In most breeding applications (and

In most breeding applications (and in all cases in this book) elements of y can be assumed as drawn from a normal distribution. Keep in mind that although this is a rather convenient assumption that facilitates the analysis of the data, it is not always tenable. We have mentioned in the previous section how we will consider both fixed and random effects in our models. We will now provide a short explanation on what we might consider fixed vs. random. The distinction between fixed and random applies to the unknown model components. A fixed effect is a known constant that will remain the same over conceptual repeated sampling, while a random effect is a random variable that arises from the subsampling and random selection of “treatment” levels.
Imagine a very simple fixed effect model similar to the following:

結果 (中文) 1:

在大多数育种应用程序 （和在所有情况下，在这本书中） y 元素可以出任取自正常分布。请记住，虽然这是一个相当方便的假设，便于数据的分析，它并不总是站得住脚。我们刚才在上一节中我们将如何考虑固定和随机效应在我们的模型。我们现在将我们可能考虑的固定与随机提供一个简短的解释。固定和随机的区别适用于未知的模型组件。一个固定的效果是将保持不变在概念的重复采样，而随机效应是一个随机变量所产生的"待遇"水平的欠采样及随机选择一个已知的常数。想象一下很简单的固定的效应模型类似于以下内容︰

結果 (中文) 2:

可以假设的y在大多数育种中的应用（在本书所有的情况下）的元素如从一个正常的分布绘制。请记住，虽然这是一个促进所述数据的分析，而方便的假设，它并不总是成立的。我们在上一节，我们将考虑如何在我们的模型固定和随机效应中提到。现在，我们将提供我们可以考虑固定与随机的简短说明。固定和随机的区别适用于未知模型组件。的固定效果是一个已知的常数，将保持在概念上的重复采样是相同的，而随机效应是，从子采样和的“治疗”水平随机选择产生的随机变量。
想象一下，类似下面的一个非常简单的固定效应模型：

結果 (中文) 3:

在大多数育种应用程序（在本书中的所有情况下）的Y元素可以假定为绘制从一个正常的分布。记住，虽然这是一个相当方便的假设，有利于对数据的分析，它并不总是成立的。我们在上一节中提到了如何在模型中考虑固定效应和随机效应.。现在，我们将提供一个简短的解释，我们可能会考虑固定与随机。固定和随机的区别适用于未知的模型组件。一个固定的效果是已知的常数，将概念重复采样保持不变，而随机效应是一个随机变量所产生的采样和“治疗”水平的随机选择。想象一个非常简单的固定效果模型类似以下：