我通常处理在 2 个或更多条件下对多个个体进行多次测量的数据。我最近一直在玩混合效应建模来评估条件之间差异的证据，建模individual为随机效应。为了可视化来自这种建模的预测的不确定性，我一直在使用引导程序，在引导程序的每次迭代中，个体和个体内条件内的观察都被替换采样，并计算出一个新的混合效应模型，从中预测获得。这适用于假设高斯误差的数据，但是当数据是二项式时，引导可能需要很长时间，因为每次迭代都必须计算一个相对计算密集的二项式混合效应模型。

我的一个想法是，我可以使用原始模型的残差，然后使用这些残差而不是 bootstrap 中的原始数据，这将允许我在 bootstrap 的每次迭代中计算高斯混合效应模型。将原始数据的二项式模型的原始预测添加到残差的自举预测中，原始预测的置信区间为 95%。

然而，我最近对这种方法进行了简单的评估，对两个条件之间没有差异进行建模，并计算 95% 置信区间不包括零的次数比例，我发现上述基于残差的引导程序产生了相当强的反保守间隔（它们排除零超过 5% 的时间）。此外，我随后对这种方法进行了类似的评估（与之前的链接相同），该评估适用于最初为高斯的数据，并且它获得了类似的（尽管不是极端的）反保守 CI。知道为什么会这样吗？