它与任何其他置信区间具有相同的含义：在模型正确的假设下，如果反复重复实验和程序，则 95% 的时间感兴趣数量的真实值将位于区间内。在这种情况下，感兴趣的数量是响应变量的期望值。

在线性模型的背景下可能最容易解释这一点（混合模型只是对此的扩展，所以同样的想法适用）：

通常的假设是：

$y_i = X_{i1} \beta_1 + X_{i2} \beta_2 + \ldots X_{ip} \beta_p + \epsilon$

其中是响应，是协变量，是参数，是均值为零的误差项。那么感兴趣的数量是：$y_i$$X_{ij}$$\beta_j$$\epsilon$

$E[y_i] = X_{i1} \beta_1 + X_{i2} \beta_2 + \ldots X_{ip} \beta_p$

这是（未知）参数的线性函数，因为协变量是已知的（并且是固定的）。由于我们知道参数向量的采样分布，我们可以很容易地计算出这个量的采样分布（以及置信区间）。

那你为什么想知道呢？我想如果你在做样本外预测，它可以告诉你你的预测有多好（尽管你需要考虑模型的不确定性）。

也许这在贝叶斯框架中是有意义的。例如考虑单向随机效应方差分析模型： 以及总体均值和方差分量和的先验分布。那么每个都有一个后验分布，这个分布的离散区间可以起到 “置信”区间的作用。

$$(y_{ij} | \mu_i) \sim {\cal N}(\mu_i, \sigma^2_w), \quad \mu_i \sim {\cal N}(\mu, \sigma_b^2),$$ $\mu$$\sigma^2_w$$\sigma^2_b$$\mu_i$$95\%$$95\%$