基本上只是，其中是回归参数。如果您将此值视为此比率或“标准化”参数，则该值没有任何误导性。如果您查看Bates在 lme4中反对值的原始论点，他主要写的是有问题的自由度，而不是（另请参见r-sig-mixed-models FAQ）。请注意，不同的统计软件可以有不同的命名约定，例如SPSS将参数称为并将标准化参数称为$t$$\beta/\mathrm{SE}(\beta)$$\beta$$p$$t$$F$$B$$\beta$的 -- lme4 遵循lm约定来调用它们Estimate和t value.

Pinheiro 和 Bates在“S 和 S-PLUS 中的混​​合效应模型”中值的用法，因此很难在本书中找到反对它们的论据。Bates 在“lme4：使用 R 的混合效应建模”中还讨论了这些比率，并与固定效应模型的和值进行了比较，例如（第 70 页）：$p$ $t$$F$

在固定效应模型中，原始比例中的轮廓轨迹将始终是直线。对于混合模型，这些轨迹可能不是线性的，正如我们在这里看到的那样，这与普遍认为的线性混合模型中的固定效应参数的推断相矛盾，基于具有适当调整的自由度的或分布，将是完全准确。偏差轮廓的实际模式比这更复杂。$T$$F$

是什么使它们在某种程度上相似，但并不完全适合我们期望它们用于适当的假设检验。

另请注意，其他作者并不总是认为 df 问题是有问题的，例如“使用 R 的线性混合效应模型”中的 Gałecki 和 Burzykowski只是假设自由度并将它们的分布视为大约，例如（第 84 页）：$n-p$$t$

检验统计量的零分布是具有自由度的$t$$t$$n − p$

和（第 140 页）：

的各个分量的置信区间 可以基于用作检验统计量的近似分布$\beta$$t$

因此，主要理由似乎是，虽然值可能会因为不明确的零分布而产生误导，但值仍然是有用的，至少作为标准化参数。您也可以将它们用于假设检验，但您需要对它们的分布做出一些假设并通过查看剖面图来验证它们。贝茨似乎在说的是，您使用它们需要您自担风险。$p$$t$

正确，Wald 统计量（由 报告为“t 统计量” lme4）通常最多仅近似于线性混合模型 (LMM) 的 t 分布。它仅在某些非常特殊的情况下是完全 t 分布的，例如，具有嵌套随机因子和平衡数据的混合模型方差分析。

对于具有非正态响应的广义线性混合模型 (GLMM)，Wald 统计量的分布甚至可能根本不像 t 型。例如，请参阅逻辑回归上的这个线程，其中我们表明采样分布的尾部可能比正常值更薄，而不是比正常值更厚。（该线程不关注混合模型，但同样的问题出现在那里。）