据我了解，您有一个简单的嵌套观察设计（补丁内的图），您的兴趣是两个连续变量（两个指数）之间的相关/回归。您的样本量是 m 个补丁 xn 个图 = N 对观察结果（如果不平衡，则为适当的总结）。没有涉及适当的随机化，但也许您可以/应该/想要考虑（1）补丁是从所有此类补丁或某个区域“随机”选择的，然后（2）地块是“随机”的在每个补丁中选择。

如果您忽略随机因素补丁，您可能会通过考虑“自由”随机选择 N 个图来进行伪复制，而不将它们限制为（数量或类型）在那些（先前）选择的补丁中。

所以，你的第一个问题：是的，这是随机因素所允许的。这种推论的有效性取决于随机选择等同于随机选择斑块的假设的有效性（例如，如果选择了一组不同的森林斑块，您的结果不会有所不同）。这也限制了您的推理空间：您的结果延伸到的森林或地理区域的种类取决于您的样本是可信的“随机”样本的最大（假想）斑块种群。也许您的观察结果是您所在地区森林斑块哺乳动物的“合理随机”样本，但可能是整个大陆哺乳动物的可疑汇总样本。

第二个：测试将取决于“伪复制的程度”，或者您的样本中绘制“属于”补丁的证据。也就是说，补丁之间和补丁内的地块之间有多少变化（搜索类内相关性）。在极端情况下，仅存在补丁之间的变化（补丁中的图都相同）并且您具有“纯伪复制”：您的 N 应该是补丁的数量，并且从每个补丁中采样一个或多个图并不能提供新的消息。在另一个极端，所有的变化都发生在地块之间，并且没有通过知道每个地块属于哪个森林斑块来解释额外的变化（然后没有随机因素的模型会显得更加简约）；你有“独立”的情节。任何极端情况都不太可能发生……特别是对于在地面上观察到的生物变量，如果仅仅是因为哺乳动物的空间自相关和地理分布。无论如何，我个人更喜欢通过设计保留因子（例如，即使补丁不是此示例中变化的相关来源）以维持上面解释的“实验-观察”类比；请记住：您的样本中没有证据来拒绝零假设，即斑块之间的变异为零并不意味着总体中的变异为零。即使补丁不是此示例中变化的相关来源）以维持上面解释的“实验-观察”类比；请记住：您的样本中没有证据来拒绝零假设，即斑块之间的变异为零并不意味着总体中的变异为零。即使补丁不是此示例中变化的相关来源）以维持上面解释的“实验-观察”类比；请记住：您的样本中没有证据来拒绝零假设，即斑块之间的变异为零并不意味着总体中的变异为零。