机项是否对响应产生显著影响,请将方差分量表中该项的 p 值与您的显著性水平进行比较。通常,显著性水平(用 α 或 alpha 表示)为 0.05 即可。显著性水平 0.05 表示在实际上不存在效应时得出存在效应的风险为 5%。
P 值 ≤ α:随机项会对响应产生显著影响
如果 p 值小于或等于显著性水平,则可以得出随机项会对响应产生显著影响的结论。这意味着随机项的方差与零显著不同。
P 值 > α:随机项不会对响应产生显著影响
如果 p 值大于显著性水平,则无法得出随机项对响应产生显著影响的结论。您可能需要重新拟合没有该非显著项的模型,用于评估该项对其他结果的效应。
使用此网站,即表示您同意对数据分析和个性化内容使用 Cookie。  请阅读我们的政策