De estimated marginal means zijn de gemiddelden verkregen vanuit het model, dus de 'voorspelde scores'. Deze zijn niet hetzelfde als de gemiddelden en SD die verkregen worden middels het opvragen van descriptives. Vaak komen deze overeen, maar dit hoeft niet het geval te zijn.
Omdat de gemiddelden van EF_t0 en EF_t1 dus niet 'gewoon' het gemiddelde zijn, en daarom een eigen SD hebben, moet de spreiding ook anders berekend worden. De spreiding rond de voorspelde score is niet meer gebaseerd enkel op EF_t0 of EF_t1, maar op het model als geheel, dus inclusief hoofd- en eventuele interactie-effecten, maar gek genoeg ook (of soms vooral) op effecten die niet in het model zitten. Als je bijvoorbeeld alleen maar tweeweginteracties modelleert, en geen drieweginteracties, dan heb je een meer begrensd model dan de werkelijk data; en zullen de EMM meer error vertonen dan de descriptive an sich.
Hoeveel de spreiding van een model is kan ingewikkeld te berekenen zijn; bij regressiemodellen zit er minder error in het midden van de lijn, dan in de staarten. Een confidence interval wordt dan berekend rond de regressielijn. In een geval van enkel 'groepen' komt dit neer op een kritieke waarde van de toetsstatistiek * SE per groep, die per groep hetzelfde is.
Dus het gaat niet om de hellingshoek, maar om de waarde van X. Als je met groepen werkt is de X discreet, dus neemt waarde 0, 1, 2, ... k aan. En de SE gaat dan om de 95% CI rond de waarde van (geschatte-)Y bij een gegeven X. In regressiemodellen met continue data betekent het CI precies hetzelfde, maar X is dan wat abstracter.