稳定性研究的随机效应预测

请查找定义和解释指导,了解随机效应预测。

BLUP

最佳线性无偏预测 (BLUP) 是随机批次项的水平的估计系数。您可以使用这些系数确定条件拟合方程的截距和斜率,以便预测特定批次的拟合值。您可以使用稳定性研究的预测查看条件方程。

解释

使用 BLUP 估计批次之间的差异大小。批次因子的 BLUP 值越大,表示数据中各个批次在时间 0 时的保质期的差异越大。如果模型中不包括“时间*批次”交互作用项,则数据中各个批次的保质期在任何时间的差异都相同。如果模型中包括“时间*批次”交互作用项,则 BLUP 值将显示各个批次在不同速率时是如何降级的。

对于批次项,批次 1 的 BLUP 值最大,约为 1.36。批次 7 的 BLUP 值接近于零,约为 0.05。批次 1 在时间 0 时的条件拟合值约为 100.6 + 1.36 = 101.42。批次 7 的条件拟合值约为 100.06 + 0.05 = 100.11。

由于模型中还包括“月份*批次”交互作用项,因此交互作用的 BLUP 值可以描述不同批次降级的速度差异。批次 2 的 BLUP 值最大,约为 0.02。因此,批次 2 的条件拟合值表示降级速度最慢。

系数 项 系数 系数标准误 自由度 T 值 P 值 常量 100.060247 0.268706 7.22 372.378347 0.000 月 -0.138766 0.005794 7.22 -23.950196 0.000
随机效应预测 项 BLUP 标准差 自由度 T 值 P 值 批次 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 月*批次 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

BLUP 的标准差

最佳线性无偏预测 (BLUP) 的标准差可以通过估计样本数据的 BLUP 来估计不确定性。

解释

使用 BLUP 的标准差度量 BLUP 估计值的精确度。标准差越小,估计值越精确。可通过将 BLUP 除以其标准差来计算 t 值。如果与此 t 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 BLUP 和 0 之间在统计上存在显著差异。

BLUP 的自由度

自由度表示数据中的信息量,用来为最佳线性无偏预测 (BLUP) 估计置信区间并构建检验。

解释

使用自由度可以比较有关 BLUP 的可用信息量。一般而言,自由度越大,BLUP 的置信区间越窄;自由度越小,BLUP 置信区间越宽。

BLUP 的置信区间(95% 置信区间)

这些置信区间 (CI) 是值的范围,可能包含数据中每个随机选择批次的最佳线性无偏预测的实际值。

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

使用置信区间可以评估每个批次的总体 BLUP 的估计值。

例如,对于 95% 置信区间,置信区间包含总体系数的值的可信度为 95%。该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。

T 值

T 值用来测量最佳线性无偏预测 (BLUP) 与其标准误之间的比值。

解释

Minitab 使用 t 值计算 P 值,使用 P 值可以做出有关 BLUP 值的统计显著性的决定。

您可以使用 t 值来确定是否要否定原假设。但是,通常会使用 P 值,因为无论自由度是多少,要否定的阈值都相同。

BLUP 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

要确定最佳线性无偏预测 (BLUP) 是否不等于零,请将 BLUP 的 P 值与显著性水平进行比较。原假设为 BLUP 为零,这表示特定批次的预测与随机选择批次的预测不存在差异。

P 值 ≤ α:关联在统计意义上显著
如果 P 值小于或等于显著性水平,则可以断定 BLUP 和零之间在统计上存在显著差异。
P 值 > α:关联在统计意义上不显著
如果 P 值大于显著性水平,则无法断定 BLUP 和零之间在统计上存在显著差异。
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