In fact, many models are possible a

In fact, many models are possible and they vary in how they relate the correlation between residuals to the distance between observations: the relationship may be linear or non-linear, one- or two-dimensional, involve a moving mean or not, and so forth. ASReml provides a wide array of possible models that can be fit to the data
(Table 7.6 of Gilmour et al., 2014). In practice, we most often just fit autoregressive first-order (AR1) correlation structures to field data, as this model has proven robust across many different data sets. This is not to say that errors are really correlated in an AR1 fashion, but it means that the AR1 model is a useful approximation to a wide variety of error effect distributions.

結果 (中文) 1:

事实上，许多模型是可能的他们在他们如何与相关残差和观测值之间的距离之间的关系会发生变化︰ 关系可能是线性或非线性的单或二维，涉及滑动平均值或不，等等。ASReml 提供了各种各样的可适应数据的可能模式(表 7.6 的吉尔等人，2014年)。在实践中，我们最经常只是适合自回归阶 (AR1) 相关结构字段的数据，因为这种模式被证明鲁棒跨许多不同的数据集。这并不是说错误真正相关的 AR1 时尚，但它意味着 AR1 模型是有用的近似到种类繁多的误差影响分布。

結果 (中文) 3:

事实上，许多模型是可能的，他们在如何与残差之间的相关性观察之间的距离变化：关系可能是线性的或非线性的，一个或两维，涉及移动平均值，等等。ASReml提供一系列可能的模型可以拟合数据（吉尔莫等人。表7.6、2014）。在实践中，我们往往只适合自回归阶（AR1）相关结构的现场数据，这个模型已经证实在许多不同的数据集。这是不是说，错误是真的在AR1时尚相关，但这意味着AR1模型是各种误差的影响分布的一个有用的近似。