lmer语法问题答案

【问题标题】：lmer syntax questionslmer语法问题
【发布时间】：2019-11-07 02:33:23
【问题描述】：

我正在尝试做一些混合/固定效果建模，并且遇到了lme4 包，其中包括lmer 函数。但老实说，我对语法感到非常困惑，我已经尝试查看文档，但我不确定我是否完全理解，而且似乎我的语法有点不同。

例如我有这样的事情：

T <- lmer(Y ~ Treatment + 0 + (1|Block) + (1|Subblock), data = D, REML = FALSE)
T1 <- lmer(Y ~ 1 + (1|Block) + (1|Subblock), data = D, REML = FALSE)

谁能“快速”解释一下这实际上意味着什么？就像 | 之前的 1表示变量Block或Subblock应视为随机效应，Treatment为固定效应。但是单个 1 和 0 呢？我可以更改 | 之前的 1 吗？到 0，如果是，那是什么意思？

【问题讨论】：

stats.stackexchange.com/questions/13166/rs-lmer-cheat-sheet
也许您可以（在 cmets 或您的问题中）更多地说明您拥有的哪些文档来源似乎彼此不同/不同意？
这个问题与编程语法有关。它在 Stack Overflow 上是主题，但在 Cross Validated 上是主题外，因此应该不被迁移。跨度>

标签： r syntax

【解决方案1】：

Y ~ Treatment + 0 + (1|Block) + (1|Subblock)

（顺便说一句，我不建议在 R 中使用 T 作为变量名...）

0+Treatment 表示治疗的固定效果，在“虚拟”或“治疗”编码（默认）中，拦截被抑制（这就是 0 在这里表示的意思）；换言之，Treatment 的每个水平都有一个固定效应参数，等于该处理中观察值的预期值。
(1|Block) + (1|Subblock) 表示块和子块之间模型截距的随机变化（这就是1 在这里的意思）：它假设子块是唯一编码的（例如 A1、A2、...、B1、B2、... . 而不是 1, 2, ... , 1, 2, ...)

Y ~ 1 + (1|Block) + (1|Subblock)

同上，但现在没有固定的治疗效果——只有一个实验范围的截距值。

您可以比较这两个模型（例如，使用 anova() 进行似然比测试或使用 AIC()）来测试 Treatment 的统计显着性。

有关lme4 语法的更多详细信息，请参阅GLMM FAQ 或this question。

PS 在随机效果规范中将1 更改为0 会很奇怪；如果它完全起作用（我不确定它是否会起作用），原则上它等同于抑制随机效应（“组之间有什么不同？没什么”） - 这更容易只需将该 RE 完全排除在公式之外...

【讨论】：