随机因子项的某个特定水平的最佳线性无偏预测变量 (BLUP) 用于描述该项水平对响应的效应。Minitab 使用这些值为给定的随机因子水平计算条件拟合值。
使用 BLUP 可评估给定水平下随机因子对响应的效应有何不同。特定水平的 BLUP 的值和符号用于描述效应的方向和大小。
特定水平的最佳线性无偏预测 (BLUP) 的标准误表示对响应的预测效应的不确定性。
BLUP 的标准误可测量预测变量的不确定性。BLUP 的标准误用于计算 t 值,然后构建检验以确定特定水平下的效应是否与 0 显著不同。如果相关 p 值小于显著性水平 (α),则可以得出特定水平的效应不为 0 的结论。
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。
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。
这些置信区间 (CI) 是可能包含模型中随机项的最佳线性无偏预测 (BLUP) 实际值的值范围。
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。
使用置信区间可以评估某个随机项对响应的特定水平效应。不包含 0 的区间表示统计意义显著的效应。如果区间严格大于 0,则特定水平对响应产生正效应。区间严格小于 0 则表明对响应产生负效应。包含 0 的区间不支持随机项对响应的显著水平效应。
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。
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。
P 值是一个概率,用来测量否定原假设的证据。原假设为某随机因子对响应的特定水平效应为 0。概率越低,否定原假设的证据越充分。
要确定某个随机因子的特定水平的最佳线性无偏预测 (BLUP) 是否不为 0,请将 BLUP 的 p 值与显著性水平进行比较。