如何正确导入具有自身不确定性的数据点并随后进行统计检验？通常，人们会将您的数据点视为准确的（对我来说，这是不正确的）。但是，如果我有一个额外的步骤，即每个样品进行多次测量，那么将不确定与该样品相关的测量值的估计。实际上，许多数量是通过具有相关不确定性的估计过程生成的。
最重要的是，我有不同的实验方法，每种方法都有多个重复项/样本（因此存在另一种不确定性）。我的最终目标是通过统计学检验比较平均治疗水平。如果我要在估计单个数据点时考虑不确定性，以及治疗重复性变异性的不确定性，我该如何从一开始就进行处理（从数据导入开始）？我不介意手动计算总传播SE并在列中键入它，但是我不知道如何在分析中合并此信息。
我无法在Internet上找到任何有用的东西，而不仅仅是JMP。非常感谢您的帮助。
回复：如何正确导入具有自身不确定性的数据点并随后进行统计检验？JMP和其他成熟的统计软件通过对单个观测值建模来解决此问题。换句话说，我们不分析观察结果的摘要（例如，均值响应），而是尝试包括不确定性的单独估计（例如，标准偏差或标准误差），而是包括原始的单个观察结果（例如，重复项） 。这种不确定性“核算”的确切性质取决于“实验单位”和所选的建模技术，但总的来说可以做到。
因此，在“方差单向分析”的简单情况下，单个响应以Y角色输入，而治疗水平则以X角色输入。平方和估计要比较的“内部”和“中间”处理变异性 F 假设检验或多重比较程序的比率。（这种单向方差分析不是唯一可能的分析，而只是作为示例。）
回复：如何正确导入具有自身不确定性的数据点并随后进行统计检验？请参阅JMP>帮助> JMP文档库。这两本书“基本分析”和“拟合线性模型”应该提供带有解释和示例的良好信息来源。所有示例均随JMP一起安装。
回复：如何正确导入具有自身不确定性的数据点并随后进行统计检验？ @markbailey 感谢您的回复。我知道在上述情况下（子采样），可以使用嵌套模型进行分析。但是，这变得不合适，因为估计过程偏离了对子样本的值进行简单平均（我必须处理）。我不是在谈论使用精确的单个值作为响应变量，这当然很容易做到。
正如您所说，应该对原始测量数据点进行第一步建模练习，但是建模练习只能生成统计摘要，即它不会将估算值及其相关的不确定性保存为变量，您只能将它们制成表格。（并且需求模型可以是非常利基的和特定于机制的模型，可以采用统计软件提供的统计建模方法以外的其他方法）。现在，这是一个问题：我现在想根据先前建模练习生成的估计值进行第二次统计分析，我发现很难找到一种简单的方法。
